К содержимому
Аудио

Nemotron 3.5 ASR Streaming 0.6B (CoreML)

быстрое распознавание речи для Apple Silicon

2 мин чтенияобновлено

Готовая сборка потоковой модели распознавания речи (ASR) от NVIDIA, переведённая в формат CoreML для локальной работы на чипах Apple Silicon через Apple Neural Engine (ANE — встроенный нейропроцессор в чипах Apple). За основу взята архитектура Conformer + RNN-T на 0.6 млрд параметров. В отличие от тяжеловесных серверных решений, эта версия квантована без переобучения и сразу скомпилирована в .mlmodelc для мгновенного запуска на iOS 17+ и macOS 14+. Пригодится iOS/macOS-разработчикам, которым нужна офлайн-транскрибация в реальном времени.

Ключевые особенности

  • Два варианта словаря: облегчённый latin (2828 токенов для en, es, fr, it, pt, de) и полный multilingual (13 087 токенов для китайского, японского и ещё более 100 языков через prompt_id).
  • Четыре режима задержки: бандлы под чанки 0.56 с, 1 с, 2 с и 4 с позволяют балансировать между скоростью отклика и пропускной способностью (по умолчанию рекомендуется 2 с).
  • Смешанное квантование без потери точности: крайние слои энкодера сжаты в INT8, а средние — в 6 бит, что уменьшило размер энкодера примерно на 55% по сравнению с FP16.
  • Фиксы для M2 и M3: в репозиторий добавлены варианты энкодера (encoder-v2 и разделённый encoder-split), которые корректно компилируются на Neural Engine чипов M2/M3 без падения на CPU.

Что можно сделать

  • Офлайн-субтитры и диктофоны на iPhone и Mac: встроить скомпилированные бандлы в мобильное или десктопное приложение через библиотеку FluidAudio для мгновенной расшифровки речи без интернета.
  • Голосовые ассистенты и локальные агенты: использовать тир 1 с (для европейских языков) или 2 с (для мультиязычного режима) как быстрый входной модуль распознавания голоса на MacBook.
  • Пакетная расшифровка длинных записей: подключить бандл на 4 с для офлайн-транскрибации лекций и интервью на высокой скорости.

Пример

fluidaudiocli nemotron-multilingual-transcribe \
    --input audio.wav \
    --model-dir latin/2240ms \
    --language de-DE
Подробнее • Скорость на Apple M5 Pro (чанк 2 с): 130–150 RTFx для латиницы (WER 4.80%–9.83% на FLEURS) и 80–89 RTFx для мультиязычной версии; на LibriSpeech test-clean для английского — 120 RTFx при WER 3.67%.
• Полнословарная версия (multilingual) чувствительна к размеру чанка: на 0.56 с и 1 с скорость для CJK падает до 21–27 RTFx, поэтому для неё стоит брать режим 2 с.
• Совместимость: iOS 17+ / macOS 14+, распространяется под коммерческой лицензией OpenMDW-1.1 (доступ к репозиторию выдаётся по запросу в Discord автора).
Обсудить Telegram 0 21

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.5 GB · готовые файлы1.1 GB
  • FP8 / INT8рекомендуемвеса 0.3 GB0.8 GB
  • 4-bitвеса 0.1 GB0.7 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 · BF16 — 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.

    # mustafagunes/nemotron-coreml
    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 mustafagunes/nemotron-coreml --local-dir ~/models/nemotron-coreml
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к nemotron-coreml
  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

Новые посты про версии nemotron-3.5-asr-streaming-0.6b — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 1Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

mustafagunes/nemotron-coreml
Автор
mustafagunes
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

210

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Изображения

SD 1.5 CoreML

SD 1.5 CoreML