/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
nemotron-3.5-asr-streaming-0.6b
Библиотека
mlx
Опубликована
4 июн 2026

Nemotron-3.5-ASR-Streaming-0.6B-MLX-bf16

Распознавание речиАудио → текст5 профессий

Потоковая модель NVIDIA для распознавания речи на 40 языковых локалях, перенесённая aufklarer в MLX bf16 для Apple Silicon.

71скачиваний за 30 дней3лайкавеса обновлены4 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 ASR Streaming 0.6B MLX bf16 — потоковая модель распознавания речи от NVIDIA, перенесённая aufklarer на MLX для Apple Silicon и Metal GPU. Это конверсия исходной модели NVIDIA в формат MLX с весами bf16; архитектура — кэшируемый FastConformer с RNN-T и языковым промптом. Размер модели — 600 млн параметров.

Модель принимает аудио чанками и выдаёт распознанный текст с пунктуацией и заглавными буквами. Она предназначена для потоковой транскрипции речи с низкой задержкой и поддерживает 40 языковых локалей; среди указанных языков — английский, испанский, немецкий, французский, итальянский, португальский, русский, хинди, китайский, японский, корейский и арабский. В README приведены результаты оценки на части языков и показатели потоковой производительности на Apple M5 Pro.

Карточка описывает bf16-вариант как почти не теряющий точность относительно исходника fp32, но опубликованные показатели качества ограничены тестами на небольших выборках FLEURS и не характеризуют все 40 локалей. Для запуска требуется MLX; автор также указывает `parakeet-mlx` для модуля Conformer. Лицензия в метаданных обозначена как other; конкретные условия следует сверить с лицензией исходной модели NVIDIA и репозитория.

Сценарии применения

  • потоковая транскрипция речи на устройстве Apple Silicon
  • распознавание речи с выводом пунктуации и заглавных букв
  • создание субтитров из аудио в реальном времени
  • транскрибация многоязычных голосовых записей
  • распознавание речи с обработкой аудио небольшими чанками

Ограничения

Опубликованные оценки качества основаны на небольших выборках FLEURS и охватывают лишь часть языковых локалей. Для запуска требуется MLX на Apple Silicon; метаданные указывают лицензию other, поэтому условия использования следует проверить в карточках репозиториев.

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

Nemotron-3.5 ASR Streaming 0.6B — MLX bf16

Cache-aware streaming Conformer + RNN-T from NVIDIA, ported to MLX for Apple Silicon (Metal GPU). 600 M params, 40 language-locales, native punctuation and capitalization. Full-precision bf16 baseline. See sibling repos for MLX-8bit and MLX-4bit.

Model

Parameters600 M
ArchitectureFastConformer-CacheAware-RNN-T with language-conditioning prompt kernel
Languages40
Sample rate16 kHz mono
Streaming chunk320 ms (att_context_size = [56, 3])
Quantizationnone (bf16 weights)
On-disk size1217 MB

Files

FileSizeDescription
model.safetensors1217 MBAll weights (encoder + prompt kernel + decoder + joint) in bf16
vocab.json100 KBSentencePiece pieces, id → string
lang2slot.json2 KBLanguage tag → prompt slot index
config.json<1 KBArchitecture + streaming geometry

Performance

M5 Pro (Apple Silicon GPU), 50 samples per language from FLEURS test. Scoring uses Whisper EnglishTextNormalizer for en; BasicTextNormalizer(split_letters=True) for hi/ja; BasicTextNormalizer for de/fr/ar.

Accuracy

langWER %CER %Δ WER vs fp32 source
en_us10.364.41+1.03
de_de10.875.10+0.65
fr_fr11.624.83+0.49
ar_eg13.763.85+0.49
hi_in5.364.31+0.10
ja_jp17.3311.50+0.36

bf16 is essentially lossless vs the fp32 PyTorch source.

Streaming throughput + memory

metricvalue
RTF (encode + decode)0.062
p50 chunk latency18.4 ms
p99 chunk latency23.5 ms
RSS post-load192 MB (mmap)
RSS peak (mid-stream)1474 MB

Usage

Python / MLX

import mlx.core as mx
from huggingface_hub import snapshot_download
# pip install parakeet-mlx for the underlying conformer module
bundle = snapshot_download("aufklarer/Nemotron-3.5-ASR-Streaming-0.6B-MLX-bf16")
# Load weights with mlx.core.load(...), assemble model, feed 320 ms chunks.

Swift (speech-swift)

The speech-swift SDK ships the CoreML INT8 variant (NemotronStreamingASR target) — it's the recommended on-device path for Apple Silicon. To use the MLX bundle from Swift you'd need to wire mlx-swift directly; for typical app use the CoreML variant matches MLX bf16 accuracy within 1 pp WER on every language.

CLI

brew install soniqo/tap/speech
# CLI defaults to the CoreML INT8 bundle (--engine nemotron); MLX variants
# are loaded via the Python pipeline above.
speech transcribe recording.wav --engine nemotron --language en-US

Source

Upstream: nvidia/nemotron-3.5-asr-streaming-0.6b.

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.

Ревизия весов
265f0de

0 моделей