/ Модель

Характеристики

Лицензия
openmdw-1.1
Базовая модель
nemotron-3.5-asr-streaming-0.6b
Опубликована
13 июн 2026

nemotron-3.5-asr-streaming-GGUF

Распознавание речиАудио → текст4 профессии

Nemotron-3.5-ASR-Streaming-0.6B GGUF — конвертация модели NVIDIA Nemotron-3.5-ASR-Streaming-0.6B в формате GGUF для использования с CrispASR.

1 165скачиваний за 30 дней6лайковвеса обновлены11 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

Модель предназначена для автоматического распознавания речи, включая потоковую транскрипцию аудио с низкой задержкой. Она поддерживает 39 языков и языковых вариантов, включая русский, английский, немецкий, французский, испанский, китайский, японский, корейский, арабский и другие. Модель принимает монофонический звук с частотой дискретизации 16 кГц и выполняет распознавание с нативной пунктуацией и капитализацией.

Архитектура включает потоковый Cache-Aware Streaming FastConformer-энкодер из 24 слоёв с размерностью 1024 и 8 головами внимания, RNN-T-декодер на основе двухслойного LSTM со скрытым состоянием 640 и joint network со словарём из 13 088 токенов SentencePiece. Выбор языка выполняется через conditioning с использованием prompt_kernel. Поддерживаются жадный и beam search декодинг, а также четыре режима потокового контекста, позволяющие выбирать баланс между задержкой и качеством. Опубликованный WER составляет от 6,93% до 8,43% в зависимости от пресета контекста, однако эти значения не гарантируют аналогичные результаты на пользовательских данных.

Доступны версии F16 размером около 1,3 ГБ и рекомендованная квантованная Q4_K размером около 458 МБ; для Q4_K заявлены примерно двукратное ускорение и идентичный текстовый результат. Модель рассчитана на использование через CrispASR и ориентирована на офлайн- и потоковые сценарии распознавания. Лицензия OpenMDW-1.1 допускает коммерческое использование. Ограничениями являются зависимость от CrispASR для заявленного сценария применения, необходимость корректно указать язык и компромисс между задержкой и точностью в потоковых режимах.

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

Nemotron-3.5-ASR-Streaming-0.6B GGUF

GGUF conversion of nvidia/nemotron-3.5-asr-streaming-0.6b for use with CrispASR.

Model details

Architecture: Cache-Aware Streaming FastConformer encoder (24 layers, d=1024, 8 heads) + RNN-T decoder (2-layer LSTM, hidden=640) + joint network (640 → 13088 vocab).

Languages: 39 languages, selected via prompt_kernel MLP conditioning (one-hot lang → 2048-dim hidden → 1024-dim encoder conditioning):

CodeLanguageCodeLanguageCodeLanguage
ar-ARArabicfr-CAFrench (CA)nn-NONorwegian (NN)
bg-BGBulgarianfr-FRFrench (FR)pl-PLPolish
cs-CZCzechhe-ILHebrewpt-BRPortuguese (BR)
da-DKDanishhi-INHindipt-PTPortuguese (PT)
de-DEGermanhr-HRCroatianro-RORomanian
el-GRGreekhu-HUHungarianru-RURussian
en-GBEnglish (GB)it-ITItaliansk-SKSlovak
en-USEnglish (US)ja-JPJapanesesl-SISlovenian
es-ESSpanish (ES)ko-KRKoreansv-SESwedish
es-USSpanish (US)lt-LTLithuanianth-THThai
et-EEEstonianlv-LVLatviantr-TRTurkish
fi-FIFinnishnb-NONorwegian (NB)uk-UAUkrainian
nl-NLDutchvi-VNVietnamese
zh-CN / zh-TWChinese

Key properties:

  • Sample rate: 16 kHz mono
  • 128 mel filterbank features, n_fft=512, hop=160 (10ms), win=400 (25ms)
  • 8x time downsampling (causal) → 80ms frame duration
  • Streaming: cache-aware attention with 4 context presets (see below)
  • Vocab: 13087 SentencePiece tokens + 1 blank (pure RNN-T, no TDT durations)
  • Native punctuation and capitalization
  • License: OpenMDW-1.1 (permissive, commercial OK)

Files

FileSizeDescription
nemotron-3.5-asr-streaming-0.6b-f16.gguf1.3 GBF16 weights (full precision, F32 pre-encode)
nemotron-3.5-asr-streaming-0.6b-q4_k.gguf458 MBRecommended. Q4_K quantized, identical text output, ~2x faster.

