/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Своя лицензия
Архитектура
nemotron-speech-streaming · dense
Библиотека
onnx
Опубликована
30 июн 2026

nemo-voice-typing-asr

Распознавание речиАудио → текст4 профессии

Потоковая англоязычная модель NVIDIA NeMo для распознавания речи на CPU и диктовки в приложения.

26скачиваний за 30 дней1лайквеса обновлены22 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

Garnet-Owl/nemo-voice-typing-asr — это англоязычная потоковая модель распознавания речи NVIDIA NeMo, экспортированная в ONNX и квантизованная до INT4 для запуска на процессоре. Архитектура RNN-T включает трансформерный энкодер из 24 слоёв с размером скрытого состояния 1024, двухслойный LSTM-предиктор с размером состояния 640 и совместную сеть с словарём из 1024 токенов плюс blank. Вход — монофонический PCM-сигнал с частотой 16 кГц; распознавание идёт чанками по 560 мс с жадным декодированием.

Модель предназначена для потоковой транскрипции английской речи, в том числе диктовки с микрофона в приложения. Для запуска через ONNX Runtime README указывает современный процессор x86-64 с AVX2, около 900 МБ оперативной памяти и 600 МБ места на диске; GPU не требуется. Упаковка выполнена Microsoft / GitHub Copilot и распространяется по MIT, а исходные веса ASR — по NVIDIA Open Model License; комплектный Silero VAD имеет лицензию MIT.

Сценарии применения

  • потоковая транскрипция речи с микрофона
  • диктовка текста в активное окно приложения
  • распознавание английской речи на компьютере без GPU

Ограничения

Модель рассчитана на английскую речь и требует аудио в формате 16 кГц, моно PCM. Для указанного сценария запуска нужен процессор x86-64 с AVX2 и около 900 МБ оперативной памяти.

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

nemotron-speech-streaming-en-0.6b (ONNX, INT4)

Streaming English ASR model from NVIDIA NeMo, exported to ONNX and quantised to INT4 for CPU inference. No GPU required.

Originally packaged by Microsoft / GitHub Copilot under MIT. The underlying ASR weights are under the NVIDIA Open Model License, which permits modification and redistribution. The bundled Silero VAD is MIT.

What's in here

FilePurpose
encoder.onnx + encoder.onnx.dataChunked transformer encoder, 24 layers x 1024 hidden
decoder.onnx + decoder.onnx.data2-layer LSTM predictor, 640 hidden
joint.onnx + joint.onnx.dataRNN-T joint network, vocab 1024 plus blank
silero_vad.onnxVoice activity detector
vocab.txt / tokenizer.jsonSentencePiece vocabulary (1025 tokens incl. blank)
genai_config.json, model_config.json, audio_processor_config.jsonRuntime configuration

Audio pipeline

  • 16 kHz mono PCM
  • 128-bin log-mel features, n_fft=512, hop=160, window=400, Hann, preemphasis 0.97
  • 560 ms chunks (8960 samples), 9-frame mel pre-encode cache
  • Encoder produces 7 timesteps per chunk (subsampling factor 8)
  • Greedy RNN-T decode with max_symbols_per_step=10

System requirements

  • Any modern x86-64 CPU with AVX2 (Windows, Linux, or macOS via ONNX Runtime)
  • About 900 MB of RAM at runtime
  • About 600 MB on disk

Desktop app

A ready-to-use Windows tray app that streams from your microphone into this model and types the result into the focused window: github.com/Garnet-Owl/nemo-voice-typing

Quickstart (Python)

import onnxruntime as ort
encoder = ort.InferenceSession("encoder.onnx")
decoder = ort.InferenceSession("decoder.onnx")
joint   = ort.InferenceSession("joint.onnx")
# See genai_config.json for the per-session input shapes and cache layout.

Как запустить

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

GPU в ailist

Универсальный рантайм · onnx

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Класс архитектуры
RNNTBPEModel
Ревизия весов
c5d3f9b

0 моделей