Skip to content
Audio

LES-eg2-665M-asr-en

распознавание речи поверх замороженной EmbeddingGemma 2

2 min readupdated

Модель превращает английскую речь в текст, используя замороженную (с неизменными весами) мультимодальную модель google/embeddinggemma-2 и обученный поверх неё лёгкий модуль-ридер на 88M параметров. В отличие от классических ASR-систем, здесь аудиовекторы напрямую сопоставляются с текстовыми эмбеддингами (векторными представлениями) из таблицы на 407 736 слов в общем пространстве. Благодаря этому можно без переобучения добавлять новые термины, полностью менять словарь под узкие команды и за один проход получать и расшифровку, и эмбеддинги аудио для поиска. Решение подойдёт разработчикам голосовых интерфейсов, систем поиска по записям и коммерческих продуктов на базе Hugging Face transformers.

Ключевые особенности

  • Управление словарём без дообучения: методы add_words() и set_vocabulary() позволяют расширять лексикон или ограничить вывод строго заданным списком слов и команд.
  • Общее пространство эмбеддингов: при транскрибации (return_embedding=True) или отдельно через embed_audio() модель возвращает оригинальные 768-мерные векторы EmbeddingGemma 2 (с поддержкой Matryoshka-размерностей 512, 256 и 128).
  • Три режима декодирования: быстрый greedy, поиск по лучу с 4-граммной языковой моделью (beam) и переранжирование 32 лучших гипотез (rerank, +6.44M параметров).
  • Детальная выдача для своих пайплайнов: поддерживает пословные таймкоды с оценкой уверенности, список из 32 лучших вариантов и покадровых кандидатов слов.
  • Коммерческая чистота: обучена только на данных с разрешительными лицензиями (без GigaSpeech, SPGISpeech, TED-LIUM и Fisher) и распространяется под Apache License 2.0.

Что можно сделать

  • Голосовое управление по строгому словарю: задать через set_vocabulary(["turn", "left", "right", "stop"]) фиксированный набор команд, чтобы распознаватель выбирал слова только из него.
  • Текстовый поиск по аудиоархиву: извлечь эмбеддинги записей через embed_audio() и искать нужные фрагменты текстовыми запросами через embed_text() по косинусному сходству.
  • Транскрибация с редкой лексикой: добавить имена собственные, бренды и отраслевые термины через add_words() и сохранить кастомную таблицу слов локально через save_pretrained().

Пример

import soundfile as sf
from transformers import AutoModel

model = AutoModel.from_pretrained("Mer0vin8ian/LES-eg2-665M-asr-en", trust_remote_code=True).to("cuda").eval()
audio, sr = sf.read("speech.flac", dtype="float32")

res = model.transcribe(audio, sampling_rate=sr, decoder="rerank", return_timestamps=True)
print(res["text"])
ПодробнееКачество: WER 1.74% (greedy), 1.61% (beam + n-gram LM) и 1.58% (rerank) на LibriSpeech test-clean; средний WER по 8 англоязычным тестам — 6.60% в режиме rerank (против 6.70% у whisper-large-v3).
Архитектура: замороженная аудио-языковая конфигурация EmbeddingGemma 2 (576.6M, без vision-энкодера) + обученный ридер (88M); итого 664.6M параметров при инференсе (671.1M с reranker).
Аудио и длинные записи: любая частота дискретизации приводится к 16 кГц; записи длиннее 40 с обрабатываются окнами по 28 с с перекрытием от 4 с.
Ограничения: поддерживает только английский язык; при установке кастомного словаря речь вне списка сопоставляется с ближайшими словами из таблицы или пропускается.
Примеры
Discuss Telegram 0 48

Will it run?

Runs in F32

Fits without quantisation.

  • F32weights 0.3 GB · ready files0.9 GB
  • BF16weights 0.2 GB0.7 GB
  • FP8 / INT8recommendedweights 0.1 GB0.6 GB
  • 4-bitweights 0.0 GB0.6 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · F32 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # Mer0vin8ian/LES-eg2-665M-asr-en
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download Mer0vin8ian/LES-eg2-665M-asr-en --local-dir ~/models/LES-eg2-665M-asr-en
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to LES-eg2-665M-asr-en
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of embeddinggemma-2 (quants, finetunes, LoRAs) will show up under the bell.

Quantised versions 12All on Hugging Face
Fine-tunes 12All on Hugging Face

About the model

Mer0vin8ian/LES-eg2-665M-asr-en
Author
Mer0vin8ian
Category
Audio
Released
Posted

On NeyroLearn

Hugging Face

480

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments

Language models

munku

munku