/ Модель

Характеристики

Размер весов
117 МБ
Лицензия
Своя лицензия
Базовая модель
parakeet_realtime_eou_120m-v1
Библиотека
coremltools
Опубликована
5 апр 2026

Parakeet-EOU-120M-CoreML-INT8

Распознавание речиАудио → текст4 профессии

Parakeet-EOU-120M CoreML INT8 — модель автоматического распознавания речи, разработанная aufklarer на основе NVIDIA Parakeet Realtime EOU 120M v1 и преобразованная в формат CoreML с использованием coremltools.

5 963скачиваний за 30 дней1лайквеса обновлены12 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

Она предназначена для потоковой транскрипции аудио на устройствах Apple Silicon, включая сценарии распознавания речи с микрофона и локального выполнения через Apple Neural Engine. Модель поддерживает определение конца высказывания с помощью специального токена EOU, поэтому для сегментации не требуется внешний VAD.

Модель содержит 120 млн параметров и использует архитектуру FastConformer-RNNT с 17-слойным кэшируемым энкодером и однослойным LSTM-декодером. В энкодере применяется INT8 palettization. Поддерживается английский язык, входной аудиосигнал рассчитан на частоту дискретизации 16 кГц. Потоковая обработка выполняется чанками по 320 мс с настраиваемым размером. Словарь включает 1024 BPE-токена и специальные токены EOU, EOB и blank.

К сильным сторонам относятся низкая задержка, возможность работы в реальном времени, локальное выполнение и небольшой потоковый кэш. На Apple M2 Max заявлены средняя задержка полного конвейера 17,7 мс, задержка P95 22,4 мс и коэффициент реального времени 0,055, что соответствует примерно 18-кратному ускорению относительно длительности аудио. Ограничения включают ориентацию на экосистему Apple и поддержку только английского языка; приведённые показатели производительности относятся к Apple M2 Max и могут отличаться на других устройствах. Модель распространяется по лицензии NVIDIA Open Model License.

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

Parakeet-EOU-120M CoreML INT8

Streaming speech recognition with end-of-utterance detection, converted to CoreML for Apple Neural Engine inference. Part of speech-swift — on-device speech AI for Apple Silicon.

Based on nvidia/parakeet_realtime_eou_120m-v1 (FastConformer-RNNT, cache-aware streaming).

Quick Start

// Add to Package.swift:
// .package(url: "https://github.com/soniqo/speech-swift.git", branch: "main")

import ParakeetStreamingASR

let model = try await ParakeetStreamingASRModel.fromPretrained()

// Streaming transcription from microphone
for await partial in model.transcribeStream(audioChunks: micStream) {
    print(partial.text, partial.isFinal ? "[FINAL]" : "")
}

Or via CLI:

git clone https://github.com/soniqo/speech-swift && cd speech-swift && make build
.build/release/audio transcribe --engine parakeet-eou --stream recording.wav

Model

PropertyValue
Parameters120M
ArchitectureFastConformer-RNNT (17-layer encoder, 1-layer LSTM decoder)
FormatCoreML (.mlmodelc)
QuantizationINT8 palettization (encoder)
Vocabulary1024 BPE + EOU + EOB + blank (1027 total)
Sample rate16 kHz
Streaming chunk320ms (configurable)

Files

FileSizeDescription
encoder.mlmodelc102 MBCache-aware FastConformer encoder (INT8)
decoder.mlmodelc7.5 MB1-layer LSTM prediction network
joint.mlmodelc2.7 MBRNNT joint network (1027 outputs)
config.json<1 KBModel configuration and streaming params
vocab.json<1 KBBPE vocabulary (1026 tokens)

Performance

Benchmarked on Apple M2 Max, 320ms chunks, CoreML CPU+NE compute units.

MetricValue
Encoder latency (mean)17.0 ms
Full pipeline latency (mean)17.7 ms
Full pipeline latency (P95)22.4 ms
RTF0.055 (18x real-time)
Streaming cache2.6 MB
Total model size112.4 MB
Peak RSS delta (100 chunks)0 MB

Streaming Cache Shapes

cache_last_channel:     [17, 1, 70, 512]   float32   2.4 MB
cache_last_time:        [17, 1, 512, 8]    float32   0.3 MB
cache_last_channel_len: [1]                int32
LSTM h:                 [1, 1, 640]        float16
LSTM c:                 [1, 1, 640]        float16

Usage

import ParakeetStreamingASR

let model = try await ParakeetStreamingASRModel.fromPretrained()

for await partial in model.transcribeStream(audioChunks: micStream) {
    print(partial.text, partial.isFinal ? "[FINAL]" : "")
}

EOU Detection

End-of-utterance is detected via a special <EOU> token (ID 1024) emitted by the joint network. No external VAD required for utterance segmentation.

Source

Converted from nvidia/parakeet_realtime_eou_120m-v1 using coremltools 8.3 with INT8 palettization.

Links


Как запустить

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

GPU в ailist

Универсальный рантайм · coremltools

Нельзя запустить

Библиотека «coremltools» рантаймом не поддерживается.

Ревизия весов
fca9734

0 моделей