/ Модель

Характеристики

Лицензия
CC BY 4.0
Базовая модель
parakeet-tdt-0.6b-v3
Библиотека
nemo
Опубликована
22 июл 2026

parakeet-tdt-0.6b-librispeech100-ft

Распознавание речиАудио → текст

Англоязычная модель на базе Parakeet TDT 0.6B для точной транскрибации речи из аудио.

16скачиваний за 30 дней0лайковвеса обновлены22 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

bhaveshsoni0023/parakeet-tdt-0.6b-librispeech100-ft — англоязычная модель распознавания речи, созданная дообучением NVIDIA Parakeet TDT 0.6B v3 на наборе LibriSpeech train-clean-100 с использованием NVIDIA NeMo. В основе — энкодер FastConformer и декодер Token-and-Duration Transducer (EncDecRNNTBPEModel), около 600 млн параметров.

Модель преобразует аудио в текст и рассчитана на транскрибирование английской речи. Для записи в формате 16 кГц, моно README приводит WER 2,03% без нормализации и 2,00% с нормализацией на LibriSpeech test-clean. Репозиторий распространяется по лицензии CC BY 4.0.

Сценарии применения

  • транскрибация английских аудиокниг
  • распознавание английской речи в аудиозаписях
  • подготовка текстовых расшифровок для подкастов
  • автоматическое создание субтитров на английском языке

Ограничения

Модель ориентирована на английский язык; приведённая оценка WER получена на LibriSpeech test-clean и не гарантирует такие же результаты на других типах аудио.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

parakeet-tdt-0.6b-librispeech100-ft

Fine-tuned version of nvidia/parakeet-tdt-0.6b-v3 on LibriSpeech train-clean-100, using NVIDIA NeMo. Fine-tuned with a warm start from the base model, a low learning rate (1e-4), and learning-rate warmup.

Results

Evaluated on LibriSpeech test-clean (2620 utterances):

MetricValue
WER (raw)2.03%
WER (normalized)2.00%
Word accuracy98.00%

Raw and normalized WER are nearly identical, indicating the model transcribes accurately including punctuation and casing (no formatting inflation).

Model description

  • Base model: nvidia/parakeet-tdt-0.6b-v3 (FastConformer encoder + TDT decoder, ~600M params)
  • Architecture: EncDecRNNTBPEModel (Token-and-Duration Transducer)
  • Language: English
  • Framework: NVIDIA NeMo

How to use

import nemo.collections.asr as nemo_asr
model = nemo_asr.models.ASRModel.from_pretrained("bhaveshsoni0023/parakeet-tdt-0.6b-librispeech100-ft")
print(model.transcribe(["audio.wav"])[0].text)   # 16 kHz mono

Training details

  • Data: LibriSpeech train-clean-100 (~100 hours), dev-clean for validation
  • Base tokenizer kept (no tokenizer change)
  • Optimizer: AdamW, lr 1e-4, warmup 2000 steps
  • Precision: bf16, batch size 32, 20 epochs
  • Audio: 16 kHz mono

License and attribution

Released under CC-BY-4.0, inherited from the base model and LibriSpeech. Base model: nvidia/parakeet-tdt-0.6b-v3 (NVIDIA), CC-BY-4.0. Attribution required. Data: LibriSpeech (Panayotov et al., 2015), CC-BY-4.0. Framework: NVIDIA NeMo — https://github.com/NVIDIA-NeMo/Speech

Как запустить

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

GPU в ailist

Универсальный рантайм · nemo

Нельзя запустить

Модели NVIDIA NeMo требуют отдельного рантайма.

Ревизия весов
a4f0ea0

0 моделей