Introducing Raj-0

English · မြန်မာစာ

English

Burmese speech, in words.

Meet Raj-0, our first Burmese speech recognition model. Trained on over 800 hours of Burmese audio, Raj-0 turns spoken Burmese into text—from a live conversation to an uploaded recording.

Raj-0 is fine-tuned from NVIDIA Nemotron 3.5 ASR Streaming 0.6B. We’re releasing the weights under the Apache 2.0 license for the community to try, explore and build with.

Watch the Raj film

A good listener. Getting better.

Try it yourself

Speak into your microphone and watch the text appear, or upload an audio file to get a transcript.

Try the Raj-0 demo →

Our first results

Internal validation against automatic transcripts; not a human-verified benchmark.

This is just the beginning

Raj-0 is our first version. We’re working toward better Burmese transcription, lower CER and Burmese–English code-switching in the next release.

For now, Raj-0 focuses on Burmese. English words may be written phonetically in Burmese, and transcripts can still contain mistakes.

A choice beyond paid APIs

Cloud services offer Burmese transcription by the hour. Here are a few published rates, in USD per audio hour, checked on 17 September 2026:

Google's Burmese support in Chirp 3 is currently marked Preview. These are base rates before taxes, storage, optional extras or discounts; Google's standard rate is for the first 500,000 minutes a month. This compares prices, not transcription quality. Sources and details.

Run Raj-0 on your own computer without a per-minute ASR API fee. You cover your hardware and electricity costs.

On-device, even on a mid-range Android phone

Raj-0 runs directly on your device. In our testing, it ran comfortably on a mid-range Android phone. We've also tested it locally on a Mac CPU. No cloud GPU is required for these setups.

A compact Q8 download is available at about 724 MB.

The demo opens in a browser, with transcription handled by the connected computer or server. Running entirely inside the browser, without a server, is a separate option that we haven't verified yet.

Download and use

• NeMo weights — original model.
• GGUF Q8 weights — compact version for NeMo-Speech.cpp.
• Setup instructions — for running Raj-0 yourself.

The reported score is for the original model. Quantized versions can produce different text.

Open weights. Apache 2.0.

You can download Raj-0 and use it for personal projects, learning, research and commercial use. See the license for the full terms and NOTICE for upstream attribution.

Thanks for trying Raj-0.

Burmese

Raj-0 လာပါပြီ

မြန်မာလို ပြောထားတဲ့အသံတွေကို စာသားအဖြစ် ပြောင်းပေးတဲ့ Raj-0 ကို မိတ်ဆက်ပေးချင်ပါတယ်။ ဒါက Raj ရဲ့ ပထမဆုံးဗားရှင်းပါ။

NVIDIA Nemotron 3.5 ASR Streaming 0.6B ကို အခြေခံပြီး မြန်မာအသံဒေတာ နာရီ ၈၀၀ ကျော် နဲ့ ထပ်လေ့ကျင့်ထားပါတယ်။ မိုက်ကနေ တိုက်ရိုက်ပြောပြီး စာသားပြောင်းလို့ရသလို၊ အသံသွင်းထားတဲ့ဖိုင်ကို တင်ပြီးလည်း စာသားထုတ်ယူနိုင်ပါတယ်။

လေ့လာချင်သူတွေ၊ ကိုယ့်ပရောဂျက်မှာ စမ်းသုံးချင်သူတွေအတွက် model weights ကိုပါ မျှဝေပေးထားပါတယ်။

စမ်းကြည့်ချင်ရင်

အောက်က demo မှာ မိုက်ဖွင့်ပြီး ပြောကြည့်နိုင်ပါတယ်။ အသံဖိုင်ရှိပြီးသားဆိုလည်း ဖိုင်တင်ပြီး စမ်းလို့ရပါတယ်။

ဒီမှာ Raj-0 ကို စမ်းသုံးကြည့်ပါ →

ပထမဗားရှင်းရဲ့ ရလဒ်

စမ်းသပ်ဖို့ သီးသန့်ခွဲထားတဲ့ အသံ 18.02 နာရီ နဲ့ စစ်ကြည့်ရာမှာ စာလုံးအမှားနှုန်း (CER) 11.02% ရထားပါတယ်။

ဒီရလဒ်က အလိုအလျောက် ရေးထုတ်ထားတဲ့ စာသားတွေနဲ့ နှိုင်းယှဉ်ထားတာပါ။ လူကိုယ်တိုင် စစ်ဆေးအတည်ပြုထားတဲ့ စာသားတွေနဲ့ တိုင်းတာထားတာတော့ မဟုတ်ပါဘူး။

ပိုကောင်းလာအောင် ဆက်လုပ်သွားပါမယ်

ပထမဗားရှင်းဆိုတော့ အမှားတွေ ရှိနိုင်ပါသေးတယ်။ အထူးသဖြင့် အင်္ဂလိပ်စကားလုံးတွေကို မြန်မာအသံထွက်အတိုင်းပဲ ရေးထုတ်တာမျိုး ရှိပါတယ်။

နောက်ဗားရှင်းမှာတော့ စာသားပိုမှန်လာဖို့နဲ့ မြန်မာလိုပြောရင်း အင်္ဂလိပ်လို ညှပ်ပြောတာတွေကိုပါ ပိုကောင်းကောင်း ပြောင်းပေးနိုင်ဖို့ ဦးစားပေးလုပ်သွားပါမယ်။ CER ကိုလည်း ဒီထက် လျှော့ချနိုင်ဖို့ ရည်မှန်းထားပါတယ်။

