/ Модель

Характеристики

Лицензия
openmdw-1.1
Архитектура
nemotron_streaming_rnnt_mlx · dense
Базовая модель
nemotron-3.5-asr-streaming-0.6b
Библиотека
mlx
Опубликована
24 июл 2026

Nemotron-3.5-ASR-Streaming-0.6B-MLX-5bit

Распознавание речиАудио → текст

Многоязычная MLX-модель NVIDIA для потокового распознавания речи на устройствах Apple с Apple silicon.

59скачиваний за 30 дней0лайковвеса обновлены24 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

Nemotron-3.5 ASR Streaming 0.6B MLX INT5 — многоязычная модель распознавания речи от NVIDIA, преобразованная в формат MLX для потокового выполнения на компьютерах Apple с Apple silicon. Она использует архитектуру cache-aware FastConformer и prompt-conditioned RNN-T; размер модели — 0,6 млрд параметров. Принимает монофоническое аудио с частотой 16 кГц и выдаёт распознанный текст, поддерживая потоковую обработку с частичными результатами.

Модель предназначена для транскрибирования речи в реальном времени и пакетного распознавания на устройстве. В README приведены результаты на FLEURS для шести языковых срезов и показатели низкой задержки на M5 Pro; они не гарантируют такую же точность и скорость на других данных и устройствах. Языковую подсказку нужно задавать явно тегом BCP-47 или использовать режим auto. Частичный текст предварительный и может обрываться посреди слова; модель не выполняет диаризацию или идентификацию говорящих. В MLX-версии отсутствует дополнительный слой усиления отдельных слов. Для запуска требуются Apple silicon и MLX Metal shader library. Лицензия — OpenMDW-1.1.

Сценарии применения

  • поточная транскрибация речи с частичными результатами
  • распознавание речи в аудиозаписях с частотой 16 кГц
  • локальная расшифровка разговоров на компьютерах Apple
  • транскрибирование многоязычного аудио на поддерживаемых языках

Ограничения

Модель не поддерживает диаризацию и идентификацию говорящих; языковую подсказку нужно задавать явно или выбирать auto, а частичный текст может быть предварительным и обрываться посреди слова. MLX-версия рассчитана на Apple silicon и не включает необязательный слой усиления слов из Core ML runtime.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Nemotron-3.5 ASR Streaming 0.6B — MLX INT5

Cache-aware multilingual Conformer + RNN-T speech recognition from NVIDIA, converted to native MLX for streaming inference on Apple silicon. This bundle uses affine group-64 5-bit linear weights, BF16 recurrent state, and unquantized convolution, embedding, LSTM, and language-prompt layers.

Model

Parameters0.6B
ArchitectureCache-aware FastConformer + prompt-conditioned RNN-T
Sample rate16 kHz mono
Streaming chunk320 ms
Encoder frame rate80 ms
Attention left context56 frames (4.48 s)
Vocabulary13,087 SentencePiece tokens + blank
QuantizationMLX affine group-64 5-bit linear weights
On-disk size538.6 MB

Files

FileSizeDescription
model.safetensors538.1 MBMLX model weights
config.json1.7 KBStrict runtime and streaming geometry
vocab.json100.9 KBOrdered SentencePiece vocabulary
languages.json2.0 KBWrapped language-to-prompt-slot mapping
lang2slot.json1.7 KBFlat compatibility language mapping
tokenizer.model397.0 KBOriginal SentencePiece model
speech_models_export.json1.3 KBPinned source and export artifact hashes
checksums.jsongeneratedSHA-256 for every published file

Streaming accuracy

FLEURS test, 50 samples per language, cache-aware 320 ms streaming. English uses Whisper's EnglishTextNormalizer; German, French, and Arabic use BasicTextNormalizer; Hindi and Japanese use BasicTextNormalizer(split_letters=True).

LanguageWER %CER %RTF
en-US8.643.770.0447
de-DE11.156.250.0436
fr-FR13.105.180.0442
ar13.663.940.0436
hi-IN4.773.850.0441
ja-JP17.8612.110.0422

Mean WER across these six slices is 11.53% and mean CER is 5.85%.

Streaming performance

M5 Pro with 48 GB unified memory, one fresh Python process, 63.7 seconds of concatenated FLEURS English audio, 199 × 320 ms chunks:

metricvalue
Real-time factor0.0467
p50 chunk latency13.8 ms
p95 chunk latency15.9 ms
p99 chunk latency16.8 ms
RSS after lazy weight load196 MB
Peak RSS during streaming800 MB

The post-load value reflects MLX's lazy memory mapping; peak RSS is the useful resident-memory figure after inference touches the weights.

Swift usage

The native runtime is in NemotronStreamingASR.

import NemotronStreamingASR

let model = try await NemotronStreamingASRMLXModel.fromPretrained(
    variant: .int5
)
let session = try model.createSession(language: "en-US")

for pcm320ms in audioChunks {
    for partial in try session.pushAudio(pcm320ms) {
        print(partial.text)
    }
}

for final in try session.finalize() {
    print(final.text)
}

Sessions retain the mel, attention, convolution, and RNN-T predictor caches. Model calls are serialized so multiple source-local sessions can safely share one loaded weight set.

Python reference runtime

The reproducible exporter, cache-aware runtime, tests, and benchmarks live in speech-models/models/nemotron-asr-streaming-multilingual/export.

hf download aufklarer/Nemotron-3.5-ASR-Streaming-0.6B-MLX-5bit --local-dir ./nemotron-mlx

python streaming.py \
  --bundle ./nemotron-mlx \
  --wav recording.wav \
  --lang en-US \
  --chunk-ms 320 \
  --print-partials

--print-partials prints cumulative text whenever a chunk adds visible tokens. Both reference runtimes remove angle-bracket language markers such as <en-US> from user-facing text.

Choosing a precision

INT5 minimizes resident memory; INT8 preserves more quantization headroom. Benchmark both on domain audio before deployment.

Limitations

  • This is ASR only. It does not perform speaker diarization or speaker identification.
  • Language conditioning is explicit. Pass a supported BCP-47 language tag or use the bundle's auto slot.
  • Partial text is provisional and may end mid-word. Applications should replace the previous partial until the caller finalizes the utterance.
  • The native MLX path does not currently implement the Core ML runtime's optional word-boosting layer.
  • The runtime is intended for Apple silicon and requires the MLX Metal shader library to be packaged with the executable.

Provenance

Upstream repositorynvidia/nemotron-3.5-asr-streaming-0.6b
Upstream revisionf3d333391852ba876df169dcc9ba902d25b6ab0b
Upstream .nemo SHA-256210214ed94039bf6bfbb9a047c7fa289628db75b103e2bf6381fa78285436a74
Export manifestspeech_models_export.json
Artifact checksumschecksums.json

License

Distributed under OpenMDW 1.1, matching the upstream NVIDIA model. Review the upstream model card and license before deployment.

Links

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
NemotronStreamingRNNTForSpeechRecognition
Ревизия весов
f61b87b

0 моделей