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.










Комментарии