/ Модель

Характеристики

Размер весов
103 МБ
Лицензия
CC BY 4.0
Базовая модель
parakeet-tdt_ctc-110m
Библиотека
nemo
Опубликована
19 ноя 2025

parakeet-ctc-110m-coreml

Распознавание речиАудио → текст4 профессии

Parakeet-TDT-CTC-110M CoreML — модель автоматического распознавания речи, разработанная NVIDIA и преобразованная в формат CoreML для эффективного вывода на Apple Silicon.

87 021скачиваний за 30 дней2лайкавеса обновлены28 мар 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

Она предназначена для транскрибации аудиофайлов и быстрого распознавания ключевых слов на устройствах Mac с процессорами M1–M4.

Модель использует общий Conformer-энкодер и две декодирующие ветви: CTC для быстрого жадного декодирования и сценариев keyword spotting, а также TDT (Token-Duration Transducer) с LSTM-сетью предсказаний и совместной сетью для более качественной транскрибации. Общий размер компонентов составляет около 436 МБ, словарь содержит 1024 токена. В карточке указан английский язык; модель обучалась и оценивалась на наборах LibriSpeech, Fisher Corpus, Common Voice, VoxPopuli и других англоязычных и многоязычных корпусах. На Earnings22 заявлены WER 17,97%, стопроцентное распознавание тестовых ключевых слов и скорость до 358× реального времени на M4 Pro.

Сильные стороны модели — высокая скорость локального вывода, поддержка двух режимов декодирования и возможность работы без облачной инфраструктуры. Ограничения включают специализацию на английской речи, необходимость macOS 13 или новее, Python 3.10+ и устройства Apple Silicon; приведенные показатели зависят от набора данных и условий тестирования. Лицензия — CC BY 4.0.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Parakeet-TDT-CTC-110M CoreML

NVIDIA's Parakeet-TDT-CTC-110M model converted to CoreML format for efficient inference on Apple Silicon.

Model Description

This is a hybrid ASR model with a shared Conformer encoder and two decoder heads:

  • CTC Head: Fast greedy decoding, ideal for keyword spotting
  • TDT Head: Token-Duration Transducer for high-quality transcription

Architecture

ComponentDescriptionSize
PreprocessorMel spectrogram extraction~1 MB
EncoderConformer encoder (shared)~400 MB
CTCHeadCTC output projection~4 MB
DecoderTDT prediction network (LSTM)~25 MB
JointDecisionTDT joint network~6 MB

Total size: ~436 MB

Performance

Benchmarked on Earnings22 dataset (772 audio files):

MetricValue
Keyword Recall100% (1309/1309)
WER17.97%
RTFx (M4 Pro)358x real-time

Requirements

  • macOS 13+ (Ventura or later)
  • Apple Silicon (M1/M2/M3/M4)
  • Python 3.10+

Installation

# Using uv (recommended)
uv sync

# Or using pip
pip install -e .

# For audio file support (WAV, MP3, etc.)
pip install -e ".[audio]"

Usage

Python Inference

from scripts.inference import ParakeetCoreML

# Load model (from current directory with .mlpackage files)
model = ParakeetCoreML(".")

# Transcribe with TDT (higher quality)
text = model.transcribe("audio.wav", mode="tdt")
print(text)

# Or use CTC for faster keyword spotting
text = model.transcribe("audio.wav", mode="ctc")
print(text)

Command Line

# TDT decoding (default, higher quality)
uv run scripts/inference.py --audio audio.wav

# CTC decoding (faster, good for keyword spotting)
uv run scripts/inference.py --audio audio.wav --mode ctc

Model Conversion

To convert from the original NeMo model:

# Install conversion dependencies
uv sync --extra convert

# Run conversion
uv run scripts/convert_nemo_to_coreml.py --output-dir ./model

This will:

  1. Download the original model from NVIDIA (nvidia/parakeet-tdt_ctc-110m)
  2. Convert each component to CoreML format
  3. Extract vocabulary and create metadata

File Structure

./
├── Preprocessor.mlpackage    # Audio → Mel spectrogram
├── Encoder.mlpackage         # Mel → Encoder features
├── CTCHead.mlpackage         # Encoder → CTC log probs
├── Decoder.mlpackage         # TDT prediction network
├── JointDecision.mlpackage   # TDT joint network
├── vocab.json                # Token vocabulary (1024 tokens)
├── metadata.json             # Model configuration
├── pyproject.toml            # Python dependencies
├── uv.lock                   # Locked dependencies
└── scripts/                  # Inference & conversion scripts

Decoding Modes

TDT Mode (Recommended for Transcription)

  • Uses Token-Duration Transducer decoding
  • Higher accuracy (17.97% WER)
  • Predicts both tokens and durations
  • Best for full transcription tasks

CTC Mode (Recommended for Keyword Spotting)

  • Greedy CTC decoding
  • Faster inference
  • 100% keyword recall on Earnings22
  • Best for detecting specific words/phrases

Custom Vocabulary / Keyword Spotting

For keyword spotting, CTC mode with custom vocabulary boosting achieves 100% recall:

# Load custom vocabulary with token IDs
with open("custom_vocab.json") as f:
    keywords = json.load(f)  # {"keyword": [token_ids], ...}

# Run CTC decoding
tokens = model.decode_ctc(encoder_output)

# Check for keyword matches
for keyword, expected_ids in keywords.items():
    if is_subsequence(expected_ids, tokens):
        print(f"Found keyword: {keyword}")

License

This model conversion is released under the Apache 2.0 License, same as the original NVIDIA model.

Citation

If you use this model, please cite the original NVIDIA work:

@misc{nvidia_parakeet_tdt_ctc,
  title={Parakeet-TDT-CTC-110M},
  author={NVIDIA},
  year={2024},
  publisher={Hugging Face},
  url={https://huggingface.co/nvidia/parakeet-tdt_ctc-110m}
}

Acknowledgments

Как запустить

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

GPU в ailist

Универсальный рантайм · nemo

Нельзя запустить

Модели NVIDIA NeMo требуют отдельного рантайма.

Ревизия весов
accdafd

0 моделей