К содержимому
Аудио

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)
ПодробнееМетрики 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).
Примеры
Обсудить Telegram 0

Запустится ли?

Запустится в INT8

Влезает без сжатия.

  • INT8рекомендуемвеса 0.0 GB · готовые файлы0.5 GB
  • 4-bitвеса 0.0 GB0.5 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.

    # Scicom-intl/Tiny-Malaysian-STT-Transducer
    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 Scicom-intl/Tiny-Malaysian-STT-Transducer --local-dir ~/models/Tiny-Malaysian-STT-Transducer
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Tiny-Malaysian-STT-Transducer
  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 Tiny-Malaysian-STT-Transducer — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Scicom-intl/Tiny-Malaysian-STT-Transducer
Автор
Scicom-intl
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

Аудио

Fleet-2

Fleet-2