/ Модель

Характеристики

Лицензия
CC BY 4.0
Базовая модель
parakeet-tdt-0.6b-v3
Библиотека
litert
Опубликована
3 окт 2026

parakeet-tdt-0.6b-v3-litert

Распознавание речиАудио → текст

Квантованная версия Parakeet TDT 0.6B v3 для офлайн-распознавания речи на Android с выводом текста и пунктуации.

26скачиваний за 30 дней0лайковвеса обновлены3 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

Это версия NVIDIA Parakeet TDT 0.6B v3, подготовленная для запуска на Android через LiteRT/TFLite и используемая в приложении Recallina для голосовых заметок. Модель предназначена для полностью офлайн-распознавания речи на устройстве, без облачной обработки; README описывает исполнение на CPU с XNNPACK.

Модель распознаёт речь на 25 европейских языках, расставляет пунктуацию и восстанавливает заглавные буквы. Репозиторий содержит динамически квантованные модели TFLite с весами int8 и активациями float; энкодер разделён на три части для уменьшения объёма одновременно загружаемой памяти. Для распознавания требуется монофонический звук 16 кГц. В описанном тесте на 13 итальянских голосовых заметках длительностью пять минут показатель различий слов составил 16,1% относительно расшифровок Whisper large-v3; на Samsung Galaxy S21 обработка занимала около трети длительности аудио при четырёх потоках CPU.

Это конверсия модели nvidia/parakeet-tdt-0.6b-v3 через ONNX в LiteRT/TFLite. Лицензия — CC BY 4.0. Приведённая оценка качества основана на небольшой выборке итальянских записей, поэтому не характеризует точность для всех языков и условий записи; README также указывает, что модель медленнее реального времени в описанной конфигурации.

Сценарии применения

  • расшифровка голосовых заметок на Android без интернета
  • транскрибация итальянских аудиозаписей
  • распознавание речи на европейских языках непосредственно на устройстве

Ограничения

Оценка качества приведена для небольшой выборки из 13 итальянских голосовых заметок и не гарантирует аналогичную точность на других языках или аудиозаписях. В описанном тесте на Samsung Galaxy S21 распознавание выполнялось примерно втрое медленнее реального времени.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Parakeet TDT 0.6B v3 — LiteRT (TFLite) for Android, on-device

NVIDIA Parakeet TDT 0.6B v3 (25 European languages, punctuation and capitalization) converted to LiteRT / TFLite for fully offline transcription on Android phones, CPU only (XNNPACK). Used by the Recallina voice-notes app.

Converted from the ONNX export istupakov/parakeet-tdt-0.6b-v3-onnx.

Files (≈ 587 MB)

filewhat
enc_p1_drq.tfliteencoder: subsampling + layers 0–7 · in [1,128,1000] log-mel → out [1,125,1024]
enc_p2_drq.tfliteencoder layers 8–15 · [1,125,1024] → [1,125,1024]
enc_p3_drq.tfliteencoder layers 16–23 · [1,125,1024] → [1,1024,125]
pred_drq.tfliteprediction network (embedding + 2×LSTM 640 + joint projection) · signature tok[1] int32, h[2,640], c[2,640] → pred[1,640], h, c
joint_drq.tflitejoint network · f[1,1024], pred[1,640] → logits[1,8198] (8193 tokens + 5 TDT durations)
vocab.txtSentencePiece vocabulary (8193 tokens, last = blank)
mel_fb.binmel filterbank [257][128] float32 little-endian
manifest.jsonsizes and SHA-256

All models are dynamic-range quantized (int8 weights, float activations). The encoder is split in three parts so that only ~200 MB needs to be loaded at a time.

How to run

  • Audio: 16 kHz mono. Features as NeMo: pre-emphasis 0.97, reflect pad 256, symmetric Hann window of 400 samples centered in a 512-point FFT, hop 160, power spectrum × mel_fb, log(x + 2^-24), per-band normalization over the whole recording (mean, std with n−1, + 1e-5).
  • Encoder on fixed blocks of 1000 frames (10 s), overlapping by 200 frames: keep encoder frames [12, 112) of each block ([0, …) for the first, up to the valid length for the last).
  • Greedy TDT decoding: start with tok = blank (8192) and zero states; for each kept encoder frame take argmax over tokens and over the 5 durations, emit non-blank tokens (update states), advance by the predicted duration (at most 10 tokens per frame). ▁ = space.

Quality and speed

13 real Italian voice notes (5 min), word difference vs Whisper large-v3 transcripts: FP32 ONNX 16.9 % · this model 16.1 % · full int8 (weights + activations) 20.9 %. Samsung Galaxy S21 (Exynos 2100), 4 CPU threads at background priority: ≈ 1/3 of real time.

License

CC-BY-4.0, like the original model. Contains NVIDIA Parakeet TDT 0.6B v3 by NVIDIA, modified (converted to LiteRT, quantized, split). Attribution required in apps using it.

Как запустить

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

GPU в ailist

Универсальный рантайм · litert

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
54fb693

0 моделей