Pre-encode weights are kept at F32 in both GGUFs (F16 causes 1.56 max accumulation error across the 4352-dim projection).

Usage with CrispASR

# Auto-download (Q4_K, 458 MB)
crispasr --backend nemotron -m auto --auto-download -f audio.wav

# Or download manually
huggingface-cli download cstr/nemotron-3.5-asr-streaming-GGUF \
  nemotron-3.5-asr-streaming-0.6b-q4_k.gguf --local-dir models/

# Transcribe (English, default)
crispasr --backend nemotron \
  -m models/nemotron-3.5-asr-streaming-0.6b-q4_k.gguf \
  -f audio.wav

# Transcribe in German
crispasr --backend nemotron \
  -m models/nemotron-3.5-asr-streaming-0.6b-q4_k.gguf \
  -f audio.wav -l de-DE

# Beam search (default is greedy)
crispasr --backend nemotron -m auto --auto-download -f audio.wav --beam-size 4

# Streaming from stdin
ffmpeg -i audio.wav -f s16le -ar 16000 -ac 1 - | \
  crispasr --backend nemotron -m auto --auto-download --stream

Streaming encoder

The model supports true cache-aware streaming via the NeMo cache_last_channel + cache_last_time architecture. Enable with:

CRISPASR_NEMOTRON_STREAMING=1 crispasr --backend nemotron -m model.gguf -f audio.wav

Four attention context presets trade latency for accuracy (published WER from NVIDIA's Open ASR Leaderboard):

PresetLeft ctxRight ctxChunk sizeApprox latencyPublished WER
0 (default)56 frames3 frames4 frames~160 ms7.67%
156 frames0 frames1 frame~80 ms8.43%
256 frames6 frames7 frames~560 ms7.07%
356 frames13 frames14 frames~1120 ms6.93%

Select preset: CRISPASR_NEMOTRON_CONTEXT_PRESET=3 (default: 0)

The same GGUF works for all presets — the context window is a runtime knob, not a retraining artifact.

Environment variables

VariableEffect
CRISPASR_NEMOTRON_STREAMING=1Enable cache-aware streaming encoder
CRISPASR_NEMOTRON_CONTEXT_PRESET=NAttention context preset (0-3)
CRISPASR_NEMOTRON_NO_WINDOW_MASK=1Disable banded attention mask (bidirectional fallback)
CRISPASR_NEMOTRON_DEBUG=1Enable encoder/decoder debug prints

Architecture

Audio (16kHz mono)
  → Mel spectrogram (128 bins, 10ms hop, no normalization)
  → Pre-encode (3x causal Conv2d, 8x downsample, Linear 4352→1024, F32 weights)
  → 24x Cache-Aware FastConformer block:
      FFN1(½) → MHA(rel_pos, cache-aware) → DWConv(k=9, causal, LN) → FFN2(½) → LN
  → Prompt kernel (MLP: concat(enc[1024], lang_onehot[128]) → 2048 → ReLU → 1024)
  → RNN-T decoder:
      Prediction: Embed(13088, 640) + 2-layer LSTM(640)
      Joint: enc(1024→640) + pred(640→640) → ReLU → Linear(640→13088)
  → Greedy / beam search decode

Streaming caches (per layer):

  • cache_last_channel: post-FFN1 output (up to L frames), used as K/V context for asymmetric attention (Q from new frames only)
  • cache_last_time: last K-1=8 frames of post-GLU signal before depthwise conv, prepended instead of zero-padding

Conversion

python models/convert-nemotron-to-gguf.py \
  --nemo nvidia/nemotron-3.5-asr-streaming-0.6b \
  --output nemotron-3.5-asr-streaming-0.6b-f16.gguf

crispasr-quantize nemotron-3.5-asr-streaming-0.6b-f16.gguf \
  nemotron-3.5-asr-streaming-0.6b-q4_k.gguf q4_k

Quality reference (JFK 11s)

VariantOutput
F16And so my fellow Americans ask not what your country can do for you. <en-US> Ask what you can do for your country. <en-US>
Q4_KAnd so my fellow Americans ask not what your country can do for you. <en-US> Ask what you can do for your country. <en-US>
Streaming (preset 0)And so, my fellow Americans ask not what your country can do for you. <en-US> Ask what you can do for your country. <en-US>

F16 and Q4_K produce identical text. Streaming output has minor punctuation differences but same content.

Original model

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Ревизия весов
61e58fb

0 моделей