Характеристики

Лицензия: CC BY-NC 4.0
Архитектура: omnilingual_asr_ctc · dense
Библиотека: onnx
Опубликована: 13 июл 2026

Ссылки

Hugging Face

Omnilingual-ASR-CTC-1B-ONNX

soniqo

Распознавание речиАудио → текст

Многоязычная модель Meta в формате ONNX int8 для быстрой транскрипции речи из аудио.

6скачиваний за 30 дней0лайковвеса обновлены13 июл 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

Soniqo Omnilingual ASR CTC 1B ONNX — экспорт модели Meta omniASR_CTC_1B_v2 в формате ONNX int8 для распознавания речи с помощью ONNX Runtime на сервере. Модель принимает монофонический аудиосигнал с частотой 16 кГц и выдаёт CTC-логиты по 10 288 токенам; длина временной оси динамическая и зависит от длительности аудио. Архитектура — плотная Omnilingual ASR CTC, одно проходное кодирование без рекуррентного состояния.

Модель предназначена для автоматической транскрипции речи и поддерживает многоязычную обработку. В тестах на FLEURS для английского, французского и немецкого языков int8 ONNX показал качество, близкое к fp32 PyTorch; на восьми потоках CPU достигнута скорость 17–21× от реального времени. Перед подачей аудио вызывающая система должна выполнить z-нормализацию: без неё качество резко ухудшается. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

Сценарии применения

транскрибация англоязычных аудиозаписей
распознавание французской речи
распознавание немецкой речи
пакетная расшифровка длинных аудиозаписей
встраивание распознавания речи в серверный сервис на ONNX Runtime

Ограничения

Перед подачей аудио необходимо выполнить z-нормализацию; без неё качество распознавания резко ухудшается. Приведённые оценки основаны на 50 примерах FLEURS для каждого языка, поэтому могут не отражать качество на других данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Omnilingual ASR CTC 1B — ONNX (int8)

Meta omniASR_CTC_1B_v2 exported for server-side ONNX Runtime (CUDA EP with CPU fallback). Exported by models/omnilingual-asr/export/convert_onnx.py in soniqo/speech-models.

Graph


input	`audio` [1, S] f32 — 16 kHz waveform, z-scored by the caller
output	`logits` [1, T, 10288] — CTC logits, T = ceil(S / 320)

The time axis is dynamic: cost tracks the real clip length. (The LiteRT and CoreML exports bake a fixed window instead, because on-device wants a static shape.)

The caller must z-score the waveform — the graph does not normalise internally. Feeding raw audio scores 67.7% WER against 11.6% normalised.

Quality (FLEURS, 50 utts/language, Whisper normalizer)

	int8 ONNX (CPU, 8 threads)	fp32 PyTorch (GPU)
English	11.64	11.54
French	14.69	14.69
German	8.22	8.03
Arabic (ar_eg)	19.02	18.91

int8 costs ~0.1 WER: CTC is a single encoder pass, so there is no recurrent state for quantization error to accumulate through. Throughput is 17-21x realtime on 8 CPU threads.

Как запустить

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

GPU в ailist

Универсальный рантайм · onnx

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов: 8f842c1