/ Модель

Характеристики

Размер весов
653 МБ
Лицензия
Apache 2.0
Архитектура
omnilingual_asr_ctc · dense
Базовая модель
omniASR-CTC-300M
Библиотека
coreml
Опубликована
11 апр 2026

Omnilingual-ASR-CTC-300M-CoreML-INT8-10s

Распознавание речиАудио → текст5 профессий

Omnilingual-ASR-CTC-300M-CoreML-INT8-10s — это экспорт модели Meta Omnilingual ASR CTC-300M в формате CoreML, подготовленный для локального распознавания речи на устройствах Apple.

3 224скачиваний за 30 дней2лайкавеса обновлены17 апр 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

Модель предназначена для автоматической транскрипции аудио на более чем 1600 языках и не требует указания языка при инференсе, что делает её подходящей для многоязычных приложений и сценариев с неизвестным языком входной речи.

Модель построена по архитектуре в стиле wav2vec 2.0: энкодер с семислойным свёрточным экстрактором признаков, 24 слоями Transformer и линейной CTC-головой. Она содержит около 326 млн параметров, использует словарь из 10 288 SentencePiece-токенов и принимает моноаудио в виде нормализованной 16-кГц PCM-волны. Выходом являются логиты CTC. Данная сборка рассчитана на фрагменты длительностью до 10 секунд; более длинные записи необходимо разбивать на части или экспортировать модель с другим ограничением длительности.

Веса подвергнуты INT8-палетизации методом k-means, при этом вычисления выполняются в FP16. Формат MLProgram поддерживает развёртывание на iOS 17 и macOS 14 с использованием CPU и Apple Neural Engine, что уменьшает размер модели примерно до 312 МБ и подходит для офлайн-инференса на Apple Silicon. Ограничениями являются фиксированная длина входа, необходимость самостоятельного CTC-декодирования и потенциальные ошибки распознавания, зависящие от языка и качества аудио. В README приведены ориентировочные показатели WER для пяти языков; заявленные характеристики скорости для Neural Engine являются ожидаемыми, а не подтверждёнными результатами тестирования этой сборки. Модель распространяется по лицензии Apache 2.0.

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

Omnilingual ASR — CTC 300M 10s (CoreML INT8)

CoreML (.mlpackage) export of Meta's Omnilingual ASR CTC-300M model with 8-bit weight palettization (k-means). Target deployment: iOS 17+ / macOS 14+ with Apple Neural Engine via the CPU+NE compute unit.

Omnilingual ASR is a wav2vec 2.0-style encoder-only model with a linear CTC head, trained by Meta for speech recognition across 1,600+ languages. The CTC variant is language-agnostic at inference time (no language hint required).

Model

Parameters326 M
FormatCoreML .mlpackage (MLProgram)
PrecisionFP16 compute, INT8 palettized weights (k-means)
Min deployment targetiOS 17 / macOS 14
Compute unitsCPU + Neural Engine
Inputaudio float32 [1, N_samples] (raw 16 kHz waveform, z-score normalized)
Outputlogits float32 [1, T, 10288] where T = N_samples / 320
Max duration10 s (configurable at export time)
Languages1,600+
Vocabulary10,288 SentencePiece tokens

The input length is fixed at export time. For longer inputs, chunk the waveform or re-export with a larger --max-duration. A 10-second variant is provided in a separate repository.

Files

FileSizeDescription
omnilingual-ctc-300m-int8.mlpackage/~312 MBMLProgram with INT8-palettized weights
tokenizer.model1.2 MBSentencePiece tokenizer (unk=3, pad=1, eos=2, bos=0)
config.json<1 KBArchitecture + deployment metadata

Inference

import CoreML

let model = try MLModel(contentsOf: URL(fileURLWithPath: ".../omnilingual-ctc-300m-int8.mlpackage"))
let audio = MLMultiArray(shape: [1, 160000], dataType: .float32)   // 10s @ 16kHz
// fill audio from zero-mean unit-var waveform ...
let input = try MLDictionaryFeatureProvider(dictionary: ["audio": audio])
let out = try model.prediction(from: input)
let logits = out.featureValue(for: "logits")!.multiArrayValue!   // [1, 500, 10288]
// argmax over -1, collapse consecutive duplicates, drop blank, detokenize.

Full Swift inference, CTC decoding, and multi-language routing are implemented in speech-swift under Sources/OmnilingualASR/.

Architecture

Raw audio [1, samples]
  → Wav2Vec2FeatureExtractor (7-layer 1D conv, stride 320×)
  → Linear 512 → 1024
  → Wav2Vec2PositionEncoder (weight-normalized conv, kernel 128, groups 16)
  → 24 × StandardTransformerEncoderLayer (pre-norm, dim 1024, heads 16, ffn 4096)
  → LayerNorm
  → Linear 1024 → 10288  (CTC head)
  → logits

Export pipeline: torch.jit.trace with a fixed-length sample input (fairseq2 BatchLayout is constructed inside a wrapper so the tracer only sees plain tensors), followed by coremltools.convert at FP16 compute precision and OpPalettizerConfig(mode="kmeans", nbits=8) weight palettization.

Performance

FLEURS test set, CTC-300M fp32 on CPU (Apple M-series), 30 utterances/language:

LanguageWERAudioRTF (CPU fp32 reference)
English (en_us)20.0%289 s0.056
French (fr_fr)23.2%334 s0.059
German (de_de)16.5%361 s0.058
Arabic (ar_eg)19.5%331 s0.051
Hindi (hi_in)22.5%364 s0.050

Expect ANE inference to reach RTF < 0.03 after palettization (wav2vec2 attention and ffn map cleanly onto the Neural Engine; only the 1D conv frontend falls back to CPU/GPU). INT8 palettization typically adds < 1% absolute WER on wav2vec2-class models.

Source

Links

License

Apache 2.0 (inherited from upstream).


Как запустить

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

GPU в ailist

Универсальный рантайм · coreml

Нельзя запустить

CoreML-модели работают только на устройствах Apple.

Ревизия весов
ce99f14

0 моделей