/ Модель

Характеристики

Лицензия
CC BY 4.0
Архитектура
parakeet_tdt · dense
Базовая модель
parakeet-tdt-0.6b-v3
Библиотека
transformers
Опубликована
1 окт 2026

parakeet-tdt-0.6b-v3-he

Распознавание речиАудио → текст

Дообученная модель Parakeet TDT для преобразования речи на иврите в текст.

292скачиваний за 30 дней3лайкавеса обновлены4 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

Parakeet-TDT-0.6B-v3-he — модель распознавания речи на иврите, созданная автором репозитория на основе nvidia/parakeet-tdt-0.6b-v3. Это дообученная модель семейства Parakeet TDT с архитектурой FastConformer и примерно 0,6 млрд параметров; она принимает аудио и преобразует речь в текст. Для работы требуется монофоническое аудио с частотой 16 кГц. В репозитории доступны веса Safetensors и квантованный GGUF Q8_0; GGUF предназначен, в частности, для NeMo-Speech.cpp.

Модель подходит для транскрибации разговоров, голосовых сообщений и других записей на иврите. На тестовых наборах ivrit.ai её WER составил 6,1% для eval-d1 и 8,8% для eval-whatsapp; меньший показатель лучше. Лицензия — CC BY 4.0.

Модель рассчитана на иврит: английские слова могут распознаваться как написанные буквами иврита. Она хуже справляется с редкими именами, числами, латинскими терминами и энциклопедическим текстом; числа может записывать словами или цифрами непоследовательно.

Сценарии применения

  • транскрибация телефонных разговоров на иврите
  • распознавание речи в голосовых сообщениях на иврите
  • расшифровка аудиозаписей на иврите
  • создание текстовых расшифровок ивритоязычных интервью

Ограничения

Модель ориентирована на иврит: английские слова может выводить буквами иврита. На редких именах, числах, латинских терминах и энциклопедическом тексте качество ниже; запись чисел словами или цифрами непоследовательна.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

parakeet-tdt-0.6b-v3-he

Hebrew speech recognition, fine-tuned from nvidia/parakeet-tdt-0.6b-v3.

Usage

pip install "transformers>=5.18" torch librosa
import librosa
from transformers import AutoModelForTDT, AutoProcessor

repo = "thewh1teagle/parakeet-tdt-0.6b-v3-he"
processor = AutoProcessor.from_pretrained(repo)
model = AutoModelForTDT.from_pretrained(repo)

audio, _ = librosa.load("audio.wav", sr=16000, mono=True)
inputs = processor(audio, sampling_rate=16000, return_tensors="pt")
out = model.generate(**inputs)
print(processor.batch_decode(out.sequences, skip_special_tokens=True)[0])

Also included: parakeet-tdt-0.6b-v3-he.q8_0.gguf for NeMo-Speech.cpp. For the Vibe transcription app, use vibe-app/parakeet-tdt-0.6b-v3-he-gguf.

Results

WER (%, lower is better) on ivrit.ai's human-transcribed test sets, scored with the leaderboard normalization. Other models' numbers are from the leaderboard.

Modeleval-d1 ↓eval-whatsapp ↓
Soniox4.89.0
ivrit-ai/whisper-large-v3-turbo5.37.1
🦜 parakeet-tdt-0.6b-v3-he (this model)6.18.8
Amazon Transcribe6.610.4
Deepgram nova-36.712.0
OpenAI gpt-4o-transcribe7.312.6
openai/whisper-large-v3-turbo8.412.8
openai/whisper-large-v39.813.2

Limitations

  • Hebrew only: English words come out in Hebrew letters.
  • Weaker on read encyclopedic text (FLEURS: 76.8 vs ~82 for the best models): rare names, numbers, Latin terms.
  • Numbers are written as words or digits inconsistently.

Fine-tuning & training notes

The .nemo includes the extended tokenizer — load it and train as usual, no change_vocabulary().

from nemo.collections.asr.models import ASRModel
model = ASRModel.from_pretrained("thewh1teagle/parakeet-tdt-0.6b-v3-he")
# then NeMo's standard ASR fine-tuning (manifest: audio_filepath, text, duration)
  • Audio 16 kHz mono; normalize text like training: strip nikud and bidi marks, geresh/gershayim → '/".
  • Low LR (~1e-5 – 3e-5), short warmup, bf16, ~600 s of audio per optimizer step (use grad accumulation).
  • Set decoding.greedy.use_cuda_graph_decoder: false for in-training validation — otherwise it decodes with stale weights and shows empty output.
  • Extend the tokenizer, don't replace it. Train a Hebrew BPE on ~250 h of normalized transcripts, then append its new pieces after v3's 8,192 — old ids and merges stay intact (vocab 9,206):

    spm.SentencePieceTrainer.train(
        sentence_iterator=iter(texts), model_prefix="heb_1024", model_type="bpe",
        vocab_size=1024, character_coverage=1.0,              # every Hebrew letter its own piece
        normalization_rule_name="nmt_nfkc", split_digits=True,  # match v3
        byte_fallback=False, unk_id=0, bos_id=-1, eos_id=-1, pad_id=-1,
    )
    # append its NORMAL pieces not already in v3, scored below every v3 piece (keeps BPE merge order)
    
  • Keep every pretrained weight. change_vocabulary() re-initializes the whole decoder and joint; copy every old weight back by token id (prediction LSTM, joint hidden layers, old token rows, blank and TDT duration rows). Only the new rows start fresh: prediction-embedding and joint-output rows at the mean of the old rows (+1% noise), joint bias at the mean old bias.

  • 10× LR on decoder + joint (2e-3 vs 2e-4 encoder). New rows start identical and Adam moves them ~lr per step, so at a normal LR they stay indistinguishable for thousands of steps — the long "empty output" phase. With 10× it ends in ~100 steps. Keep warmup short.

  • Data: ~9k h of ivrit.ai audio pseudo-labeled with ivrit-ai/whisper-large-v3-turbo, filtered with compression_ratio ≤ 2.2, one pass, duration-bucketed batches.

  • More detail: NeMo #14140.

License

CC-BY-4.0. Base model by NVIDIA (CC-BY-4.0). Trained on Hebrew audio from ivrit.ai (license), labeled with ivrit-ai/whisper-large-v3-turbo.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
ParakeetForTDT
Ревизия весов
0037204

0 моделей