/ Модель

Характеристики

Лицензия
CC BY 4.0
Базовая модель
parakeet-tdt-0.6b-v2
Библиотека
ggml
Опубликована
20 мая 2026

parakeet-tdt-0.6b-v2-GGUF

Распознавание речиАудио → текст4 профессии

Parakeet TDT 0.6B v2 GGUF — это англоязычная модель автоматического распознавания речи, разработанная NVIDIA, преобразованная в формат GGUF проектом CrispStrobe/CrispASR.

1 213скачиваний за 30 дней0лайковвеса 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 транскрибации аудио в текст с использованием CLI CrispASR и поддерживает вывод с сохранением регистра, пунктуации и встроенными временными метками на уровне слов.

Модель содержит около 600 млн параметров и использует 24-слойный FastConformer-энкодер с TDT-декодером Token-and-Duration Transducer, двухслойным LSTM-предиктором и словарём из 1024 SentencePiece-токенов. Она принимает монофонический звук с частотой 16 кГц и поддерживает только английский язык. Доступны варианты F16 размером 1,24 ГБ, Q8_0 размером 735 МБ и Q4_K размером 468 МБ; Q4_K рекомендован как вариант по умолчанию, а Q8_0 обеспечивает качество, близкое к полной точности.

Сильные стороны модели — специализация на английском языке, высокая точность распознавания, пунктуация, регистр и встроенные временные метки без отдельной CTC-модели выравнивания. Ограничения — отсутствие поддержки других языков и зависимость от среды CrispASR для заявленного сценария использования; характеристики качества для конкретных аудиоданных в README не приведены. Модель распространяется по лицензии CC-BY-4.0, требующей указания авторства.

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 TDT 0.6B v2 — GGUF (ggml-quantised)

GGUF / ggml conversions of nvidia/parakeet-tdt-0.6b-v2 for use with the crispasr CLI from CrispStrobe/CrispASR.

Parakeet TDT 0.6B v2 is NVIDIA's English-only 600 M-parameter ASR model — the original Open ASR Leaderboard topper before v3 spread capacity across 25 European languages. On plain English, v2 is often stronger than v3 since it didn't have to share encoder capacity with 24 other languages.

  • English-only, mixed-case + punctuation output
  • Built-in word-level timestamps from the TDT (Token-and-Duration Transducer) decoder — no separate CTC alignment model required
  • CC-BY-4.0 licence (friendlier than most ASR models)

This repo provides three quantisations, all converted from the same .nemo checkpoint via the convert-parakeet-to-gguf.py script and quantised with crispasr-quantize.

Files

FileSizeNotes
parakeet-tdt-0.6b-v2.gguf1.24 GBF16, full precision
parakeet-tdt-0.6b-v2-q8_0.gguf735 MBQ8_0, near-lossless
parakeet-tdt-0.6b-v2-q4_k.gguf468 MBQ4_K — recommended default

All three precisions produce the same text on samples/jfk.wav:

And so, my fellow Americans, ask not what your country can do for you, ask what you can do for your country.

Quick Start

# 1. Build the runtime
git clone https://github.com/CrispStrobe/CrispASR
cd CrispASR
cmake -B build -DCMAKE_BUILD_TYPE=Release
cmake --build build -j$(nproc) --target crispasr

# 2a. Auto-download via the registry key
./build/bin/crispasr -m parakeet-v2 --auto-download -f your-audio.wav

# 2b. Or explicit download + load
hf download cstr/parakeet-tdt-0.6b-v2-GGUF \
    parakeet-tdt-0.6b-v2-q4_k.gguf --local-dir .
./build/bin/crispasr -m parakeet-tdt-0.6b-v2-q4_k.gguf -f your-audio.wav

When to pick v2 over v3

ScenarioPick
English only, want best WERv2 (this repo)
Multilingual, 25 EU languagesv3 — cstr/parakeet-tdt-0.6b-v3-GGUF
Tight RAM, Englishsmaller hybrid — cstr/parakeet-tdt_ctc-110m-GGUF
Long-tail English vocab, willing to pay 2x computelarger — cstr/parakeet-tdt-1.1b-GGUF

Model architecture

ComponentDetails
Encoder24-layer FastConformer, d=1024, 8 heads, head_dim=128, FFN=4096, conv kernel=9
SubsamplingConv2d dw_striding stack, 8× temporal (50 → 12.5 fps)
Predictor2-layer LSTM, hidden 640
Joint headenc(1024 → 640) + pred(640 → 640) → ReLU → linear(640 → 1029)
Vocab1024 SentencePiece tokens (English, mixed case + punctuation)
Audio16 kHz mono, 128 mel bins, n_fft=512, hop=160, win=400
Parameters~600 M

Same FastConformer encoder + TDT decoder as v3 — just trained on English-only data with an English-only BPE.

How this was made

  1. The .nemo checkpoint was unpacked, NeMo state-dict keys were remapped to ggml-friendly names, and weights were written to GGUF F16 (matmul tensors) + F32 (norms / biases / mel filterbank).
  2. Quantised variants are produced by crispasr-quantize (the same llama.cpp-style quantiser used for the other GGUF releases).
  3. Inference uses src/parakeet.{h,cpp}: FastConformer encoder runs as a single ggml graph (BN folded out), LSTM predictor + joint head run as CPU F32 loops, TDT greedy decode alternates "advance encoder frame" / "emit token + advance predictor" using the duration head's argmax.

Attribution

License

CC-BY-4.0, inherited from the base model. Use of these GGUF files must comply with the CC-BY-4.0 license including attribution.

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
8878172

0 моделей