К содержимому
Аудио

Ishiki-ASR-0.5

распознавание английской речи на базе NVIDIA Nemotron

2 мин чтенияобновлено

Ishiki-ASR-0.5 — модель автоматического распознавания речи (ASR) от Ishiki Labs Inc., созданная на основе nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B. Она принимает аудиозаписи на английском языке и возвращает точный текстовый транскрипт. При общем объёме 33.7B параметров модель показывает низкий процент ошибок (WER) на коротких аудиофрагментах, включая сложные акценты и шумные записи. Пригодится разработчикам систем транскрибации, голосовых ассистентов и инструментов аналитики звонков.

Ключевые особенности

  • Построена на базе NVIDIA-Nemotron-3.5-Transcribe-30B-A4B и насчитывает 33.7B параметров.
  • Средний уровень ошибок (Mean WER) на 10 публичных датасетах Open ASR Leaderboard составляет 3.18%.
  • Уверенно справляется с разными доменами и акцентами: от чистых аудиокниг LibriSpeech (0.58% WER) до индийского английского в Voice Arena Monsoon (2.34% WER).
  • При обучении и оптимизации не использовались тестовые наборы из Open ASR Leaderboard.

Что можно сделать

  • Встроить в пайплайн расшифровки подкастов, выступлений и финансовых отчётов на английском языке.
  • Использовать для транскрибации звонков и встреч с разными акцентами спикеров и фоновым шумом.
  • Запустить локально через библиотеку transformers в формате bfloat16 для офлайн-обработки аудио.

Пример

import soundfile as sf, torch
from transformers import AutoProcessor, Nemotron3_5TranscribeForConditionalGeneration

model_id = "ishiki-labs/ishiki-asr-0.5"
processor = AutoProcessor.from_pretrained(model_id)
model = Nemotron3_5TranscribeForConditionalGeneration.from_pretrained(model_id, dtype=torch.bfloat16, device_map="cuda:0").eval()
wav, sr = sf.read("sample.wav", dtype="float32")
inputs = processor.apply_transcription_request([wav]).to("cuda:0")
print(processor.batch_decode(model.generate(**inputs, max_new_tokens=220)[:, inputs.input_ids.shape[1]:], skip_special_tokens=True)[0])
Подробнее Бенчмарки (WER): LibriSpeech test-clean — 0.58%, VoxPopuli — 0.90%, TED-LIUM — 1.83%, Common Voice (en) — 3.75%, Mean WER (10 датасетов) — 3.18%.
Параметры и железо: 33.7B параметров, в примере запуска используется GPU (cuda:0) и точность bfloat16.
Ограничения и лицензия: модель ориентирована на английский язык (short-form) и распространяется по лицензии NVIDIA Open Model License Agreement (OpenMDW-1.1).
Обсудить Telegram 0 51

Запустится ли?

Запустится в 4-bit

Полная точность не влезет, но сжатая версия поместится — качество почти не страдает до 8 бит, заметнее на 4 битах.

  • BF16веса 64 GB · готовые файлы70 GB
  • FP8 / INT8рекомендуемвеса 32 GB35 GB
  • 4-bitвеса 18 GB20 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: В домашние видеокарты не поместится — выгоднее арендовать.

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # ishiki-labs/ishiki-asr-0.5
    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 ishiki-labs/ishiki-asr-0.5 --local-dir ~/models/ishiki-asr-0.5
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к ishiki-asr-0.5
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

  1. NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16основа семьи
  2. NVIDIA-Nemotron-3.5-Transcribe-30B-A4B
  3. ishiki-asr-0.5

Новые посты про версии NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 2Все на Hugging Face

О модели

ishiki-labs/ishiki-asr-0.5
Автор
ishiki-labs
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

510

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Аудио

omniASR-CTC-3B

omniASR-CTC-3B
Аудио

Prakriti v1

Prakriti v1