/ Модель

Характеристики

Лицензия
MIT
Архитектура
zipformer-transducer · dense
Библиотека
onnxruntime
Опубликована
21 авг 2026

gipformer1.5-65M-rnnt

Распознавание речиАудио → текст3 профессии

Компактная вьетнамская Zipformer RNN-T модель для распознавания речи, включая шумные телефонные записи и локальную работу на устройствах.

215скачиваний за 30 дней12лайковвеса обновлены14 сен 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

gipformer1.5-65M-rnnt — компактная модель распознавания вьетнамской речи, разработанная G Group AI Lab. Она построена на архитектуре Zipformer Transducer (RNN-T) и предназначена для преобразования аудио в текст, в том числе для записей телефонных разговоров с шумом и региональными вариантами произношения.

Модель рассчитана на локальный запуск на мобильных и встраиваемых устройствах, включая офлайн-сценарии с чувствительными аудиоданными. В README заявлены результаты на тестах для колл-центров и тематических наборах по технологиям, финансам, образованию, госуслугам и медицине; приведённые таблицы не содержат результатов gipformer, поэтому эти заявления независимо проверить по карточке нельзя.

Для запуска указан формат ONNX и библиотека ONNX Runtime. Лицензия — MIT. Размер модели в README отражён в её названии как 65M; отдельного значения числа параметров в метаданных нет.

Сценарии применения

  • транскрибация звонков в колл-центре на вьетнамском языке
  • распознавание вьетнамской речи с телефонной линии
  • офлайн-транскрибация аудио на мобильном устройстве
  • распознавание вьетнамской речи с региональными акцентами
  • транскрибация медицинских разговоров на вьетнамском языке

Ограничения

Модель предназначена для вьетнамской речи; качество для других языков не заявлено. Таблица README не показывает результаты gipformer, поэтому заявления о превосходстве на тестах по карточке проверить нельзя.

Для каких профессий подходит3

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

Gipformer 1.5 - Efficient Vietnamese Speech Recognition

Source code: github.com/ggroup-ai-lab/gipformer

Demo: Try gipformer in your browser

Highlights

  • State-of-the-art accuracy — Demonstrates top-tier performance across major Vietnamese ASR benchmarks, delivering highly precise and reliable transcription quality.
  • Robust handling of telephonic domains — Excels in processing challenging, noisy real-world call center recordings across all major Vietnamese regional accents.
  • Domain-leading accuracy — Best WER on the technology, finance, education, public administration and medical benchmarks.
  • Outstanding parameter efficiency — Ranks among the smallest ASR models currently available.
  • Seamless edge deployment — Its naturally low resource requirements enable ultra-fast inference on mobile and embedded systems, making it perfectly suited for offline, on-device applications.
  • Built-in data privacy — By supporting full local execution, the model ensures sensitive audio data is processed securely on-device, eliminating the need for third-party cloud services.
  • gipformer1.5-65M-rnnt is based on the Zipformer Transducer architecture.

Benchmark Results (WER%)

Lower is better; bold = best in each column.

Normalization: Both predictions and labels are normalized before computing WER — lowercased, punctuation removed, and numbers converted to spoken form.

