/ Модель

Характеристики

Лицензия
Gemma
Базовая модель
embeddinggemma-2
Опубликована
14 окт 2026

QUAN-Transcribe-1.0

Распознавание речиАудио → текст

Модель на основе EmbeddingGemma 2 для быстрого офлайн- и потокового распознавания вьетнамской речи.

444скачиваний за 30 дней51лайквеса обновлены14 окт 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

QUAN-Transcribe-1.0 — модель распознавания речи на вьетнамском языке, разработанная qnguyen3 на основе Google EmbeddingGemma 2. Она преобразует аудио в текст и рассчитана на офлайн-распознавание и потоковую обработку речи.

Модель использует аудиокодировщик в стиле USM Conformer: дообучены 2 верхних слоя из 12. Их представления поступают в шестислойный трансформерный декодер с CTC и размерностью 768. Общее число параметров — 356 млн. Обучение на динамических размерах аудиофрагментов поддерживает потоковый режим с чанками 0,48 секунды; автор сообщает о скорости около 3700× реального времени на одной H100. Результат выдаётся строчными буквами, без пунктуации; числа записываются словами.

Модель обучена примерно на 2800 часах вьетнамской речи из нескольких наборов данных. В README приведены результаты сравнения на вьетнамских тестовых наборах. Для загрузки базового кодировщика требуется принять условия Google EmbeddingGemma 2. Лицензия репозитория указана как Gemma; применимые условия использования следует сверять с лицензией базовой модели.

Сценарии применения

  • расшифровка вьетнамских аудиозаписей
  • потоковая транскрибация вьетнамской речи
  • офлайн-распознавание вьетнамской речи
  • преобразование вьетнамских подкастов и аудиокниг в текст

Ограничения

Вывод нормализован в нижний регистр, не содержит пунктуации, а числа записываются словами. Для загрузки базового кодировщика требуется принять условия Google EmbeddingGemma 2.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

QUAN-Transcribe-1.0

SOTA Fast Vietnamese speech recognition, offline and streaming, built on top of Google's EmbeddingGemma 2.

  • Trained in ~3 hours on 8×H100.
  • ~3,700× faster than real time on a single H100: one forward pass, no autoregressive decoder.
  • Streaming support: the same weights decode with full context or in streaming mode (0.48 s chunks).
  • Inference code: github.com/qnguyen3/QUAN-Transcribe

Quick start

pip install git+https://github.com/qnguyen3/QUAN-Transcribe
quan-transcribe audio.wav
from quan_transcribe import QuanTranscribe

asr = QuanTranscribe.from_pretrained("qnguyen3/QUAN-Transcribe-1.0")
print(asr.transcribe("audio.wav"))
print(asr.transcribe("audio.wav", streaming=True))

The base encoder google/embeddinggemma-2 is downloaded on first use; accept its terms on the model page first. Output is lowercase Vietnamese without punctuation, with numbers written as words.

Model

The EmbeddingGemma 2 audio encoder (USM-style conformer, top 2 of 12 layers fine-tuned) feeds a learned mix of its layer outputs into a 6-layer transformer reader (d=768) trained with CTC. Output units are 14,917 Gemma tokenizer tokens, about one per Vietnamese syllable. The reader was trained with dynamic chunk sizes, so it can run in streaming mode on top of the encoder's own chunked attention.

Training data: ~2,800 h of Vietnamese speech (Bud500, viVoice, VLSP2020, FPT FOSD, InfoRe 1/2, LSVSC, ViMD, Common Voice 17, FLEURS, PhoAudiobook), including utterances with numbers spelled out in words.

Benchmark

Word error rate on Vietnamese test sets. Every model was run on the same utterances, with the same text normalization and scoring, greedy decoding, one H100 per model (bf16/fp16). Speed is audio duration divided by wall-clock time from waveform to text.

ModelParamsAvgSpeed (×RT)bud500cv17fleursgigaspeech2lsvscphoaudiobookvimdVIVOS
QUAN-Transcribe-1.0356M6.87%3,7131.62%10.19%6.75%12.34%5.48%1.35%9.05%8.15%
Gemini-Flash-3.8N/A6.92%N/A1.80%10.30%5.90%10.70%5.70%1.60%10.00%9.36%
MAI-Transcribe-2.0N/A6.96%N/A2.45%10.15%5.80%10.15%6.00%1.40%10.25%9.48%
Cohere Transcribe 03-20262,066M7.01%4303.93%11.09%5.64%10.27%6.98%1.74%10.34%6.07%
Qwen3-ASR-1.7B2,038M7.01%2245.20%11.31%4.88%8.47%6.60%1.85%10.54%7.25%
ElevenLabs Scribe v2N/A7.08%N/A3.15%10.50%5.60%10.50%6.25%1.45%10.05%9.14%
PhoWhisper-large1,543M7.21%1979.51%9.12%5.31%10.14%6.81%0.87%11.38%4.52%
PhoWhisper-medium764M7.74%26110.36%9.39%6.40%10.71%7.01%1.84%11.38%4.87%
PhoWhisper-small242M9.32%42910.35%11.99%8.14%13.16%7.93%2.85%13.91%6.20%
Qwen3-ASR-0.6B782M9.81%2316.53%17.41%7.69%12.09%7.86%3.31%13.48%10.14%
PhoWhisper-base73M13.52%53919.23%17.47%11.13%19.03%9.52%5.34%18.06%8.37%
PhoWhisper-tiny38M14.92%52511.67%19.84%17.46%21.40%10.23%6.37%22.09%10.35%
Whisper large-v21,543M15.63%18032.71%19.35%10.75%19.70%11.07%3.06%17.29%11.09%
Whisper large-v3-turbo809M17.66%41759.56%17.61%7.95%15.76%12.67%2.30%16.14%9.31%
Whisper large-v31,543M18.04%19364.03%18.43%7.09%14.19%13.96%1.85%15.56%9.18%
Whisper small242M28.81%30865.50%31.08%20.59%27.44%20.21%11.21%30.66%23.80%
Whisper medium764M30.12%188125.56%26.06%11.98%23.40%15.13%5.83%19.91%13.07%

License

This model is a derivative of EmbeddingGemma 2 and is subject to the Gemma Terms of Use.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
a08726d

0 моделей