/ Модель

Характеристики

Лицензия
CC BY 4.0
Базовая модель
typhoon-asr-realtime
Опубликована
3 сен 2026

typhoon-asr-realtime-nemo-ctc

Распознавание речиАудио → текст

Компактная CTC-модель Typhoon AI для потокового распознавания тайской речи, поиска ключевых слов и получения временных меток.

205скачиваний за 30 дней1лайквеса обновлены8 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

typhoon-asr-realtime-nemo-ctc — модель распознавания тайской речи от Typhoon AI, построенная на стандартных компонентах NeMo и основанная на typhoon-ai/typhoon-asr-realtime. Это CTC-модель с 135 млн параметров: кодировщик Conformer включает 17 замороженных слоёв базовой модели и 4 дополнительно обученных слоя, а декодер использует BPE-токенизатор на 2048 единиц. Для обучения использовано около 10 800 часов тайской речи из GigaSpeech2-th.

Модель предназначена для транскрибации речи, в том числе в потоковом режиме, а её покадровые CTC-оценки позволяют находить ключевые слова, применять контекстное смещение и получать временные метки. README приводит результаты CER 8,54% на тесте GigaSpeech2 и 13,46% на TVSpeech; качество распознавания уступает более крупным моделям из сравнения, но модель компактнее и поддерживает списки ключевых слов без указанного ограничения по размеру. Весы распространяются по лицензии CC BY 4.0.

Сценарии применения

  • транскрибация тайской речи из аудиозаписей
  • потоковое распознавание речи в реальном времени
  • поиск заданных ключевых слов в аудиопотоке
  • распознавание имён и терминов с контекстным смещением
  • получение временных меток для распознанной речи

Ограничения

В приведённых тестах CER выше, чем у более крупных моделей из сравнения; на TVSpeech вне обучающего домена CER составляет 13,46%.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

typhoon-asr-realtime-nemo-ctc

A Thai CTC model built entirely from standard NeMo classes built on typhoon-ai/typhoon-asr-realtime: EncDecCTCModelBPE whose ConformerEncoder carries the frozen 17 RT layers plus 4 newly trained layers (26M trainable) and a ConvASRDecoder over the RT BPE-2048 tokenizer. Loads with restore_from anywhere NeMo is installed; using only standard NeMo modules keeps the usual NeMo/Riva/TensorRT export paths.

Results

Plain transcription (CER%, same protocol: gigaspeech2 bench in-domain / TVSpeech out-of-domain 30-s talk-show):

modelparamsgigaspeech2 CER ↓TVSpeech CER ↓
typhoon-asr-realtime-nemo-ctc (greedy CTC)135M8.5413.46
typhoon-asr-realtime (RNN-T)109M6.899.92
typhoon-whisper-medium769M4.817.66
typhoon-asr-qwen-1.7b-ctx2.07B4.866.87
Qwen3-ASR-1.7B (original)2.07B6.0910.63
Qwen3-ASR-0.6B (original)0.80B8.2011.45
typhoon-whisper-large-v31.55B4.696.32
nectec/Pathumma-whisper-th-large-v31.55B5.8410.36
biodatlab/whisper-th-large-v3-combined1.55B15.78†14.91

† dominated by 3 repetition-loop utterances; excluding them: 8.39.

Read this model's CER in role: it trades a few CER points against the larger autoregressive decoders for frame-level CTC posteriors — the thing that enables keyword spotting, word boosting, and timestamps below — while adding only 26M parameters on top of the typhoon-asr-realtime encoder.

Trained on ~10,800 hours of Thai speech (GigaSpeech2-th); see the Typhoon ASR Real-time technical report.

Contextual biasing — vs every route we measured

Same benchmark (wayu-ai/thai-contextasr-bench), same frozen scorer. Cells = CER% ↓ / entity recall ↑. Whisper models take the list as a decoder prompt (zero-shot); typhoon-asr-qwen-1.7b-ctx is a LoRA fine-tuned for biasing; this model spots and splices at decode time (word_boost.py, τ=−2).

typhoon-asr-realtime-nemo-ctctyphoon-asr-qwen-1.7b-ctxtyphoon-whisper-mediumtyphoon-whisper-large-v3nectec/Pathumma-whisper-th-large-v3biodatlab/whisper-th-large-v3-combinedQwen3-ASR-1.7B (original)
params135M2.07B769M1.55B1.55B1.55B2.07B
none (baseline)9.56 / .1585.11 / .4417.05 / .3834.83 / .4595.23 / .4165.68 / .4825.25 / .396
bias@0 (gold)5.97 / .8523.39 / .7544.92 / .658N/A3.40 / .8236.37 / .8424.48 / .644
bias@107.07 / .8494.02 / .7178.09 / .597N/A6.01 / .7728.72 / .7835.97 / .603
bias@507.51 / .8394.30 / .640N/AN/AN/AN/A6.71 / .522
bias@50011.12 / .7574.98 / .483N/AN/AN/AN/A5.87 / .413
distractor false alarms ↓.003–.006≤.0004.003—.0003.0033.0125

N/A: typhoon-whisper's prompt pathway collapses on any list (echo loops, CER 200+ — erased by its prompt-free fine-tune); the fine-tuned medium and Pathumma/Thonburian cannot take lists beyond ~10–15 entries because Whisper's 448-token decoder window is shared between the prompt and the transcript. This model and typhoon-asr-qwen-1.7b-ctx have no list-size limit; only they remain standing past bias@10 — and this model's recall stays flat (.85 → .76 from 0 to 500 distractors) where every other route either dies or decays.

Recall and CER vs bias-list size: this model stays flat where whisper routes hit the prompt-window limit at N=10 and typhoon-qwen decays

Rule of thumb: pick this model when entity recall, list-size robustness, compute, or streaming matter — it finds more of your keywords at ~1/15 the size with zero biasing training. Pick typhoon-asr-qwen-1.7b-ctx when absolute CER and tolerance to huge dirty lists matter most. They also compose: typhoon-qwen writes the transcript, this model supplies keyword hits and timestamps from one cheap encoder pass.

Usage

from nemo.collections.asr.models import EncDecCTCModelBPE
m = EncDecCTCModelBPE.restore_from("typhoon-asr-realtime-nemo-ctc.nemo")
print(m.transcribe(["clip.wav"])[0].text)

Keyword spotting on the CTC posteriors (bundled kws_spot.py):

python kws_spot.py --model typhoon-asr-realtime-nemo-ctc.nemo \
    --audio clip.wav --keywords "วโรรส,เฟซบุ๊ก"

Word boosting (bundled word_boost.py — spot then splice into the transcript, threshold --tau):

python word_boost.py --model typhoon-asr-realtime-nemo-ctc.nemo \
    --audio clip.wav --keywords "วโรรส,เฟซบุ๊ก" --tau -1.5

On thai-contextasr-bench (gold list): CER 9.56 → 5.97 with entity recall .158 → .852 at tau −2 (FA .003); tau −1.5 balanced (recall .758, FA .0014). Keep lists curated (≤50 entries) at aggressive tau.

Reference

Typhoon ASR: see the Typhoon ASR Real-time technical report.

License & attribution

CC-BY-4.0 — this checkpoint embeds encoder weights of typhoon-ai/typhoon-asr-realtime (CC-BY-4.0) verbatim; attribution to the Typhoon team is required. Newly trained layers and bundled scripts follow the same license.

Acknowledgements

We thank Kunat Pipatanakul and Potsawee Manakul (wayu-ai) for their valuable feedback.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели NVIDIA NeMo требуют отдельного рантайма.

Ревизия весов
d941acc

0 моделей