/ Модель

Характеристики

Лицензия
Своя лицензия
Архитектура
nemotron3_5_asr · dense
Базовая модель
nemotron-3.5-asr-streaming-0.6b
Библиотека
transformers
Опубликована
24 июл 2026

nemotron-3.5-asr-streaming-0.6b-zhtw

Распознавание речиАудио → текст4 профессии

Потоковая модель распознавания речи с улучшенной поддержкой тайваньского мандаринского китайского языка и многоязычной транскрипцией.

63скачиваний за 30 дней1лайквеса обновлены26 июл 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

Luigi выпустил потоковую модель распознавания речи Nemotron-3.5-ASR-Streaming-0.6B, дообученную на тайваньском мандаринском варианте китайского языка. Это плотная модель архитектуры FastConformer с RNNT-декодером; репозиторий содержит веса Safetensors для Transformers. В тестах Common Voice zh-TW версия v3 показала CER 9,81%, а на тесте Taiwan-Tongues — 14,85%. Английский результат на небольшом тесте LibriSpeech составил WER 2,79%.

Модель предназначена для потоковой расшифровки речи, особенно на тайваньском мандаринском; README также указывает поддержку 25 языков. Она выдаёт упрощённый китайский текст: для традиционного письма README рекомендует преобразование через OpenCC. Модель уступает специализированной китайско-английской ASR-модели в приведённых тестах, слаба на длинных литературных текстах и не выполняет диаризацию или расстановку временных меток. Указана лицензия NVIDIA Open Model License для базовой модели; отдельная лицензия производной модели в метаданных обозначена как other.

Сценарии применения

  • транскрибация речи на тайваньском мандаринском
  • потоковая расшифровка китайской речи
  • распознавание речи на английском и других поддерживаемых языках
  • подготовка упрощённой китайской транскрипции с последующей конвертацией в традиционное письмо

Ограничения

Выводится упрощённый китайский текст, поэтому для традиционного письма требуется преобразование, например, через OpenCC; на приведённых тестах модель уступает специализированной китайско-английской ASR-модели. На длинных литературных текстах качество слабее; диаризация и временные метки не поддерживаются.

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-3.5-ASR-Streaming-0.6B — zh-TW fine-tuned (v3)

Fine-tune of nvidia/nemotron-3.5-asr-streaming-0.6b specialised for Taiwan Mandarin. v3 improves zh-TW by a further 18% over v2 (Common Voice zh-TW CER 12.03 → 9.81), for small regressions on a few other languages — see the honest table below.

Results (transformers runtime, greedy, script-normalised via OpenCC)

evalbase*v2v3 (this)
Common Voice zh-TW (n=120, CER)38.4312.039.81 ✅
Taiwan-Tongues test (n=100, CER)30.67—14.85
English LibriSpeech (n=100, WER)2.712.582.79
Arabic FLEURS (WER)14.5914.8014.48 ✅
Japanese FLEURS (CER)16.8916.4816.65 ✅
Korean FLEURS (CER)9.608.809.42 ✅
German FLEURS (WER)11.6710.9211.42 ✅
Hindi FLEURS (WER)8.087.918.80
Spanish FLEURS (WER)5.566.836.75
French FLEURS (WER)13.9015.4516.15 ⚠️

* base = same model with the zh-TW prompt column warm-started from zh-CN (the untouched base zh-TW slot is dead, ~100% CER). Choose v2 if you need French/Hindi/English at their best; choose v3 for zh-TW. French is the one number that exceeds NVIDIA's published FLEURS figure (15.93).

Output is Simplified Chinese — convert with OpenCC

The 13,087-token tokenizer cannot represent many common Traditional characters (點 兒 區 說 麼 嗎 灣 黨 體 產 …; 6.3% of Traditional chars fail a round-trip vs 0.1% for Simplified). Training targets were Simplified on purpose. For Traditional:

from opencc import OpenCC
text = OpenCC("s2t").convert(text)

Any of language="auto" / "zh-CN" / "zh-TW" works (within ~0.7 CER of each other).

Training

NVIDIA's NeMo recipe (speech_to_text_finetune.py, fastconformer_transducer_bpe_streaming_prompt.yaml), 2×RTX 5090 DDP, bf16, AdamW lr=1e-5 (no Noam — the config's lr:2.0 is a pretraining setting).

Phase 1 (47.5 h): 12,077 Common Voice zh-TW + 5,846 IVOD 立法院 segments kept only where two independent teachers agreed (X-ASR and Whisper-medium disagreed by >20% on 41% of segments — those were discarded) + 4,516 LibriSpeech English + 600 ASCEND zh-CN replay. prompt_mode: unified. Phase 2 (repair, lr 4e-6, 3 epochs): English-heavy mix to undo the English drift — recovered en 2.92 → 2.79 with zero zh-TW loss.

Limitations

  • A dedicated zh-en model is still better at Chinese: an X-ASR zipformer scores 6.66 CER (Common Voice zh-TW) and 6.13 (Taiwan-Tongues test) on these same clips. This model's value is covering 25 languages, not beating a zh-en specialist.
  • Long-form literary Chinese is weak (FormosaSpeech 23.4 CER) — classical proper nouns and vocabulary are out of domain.
  • ASR only: no diarization, no timestamps.

Provenance

Base: nvidia/nemotron-3.5-asr-streaming-0.6b (NVIDIA Open Model License). Common Voice zh-TW (CC0) via JacobLinCool/common_voice_16_1_zh_TW_clean; 立法院 IVOD open data (CC-BY-4.0) pseudo-labelled and teacher-filtered; LibriSpeech (CC-BY-4.0); ASCEND.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Для архитектуры nemotron3_5_asr нет загрузчика под задачу speech-to-text.

Класс архитектуры
Nemotron3_5AsrForRNNT
Ревизия весов
3390c6a

0 моделей