/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
CC BY-NC 4.0
Опубликована
21 июл 2026

nemotron-3.5-asr-streaming-0.6b-onnx-fp32-opset24-c056-cpu

Распознавание речиАудио → текст

Потоковая модель распознавания речи Nemotron 3.5 в формате ONNX для транскрибации аудио на CPU.

0скачиваний за 30 дней0лайковвеса обновлены21 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это полноточная конверсия NVIDIA Nemotron 3.5 ASR Streaming 0.6B в формат ONNX opset 24, подготовленная DimQ1 для распознавания речи на CPU через ONNX Runtime GenAI. Модель принимает аудио и выдаёт распознанный текст; потоковая обработка использует блоки длительностью 0,56 секунды, рекомендованные как компромисс между задержкой и точностью. Для работы требуется ONNX Runtime версии 1.25 или новее.

Модель предназначена для потоковой транскрибации, включая диктовку и распознавание многоязычной или переключающейся между языками речи. README указывает 24 слоя энкодера и файлы энкодера, декодера и joint-модуля; размер параметров в метаданных не указан. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Более крупные блоки могут повысить точность, но увеличивают задержку.

Сценарии применения

  • потоковая транскрибация речи на CPU
  • диктовка с низкой задержкой
  • распознавание многоязычной речи
  • транскрибация речи с переключением языков

Ограничения

Для запуска требуется ONNX Runtime 1.25 или новее; более длинные аудиоблоки повышают задержку. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Nemotron 3.5 ASR Streaming 0.6B — ONNX FP32 (CPU, opset 24, chunk 0.56s)

Full-precision FP32 ONNX model converted from NVIDIA Nemotron 3.5 ASR Streaming 0.6B to native ONNX opset 24 for CPU inference with ONNX Runtime GenAI.

Streaming chunk size: 0.56s — NVIDIA-recommended default — best latency/accuracy trade-off.

Model Details

PropertyValue
Base modelNVIDIA Nemotron 3.5 ASR Streaming 0.6B
ONNX opset24 (native)
Encoder layers24
Hidden size1024
PrecisionFP32
Chunk size0.56s (8960 samples @ 16kHz)
Left context70 encoded frames
Sample rate16,000 Hz
Vocab size13,088
Languages80+ (multilingual)
VADSilero VAD included
Total size~2608 MB

Files

FileSize
encoder.onnx + .data2496 MB
decoder.onnx + .data57 MB
joint.onnx + .data36 MB
silero_vad.onnx2 MB

Requirements

  • ONNX Runtime ≥ 1.25 (opset 24 support on CPU).
  • Tested with Microsoft.ML.OnnxRuntime 1.25.1 + Microsoft.ML.OnnxRuntimeGenAI 0.14.1.

Quick Start

C# / .NET

using NemotronSpeech;

using var session = new ModelSession(
    modelPath: "path/to/this/model",
    executionProvider: "cpu",
    langId: null,
    useVad: false);

CLI

NemotronSpeech.exe <model_path> <audio_file> cpu
NemotronSpeech.exe <model_path> --mic cpu --language en

Choosing a chunk size

ChunkLatencyEncoder contextBest for
0.08s / 0.16sLowestMinimalUltra-low-latency dictation
0.56sBalanced70 framesRecommended default (NVIDIA)
1.12sHigher140 framesBest accuracy, code-switching, multilingual

Larger windows give the encoder more context, which improves WER — especially noticeable for quantized (INT4) builds and code-switched / multilingual audio.

Related models

  • DimQ1/nemotron-3.5-asr-streaming-0.6b-onnx-fp32-cpu — opset 21 FP32
  • DimQ1/nemotron-3.5-asr-streaming-0.6b-onnx-int4-cpu — opset 21 INT4 (fastest)

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов
e729685

0 моделей