К содержимому
Аудио

Naavil Pro speech model

облегчённая ASR-модель для английского и языков Индии

2 мин чтенияобновлено

Naavil Pro speech model — это копия модели распознавания речи (ASR) bodhan-ai/indic-transcribe-flex на 1.22B параметров, переведённая из формата float32 в float16. Она переводит в текст аудиозаписи на английском и 26 индийских языках, а её энкодер построен на базе Canary-1B-v2 от NVIDIA. В отличие от оригинала весом 4.9 ГБ, который требует авторизации на Hugging Face перед скачиванием, эта версия весит 2.4 ГБ и доступна напрямую без токена. Релиз подготовлен проектом Naavil для однократной загрузки в приложении офлайн-диктовки.

Ключевые особенности

  • Сжатие в float16: все тензоры float32 в model.safetensors переведены в float16 с проверкой конечности значений, остальные файлы оставлены без изменений.
  • Широкая языковая база: поддержка английского языка и 26 языков Индии, включая хинди, бенгальский, тамильский, телугу, маратхи и урду.
  • Доступ без авторизации: модель открыта для прямой загрузки приложением без аккаунта и токена Hugging Face.
  • Контроль целостности: в репозитории приведены контрольные суммы SHA256 и файл manifest.json для проверки каждого компонента.

Что можно сделать

  • Встроить в десктопные или мобильные приложения для офлайн-диктовки и локальной транскрибации речи без отправки аудио в облако.
  • Использовать для распознавания мультиязычной речи на английском и индийских языках с экономией видеопамяти и места на диске по сравнению с float32-версией.

Пример

shasum -a 256 model.safetensors                     # macOS / Linux
certutil -hashfile model.safetensors SHA256         # Windows
ПодробнееБазовая модель: bodhan-ai/indic-transcribe-flex (энкодер на базе nvidia/canary-1b-v2)
Размер: 1.22B параметров, общий вес файлов около 2.45 ГБ (вместо 4.89 ГБ у оригинала)
Лицензия: Indic Open Model License v1.0 (разрешено коммерческое и некоммерческое использование, запуск публичного API требует письменного согласия Bodhan AI)
Оригинальная документация и бенчмарки сохранены в файле upstream/README.md внутри репозитория
Обсудить Telegram 0 24

Запустится ли?

Запустится в F16

Влезает без сжатия.

  • F16веса 2.3 GB · готовые файлы3.0 GB
  • FP8 / INT8рекомендуемвеса 1.1 GB1.8 GB
  • 4-bitвеса 0.6 GB1.2 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 · F16 — 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.

    # Rosasynthesiz/naavil-pro-speech
    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 Rosasynthesiz/naavil-pro-speech --local-dir ~/models/naavil-pro-speech
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к naavil-pro-speech
  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

bodhan-ai/indic-transcribe-flex
  1. canary-1b-v2основа семьи
  2. indic-transcribe-flex
  3. naavil-pro-speech

Новые посты про версии canary-1b-v2 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Rosasynthesiz/naavil-pro-speech
Автор
Rosasynthesiz
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

240

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии