/ Модель

Характеристики

Лицензия
CC BY 4.0
Архитектура
parakeet_tdt · dense
Опубликована
22 сен 2026

parakeet-ultra

Распознавание речиАудио → текст12 профессий

Дообученная многоязычная модель Parakeet TDT 0.6B для транскрибирования речи, в том числе длинных записей и аудио с фоновым шумом.

13 214скачиваний за 30 дней88лайковвеса обновлены23 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки1

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • hf-audio/open-asr-leaderboard

    score · ниже — лучше

    Результат

    5,32

    librispeech_clean_wer 1,41tedlium_wer 1,94librispeech_other_wer 2,98
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Moondream Parakeet Ultra — дообученная версия модели Parakeet TDT 0.6B v3 от NVIDIA для автоматического распознавания речи. Она сохраняет исходную архитектуру Parakeet TDT, токенизатор и 0,6 млрд параметров в полной точности и предназначена для транскрибирования речи, в том числе длинных записей, фоновых разговоров и аудио с шумом.

Модель поддерживает 25 языков, включая русский, английский и немецкий. Для длинных записей встроенная в веса голова определения речевой активности помогает разбивать аудио на сегменты длительностью до 30 секунд без отдельной VAD-модели. В приведённых тестах Parakeet Ultra показала более низкий WER, чем Parakeet TDT 0.6B v3, а также более высокую скорость в тестах на Photon с GPU NVIDIA; результаты зависят от среды и настроек запуска.

Для запуска автор рекомендует Photon. Модель опубликована под лицензией CC-BY-4.0. Она предназначена для распознавания речи и не выполняет перевод или генерацию речи.

Сценарии применения

  • транскрибирование русскоязычных аудиозаписей
  • распознавание речи в многоязычных записях
  • расшифровка совещаний и деловых звонков
  • транскрибирование подкастов и видеозаписей
  • распознавание речи в аудио с фоновым шумом
  • разбиение длинной записи на речевые сегменты при транскрибировании

Ограничения

В README результаты приведены для Photon и GPU NVIDIA, поэтому скорость и точность в других средах могут отличаться. Поддержка указана для 25 языков, но метаданные перечисляют 20 языков.

Для каких профессий подходит12

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

Moondream Parakeet Ultra

A post-trained version of parakeet-tdt-0.6b-v3. Same architecture, same tokenizer, same 0.6B parameters in full precision. It is better than the original on every benchmark group below, by a wide margin on the 25-language FLEURS set, in background noise and on long-form audio, and it runs faster than the original does in NeMo.

parakeet-tdt-0.6b-v3parakeet-ultra
Open ASR Leaderboard, 7 English sets (WER %)6.265.80
FLEURS, 25 languages (WER %)11.629.55
Business speech, AA-WER style (WER %)6.155.79
Background noise, 9 MUSAN conditions (WER %)6.725.82
TED-LIUM long-form (WER %)2.711.94

Its sibling Parakeet Redux is the ternary version of the same architecture, 178 MB, built for CPUs and Apple silicon. Read the release post for the story behind both models.

Usage

Run it with Photon. Every accuracy number on this page is Photon on an NVIDIA GPU.

# pip install moondream
import moondream as md

with md.photon("moondream/parakeet-ultra") as speech:
    result = speech.transcribe(audio="speech.wav")
    print(result["text"])

    # timestamps="segment": one entry per sentence, with its start
    # and end in seconds; "word" adds the start and end of every word
    result = speech.transcribe(audio="speech.wav", timestamps="word")
    for segment in result["segments"]:
        print(segment["start"], segment["end"], segment["text"])
        for word in segment["words"]:
            print(word["start"], word["end"], word["word"])

Performance

Real-time factor: seconds of audio transcribed per second of wall clock, higher is faster. One NVIDIA B200, 128 requests in flight, the same files on both sides; NeMo 3.0 runs the original checkpoint with its own transcribe call at batch 128, Photon runs parakeet-ultra.

