/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
7 июн 2026

nemotron-3.5-0.6b-hinglish

Распознавание речиАудио → текст4 профессии

Дообученная потоковая ASR-модель для транскрибации разговорной Hinglish-речи и шумного хинди.

73скачиваний за 30 дней1лайквеса обновлены7 июн 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

Nemotron-3.5 Hinglish Fine-Tuned — модель распознавания речи, дообученная автором репозитория на наборе Noisy Hinglish ASR для распознавания хинди и речи с переключением между хинди и английским. Она основана на nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b и использует архитектуру FastConformer RNNT с prompt-streaming; размер базовой модели — 638 млн параметров. Репозиторий включает экспортированные модели ONNX для развёртывания, а базовая архитектура поддерживает потоковую обработку аудио.

Модель предназначена для транскрибации разговорной Hinglish-речи и шумной речи на хинди. В приведённых автором тестах WER для разговорной Hinglish составил 24,57% против 42,17% у базовой модели, а для шумного хинди — 31,67%; на чистом хинди отмечено небольшое ухудшение WER. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация разговорной речи на хинди с английскими вставками
  • распознавание Hinglish в голосовых сообщениях
  • транскрибация шумной речи на хинди
  • потоковое распознавание речи в аудиоприложениях

Ограничения

На тесте чистого хинди WER ухудшился на 2,85 процентного пункта относительно базовой модели. В приведённых тестах WER составил 24,57% для разговорной Hinglish и 31,67% для шумного хинди, поэтому точность зависит от условий и типа речи.

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 Hinglish Fine-Tuned

Fine-tuned version of nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b on the Noisy Hinglish ASR dataset for improved Hindi and code-switched Hinglish speech recognition.

Model Details

PropertyValue
Base Modelnvidia/nemotron-3.5-asr-streaming-multilingual-0.6b
ArchitectureFastConformer RNNT with Prompt-Streaming
Parameters638M
Encoder24-layer Conformer, d_model=1024, 8-head attention
Decoder2-layer LSTM, pred_hidden=640
JointRNNT Joint, joint_hidden=640
Vocabulary13,087 BPE tokens + blank (13088)
Language Prompts128 (covering 100+ languages)
Context SizeLeft: 56, Right: 3 (320ms balanced streaming)
SubsamplingFactor 8 (dw_striding)
Preprocessor128 Mel filters, 16kHz, 25ms window, 10ms stride
TrainingFull fine-tune (all params trainable), encoder frozen
Training Steps12,000 steps (~8,124 best step)
HardwareRTX 5070 Ti (16 GB)
LicenseApache 2.0

Performance

Benchmark Results

SplitSamplesWER%CER%FTR%Δ WER vs Base
Clean Hindi50024.7510.540.80+2.85 (regression)
Conversational Hinglish1,03624.5717.690.97-17.60
Noisy Hindi25031.6732.3311.60-7.46
Negatives (noise)2000.000.0099.50+99.50

Key Improvements

  • Hinglish WER reduced from 42.17% → 24.57% (-17.6 pp), matching Qwen-ft V2 performance
  • Noisy Hindi WER reduced from 39.13% → 31.67% (-7.46 pp)
  • FTR (False Trigger Rate) on background noise: 99.5% rejection (from 0% baseline)
  • Slight regression on clean Hindi (+2.85 pp) due to model learning Hinglish code-switching patterns

Repository Structure

.
├── README.md                  # This file
├── config.json                # Deployment configuration
├── tokenizer.model            # BPE tokenizer
├── model/
│   ├── nemotron-3.5-hinglish.nemo   # NeMo checkpoint (full model)
│   ├── encoder.onnx                  # ONNX encoder for deployment
│   ├── decoder_joint.onnx            # ONNX decoder+joint for deployment
│   └── *.weight / onnx__*            # External ONNX weight files
├── scripts/
│   ├── export_onnx.py                # ONNX export from .nemo
│   ├── evaluate_finetuned.py         # Benchmark evaluation
│   ├── finetune_frozen_encoder.py    # Training script
│   ├── run_finetune.sh               # Training launcher
│   ├── prepare_training_data.py      # Data preparation
│   └── unpack_dataset.py             # Dataset extraction
└── results/
    ├── finetuned_benchmark_results.md
    └── nemotron_baseline_results.md

Usage

NeMo Inference (Python)

import torch
from nemo.collections.asr.models import EncDecRNNTBPEModelWithPrompt

model = EncDecRNNTBPEModelWithPrompt.restore_from("model/nemotron-3.5-hinglish.nemo")
model.eval()

# Transcribe with language prompt
transcription = model.transcribe(
    ["path/to/audio.wav"],
    batch_size=1,
    target_lang="hi-IN",
    prompt_mode="langID",
)[0]
print(transcription)

ONNX Deployment

The model/ directory contains exported ONNX models suitable for production deployment:

  • encoder.onnx: Streaming encoder with cache-aware inference
  • decoder_joint.onnx: RNN-T decoder + joint network
# Export from .nemo yourself (optional)
python scripts/export_onnx.py

Streaming Configuration (config.json)

{
  "streaming": {
    "chunkMs": 320,
    "chunkSize": 4,
    "rightContext": 3,
    "lookaheadMs": 240,
    "melFrames": 32,
    "preCacheSize": 9,
    "outputFrames": 4
  }
}

Training Details

The model was fine-tuned using NVIDIA NeMo toolkit with the following setup:

  • Base model: nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b
  • Dataset: ~23,500 training samples, ~2,300 validation samples from Noisy Hinglish ASR
  • Optimizer: NovoGrad with learning rate 0.1, cosine schedule with warmup
  • Precision: BF16 mixed precision
  • Encoder frozen: Yes (decoder + joint trained)
  • Loss: RNNT with fastemit lambda 0.005

Citation

@misc{nemotron-3.5-hinglish-2026,
  author = {Aditya},
  title = {Nemotron-3.5 Hinglish Fine-Tuned ASR},
  year = {2026},
  publisher = {Hugging Face},
  url = {https://huggingface.co/addyo07/nemotron-3.5-0.6b-hinglish}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели NVIDIA NeMo требуют отдельного рантайма.

Ревизия весов
2764714

0 моделей