/ Модель

Характеристики

Лицензия
MIT
Базовая модель
GLM-ASR-Nano-2512
Библиотека
ggml
Опубликована
19 апр 2026

glm-asr-nano-GGUF

Распознавание речиАудио → текст4 профессии

GLM-ASR-Nano-2512-GGUF — это преобразованная и квантизированная версия модели GLM-ASR-Nano-2512 от zai-org, подготовленная для работы с CrispASR.

1 786скачиваний за 30 дней2лайкавеса обновлены2 авг 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 автоматического распознавания речи и транскрибации аудиозаписей, включая длинные аудиофайлы. Репозиторий cstr/glm-asr-nano-GGUF не обучает и не дообучает модель, а только переводит её веса в формат GGUF и предоставляет варианты с разной степенью квантизации.

Архитектура включает Whisper-энкодер с размерностью 1280 и 32 слоями, проектор на 4 кадра и Llama-подобную языковую модель с размерностью 2048, 28 слоями и GQA 16/4. Объём модели составляет около 1,5 млрд параметров. Поддерживаются мандаринский китайский, китайские диалекты, английский и кантонский; модель не является универсальной мультиязычной системой и не заявляет поддержку японского, корейского и европейских языков. Доступны варианты F16 размером 4,3 ГБ, Q8_0 размером 2,3 ГБ и Q4_K размером 1,3 ГБ, причём Q4_K обозначен как оптимальный компромисс между размером и качеством. По данным README, модель превосходит OpenAI Whisper V3 на указанных тестах, показывая средний уровень ошибки 4,10.

Для использования требуется CrispASR; обновлённые файлы содержат BPE-слияния токенизатора и поддерживают однопроходную обработку аудио длительностью до 655 секунд, тогда как стандартный режим использует фрагменты по 30 секунд. Однопроходный режим может пропускать начальные участки без речи. Модель распространяется по лицензии MIT, при этом условия upstream-модели zai-org сохраняются.

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

GLM-ASR-Nano-2512 — GGUF

GGUF conversions and quantisations of zai-org/GLM-ASR-Nano-2512 for use with CrispStrobe/CrispASR.

Available variants

FileQuantSizeNotes
glm-asr-nano.ggufF164.3 GBFull precision
glm-asr-nano-q8_0.ggufQ8_02.3 GBHigh quality
glm-asr-nano-q4_k.ggufQ4_K1.3 GBBest size/quality tradeoff

All variants produce correct transcription on test audio.

2026-07 update — BPE merges baked in + long-form single-pass

All files were re-published with the tokenizer's BPE merges in the GGUF metadata (tokenizer.ggml.merges, +2 MB). CrispASR ≥ this date uses them to encode the transcription prompt exactly like the HF blueprint — earlier GGUF+runtime combinations silently sent no instruction at all, which is what caused repetition loops on noisy audio and empty output on long clips (CrispASR #218). Old GGUFs still work with the new runtime (it falls back to a baked default prompt), but custom --ask / --language instructions need these files.

Long audio: --chunk-seconds 0 now decodes up to 655 s in one pass (30 s encoder windows, one LLM prompt — the blueprint's layout), matching the transformers reference verbatim on the #218 test clip. Note the model skips leading non-speech audio in single-pass mode (blueprint behaviour); the default 30 s-chunked mode covers more of such clips.

Model details

  • Architecture: Whisper encoder (1280d, 32L, partial RoPE) + 4-frame projector + Llama LLM (2048d, 28L, GQA 16/4)
  • Parameters: 1.5B
  • Languages: Mandarin (+ Chinese dialects), English, Cantonese (model card metadata declares en, zh; prose adds Cantonese 粤语 + other Chinese dialects). Not a general multilingual model — no Japanese/Korean/European-language support.
  • License: MIT
  • Outperforms OpenAI Whisper V3 on benchmarks (lowest avg error rate 4.10)

Usage with CrispASR

git clone https://github.com/CrispStrobe/CrispASR && cd CrispASR
cmake -S . -B build && cmake --build build -j8

# Auto-detect backend from GGUF
./build/bin/crispasr -m glm-asr-nano-q4_k.gguf -f audio.wav

# Explicit backend
./build/bin/crispasr --backend glm-asr -m glm-asr-nano-q4_k.gguf -f audio.wav -osrt

Conversion

python models/convert-glm-asr-to-gguf.py --input zai-org/GLM-ASR-Nano-2512 --output glm-asr-nano.gguf
crispasr-quantize glm-asr-nano.gguf glm-asr-nano-q4_k.gguf q4_k

Provenance and EU AI Act Art. 53 note

  • Upstream model: zai-org/GLM-ASR-Nano-2512 — published by zai-org.
  • Upstream licence: mit. This repository redistributes under the same terms; it grants no rights the upstream licence does not.
  • What was done here: format conversion and/or quantisation only (GGUF/GGML). No training, no fine-tuning, no merging, no distillation, no change to architecture, vocabulary or capability. Only the numeric representation of the upstream weights differs.
  • Training data: documented — where it is documented at all — by the upstream provider; see the upstream model card. No training data was used, added or selected by this repository. No training-content summary was found on the upstream model card at the time of writing; that documentation gap is upstream's and is not filled here.
  • Provider status: under Regulation (EU) 2024/1689 the upstream authors remain the provider of this model. Converting the serialisation format does not make this repository the provider of a new general-purpose AI model, and no such claim is made. Questions about training content, copyright policy or model capability belong upstream.

Как запустить

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

GPU в ailist

Универсальный рантайм · ggml

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
ef692d8

0 моделей