/ Модель

Характеристики

Контекст
1 024 токена
Параметры
151 млн
Лицензия
CC BY 4.0
Архитектура
cohere_asr · dense
Базовая модель
canary-1b-v2
Библиотека
vllm
Опубликована
24 апр 2026

canary-1b-v2-vllm

Распознавание речиАудио → текст6 профессий

Перепаковка NVIDIA Canary-1B-v2 для распознавания речи и обслуживания через vLLM.

56скачиваний за 30 дней1лайквеса обновлены24 апр 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 перепакованная для vLLM модель распознавания речи reson8/canary-1b-v2-vllm на основе NVIDIA Canary-1B-v2. Репозиторий содержит веса исходной модели в формате safetensors, приведённые к bfloat16, и конфигурацию для загрузки через архитектуру cohere_asr в vLLM 0.19.0. Архитектура включает энкодер Conformer и 8-слойный декодер Transformer; в README указано около 1 млрд параметров, тогда как метаданные репозитория содержат значение 151 млн.

Модель предназначена для транскрибации речи и развёртывания за OpenAI-совместимым API vLLM, включая endpoint /v1/audio/transcriptions. Базовая Canary-1B-v2 поддерживает распознавание на 25 европейских языках и перевод речи между английским и другими языками из этого набора; конкретно для этой перепаковки метаданные перечисляют 21 язык. Лицензия — CC BY 4.0, унаследованная от исходного релиза NVIDIA.

Это преобразованная упаковка исходных весов, а не новая обученная модель. Репозиторий не загружается напрямую через Transformers AutoModelForSpeechSeq2Seq: для него нужны веса с исходными ключами NeMo и совместимая реализация vLLM. Поведение, точность и ограничения наследуются от NVIDIA Canary-1B-v2.

Сценарии применения

  • транскрибация аудио на европейских языках
  • распознавание речи через OpenAI-совместимый API vLLM
  • развёртывание сервиса автоматического распознавания речи без NeMo
  • транскрибация многоязычных аудиозаписей

Ограничения

Репозиторий не загружается напрямую через Transformers AutoModelForSpeechSeq2Seq; для инференса нужна совместимая версия vLLM и архитектура cohere_asr. Точность и известные ограничения унаследованы от исходной Canary-1B-v2.

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

canary-1b-v2-vllm

A repackaged build of nvidia/canary-1b-v2 that loads directly with vLLM 0.19.0's cohere_asr architecture, so you can serve Canary behind the OpenAI-compatible /v1/audio/transcriptions endpoint without running NeMo.

Thank you

This repository is only possible because of two pieces of open work:

  • NVIDIA open-sourced both the Canary-1B-v2 model weights and the training recipe (NeMo Conformer + Transformer AED, dw-striding subsampling, relative-positional attention). All architecture knowledge and every weight in this repo comes from their release.
  • Cohere Labs contributed a clean, standalone implementation of the architecture to both transformers (CohereAsrForConditionalGeneration) and vllm (cohere_asr). That implementation happens to be a near-bitwise port of the NeMo AED-Conformer inference path, which is what makes this repackaging a mechanical rename rather than a reimplementation.

We're very grateful to both teams — this repo is essentially a bridge between their work.

What this repo is

  • Raw Canary-1B-v2 weights (Conformer encoder + 8-layer Transformer decoder, ~1 B params) converted to safetensors and downcast to bfloat16.
  • A config.json that mirrors NeMo's model_config.yaml layout (nested encoder, transf_decoder, head, preprocessor dicts plus the three top-level fields — sample_rate, max_audio_clip_s, overlap_chunk_second — that vLLM's CohereAsr reads).
  • The 16,384-token SentencePiece tokenizer shipped with the original NeMo checkpoint, packaged as a HF fast tokenizer.

What this repo is NOT

  • Not a transformers-loadable repo. Transformers 5.5's CohereAsrForConditionalGeneration expects renamed HF keys and a flat config; the weights here are raw NeMo keys. Loading with AutoModelForSpeechSeq2Seq.from_pretrained will fail with missing / unexpected weights.
  • Not an original model. All behaviour, accuracy, licence, and known limitations are inherited from nvidia/canary-1b-v2.

Serving with vLLM

uv venv --python 3.12 --seed
source .venv/bin/activate

uv pip install -U "vllm==0.19.0" --torch-backend=auto
uv pip install "vllm[audio]==0.19.0" librosa
uv pip install -U transformers
uv pip install "numpy<2.3" ninja  # numba/librosa + flashinfer JIT deps

vllm serve reson8/canary-1b-v2-vllm --trust-remote-code

Then hit the OpenAI-compatible transcription endpoint:

curl -X POST http://localhost:8000/v1/audio/transcriptions \
  -F "file=@your_audio.wav" \
  -F "model=reson8/canary-1b-v2-vllm" \
  -F "language=nl"

language accepts any of the 25 ISO codes Canary-1B-v2 was trained on. vLLM uses Canary's built-in audio chunking (35 s window, 5 s overlap), so long-form audio works out of the box.

Required versions

  • vllm==0.19.0 (the cohere_asr registration landed in that release)
  • transformers>=5.5 (needed for the CohereAsrConfig class that vLLM's auto-config resolution uses)
  • numpy<2.3 — numba (pulled in by librosa) won't load on newer numpy

Common pitfalls

  • Numba needs NumPy 2.2 or less — pin numpy<2.3.
  • FileNotFoundError: 'ninja' — pip install ninja; flashinfer compiles kernels on first run.
  • Stale flashinfer JIT cache from another venv — rm -rf ~/.cache/flashinfer.

Licence

cc-by-4.0, inherited from the upstream NVIDIA release. See nvidia/canary-1b-v2 for the authoritative licence text and acceptable-use notes.

Citation

If you use this repackaging, please cite the original Canary-1B-v2 paper and the Cohere Labs cohere_asr implementation:

— and, of course, NVIDIA NeMo for the underlying training framework and model release.

Как запустить

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

GPU в ailist

Универсальный рантайм · vllm

Можно запустить

Подбираем GPU…

Класс архитектуры
CohereAsrForConditionalGeneration
Ревизия весов
b792c55

0 моделей