/ Модель

Характеристики

Параметры
905 млн
Лицензия
Apache 2.0
Архитектура
whisper · dense
Базовая модель
whisper-large-v3-turbo
Опубликована
2 окт 2026

vaani2-flash

Распознавание речиАудио → текст

Мультиязычная модель Sorika Labs для быстрого распознавания речи, особенно английской и индийской речи, на базе Whisper large-v3-turbo.

119скачиваний за 30 дней1лайквеса обновлены10 окт 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

Vaani-2 Flash — модель распознавания речи от Sorika Labs, дообученная на базе OpenAI Whisper large-v3-turbo. Это мультиязычная encoder-decoder Transformer-модель с аудиоэнкодером на 32 слоя и быстрым декодером на 4 слоя; в метаданных указано около 905 млн параметров. Модель принимает аудио и выдаёт текстовую транскрипцию, рассчитана на высокую скорость распознавания, потоковую обработку и API с большой пропускной способностью.

В карточке заявлены поддержка хинди, индийского английского и Hinglish, а также сохранение мультиязычных возможностей базовой модели. Sorika Labs приводит результаты бенчмарков по английской и хинди речи и сообщает о скорости до 30,3× относительно реального времени на GPU; это показатели из карточки, зависящие от оборудования и условий измерения. Модель выпущена под лицензией Apache 2.0.

Сценарии применения

  • транскрибация английских записей встреч
  • распознавание хинди в аудиозаписях
  • расшифровка индийского английского и Hinglish
  • потоковая расшифровка речи в реальном времени
  • пакетная транскрибация аудио для API

Ограничения

Заявленные точность и скорость основаны на бенчмарках и условиях из карточки; реальная производительность зависит от оборудования, аудио и настроек. Хотя указана мультиязычность, подробный перечень поддерживаемых языков не приведён.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

⚡ Vaani-2 Flash ASR

High-Throughput, Low-Latency Speech Foundation Model for Production APIs & Real-Time Streaming

Developed by Sorika Labs

Series: Flash Base Model: Whisper Turbo ZeroGPU Live Demo English SOTA Throughput Weights: FP16 Standalone License: Apache 2.0

⚡ Try ZeroGPU Live Demo • Hugging Face Model • Sorika Labs Organization


⚡ Try the Live ZeroGPU Demo

You can test Vaani-2 Flash in real-time with zero installation directly in your browser:

👉 Launch Vaani-2 Flash Web UI & API Demo (NVIDIA A10G GPU)

  • 🎙️ Microphone & File Uploads: Test .mp3, .wav, .m4a, .flac, .aac recordings instantly.
  • ⚡ Sub-Second GPU Speed: Real-time < 0.8s latency powered by Hugging Face ZeroGPU (NVIDIA A10G).
  • 🌐 Auto & Explicit Modes: Automatic speech detection or dedicated Hindi / English transcription.

🌟 Overview & Key Breakthroughs

Vaani-2 Flash is Sorika Labs' flagship high-throughput speech recognition foundation model. Built on top of OpenAI's 809M-parameter whisper-large-v3-turbo, Vaani-2 Flash delivers an unmatched combination of extreme inference velocity (up to 30.3x Real-Time) and flawless English and Indian recognition accuracy.

In our comprehensive 10-benchmark evaluation, Vaani-2 Flash achieved the #1 lowest English Average WER (5.90%) across all evaluated models, beating both Alibaba's Qwen3-ASR (6.19%) and OpenAI Whisper baselines (8.05%).

Key Highlights:

  • 🏆 #1 Overall English Accuracy (5.90% Avg WER):
    • VoxPopuli: 2.22% WER (Rank 1)
    • SPGISpeech: 3.55% WER (Rank 1)
    • Earnings22: 8.62% WER (Rank 1)
    • LibriSpeech Clean: 4.84% WER
  • ⚡ Blazing Inference Velocity (21.5x Real-Time): Thanks to the optimized 4-layer decoder of Whisper-Turbo, Vaani-2 Flash processes 30 seconds of audio in under 1.0 second on GPU, making it ideal for live streaming and enterprise APIs.
  • 🇮🇳 Robust Indian Speech Recognition: Achieves 16.38% on FLEURS Hindi and 14.44% on Private Conversational Hindi, slashing Whisper-Small's 47.8% error rate by more than 60%.
  • 🛡️ Zero Catastrophic Forgetting: Preserves global multilingual capabilities across European and Asian languages without weight drift.

🧭 Sorika Labs Vaani Speech Series Portfolio

The Vaani family is engineered by Sorika Labs to provide production-ready speech intelligence across diverse computational constraints:

SeriesModel NameBackboneParamsPrimary StrengthRecommended Use Case
Lite Seriesvaani1-lite-asrWhisper-Small244MUltra-lightweight, 99+ global languagesEdge devices, mobile apps, low-latency CPU
Lite Seriesvaani1.1-lite-asrQwen3-ASR600MSOTA Hindi accuracy (11.78% WER), LLM-grade reasoningHigh-accuracy transcription, noisy audio, Devanagari purity
Flash Seriesvaani2-flashWhisper-Turbo809M#1 English WER (5.90%), 21.5x Real-Time speedHigh-throughput production APIs, real-time live streaming
Flash Seriesvaani2.1-flash (Coming Soon)Whisper-Turbo809MCurated Hindi + Hinglish fine-tune targeting <10% WERUltra-fast bilingual enterprise applications
Pro SeriesVaani-Pro (Research)Dense Foundation1.5B+Long-form context, speaker diarization, multi-dialectComplex enterprise contact centers & broadcasts

