/ Модель

Характеристики

Лицензия
CC BY 4.0
Базовая модель
parakeet-tdt-0.6b-v3
Библиотека
parakeet-mlx
Опубликована
20 июл 2026

parakeet-tdt-0.6b-v3-MLX-Mixed-4bit8bit

Распознавание речиАудио → текст5 профессий

Квантованная смешанной точностью MLX-модель Parakeet-TDT-0.6B-v3 для офлайн-распознавания речи на 25 европейских языках.

23скачиваний за 30 дней0лайковвеса обновлены20 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

Это многоязычная модель распознавания речи NVIDIA Parakeet-TDT-0.6B-v3, подготовленная в формате MLX с квантованием смешанной точности Q4/Q8 и сохранённая в safetensors. Вариант создан на основе проверенного чекпойнта mlx-community/parakeet-tdt-0.6b-v3 и предназначен для транскрибации аудио на Apple Silicon с использованием MLX и совместимого загрузчика parakeet_unified_mlx.py.

Веса занимают 0,401 ГБ: матрицы энкодера используют Q4, а точечные свёртки и компоненты предиктора и joint — Q8; часть тензоров хранится в BF16. Исходная модель поддерживает 25 европейских языков. В полной оценке на FLEURS для немецкого, французского, нидерландского, шведского, датского и финского языков получен макро-WER 11,17%; качество сопоставимо с контрольным вариантом INT4, а объём весов меньше. Лицензия — CC-BY-4.0.

Модель работает в офлайн-режиме с полным контекстом и жадным декодированием; потоковая обработка не заявлена. Результаты могут меняться в зависимости от акцента, предметной области, шума и условий записи. Для целевого аудиораспределения нужна отдельная оценка; текущие подробные тесты охватывают только шесть из 25 языков.

Сценарии применения

  • транскрибация немецкой речи
  • распознавание французской речи
  • расшифровка нидерландских аудиозаписей
  • транскрибация шведской и датской речи
  • распознавание финской речи на Apple Silicon

Ограничения

Подробная полная оценка в README охватывает только немецкий, французский, нидерландский, шведский, датский и финский языки; потоковая обработка не заявлена. Точность зависит от акцента, предметной области, шума и условий записи, а для смешанного квантования требуется совместимый загрузчик.

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 TDT 0.6B v3 — MLX Mixed 4-bit/8-bit

A multilingual mixed-precision MLX conversion of nvidia/parakeet-tdt-0.6b-v3, built from the verified unquantized FP32 mlx-community/parakeet-tdt-0.6b-v3 checkpoint.

The 0.401 GB safetensor uses group-64 affine Q4 for 217 encoder matrices and Q8 for 48 pointwise-convolution plus eight predictor/joint matrices. This is 17.96% smaller than the 0.489 GB sonic-speech/parakeet-tdt-0.6b-v3-int4 control while retaining its quality class on a complete six-language gate: 11.17% versus 11.21% macro WER. The 0.04-point difference is not presented as an accuracy improvement; the useful result is practical quality parity with less weight storage.

Complete multilingual evaluation

Measured locally on Apple Silicon with MLX and public parakeet-mlx inference. The gate scores every FLEURS test utterance for German, French, Dutch, Swedish, Danish, and Finnish: 4,509 utterances, 14.64 audio hours, and zero skipped references for every artifact. Macro WER gives each language equal weight.

ModelWeights (GB)GermanFrenchDutchSwedishDanishFinnishMacro WERRTFx
MLX Community FP322.5084.56%6.18%7.00%14.38%18.02%12.09%10.37%54.7x
Sonic encoder-INT40.4894.70%6.59%7.32%15.58%19.60%13.44%11.21%62.1x
This mixed Q4/Q8 model0.4014.65%6.56%7.35%15.46%19.67%13.34%11.17%69.5x

Against FP32, this model removes 84.02% of weight storage for a 0.80-point macro-WER increase. RTFx includes audio loading, log-mel preprocessing, inference, and decoding, but excludes model loading and dataset preparation. Run order was sequential rather than thermally interleaved, so throughput is directional and should be remeasured on deployment hardware.

Allocation and rejected candidates

Calibration used two disjoint FLEURS validation clips per language (12 clips, seed 31415). Candidate selection used 25 held-out test rows per language (150 utterances, seed 42). Only the promoted candidate then ran over all test rows.

The accepted allocation is:

  • Q4: encoder pre-projection and all attention/feed-forward matrices, 217 modules;
  • Q8: every pointwise convolution plus predictor and joint matrices, 56 modules;
  • BF16: ineligible normalization, residual, bias, and depthwise-convolution tensors.

The selection screen rejected uniform Q4 at 0.354 GB and 10.92% macro WER, and an English-v2-derived Q3/Q4 allocation at 0.367 GB and 11.12%. Isolated low-drift attention groups did not compose safely at Q3 across the multilingual model. Protecting convolution and decoder/head paths at Q8 produced the stronger size/quality point.

Provenance and reproducibility

  • NVIDIA source revision: 7c35754d166cca382ad1e53e68b01e7c575f3a1d
  • MLX Community FP32 revision: ed2b7e8c15f9aaa0b5772e2efb986255eaef7e15
  • Sonic INT4 revision: aa25511e86a4a83285774ba03df07ca62069de2f

The Sonic artifact was audited directly. Its 217 packed matrices reproduce exactly by casting the pinned FP32 anchor to BF16 and applying MLX affine Q4/group-64; all remaining tensors equal the anchor cast to BF16.

The release was rebuilt from the pinned FP32 source in a clean output directory and reproduced the evaluated weights byte-for-byte:

model.safetensors SHA-256
8ca561e3d2425ebfc934c58c8c905c9717b020bb80f7c7b8abe6ded72e18872e

The exact resolved allocation is included as quantization_recipe.json. The compatibility loader is included as parakeet_unified_mlx.py; conversion code, sensitivity results, rejected profiles, and matched benchmark evidence live in yuting1214/model-lab.

Usage

Install the public runtime and loader dependencies:

pip install parakeet-mlx huggingface_hub pyyaml librosa soundfile
from huggingface_hub import snapshot_download
from parakeet_unified_mlx import load_parakeet_mlx

model_dir = snapshot_download(
    "MarkChen1214/parakeet-tdt-0.6b-v3-MLX-Mixed-4bit8bit"
)
model = load_parakeet_mlx(model_dir)
result = model.generate("speech.wav")
print(result.text)

Run the script from the downloaded repository directory, or place parakeet_unified_mlx.py on PYTHONPATH before importing it.

Scope and limitations

  • The upstream model supports 25 European languages, but the local complete benchmark above covers only de_de, fr_fr, nl_nl, sv_se, da_dk, and fi_fi.
  • de_de does not qualify Austrian or Swiss German, and fr_fr does not qualify Canadian or Quebec French. Regional product audio is still required.
  • Measurements use offline full-context TDT inference and greedy decoding; this is not a native Swift or streaming-latency result.
  • The included loader is required because current public parakeet-mlx does not instantiate per-module mixed bit widths from the saved recipe itself.
  • Accuracy varies with accents, domains, noise, and recording conditions. Evaluate on the intended target distribution before deployment.

License

The upstream model is released under CC-BY-4.0. This quantized derivative keeps that license and attribution. See the upstream model card for details.

Как запустить

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

GPU в ailist

Универсальный рантайм · parakeet-mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
2ab3160

0 моделей