Tiny-Malaysian-STT-Transducer
ультралёгкое распознавание речи со скоростью 49x на одном ядре CPU
2 мин чтенияобновлено
Компактная модель для автоматического распознавания речи (STT) от компании Scicom-intl, весящая всего 48.7 МБ. Она понимает малайский, английский, севернокитайский (Mandarin) и тамильский языки, а также умеет обрабатывать плавные переключения между ними в одной фразе. Модель построена с нуля на архитектуре Zipformer с трансдьюсер-головой (40.4M параметров, 8-битные веса) и работает через движок sherpa-onnx без видеокарты. На выходе получается готовый текст с заглавными буквами, знаками препинания и отформатированными телефонными номерами.
Ключевые особенности
- Высокая скорость на CPU: на одном процессорном ядре обрабатывает 49 секунд аудио за 1 секунду реального времени (RTF 0.021).
- Мультиязычность и code-switching: поддерживает 4 языка и их смешивание внутри одного аудиофрагмента длиной до 30 секунд.
- Устойчивость к плохой связи: обучалась с аугментациями телефонных линий, поэтому уверенно распознаёт узкополосные звонки и сжатые кодеки (G.711, GSM, Opus, MP3).
- Точность выше учителя: на бенчмарке Revolab ASR-Benchmark-Public показала WER 10.3%, обойдя своего «учителя» — серверную модель Whisper large-v3 (10.7%).
Что можно сделать
- Аналитика колл-центров: развернуть офлайн-транскрибацию телефонных записей на недорогих CPU-серверах без аренды GPU.
- Локальный голосовой ввод: встроить распознавание речи в мобильные или десктопные приложения с жёсткими ограничениями по памяти.
- Пайплайны обработки диалогов: использовать в связке с детектором голосовой активности (VAD) для нарезки и расшифровки длинных записей по репликам.
Пример
import sherpa_onnx, soundfile as sf
from huggingface_hub import snapshot_download
d = snapshot_download("Scicom-intl/Tiny-Malaysian-STT-Transducer", allow_patterns=["*.int8.onnx", "tokens.txt"])
rec = sherpa_onnx.OfflineRecognizer.from_transducer(
encoder=f"{d}/encoder.int8.onnx", decoder=f"{d}/decoder.int8.onnx", joiner=f"{d}/joiner.int8.onnx", tokens=f"{d}/tokens.txt", num_threads=1)
samples, rate = sf.read("clip.wav", dtype="float32", always_2d=True)
stream = rec.create_stream(); stream.accept_waveform(rate, samples[:, 0]); rec.decode_stream(stream)
print(stream.result.text)
Подробнее
Метрики версии b-v3: Malaysian benchmark WER 10.3%, FLEURS Malay WER 12.4%, FLEURS English WER 21.4%, Common Voice 22 Tamil WER 8.4%, FLEURS Mandarin CER 34.9%.Требования: 1 поток CPU, 48.7 МБ на диске, частота дискретизации любая (автоматически ресемплируется в 16 кГц).
Ограничения: не поддерживает потоковый (streaming) режим, принимает клипы до ~30 секунд, не возвращает тег распознанного языка.
Обучение: 40.4M параметров, обучена с нуля на 90 000 часов аудио (основная часть размечена файнтюном Whisper large-v3).










Комментарии