К содержимому
Другое

Citrinet 256 English

лёгкая STT-модель от NVIDIA в форматах MLX и ONNX

2 мин чтенияобновлено

Компактная модель распознавания английской речи (Speech-to-Text), изначально обученная компанией NVIDIA и сконвертированная для удобного запуска на разных платформах. Репозиторий представляет собой зеркало версии 2.0.0 из реестра проекта Storyteller и включает готовые веса как для универсального движка ONNX, так и для MLX (фреймворка машинного обучения от Apple для процессоров Apple Silicon). Решение подойдёт разработчикам приложений, которым нужна быстрая локальная транскрибация аудио на Mac или кроссплатформенных устройствах без лишних зависимостей.

Ключевые особенности

  • Двойной формат поставки: в репозитории сразу доступны папки mlx (веса в model.safetensors) и onnx (model.onnx).
  • Встроенная предобработка аудио: в ONNX-версию вшит mel-фронтенд, поэтому модель сама вычисляет спектрограмму из подготовленного аудиосигнала.
  • База от NVIDIA: основана на оригинальной модели stt_en_citrinet_256_gamma_0_25, сконвертированной из экспорта OpenVoiceOS.
  • Полный комплект файлов: обе версии снабжены конфигурацией config.json, словарём vocab.txt и токенизатором SentencePiece (tokenizer.spm).

Что можно сделать

  • Встроить локальное распознавание английской речи в macOS- или iOS-приложения через библиотеку mlx-audio.
  • Использовать ONNX-версию для быстрой транскрибации голосовых команд в офлайн-ассистентах вроде OpenVoiceOS.
  • Интегрировать модель в сервис автоматической синхронизации аудиокниг и текста (как это делает платформа Storyteller).

Пример

Модель устанавливается автоматически через утилиту ghost-story в экосистеме Storyteller либо загружается напрямую из подпапок mlx или onnx для подачи предварительно обработанного аудиосигнала и получения текстовой расшифровки.

ПодробнееОригинальная модель: NVIDIA stt_en_citrinet_256_gamma_0_25 (лицензия CC-BY-4.0)
Ревизия исходного экспорта OpenVoiceOS: 3362d8d46028
Также в релизе доступны более крупные варианты: citrinet512-en и citrinet1024-en
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / 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: FP8 / INT8 — от RTX 2060 · BF16 — 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.

    # storyteller-platform/citrinet256-en
    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 storyteller-platform/citrinet256-en --local-dir ~/models/citrinet256-en
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к citrinet256-en
  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 citrinet256-en — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

storyteller-platform/citrinet256-en
Автор
storyteller-platform
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

Tracera

Tracera