/ Модель

Характеристики

Лицензия
CC BY 4.0
Архитектура
fastconformer_rnnt · dense
Базовая модель
parakeet-unified-en-0.6b
Библиотека
coreml
Опубликована
12 июн 2026

parakeet-unified-en-0.6b-coreml

Распознавание речиАудио → текст4 профессии

Parakeet Unified EN 0.6B CoreML — модель автоматического распознавания речи на английском языке, разработанная командой FluidInference на основе Parakeet от NVIDIA.

2 272скачиваний за 30 дней0лайковвеса обновлены25 сен 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 оптимизирована для работы на платформах Apple через CoreML и используется в Swift SDK FluidAudio.

Модель предназначена для офлайн-транскрибации аудиофайлов и низколатентного потокового распознавания речи. Она построена на архитектуре FastConformer-RNNT с примерно 0,6 млрд параметров, поддерживает аудио в формате mono 16 кГц, автоматически расставляет пунктуацию и добавляет капитализацию. Входной контекст обрабатывается с коэффициентом субдискретизации 8, размер словаря SentencePiece составляет 1024 токена.

Одна и та же модель поддерживает пакетный режим с окнами до 15 секунд и несколько потоковых вариантов с задержкой от 0,32 до 2,08 секунды. Для потоковой обработки доступны разные компромиссы между задержкой, скоростью и качеством; заявленный WER на LibriSpeech test-clean составляет около 1,68% для пакетного режима и 1,79% для потокового режима с задержкой 2,08 секунды. Доступны версии с FLOAT16 и INT8-энкодером, причём INT8 ориентирована на более высокую производительность.

Модель предназначена только для английской речи и не подходит для многоязычной транскрибации; для неанглийского аудио в README рекомендуется Parakeet TDT v3. Производительность и интеграция ориентированы на экосистему Apple и CoreML. Модель распространяется по лицензии 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 Unified EN 0.6B - CoreML

Discord GitHub Repo stars

A CoreML-optimized Parakeet Unified 0.6B English ASR model for Apple platforms. A single FastConformer-RNNT checkpoint serves both offline batch transcription and low-latency streaming, with punctuation and capitalization. The encoder is multi-context trained, so each streaming latency tier is the same weights re-exported with a different chunked-attention mask.

This model is consumed by the FluidAudio Swift SDK.

Model Description

  • Architecture: FastConformer encoder + RNNT (Transducer) decoder/joint
  • Parameters: ~0.6B
  • Language: English
  • Sample rate: 16 kHz mono
  • Vocabulary: 1024 SentencePiece tokens (blank index 1024)
  • Subsampling factor: 8 (one encoder frame ≈ 80 ms)
  • Precision: FLOAT16; an INT8 encoder variant is included for higher throughput
  • Punctuation & capitalization: yes

The same checkpoint exposes two paths:

  • Offline batch — full-attention 15 s windows (240,000 samples), long files transcribed with overlapping windows merged on a 2 s overlap.
  • Streaming — a [left, chunk, right] chunked-attention window baked into the encoder at conversion time. Latency = (chunk + right) × 80 ms.

Streaming latency tiers

Variant[L,C,R]LatencyAggregate WER*RTFxNotes
parakeet-unified-320ms70, 2, 20.32 s2.37%10xlowest latency
parakeet-unified-640ms70, 7, 10.64 s2.40%27xefficiency — same WER as 320 ms, big chunk re-encodes less often
parakeet-unified-1120ms70, 7, 71.12 s2.25%33xbest streaming WER
parakeet-unified-2080ms (default)70, 13, 132.08 s2.47%54xdefault

*Aggregate WER on a 150-file LibriSpeech test-clean sweep (identical files across tiers, so the relative ordering is what matters). Rules of thumb: look-ahead (right context) drives WER, chunk size drives RTFx, and look-ahead saturates around right ≈ 2 frames.

Benchmarks

LibriSpeech test-clean, all 2620 files, INT8 encoder, scored with FluidAudio's TextNormalizer:

ModeAvg WERAggregate WERMedian RTFxOverall RTFx
batch2.16%1.68%130.0x143.6x
streaming (2080 ms)2.21%1.79%66.2x65.9x

vs Parakeet TDT v3 (same harness)

ModelModeAvg WEROverall RTFxPunctuation/capsLanguages
Parakeet TDT v3batch (sliding window)2.6%110no25 + Japanese
Parakeet Unifiedbatch2.16%144yesEnglish
Parakeet Unifiedstreaming2.21%66yesEnglish

For English transcription, Unified batch beats TDT v3 on both WER and throughput and adds punctuation/capitalization. TDT v3 remains the choice for non-English audio.

Usage in Swift

import FluidAudio

// Offline batch transcription
let manager = try await UnifiedAsrManager.fromHub()
let result = try await manager.transcribe(samples)   // 16 kHz mono Float
print(result.text)

// Streaming (choose a latency tier)
let streaming = try await StreamingUnifiedAsrManager.fromHub(variant: .parakeetUnified2080ms)

The CLI selects a tier with --parakeet-variant, e.g. parakeet-unified-320ms, parakeet-unified-1120ms, parakeet-unified-2080ms (default), or parakeet-unified-offline-15s. See the FluidAudio repository for full instructions.

Repository contents

CoreML pipeline (.mlmodelc), driven from metadata.json / vocab.json:

StageBundle
Preprocessorparakeet_unified_preprocessor.mlmodelc
Mel encoder (offline)parakeet_unified_mel_encoder.mlmodelc
Mel encoder (streaming)parakeet_unified_mel_encoder_streaming_70_13_13.mlmodelc
Encoder (offline)parakeet_unified_encoder.mlmodelc, _int8
Encoder (streaming)parakeet_unified_encoder_streaming_{70_2_2,70_7_1,70_7_7,70_13_13}.mlmodelc (+ _int8)
Decoderparakeet_unified_decoder.mlmodelc
Jointparakeet_unified_joint.mlmodelc
Joint decision (single step)parakeet_unified_joint_decision_single_step.mlmodelc

metadata.json holds the runtime shapes (mel/encoder/decoder/state) and streaming window geometry; vocab.json is the 1024-token SentencePiece vocabulary.

License

Released under the CC-BY-4.0 license.

Acknowledgments

Based on NVIDIA's Parakeet (FastConformer-RNNT) model. CoreML conversion and Swift integration by the FluidInference team.

Как запустить

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

GPU в ailist

Универсальный рантайм · coreml

Нельзя запустить

CoreML-модели работают только на устройствах Apple.

Ревизия весов
d32e972

0 моделей