NeMo, parakeet-tdt-0.6b-v3Photon, parakeet-ultra
LibriSpeech test-clean, 2,620 utterances, 5.4 hours6,005×9,743×
AMI test, 12,643 utterances, 8.7 hours4,394×6,688×

Benchmarks

Word error rate in percent, lower is better. Both models are scored on the same files with the Open ASR Leaderboard's own pipeline as of September 2026 (its normalizers and compound-merging alignment, with the FLEURS references prepared as the leaderboard's text column is). parakeet-ultra runs in Photon on an NVIDIA GPU, the original in NeMo in bf16.

Open ASR Leaderboard

The seven English test sets of the Hugging Face Open ASR Leaderboard: audiobooks (LibriSpeech), meetings (AMI), earnings calls (Earnings-22), podcasts and YouTube (GigaSpeech), financial calls (SPGISpeech) and parliament (VoxPopuli).

setparakeet-tdt-0.6b-v3parakeet-ultra
LibriSpeech test-clean1.521.41
LibriSpeech test-other3.132.98
AMI10.869.77
Earnings-2210.759.76
GigaSpeech8.057.71
SPGISpeech3.633.34
VoxPopuli5.885.65
average6.265.80

FLEURS

The FLEURS test split: read Wikipedia sentences, a few hundred per language, for all 25 languages the model supports.

languageparakeet-tdt-0.6b-v3parakeet-ultra
Bulgarian11.9010.09
Croatian10.939.65
Czech10.859.97
Danish16.7814.31
Dutch6.185.46
English4.253.55
Estonian13.239.69
Finnish11.059.19
French4.814.32
German4.133.61
Greek35.7132.25
Hungarian13.6510.76
Italian2.612.00
Latvian21.3815.95
Lithuanian21.0916.36
Maltese19.1314.92
Polish6.705.54
Portuguese4.653.96
Romanian11.549.18
Russian5.915.21
Slovak9.467.03
Slovene21.7616.64
Spanish3.122.72
Swedish13.7511.57
Ukrainian5.944.75
average11.629.55

Business speech (AA-WER style)

The AMI and VoxPopuli test sets with the Artificial Analysis cleaning applied, and Earnings-22 scored in 30-second chunks joined per call, the way the AA-WER benchmark does it.

setparakeet-tdt-0.6b-v3parakeet-ultra
AMI (cleaned)9.528.48
VoxPopuli (cleaned)3.023.10
Earnings-22, 30-second chunks5.905.78
average6.155.79

Background noise

The clean sets with MUSAN noise (the half of the corpus not used for training) mixed in at a fixed signal-to-noise ratio; 0 dB means the noise is as loud as the speech.

setparakeet-tdt-0.6b-v3parakeet-ultra
LibriSpeech test-other, 10 dB4.123.87
LibriSpeech test-other, 5 dB5.495.10
LibriSpeech test-other, 0 dB9.068.31
FLEURS German, 10 dB5.784.98
FLEURS German, 5 dB8.076.91
FLEURS German, 0 dB14.4512.08
FLEURS Spanish, 10 dB3.993.13
FLEURS Spanish, 5 dB4.123.38
FLEURS Spanish, 0 dB5.444.64
average6.725.82

Long-form

Eleven complete TED-LIUM 3 talks of 10-20 minutes each. parakeet-ultra transcribes them through Photon, whose segmenter cuts each talk at pauses found by the model's VAD head into segments of at most 30 seconds; the original runs NeMo's own long-audio path.

setparakeet-tdt-0.6b-v3parakeet-ultra
TED-LIUM 3, 11 full talks of 10-20 minutes2.711.94

Notes

  • Based on parakeet-tdt-0.6b-v3 by NVIDIA. Languages, tokenizer and output conventions (punctuation, casing, numerals) are the original's.
  • Runs with Photon.
  • Long audio is segmented by the model itself: the weights carry a small voice-activity head on the encoder's subsampler, and Photon uses it to cut recordings at pauses into segments of at most 30 seconds. No external VAD model is needed.
  • License is CC-BY-4.0, same as the original.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
ParakeetForTDT
Ревизия весов
73175eb

0 моделей