ModelParamstele-mediumtele-hard-northtele-hard-middletele-hard-southvi-asr-techvi-asr-eduvi-asr-financevi-asr-pubadminvivosCommon-Voicevlsp-t1VietMedMultiMEDLSVSCFleursViMD
vinai/PhoWhisper-small244M33.9655.8865.4162.3556.8151.8747.3641.466.2311.5515.9925.5026.0211.2316.1114.09
vinai/PhoWhisper-medium769M26.4651.2059.0455.3947.9343.0041.6034.814.938.3714.0624.9024.7610.2514.4411.34
vinai/PhoWhisper-large1.5B26.8250.3959.4456.7042.9444.9940.5433.784.738.6013.7024.3724.4710.0812.6211.18
Qualcomm-AI-Research/PhoASR-whisper-small244M30.7350.3056.6654.1244.3541.65—35.995.879.7314.6023.1022.787.5913.979.75
nvidia/parakeet-ctc-0.6b-Vietnamese600M31.8255.3361.6556.7048.6945.8643.1638.847.7611.4017.0023.5323.7910.4616.1112.95
khanhld/chunkformer-large-vie110M27.6046.3051.9149.0939.8137.2034.3129.304.186.9414.0919.5922.608.8514.1711.77
nguyenvulebinh/wav2vec2-base-vi95M23.7140.4948.9046.3359.8653.0649.6639.826.6012.6113.1422.9623.039.8920.0911.42
zipformer-rnnt65M20.3042.2149.0147.8636.8130.2629.1318.626.9211.4814.5421.9022.0510.2314.7610.15
Qwen/Qwen3-ASR-1.7B1.7B26.3446.8059.8551.8427.9529.9334.0931.837.1710.7616.2920.2120.119.6410.1311.16
Qwen/Qwen3-ASR-0.6B600M32.2948.5761.8855.4337.5236.9738.3138.6510.2316.6818.6222.5122.6510.9613.1114.37
hynt/Zipformer-30M-RNNT-6000h30M19.5338.1344.7341.5829.7725.9125.8617.924.554.1611.7819.9119.889.0413.037.18
g-group-ai-lab/gipformer-65M-rnnt65M15.5325.1032.2732.6236.5929.8129.6720.094.126.6313.3919.4119.358.9612.927.17
g-group-ai-lab/gipformer1.5-65M-rnnt65M15.4426.2433.3132.4827.4923.3222.3414.824.256.4513.3719.2319.178.9712.657.00

Dataset Descriptions

Private test sets (call center domain):

  • tele-medium — Call center recordings with medium difficulty
  • tele-hard-north — Low-quality call center audio, hard-to-hear speakers — Northern Vietnamese accent
  • tele-hard-middle — Low-quality call center audio, hard-to-hear speakers — Central Vietnamese accent
  • tele-hard-south — Low-quality call center audio, hard-to-hear speakers — Southern Vietnamese accent

Public test sets:

  • vi-asr-tech-test — Technology: consumer electronics reviews, software tutorials, programming and IT walkthroughs
  • vi-asr-edu-test — Education: study-abroad consulting, exam guidance, university and training-course introductions
  • vi-asr-finance-test — Finance: stock market commentary, trading platforms, banking and crypto
  • vi-asr-pubadmin-test — Public administration: administrative procedures, licensing guidance, civil records
  • vivos — Vietnamese read speech corpus
  • Common-Voice — Mozilla Common Voice, Vietnamese subset
  • vlsp-t1 — VLSP 2020 ASR Shared Task 1
  • VietMed — Vietnamese medical domain
  • MultiMED — Multi-domain medical conversations
  • LSVSC — Large-Scale Vietnamese Speech Corpus
  • Fleurs — Google's Few-shot Learning Evaluation of Universal Representations of Speech, Vietnamese subset
  • ViMD — Vietnamese Multi-Domain

Call Center Domain: Where It Matters Most

Call center ASR is one of the most challenging real-world domains — noisy phone lines, overlapping speech, diverse regional accents, and spontaneous conversation. The gipformer family holds the best result on all four call center test sets, and no other model comes within 9 WER points on any of the three hard subsets.

Usage

See the Quick Start guide for detailed usage instructions.

Citation

@misc{gipformer,
  title={Gipformer - Efficient Vietnamese Speech Recognition},
  author={G-Group AI Lab},
  year={2026},
  url={https://huggingface.co/g-group-ai-lab/gipformer1.5-65M-rnnt}
}

License

This model is released under the MIT License.

Acknowledgments

Developed by G-Group AI Lab. For questions, issues, or collaboration inquiries, please visit our HuggingFace organization page.

Как запустить

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

GPU в ailist

Универсальный рантайм · onnxruntime

Нельзя запустить

Модель выложена только в формате ONNX.

Класс архитектуры
ZipformerRnntModel
Ревизия весов
e2f0915

0 моделей