/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
granite_speech_nar · dense
Базовая модель
granite-speech-4.1-2b-nar
Библиотека
mlx
Опубликована
22 мая 2026

granite-speech-4.1-2b-nar-mlx

Распознавание речиАудио → текст6 профессий

MLX-порт нерегрессионной модели IBM Granite Speech для транскрибации аудио на пяти европейских языках на Apple Silicon.

258скачиваний за 30 дней1лайквеса обновлены28 мая 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

Это MLX-порт модели IBM Granite Speech 4.1 2B NAR, подготовленный mlx-community для запуска на компьютерах Apple Silicon через mlx-audio. Модель предназначена для автоматической транскрибации речи; поддерживаемые языки — английский, французский, немецкий, испанский и португальский. Репозиторий распространяется по лицензии Apache-2.0.

Архитектура — плотная нерегрессионная ASR-модель примерно на 2,25 млрд параметров в формате bf16: 16-слойный Conformer-энкодер строит гипотезу CTC, Q-Former-проектор формирует аудиопредставления, а 40-слойный двунаправленный редактор уточняет гипотезу за один проход. Для работы нужны macOS 14 или новее и Apple Silicon. Ограничения: пакетная обработка ограничена размером 1, потоковая транскрибация не поддерживается; доступны только веса bf16, без вариантов с квантизацией.

Сценарии применения

  • транскрибация аудиозаписей на английском языке
  • распознавание французской речи из аудиофайлов
  • преобразование немецкой речи в текст
  • транскрибация испанских аудиозаписей
  • распознавание португальской речи на Mac с Apple Silicon

Ограничения

Обработка ограничена размером пакета 1, потоковый режим не поддерживается. В репозитории представлены только веса bf16 без квантизированных вариантов; запуск требует macOS 14 или новее и Apple Silicon.

Для каких профессий подходит6

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

Granite Speech 4.1 2B NAR — MLX

MLX port of ibm-granite/granite-speech-4.1-2b-nar for Apple Silicon. Runs via mlx-audio.

Architecture

Non-autoregressive ASR via CTC + bidirectional LM editing:

  1. 16-layer Conformer encoder (543M params) produces an initial BPE CTC hypothesis.
  2. 2-layer windowed Q-Former projector (80M params) converts multi-layer encoder states into audio embeddings.
  3. 40-layer bidirectional Granite editor (1.6B params) takes [audio | hypothesis_tokens] and emits edited logits in a single forward pass — no autoregression, no KV cache.
  4. Final CTC collapse on text-position logits yields the transcript.

Total: ~2.25B params, bf16.

Quickstart

from pathlib import Path
from mlx_audio.stt.utils import load_model

model = load_model(Path("mlx-community/granite-speech-4.1-2b-nar-mlx"))
out = model.generate("audio.wav")
print(out.text)

Limitations

  • Batch size 1.
  • bf16 baseline only — no quantized variants yet.
  • No streaming inference.
  • macOS 14+, Apple Silicon.

Reference

Upstream model card: https://huggingface.co/ibm-granite/granite-speech-4.1-2b-nar

Validated against the upstream PyTorch reference: exact 44-token match and exact transcript string on the example wav.

License

Apache-2.0, matching the upstream model.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
GraniteSpeechNarForASR
Ревизия весов
6acb789

0 моделей