/ Модель

Характеристики

Размер весов
3,6 ГБ
Лицензия
CC BY 4.0
Базовая модель
parakeet-tdt-0.6b-v3
Библиотека
nemo
Опубликована
17 авг 2025

parakeet-tdt-0.6b-v3-coreml

Распознавание речиАудио → текст8 профессий

Parakeet TDT v3 0.6B CoreML — мультиязычная модель автоматического распознавания речи, разработанная FluidInference на основе nvidia/parakeet-tdt-0.6b-v3.

283 тыс.скачиваний за 30 дней54лайкавеса обновлены19 авг 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

Модель преобразована в формат Core ML для платформ Apple и предназначена для полностью локальной транскрипции аудиофайлов, диктовки, создания заметок и встраивания распознавания речи в приложения через Swift-фреймворк FluidAudio.

Модель использует архитектуру FastConformer-TDT (Token Duration Transducer) и содержит около 0,6 млрд параметров. Она принимает монофонический аудиосигнал с частотой 16 кГц в формате Float32 PCM и поддерживает 25 европейских языков: английский, испанский, французский, немецкий, болгарский, хорватский, чешский, датский, нидерландский, эстонский, финский, греческий, венгерский, итальянский, латышский, литовский, мальтийский, польский, португальский, румынский, словацкий, словенский, шведский, русский и украинский. Используется смешанная точность, оптимизированная для выполнения на ANE и CPU.

К сильным сторонам относятся высокая скорость пакетной обработки, низкая задержка, автономная работа без сетевых запросов после загрузки моделей и повышенная приватность данных. На M4 Pro заявлен показатель около 110x RTF в пакетном режиме, однако фактическая производительность зависит от устройства, длительности аудио и выбранных вычислительных блоков. Основное ограничение — специализация на европейских языках, поэтому качество для других языков не заявлено и может снижаться. В метаданных указана лицензия CC BY 4.0, тогда как в тексте README также упоминается Apache 2.0 для репозитория FluidAudio; условия для конкретных артефактов следует уточнять отдельно.

Для каких профессий подходит8

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-tdt-0.6b-v3: Multilingual Speech-to-Text Model CoreML

Model architecture | Model size | Language | Discord | GitHub Repo stars

On‑device multilingual ASR model converted to Core ML for Apple platforms. This model powers FluidAudio’s batch ASR and is the same model used in our backend. It supports 25 European languages and is optimized for low‑latency, private, offline transcription.

The conversion script is here: https://github.com/FluidInference/mobius/tree/main/models/stt/parakeet-tdt-v3-0.6b/coreml

And the benchmarks are here: https://github.com/FluidInference/FluidAudio/blob/main/Documentation/Benchmarks.md#transcription

Highlights

  • Core ML: Runs fully on‑device (ANE/CPU) on Apple Silicon.
  • Multilingual: 25 European languages; see model usage in FluidAudio for examples.
  • Performance: ~110× RTF on M4 Pro for batch ASR (1 min audio ≈ 0.5 s).
  • Privacy: No network calls required once models are downloaded.

Intended Use

  • Batch transcription of complete audio files on macOS/iOS.
  • Local dictation and note‑taking apps where privacy and latency matter.
  • Embedded ASR in production apps via the FluidAudio Swift framework.

Supported Platforms

  • macOS 14+ (Apple Silicon recommended)
  • iOS 17+

Model Details

  • Architecture: Parakeet TDT v3 (Token Duration Transducer, 0.6B parameters)
  • Input audio: 16 kHz, mono, Float32 PCM in range [-1, 1]
  • Languages: 25 European languages (multilingual)
  • Precision: Mixed precision optimized for Core ML execution (ANE/CPU)

Performance

  • Real‑time factor (RTF): ~110× on M4 Pro in batch mode
  • Throughput and latency vary with device, input duration, and compute units (ANE/CPU).

Usage

For quickest integration, use the FluidAudio Swift framework which handles model loading, audio preprocessing, and decoding.

Swift (FluidAudio)

import AVFoundation
import FluidAudio

Task {
    // Download and load ASR models (first run only)
    let models = try await AsrModels.downloadAndLoad()

    // Initialize ASR manager with default config
    let asr = AsrManager(config: .default)
    try await asr.initialize(models: models)

    // Load audio and transcribe
    let samples = try await AudioProcessor.loadAudioFile(path: "path/to/audio.wav")
    let result = try await asr.transcribe(samples, source: .system)
    print(result.text)

    asr.cleanup()
}

For more examples (including CLI usage and benchmarking), see the FluidAudio repository: https://github.com/FluidInference/FluidAudio

Files

  • Core ML model artifacts suitable for use via the FluidAudio APIs (preferred) or directly with Core ML.
  • Tokenizer and configuration assets are included/managed by FluidAudio’s loaders.

Limitations

  • Primary coverage is European languages; performance may degrade for non‑European languages.

License

Apache 2.0. See the FluidAudio repository for details and usage guidance.

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
7dd20fe

0 моделей