/ Модель

Характеристики

Размер весов
1,3 ГБ
Лицензия
Своя лицензия
Базовая модель
parakeet_realtime_eou_120m-v1
Библиотека
nemo
Опубликована
27 ноя 2025

parakeet-realtime-eou-120m-coreml

Распознавание речиАудио → текст5 профессий

Parakeet Realtime EOU 120M — CoreML — это конвертированная в формат CoreML потоковая модель автоматического распознавания речи с определением конца высказывания (EOU).

21 735скачиваний за 30 дней5лайковвеса обновлены14 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 разработана на основе nvidia/parakeet_realtime_eou_120m-v1 и предназначена для работы на устройствах Apple Silicon, в том числе в FluidAudio, для транскрибации речи в реальном времени и голосовых агентов.

Модель содержит около 120 млн параметров и реализует архитектуру RNNT: 17-слойный FastConformer-энкодер с кэшированием состояния для потоковой обработки, однослойный LSTM-декодер с 640 скрытыми единицами и joint-сеть для предсказания токенов и EOU. RNNT-пайплайн разделён на три CoreML-модели: streaming_encoder, decoder и joint_decision. Поддерживаются варианты с размером аудиочанка 160 и 320 мс. На Apple M2 показатель WER на LibriSpeech test-clean составляет соответственно 8,29% и 4,87%, а RTFx — 4,78x и 12,48x. В README указан английский язык.

Сильные стороны модели — потоковая обработка с сохранением контекста между чанками, низкая задержка, высокая скорость на Apple Silicon и встроенное определение завершения высказывания. Ограничения включают привязку к CoreML и Apple Silicon, а также различие между задержкой и точностью в зависимости от размера чанка; приведённые метрики относятся только к LibriSpeech test-clean. Модель распространяется по NVIDIA Open Model License; подробные условия доступны по ссылке NVIDIA.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Parakeet Realtime EOU 120M — CoreML

CoreML conversion of [nvidia/parakeet-realtime-eou-120m-v1](https://huggingface.co/nvidia/parakee t-realtime-eou-120m-v1) for streaming speech recognition with end-of-utterance detection on Apple Silicon.

Used by FluidAudio for real-time transcription.

Models

The RNNT pipeline is split into three CoreML models, exported at two chunk sizes:

ModelDescription
streaming_encoder.mlmodelcFastConformer encoder with loopback state caching
decoder.mlmodelc1-layer LSTM decoder (640 hidden units)
joint_decision.mlmodelcJoint network for token prediction + EOU detection

Chunk Size Variants

VariantLatencyWER (test-clean)RTFx (M2)
160ms/160ms8.29%4.78x
320ms/320ms4.87%12.48x

Benchmarked on LibriSpeech test-clean (2620 files, 5.40h audio) on Apple M2.

Usage with FluidAudio

import FluidAudio

let manager = StreamingEouAsrManager()
await manager.initialize()

// Transcribe with EOU detection
await manager.startStreaming(
    eouCallback: { transcript in
        print("Utterance complete: \(transcript)")
    },
    partialCallback: { partial in
        print("Partial: \(partial)")
    }
)

// Feed audio chunks as they arrive
await manager.feedAudio(samples)

CLI

Transcribe a file

swift run fluidaudio parakeet-eou --input audio.wav

Benchmark

swift run -c release fluidaudio parakeet-eou --benchmark --chunk-size 320

Architecture

120M parameter RNNT (Recurrent Neural Network Transducer) with:

  • Encoder: 17-layer FastConformer with cache-aware streaming
  • Decoder: 1-layer LSTM, 640 hidden size
  • Joint: Linear projection with 1027 output classes (1024 tokens + EOU token + SOS + blank)
  • EOU token: ID 1024 signals end-of-utterance

Streaming State

The encoder maintains loopback state between chunks: ┌─────────────────────┬──────────────────┬───────────────────────┐ │ State │ Shape │ Description │ ├─────────────────────┼──────────────────┼───────────────────────┤ │ preCache │ [1, 128, N] │ Mel-level context │ ├─────────────────────┼──────────────────┼───────────────────────┤ │ cacheLastChannel │ [17, 1, 70, 512] │ Conformer layer cache │ ├─────────────────────┼──────────────────┼───────────────────────┤ │ cacheLastTime │ [17, 1, 512, 8] │ Temporal cache │ ├─────────────────────┼──────────────────┼───────────────────────┤ │ cacheLastChannelLen │ [1] │ Cache length tracking │ └─────────────────────┴──────────────────┴───────────────────────┘ Export

Converted from PyTorch using coremltools. To re-export:

python3 Scripts/ParakeetEOU/Conversion/convert_split_encoder.py
--output-dir Models/ParakeetEOU
--model-id nvidia/parakeet-realtime-eou-120m-v1

License

NVIDIA Open Model License — see https://www.nvidia.com/en-us/agreements/enterprise-software/nvidia-open-model-license/.

Original model: https://huggingface.co/nvidia/parakeet-realtime-eou-120m-v1


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
40a23f4

0 моделей