API ခနဲ့ ကိုယ့်စက်မှာ သုံးတာ ဘာကွာလဲ

မြန်မာအသံကို စာသားပြောင်းပေးတဲ့ cloud ဝန်ဆောင်မှုတွေရဲ့ ဈေးနှုန်းတချို့ကို နှိုင်းယှဉ်ကြည့်နိုင်ပါတယ်။ အောက်ကဈေးတွေက အသံတစ်နာရီအတွက် အမေရိကန်ဒေါ်လာနဲ့ တွက်ထားတာ ပါ။ ၂၀၂၆ စက်တင်ဘာ ၁၇ ရက် မှာ စစ်ထားတဲ့ဈေးတွေ ဖြစ်ပါတယ်။

Google Chirp 3 မှာ မြန်မာဘာသာကို Preview အဆင့်အဖြစ် ဖော်ပြထားပါတယ်။ ဒီဈေးတွေမှာ အခွန်၊ ဖိုင်သိမ်းခနဲ့ အပိုလုပ်ဆောင်ချက်တွေအတွက် ကုန်ကျစရိတ် မပါသေးသလို လျှော့ဈေးတွေလည်း မတွက်ထားပါဘူး။ Google ရဲ့ ပုံမှန်နှုန်းက တစ်လကို ပထမ မိနစ် ၅၀၀,၀၀၀ အတွက်ပါ။ ဈေးနှုန်းကိုပဲ နှိုင်းယှဉ်ထားတာဖြစ်ပြီး ဘယ်မော်ဒယ်က ပိုမှန်လဲဆိုတာ စမ်းသပ်နှိုင်းယှဉ်ထားတာ မဟုတ်ပါဘူး။ မူရင်းဈေးနှုန်းနဲ့ အသေးစိတ် ကို ကြည့်နိုင်ပါတယ်။

Raj-0 ကို ကိုယ့်ကွန်ပျူတာမှာ သုံးရင် အသံမိနစ်အလိုက် API ခ ပေးစရာမလိုပါဘူး။ ကိုယ့်စက်နဲ့ မီးဖိုးတော့ ကုန်ကျပါမယ်။

အလယ်အလတ်တန်းစား Android ဖုန်းမှာလည်း သုံးနိုင်ပါတယ်

Raj-0 ကို ကိုယ့်စက်ပေါ်မှာပဲ တိုက်ရိုက်သုံးနိုင်ပါတယ်။ အလယ်အလတ်တန်းစား Android ဖုန်းနဲ့ စမ်းကြည့်ရာမှာလည်း အဆင်ပြေပြေ အလုပ်လုပ်ပါတယ်။ Mac ရဲ့ CPU ပေါ်မှာလည်း စမ်းပြီးပါပြီ။ ဒီလိုသုံးဖို့ cloud GPU ငှားစရာ မလိုပါဘူး။

ဖိုင်ဆိုဒ်လျှော့ထားတဲ့ Q8 ဗားရှင်းကိုလည်း ဒေါင်းလုဒ်ယူနိုင်ပြီး 724 MB လောက် ရှိပါတယ်။

Demo ကိုတော့ browser ကနေ ဖွင့်သုံးနိုင်ပါတယ်။ အသံကို စာသားပြောင်းတဲ့အလုပ်က ချိတ်ထားတဲ့ ကွန်ပျူတာ ဒါမှမဟုတ် server ပေါ်မှာ လုပ်တာပါ။ Server မပါဘဲ browser ထဲမှာပဲ အကုန်အလုပ်လုပ်တဲ့ပုံစံကိုတော့ မစမ်းရသေးပါဘူး။

ကိုယ့်စက်မှာ သုံးချင်ရင်

• NeMo weights — မူရင်းမော်ဒယ်။
• GGUF Q8 weights — NeMo-Speech.cpp နဲ့ သုံးဖို့ ဖိုင်ဆိုဒ် လျှော့ထားတဲ့ ဗားရှင်း။
• အသုံးပြုနည်း — ကိုယ့်စက်မှာ Raj-0 ကို ဘယ်လိုသုံးရမလဲဆိုတာ ဒီမှာ ကြည့်နိုင်ပါတယ်။

အပေါ်က ရမှတ်က မူရင်းမော်ဒယ်နဲ့ စမ်းထားတာပါ။ ဖိုင်ဆိုဒ် လျှော့ထားတဲ့ ဗားရှင်းမှာတော့ စာသားရလဒ် နည်းနည်းကွာနိုင်ပါတယ်။

အသုံးပြုခွင့်

Apache 2.0 လိုင်စင်နဲ့ ဖြန့်ချိထားလို့ ကိုယ်ပိုင်ပရောဂျက်တွေ၊ လေ့လာသင်ယူမှု၊ သုတေသနတွေအတွက် ဒေါင်းလုဒ်ယူပြီး သုံးနိုင်ပါတယ်။ စီးပွားရေးအတွက်လည်း အသုံးပြုနိုင်ပါတယ်။

စည်းကမ်းချက် အသေးစိတ်ကို လိုင်စင် မှာ ဖတ်နိုင်ပါတယ်။ မူရင်းမော်ဒယ်နဲ့ ဆက်စပ်လိုင်စင်တွေအကြောင်းကိုတော့ NOTICE မှာ ဖော်ပြထားပါတယ်။

Raj-0 ကို စမ်းသုံးပေးတဲ့အတွက် ကျေးဇူးတင်ပါတယ်။ စမ်းကြည့်ပြီး ဘယ်လိုနေလဲ ပြောပြပေးကြပါဦး။