К содержимому
Аудио

LES-eg2-665M-asr-en

распознавание речи поверх замороженной EmbeddingGemma 2

2 мин чтенияобновлено

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
Обсудить Telegram 0 48

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.3 GB · готовые файлы0.9 GB
  • BF16веса 0.2 GB0.7 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 GB
  • 4-bitвеса 0.0 GB0.6 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: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

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.

    # 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
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к LES-eg2-665M-asr-en
  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

Дообучение модели

google/embeddinggemma-2

Новые посты про версии embeddinggemma-2 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face

О модели

Mer0vin8ian/LES-eg2-665M-asr-en
Автор
Mer0vin8ian
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

480

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

munku

munku