📊 Grand Benchmark Leaderboard (10 Standardized Benchmarks)

All models were evaluated under identical real-world conditions across 7 English benchmarks (meeting, financial, podcast, clean read, noisy speech, parliamentary) and 3 Indic/Hindi benchmarks:

Benchmark DatasetDomain / CategoryOpenAI Whisper-Small (244M)Vaani-1 Lite (244M)Vaani-2 Flash (809M)Alibaba Qwen3-Base (600M)Vaani-1.1 Lite (600M)Vaani-2 Speed
AMI-CleanedEnglish (Meeting Speech)12.74%12.99%10.41%9.05%15.13%29.4x RTF ⚡
Earnings22English (Financial Calls)8.62%9.90%8.62% 🥇10.99%10.50%30.3x RTF ⚡
GigaSpeechEnglish (Podcasts / Books)8.90%8.43%7.28%6.77%7.58%19.1x RTF ⚡
LibriSpeech CleanEnglish (Clean Read)5.63%9.67%4.84%4.49%4.75%15.9x RTF ⚡
LibriSpeech OtherEnglish (Noisy / Accents)11.30%8.70%4.35%3.93%3.60% 🥇15.3x RTF ⚡
SPGISpeechEnglish (Financial Disclosures)3.89%5.41%3.55% 🥇4.74%5.58%18.9x RTF ⚡
VoxPopuliEnglish (Parliamentary / Live)5.29%9.20%2.22% 🥇3.38%8.99%28.1x RTF ⚡
Kathbath (Hindi)Hindi (Indic Crowdsourced)50.00%16.29%22.47%14.61%12.36% 🥇5.9x RTF
FLEURS (Hindi)Hindi (Speech-to-Text)48.88%25.56%16.38%14.39%14.64%8.5x RTF
Vaani Private (Hindi)Hindi (Conversational Real)44.44%16.11%14.44%7.78%8.33%6.8x RTF
English Average WER7 Datasets8.05%9.18%5.90% 🏆6.19%8.02%21.5x Avg 🚀
Hindi Average WER3 Datasets47.77%19.32%17.76%12.26%11.78% 🏆7.1x Avg
Overall Average WERAll 10 Datasets19.97%12.23%9.46%8.01%9.15%17.2x Avg

Lower WER indicates superior recognition accuracy. Speed is measured in Real-Time Factor (RTFx) on NVIDIA GPU.


🚀 Quickstart & Inference

1. Using Hugging Face pipeline

import torch
from transformers import pipeline

device = "cuda:0" if torch.cuda.is_available() else "cpu"
dtype = torch.float16 if torch.cuda.is_available() else torch.float32

pipe = pipeline(
    "automatic-speech-recognition",
    model="sorika-labs/vaani2-flash",
    torch_dtype=dtype,
    device=device,
    chunk_length_s=30,
    trust_remote_code=True
)

# 1. Transcribe English Audio (Ultra-Accurate 5.90% Avg WER)
result_en = pipe("english_call.wav", generate_kwargs={"language": "en", "task": "transcribe"})
print("English:", result_en["text"])

# 2. Transcribe Hindi Audio
result_hi = pipe("hindi_audio.wav", generate_kwargs={"language": "hi", "task": "transcribe"})
print("Hindi:", result_hi["text"])

# 3. Automatic Language Detection & Transcription
result_auto = pipe("mixed_speech.mp3", generate_kwargs={"task": "transcribe"})
print("Transcription:", result_auto["text"])

2. Using AutoModelForSpeechSeq2Seq & AutoProcessor

import torch
import torchaudio
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor

model_id = "sorika-labs/vaani2-flash"
device = "cuda" if torch.cuda.is_available() else "cpu"
dtype = torch.float16 if torch.cuda.is_available() else torch.float32

processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id,
    torch_dtype=dtype,
    low_cpu_mem_usage=True,
    trust_remote_code=True
).to(device)

# Load 16 kHz Mono Audio
audio, sr = torchaudio.load("sample.wav")
if sr != 16000:
    audio = torchaudio.transforms.Resample(sr, 16000)(audio)

inputs = processor(audio.squeeze().numpy(), sampling_rate=16000, return_tensors="pt")
input_features = inputs.input_features.to(device, dtype=dtype)

with torch.no_grad():
    predicted_ids = model.generate(input_features, language="hi", task="transcribe")

transcription = processor.batch_decode(predicted_ids, skip_special_tokens=True)
print("Transcription:", transcription[0])

🔮 Roadmap: Vaani-2.1 Flash

Sorika Labs is actively fine-tuning the next revision, vaani2.1-flash, which pairs the blazing 25x+ RTF Whisper Turbo architecture with a high-fidelity curated Hindi & Hinglish conversational corpus. Target goals:

  • Sub-10% Hindi Average WER
  • Native Hinglish code-switching normalization
  • Retaining the #1 English benchmark ranking

⚙️ Architecture & Model Specs

  • Base Model: openai/whisper-large-v3-turbo (809 Million Parameters)
  • Audio Encoder: 32-layer Transformer, 1280 hidden size, 128 mel bins
  • Decoder: 4-layer fast Transformer decoder (4x faster than standard large-v3)
  • Weights: 100% permanently fused model.safetensors (1.62 GB FP16)
  • License: Apache 2.0

🏢 Developed by Sorika Labs

Sorika Labs — Advancing open-source speech AI for Indian and global enterprises.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VaaniForConditionalGeneration
Ревизия весов
c93c3df

0 моделей