/ Модель

Характеристики

Лицензия
CC BY 4.0
Базовая модель
parakeet-tdt_ctc-1.1b
Библиотека
ggml
Опубликована
20 мая 2026

parakeet-tdt_ctc-1.1b-GGUF

Распознавание речиАудио → текст7 профессий

Parakeet TDT+CTC 1.1B GGUF — это модель автоматического распознавания речи для транскрибации английской речи, разработанная NVIDIA NeMo и преобразованная в формат GGUF с поддержкой ggml проектом CrispStrobe/CrispASR.

1 081скачиваний за 30 дней0лайковвеса 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 локальной обработки аудио через CrispASR, включая получение текста с регистром букв, пунктуацией и временными метками слов. Она принимает монофоническое аудио 16 кГц.

Модель содержит около 1,1 млрд параметров и использует 42-слойный энкодер FastConformer, 2-слойный LSTM-предиктор, гибридные TDT- и CTC-головы, а также словарь из 1024 SentencePiece-токенов для английского языка. TDT является режимом декодирования по умолчанию и обеспечивает временные метки слов; CTC доступен как альтернативный режим, в частности для shallow-fusion и смещения распознавания по ключевым словам. Доступны варианты F16, Q8_0 и Q4_K, причём Q4_K рекомендуется как вариант по умолчанию благодаря меньшему размеру около 810 МБ, а F16 обеспечивает наивысшую скорость среди указанных вариантов.

Сильные стороны модели — крупный энкодер, гибридное декодирование, корректный регистр и пунктуация, а также возможность локального запуска в компактных квантизованных форматах. Ограничение — поддерживается только английский язык; по сравнению с чистой TDT-версией некоторые квантизованные варианты работают медленнее из-за совместной поддержки TDT и CTC. Модель распространяется по лицензии CC-BY-4.0, унаследованной от исходной модели NVIDIA; репозиторий содержит только конвертацию и квантизацию весов.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Parakeet TDT+CTC 1.1B — GGUF (ggml-quantised)

GGUF / ggml conversions of nvidia/parakeet-tdt_ctc-1.1b for use with the crispasr CLI from CrispStrobe/CrispASR.

The largest hybrid Parakeet — 1.1 B parameters, 42-layer FastConformer encoder with both TDT and CTC heads. The hybrid head gives you two decode strategies on the same encoder: native TDT word timestamps (default), or CTC if you need shallow-fusion biasing.

  • English, mixed-case + punctuation output (vocab includes uppercase + punctuation tokens, unlike the pure parakeet-tdt-1.1b)
  • Hybrid TDT+CTC — default decode is TDT; pass --parakeet-decoder ctc for the CTC head
  • CC-BY-4.0 licence

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_ctc-1.1b.gguf2.15 GBF16, full precision
parakeet-tdt_ctc-1.1b-q8_0.gguf1.27 GBQ8_0, near-lossless
parakeet-tdt_ctc-1.1b-q4_k.gguf810 MBQ4_K — recommended default

Smoke test on samples/jfk.wav (11 s clip, M1 Metal):

QuantTimeRealtimeOutput
F160.74 s14.8×"And so my fellow Americans, ask not what your country can do for you, ask what you can do for your country."
Q8_02.12 s5.2×(identical)
Q4_K2.67 s4.1×(identical)

Note: this checkpoint's Q4_K/Q8_0 run slower than the pure parakeet-tdt-1.1b quants on M1 (CTC + TDT both wired in, plus a per-tensor q4_0 fallback on the joint head). F16 is the fastest precision here.

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-tdt_ctc-1.1b --auto-download -f your-audio.wav

# 2b. Or explicit download + load
hf download cstr/parakeet-tdt_ctc-1.1b-GGUF \
    parakeet-tdt_ctc-1.1b-q4_k.gguf --local-dir .
./build/bin/crispasr -m parakeet-tdt_ctc-1.1b-q4_k.gguf -f your-audio.wav

# 2c. Switch to the CTC head (e.g. when adding hotword biasing)
./build/bin/crispasr -m parakeet-tdt_ctc-1.1b --parakeet-decoder ctc -f your-audio.wav

When to pick this over the other Parakeet variants

ScenarioPick
English 1.1B with proper casing + punctuation in outputtdt_ctc-1.1b (this repo)
English 1.1B, lowercase output, faster Q4_K/Q8_0cstr/parakeet-tdt-1.1b-GGUF
English, best WER per FLOPcstr/parakeet-tdt-0.6b-v2-GGUF
Multilingual (25 EU languages)cstr/parakeet-tdt-0.6b-v3-GGUF
Tight RAMcstr/parakeet-tdt_ctc-110m-GGUF

Model architecture

ComponentDetails
Encoder42-layer FastConformer, d=1024, 8 heads, head_dim=128, FFN=4096, conv kernel=9
SubsamplingConv2d dw_striding stack, 8× temporal (100 → 12.5 fps)
Predictor2-layer LSTM, hidden 640
Joint headenc(1024 → 640) + pred(640 → 640) → ReLU → linear(640 → 1029) — TDT, 5 durations
CTC headlinear(1024 → 1025)
Vocab1024 SentencePiece tokens (English, mixed case + punctuation) + blank
Audio16 kHz mono, 80 mel bins, n_fft=512, hop=160, win=400
Parameters~1.1 B

Same 42-layer encoder as parakeet-tdt-1.1b, but with an added CTC head and a mixed-case + punctuated vocab.

Attribution

License

CC-BY-4.0, inherited from the base model.

Provenance and EU AI Act Art. 53 note

  • Upstream model: nvidia/parakeet-tdt_ctc-1.1b — published by nvidia.
  • Upstream licence: cc-by-4.0. 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.
  • 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
2659aef

0 моделей