К содержимому
Аудио

Omnilingual ASR 1B CTC (int8 ONNX)

распознавание речи для 1600+ языков

1 мин чтенияобновлено

Модель Omnilingual ASR 1B CTC от Meta, оптимизированная и экспортированная в формат int8 ONNX (формат для быстрого запуска моделей на различных устройствах) с помощью проекта sherpa-onnx. Она предназначена для автоматического распознавания речи (Automatic Speech Recognition) более чем на 1600 языках. Репозиторий содержит готовые веса и токенизатор для разработчиков. Подойдет для создания мультиязычных сервисов расшифровки аудио и создания субтитров.

Ключевые особенности

  • Поддерживает распознавание речи для более чем 1600 языков мира.
  • Представлена в формате int8 ONNX для эффективного инференса (процесса работы модели).
  • Разработана на основе архитектуры Meta Omnilingual ASR (1 миллиард параметров).
  • Распространяется под свободной лицензией Apache 2.0.

Что можно сделать

  • Интегрировать модель в приложения для автоматической расшифровки аудиозаписей.
  • Настроить обработку голосовых данных в офлайн-режиме с помощью экосистемы sherpa-onnx.
  • Использовать для анализа аудиодорожек и генерации субтитров в многоязычной среде.

Пример

Для запуска распознавания речи модель используется совместно с библиотекой sherpa-onnx в соответствии с документацией проекта.

ПодробнееБазовая модель: Omnilingual ASR 1B CTC (Meta)
Формат: int8 ONNX (экспорт k2-fsa / sherpa-onnx)
Размер файла модели: ~1.03 ГБ
Лицензия: Apache 2.0
Обсудить Telegram 0

Запустится ли?

Запустится в INT8

Влезает без сжатия.

  • INT8рекомендуемвеса 1.0 GB · готовые файлы1.6 GB
  • 4-bitвеса 0.5 GB1.1 GB

Совет: берите 8-bit.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: INT8 — 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.

    # rostrumstudios/speech-languages
    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 rostrumstudios/speech-languages --local-dir ~/models/speech-languages
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к speech-languages
  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 speech-languages — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

rostrumstudios/speech-languages
Автор
rostrumstudios
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии