/ Модель

Характеристики

Лицензия
CC BY-SA 4.0
Архитектура
nemotron_asr · dense
Базовая модель
nemotron-3.5-asr-streaming-0.6b
Библиотека
nemo
Опубликована
2 июл 2026

nemotron-3.5-asr-streaming-slovenian

Распознавание речиАудио → текст5 профессий

Потоковая модель распознавания словенской речи в реальном времени, включая спонтанную речь, с запуском через NeMo на GPU или parakeet.cpp на CPU.

243скачиваний за 30 дней3лайкавеса обновлены14 сен 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

Модель texdata/nemotron-3.5-asr-streaming-slovenian разработана MediaAtlas на основе NVIDIA Nemotron-3.5 ASR Streaming 0.6B. Это потоковая модель распознавания речи на архитектуре FastConformer-CacheAware RNNT; базовая модель насчитывает 638 млн параметров. Она предназначена для низколатентной транскрибации словенской речи, включая чтение и спонтанную разговорную речь. Модель можно запускать на GPU через NeMo или на CPU через parakeet.cpp, используя поставляемые контрольную точку NeMo и файл GGUF с квантизацией q8_0.

В README приведены результаты на отложенных тестовых наборах: WER 25,07% для Common Voice, 23,42% для многодоменного ARTUR и 21,66% для парламентской спонтанной речи ARTUR. Авторы отмечают компромисс: модель рассчитана на потоковую работу и спонтанную речь, тогда как сравниваемая непотоковая модель точнее на чистой прочитанной речи. Лицензия — CC BY-SA 4.0.

Сценарии применения

  • потоковая транскрибация словенской речи
  • распознавание словенской речи в реальном времени на CPU
  • транскрибация спонтанной разговорной речи на словенском
  • распознавание выступлений и парламентских заседаний на словенском

Ограничения

На чистой прочитанной речи точность ниже, чем у указанной в README непотоковой модели parakeet-tdt; приведённые для разных систем показатели Common Voice получены на слегка различающихся тестовых наборах. WER на опубликованных тестах составляет примерно 22–33%.

Для каких профессий подходит5

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

Slovenian streaming ASR — Nemotron-3.5 fine-tune (v3)

Trained by MediaAtlas — LLM fine-tuning on your own data, trained in the EU, weights delivered. Pricing · All our models

nvidia/nemotron-3.5-asr-streaming-0.6b (FastConformer-CacheAware RNNT, 638M) fine-tuned for Slovenian on ARTUR (858 h) + Common Voice — a low-latency streaming model that works across read and spontaneous speech. Runs on GPU via NeMo or on CPU via parakeet.cpp (GGUF).

Results (WER, normalized, held-out)

Test setWER
Common Voice sl25.07%
ARTUR multi-domain23.42%
ARTUR parliamentary (spontaneous)21.66%
FLEURS sl33.07%

Comparison — vs yuriyvnv/parakeet-tdt-0.6b-slovenian

Different design goals; honest numbers (normalized WER):

Test setThis model (streaming)parakeet-tdt-0.6b-slovenian (non-streaming)
FLEURS sl33.07%17.74%
Common Voice sl25.07%8.81%
ARTUR parliamentary (spontaneous)21.66%not reported
  • parakeet-tdt is better on clean read speech — stronger non-streaming base (parakeet-tdt-0.6b-v3), trained on read data (Common Voice + synthetic TTS).
  • This model is a streaming (real-time, low-latency, CPU-deployable) model trained on 858 h ARTUR + Common Voice, so it stays robust on spontaneous/conversational speech (parliamentary ~22%) — a domain read-only models don't target. (CV test differs slightly: CV26 here vs CV17 there.)

Pick by use case: read-speech accuracy → parakeet-tdt; real-time streaming + spontaneous speech → this model.

Files

  • nemotron_sl.nemo — NeMo checkpoint (GPU inference / further fine-tuning)
  • asr_sl_v3.gguf (q8_0) — parakeet.cpp CPU inference

How to run

# CPU, streaming, via parakeet.cpp — use lang tag sl-SI, 16 kHz mono
parakeet-cli --model asr_sl_v3.gguf --lang sl-SI audio.wav
# GPU via NeMo
from nemo.collections.asr.models import ASRModel
m = ASRModel.restore_from("nemotron_sl.nemo")
m.transcribe(["audio.wav"])   # 16 kHz mono; manifest lang/target_lang = "sl-SI"

License & data provenance

Released CC BY-SA 4.0 (to honor the ARTUR ShareAlike terms).

InputLicense
Base nvidia/nemotron-3.5-asr-streaming-0.6bOpenMDW-1.1 (retain NOTICE)
ARTUR 1.0 (CLARIN.SI, 858 h)CC BY-SA 4.0 (attribution + ShareAlike)
Common Voice slCC0

Credit CLARIN.SI (ARTUR: hdl.handle.net/11356/1776 audio, /11356/1772 transcriptions), NVIDIA, and Mozilla Common Voice.

Citation

Cite this work (Tadej Fius, MediaAtlas Ltd):

@misc{fius2026asr,
  title        = {Nemotron-3.5 Slovenian Streaming ASR},
  author       = {Fius, Tadej},
  year         = {2026},
  publisher    = {MediaAtlas Ltd},
  howpublished = {Hugging Face},
  url          = {https://huggingface.co/texdata/nemotron-3.5-asr-streaming-slovenian}
}

Upstream / source citations:

@misc{nemotron_asr, title={Nemotron-3.5 ASR Streaming 0.6B (FastConformer-CacheAware RNNT)}, author={{NVIDIA}}, url={https://huggingface.co/nvidia/nemotron-3.5-asr-streaming-0.6b}}
@article{kuchaiev2019nemo, title={NeMo: a toolkit for building AI applications using Neural Modules}, author={Kuchaiev, O. and others}, journal={arXiv:1909.09577}, year={2019}}
@misc{artur, title={ARTUR: Speech Database of Slovene}, author={{CLARIN.SI}}, note={audio hdl:11356/1776, transcriptions hdl:11356/1772}, url={http://hdl.handle.net/11356/1776}}

Base under OpenMDW-1.1 (retain NOTICE). Data: ARTUR (CLARIN.SI); credit NVIDIA + CLARIN.SI.

Как запустить

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

GPU в ailist

Универсальный рантайм · nemo

Нельзя запустить

Модели NVIDIA NeMo требуют отдельного рантайма.

Класс архитектуры
EncDecRNNTBPEModelWithPrompt
Ревизия весов
f7fbbac

0 моделей