Fleet-2
30-мегабайтная модель для распознавания речи на устройстве
2 min readupdated
Компактная on-device модель от автора Lucasgitguy-co для перевода речи в текст (ASR) на 8 языках: английском, немецком, французском, испанском, итальянском, нидерландском, польском и корейском. Она построена на архитектуре Cactus Whistle, весит всего 30 МБ и представляет собой доработанную версию Fleet-1, обученную методом дистилляции на транскрипциях от openai/whisper-large-v3-turbo. По сравнению с первой версией модель получила новые обучающие данные (VoxPopuli и Zeroth-Korean) и улучшила распознавание немецкого, французского, польского и корейского языков, хотя на остальных языках метрики остались на прежнем уровне или слегка просели. Подойдёт разработчикам мобильных и локальных приложений, которым нужно офлайн-распознавание коротких голосовых команд без тяжёлых зависимостей вроде Transformers.
Ключевые особенности
- Сверхмалый вес 30 МБ: квантована в формат W4/A8 (4 бита на веса, 8 бит на активации) и рассчитана на быстрый запуск прямо на устройстве через движок Cactus.
- 8 языков с автоопределением: поддерживает EN, DE, FR, ES, IT, NL, PL и KO, автоматически определяя язык аудиофрагмента.
- Дистилляция от Whisper-large-v3-turbo: училась на отфильтрованных расшифровках крупной модели-учителя (4326 коротких клипов до 12 секунд из FLEURS, VoxPopuli и Zeroth-Korean).
- Открытая лицензия Apache 2.0: в репозитории также приложены манифест данных, скрипты обучения и полные таблицы замеров.
Что можно сделать
- Встроить локальный голосовой ввод или транскрибацию коротких заметок в офлайн-приложение на базе
cactus-compute. - Использовать как лёгкий модуль распознавания речи на CPU (включая Apple Silicon) для голосовых интерфейсов на европейских и корейском языках.
Пример
import cactus
from huggingface_hub import hf_hub_download
path = hf_hub_download("Lucasgitguy-co/Fleet-2", "whistle.cact")
print(cactus.transcribe("clip.wav", weights=path)["text"])
Подробнее
Метрики на FLEURS (100 клипов на язык, ниже — лучше): EN — 14.50% WER, DE — 22.02% WER, FR — 24.93% WER, ES — 11.93% WER, IT — 16.66% WER, NL — 30.06% WER, PL — 41.62% WER, KO — 42.80% CER (против 52.35% у Fleet-1).Требования и формат: на вход принимается моно WAV 16 кГц, требуется библиотека
cactus-compute (ревизия ee2ffc67fe0f9537d4928e158440c7d228a63100); с обычным Hugging Face Transformers несовместима.Ограничения: тестировалась только на коротких записях до 12 секунд; точность на длинных, шумных или диалоговых аудио не проверялась.
Обучение: LoRA-адаптер с расширенным корейским словарём обучался 2 эпохи (8652 шага, выбран чекпоинт 2163) с QAT (W4/A8) на CPU Apple M4.










Comments