/ Модель

Характеристики

Лицензия
CC BY 4.0
Архитектура
parakeet_tdt · dense
Базовая модель
parakeet-tdt-0.6b-v2
Библиотека
transformers
Опубликована
11 авг 2026

parakeet-tdt-0.6b-v2

Распознавание речиАудио → текст7 профессий

Конвертированная в Transformers англоязычная модель NVIDIA Parakeet-TDT 0.6B v2 для транскрибации речи в текст.

59скачиваний за 30 дней0лайковвеса обновлены17 авг 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 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 конвертированная в формат Hugging Face Transformers версия англоязычной модели NVIDIA Parakeet-TDT 0.6B v2 для транскрибации речи. Автор репозитория сообщает, что веса взяты из официального чекпойнта NeMo и сверены с эталонной реализацией; для корректной работы конвертации внесены исправления скрипта, включая поправку идентификатора blank-токена. Архитектура — Parakeet TDT с плотными весами; модель использует 128-мел-спектральный вход и словарь размером 1025 идентификаторов.

Модель принимает аудио и выдаёт текстовую расшифровку на английском языке. Она предназначена для распознавания речи и транскрибации записей; в README отмечена как сильная модель семейства Parakeet для английской транскрибации. Репозиторий содержит веса Safetensors и рассчитан на использование через Transformers. Лицензия — CC-BY-4.0.

Качество зависит от разборчивости речи и условий записи. Модель ориентирована на английский язык, поэтому её не следует считать мультиязычной; README также описывает конвертацию и проверку, но не устанавливает универсальных гарантий производительности на разных устройствах.

Сценарии применения

  • транскрибация английских аудиозаписей
  • расшифровка аудиокниг
  • преобразование записанной речи в текст
  • распознавание речи в английских аудиофайлах

Ограничения

Модель ориентирована на английскую речь; для других языков её поддержка не заявлена. Точность распознавания зависит от качества аудио и условий записи.

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-0.6b-v2 (Hugging Face format)

This is NVIDIA's parakeet-tdt-0.6b-v2 converted to the Hugging Face transformers format. NVIDIA distributes v2 as a .nemo checkpoint only, and to my knowledge no working HF-format conversion has been public before this one. The v2 release remains the strongest Parakeet for English transcription, and its newer multilingual sibling v3 trades some English accuracy for language coverage, so an HF-format v2 is worth having.

These weights are the starting point of a Core AI port that reaches 291x real time on a Mac and 209x on an iPhone at full precision, written up in A 10-hour audiobook, transcribed on an iPhone in 5 minutes.

Provenance and verification

The weights were converted from the official .nemo checkpoint using the transformers conversion script models/parakeet/convert_nemo_to_hf.py, with two fixes that the script needs for v2 (a <pad> crash and a silent blank-id off-by-one that corrupts transcripts). The fixes have been submitted upstream: https://github.com/huggingface/transformers/pull/47891.

Verification against the NeMo/PyTorch reference: a greedy TDT decode over this checkpoint matches the reference generate() output token for token on probe audio (82 of 82 tokens), and end-to-end transcripts were token-exact across a multi-hour audiobook validation corpus.

Key config facts: vocab_size=1025, blank_token_id=1024, durations=[0, 1, 2, 3, 4], joint activation ReLU, 128-mel front end with 0.97 preemphasis. The encoder is architecturally identical to v3's, and only the tokenizer and vocab differ between the two releases. Note that 1025 is the id-space size (max id plus one) rather than the token entry count, since <unk> reuses id 0.

License and attribution

The original model is by NVIDIA and is licensed CC-BY-4.0. This repository redistributes converted weights under the same license with attribution. Changes made: format conversion from .nemo to safetensors/transformers layout as described above, with no change to the weights themselves.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
ParakeetForTDT
Ревизия весов
8253eae

0 моделей