К содержимому
Аудио

Vaani-3 ASR

компактное распознавание речи с анализом эмоций и намерений

2 мин чтения

Модель от команды sorika-labs переводит устную речь в готовый отформатированный текст и параллельно определяет эмоции, тон, настроение, намерение и срочность звонящего за один проход. В основе лежит гибридная архитектура на 0.46B параметров: акустический энкодер (блок обработки звука) от Qwen/Qwen3-ASR-1.7B объединён с текстовым декодером google/gemma-3-270m и отдельным модулем классификации. В отличие от обычных ASR-моделей, она сразу расставляет знаки препинания, форматирует числа, даты и валюты (ITN — обратная нормализация текста) и работает без предварительного указания языка при смешении речи. Пригодится разработчикам голосовых ботов, колл-центров и edge-устройств, работающих с английским и 12 языками Индии.

Ключевые особенности

  • Двойной результат за одно прослушивание: помимо транскрибации возвращает структурированный JSON с оценкой тона, эмоций, сентимента, цели звонка и срочности.
  • Сверхкомпактность и скорость: вес 0.46B параметров обеспечивает обработку от 8.1x быстрее реального времени на Raspberry Pi 5 до 62.1x на NVIDIA A100.
  • Поддержка 12 индийских языков и английского: уверенно распознаёт спонтанную речь и code-switching (переключение между хинди и английским внутри фразы).
  • Готовые квантованные версии: доступны сборки GGUF (от 283.5 МБ в Q4_0) и ONNX INT8 (150 МБ) для запуска на слабом железе и в мобильных приложениях.

Что можно сделать

  • Автоматизировать аналитику колл-центров: расшифровывать записи разговоров и сразу маршрутизировать срочные или негативные обращения без запуска второй NLP-модели.
  • Встроить в офлайн-ассистентов: запустить Q4_0 или ONNX-версию на ноутбуках, смартфонах или одноплатниках вроде Raspberry Pi 5 с потреблением от ~300–460 МБ памяти.
  • Обрабатывать длинные аудиозаписи: нативная длина генерации увеличена до 4 096+ токенов (настраивается через max_new_tokens), что удобно для длинных голосовых фрагментов.

Пример

import torch
from transformers import AutoModel

device = "cuda" if torch.cuda.is_available() else "cpu"
model = AutoModel.from_pretrained("sorika-labs/vaani-3-asr", trust_remote_code=True, torch_dtype=torch.float32).to(device).eval()
transcript = model.transcribe("sample.wav", language="hi", max_new_tokens=4096)
print("Transcript:", transcript)
Подробнее Метрики качества (WER — доля ошибок в словах, чем ниже, тем лучше): AI4Bharat Kathbath (Hindi) — 3.4%, AI4Bharat Lahaja (Hindi) — 8.8%, средний результат по 12 языкам на Google FLEURS — 12.7%.
Задержка на 10 секундах речи: 161 мс на NVIDIA A100 (BF16), 198 мс на RTX 4090 (FP16), 510 мс на Apple M2/M3 (GGUF Q4_0), 1240 мс на Raspberry Pi 5.
Поддерживаемые языки: английский, хинди, бенгальский, маратхи, телугу, тамильский, гуджарати, каннада, малаялам, панджаби, ассамский, ория.
Лицензия: Apache 2.0 и Gemma Terms of Use.
Обсудить Telegram 0 2

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

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.

    # sorika-labs/vaani-3-asr
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 sorika-labs/vaani-3-asr --local-dir ~/models/vaani-3-asr
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к vaani-3-asr
  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 vaani-3-asr — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

sorika-labs/vaani-3-asr
Автор
sorika-labs
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

20

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

Gemma 4 E4B

Gemma 4 E4B