К содержимому
Аудио

Zipformer-65M-vi-en

двуязычное распознавание вьетнамской и английской речи

2 мин чтения

Офлайн-модель для автоматического распознавания речи (ASR) на вьетнамском и английском языках, обученная с нуля без опоры на готовые предобученные чекпоинты. В основе лежит архитектура Zipformer2 transducer (RNN-T) на базе фреймворков icefall, k2 и lhotse, а итоговый вес около 80,9 млн параметров делает её компактной. На выходе модель выдаёт текст с поддержкой заглавных букв благодаря специальному токену в BPE-словаре. Подойдёт разработчикам, которым нужно локальное распознавание смешанной вьетнамско-английской речи с возможностью инференса через sherpa-onnx.

Ключевые особенности

  • Обучена полностью с нуля (случайная инициализация) в четыре этапа: базовое обучение и три последовательных дообучения.
  • Компактный размер — 80 931 511 параметров при архитектуре Zipformer2 transducer без вспомогательных CTC- и attention-голов.
  • Токенизатор SentencePiece BPE на 8 000 токенов включает специальный токен для кодирования заглавных букв.
  • Совместима с экспортом в ONNX и запуском через sherpa-onnx (в репозитории лежат чекпоинт, модель токенизатора и таблица токенов).

Что можно сделать

  • Развернуть локальную офлайн-транскрибацию аудиофайлов на вьетнамском и английском языках через sherpa-onnx.
  • Использовать чекпоинт model.pt как базовую модель для дальнейшего дообучения (fine-tuning) под свой домен в icefall.
  • Встроить в голосовые сервисы или ассистенты, где пользователи переключаются между вьетнамским и английским в рамках одной фразы.

Пример

hf download ZAIC26/Zipformer-65M-vi-en model.pt bpe.model tokens.txt \
  --local-dir base_models/Zipformer-65M-vi-en
ПодробнееВход: 80-мерные признаки fbank, моно-аудио с частотой дискретизации 16 кГц.
Режим работы: только офлайн (non-streaming), без потокового распознавания в реальном времени.
Чекпоинт model.pt получен усреднением последних 20 эпох финального этапа обучения (эпохи 6–25).
Метрики качества (WER/CER) в карточке модели не приведены.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.3 GB · готовые файлы0.8 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB0.7 GB
  • 4-bitвеса 0.1 GB0.6 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.

    # ZAIC26/Zipformer-65M-vi-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 ZAIC26/Zipformer-65M-vi-en --local-dir ~/models/Zipformer-65M-vi-en
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Zipformer-65M-vi-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 Zipformer-65M-vi-en — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 1Все на Hugging Face

О модели

ZAIC26/Zipformer-65M-vi-en
Автор
ZAIC26
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

AIAMD

AIAMD