Audio8-ASR-0.1B

Audio8-ASR-0.1B to kompaktowy model ASR autoregresywny, którego komponent modelu językowego ma tylko 0.1B parametrów. Obsługuje wielojęzyczne rozpoznawanie mowy dla języków, w tym chińskiego, angielskiego, francuskiego, niemieckiego, japońskiego, koreańskiego i kantońskiego. Pozycjonujemy go jako jeden z najmniejszych użytecznych modeli ASR o wysokiej wydajności w erze LLM. To repozytorium bazowe zapewnia punkt kontrolny Hugging Face Transformers. Oferujemy również wydania skoncentrowane na wdrożeniu:

• Audio8-ASR-0.1B-onnx-runtime – Audio8-ASR-0.1B-iOS-ANE Wydanie ONNX Runtime jest zaprojektowane do wdrożenia na urządzeniach brzegowych i może działać z około 1.1 GB szczytowego zużycia pamięci, w zależności od urządzenia, konfiguracji czasu wykonania i obciążenia. Wydanie iOS jest zaprojektowane do lokalnej transkrypcji na iPhone'ie z około 200 MB szczytowego zużycia pamięci w czasie wykonania, w zależności od urządzenia, wersji iOS i obciążenia. Twoja przeglądarka nie obsługuje tagu wideo.

Zestaw oceniający	Zbiór danych / podział	Język	Metryka	Wynik (%)	H200 RTFx
Open ASR Leaderboard	AMI Cleaned	EN	WER	10.99	396.91
Open ASR Leaderboard	Earnings22	EN	WER	12.31	654.17
Open ASR Leaderboard	GigaSpeech Cleaned	EN	WER	8.48	641.19
Open ASR Leaderboard	LibriSpeech test.clean	EN	WER	2.70	687.84
Open ASR Leaderboard	LibriSpeech test.other	EN	WER	6.59	610.52
Open ASR Leaderboard	SPGISpeech	EN	WER	3.73	870.32
Open ASR Leaderboard	VoxPopuli Cleaned AA	EN	WER	4.39	686.14
Open ASR Leaderboard	Średnia siedmiu podziałów / kompozyt	EN	WER / RTFx	7.03	741.15
Wewnętrzna kanoniczna ocena ASR	WenetSpeech meeting	ZH	CER	8.842	–
Wewnętrzna kanoniczna ocena ASR	WenetSpeech net	ZH	CER	7.976	–

Wyniki Open ASR wykorzystują siedem aktualnych publicznych podziałów z hf-audio/open-asr-leaderboard w rewizji zbioru danych b6bdcd0beb34f8975dc659796176d88f43aff502. Zostały one zmierzone przy użyciu samodzielnego pakietu Transformers na znormalizowanych zadaniach H200 Hugging Face przy użyciu BF16, eager attention, greedy decoding, max_new_tokens=256 oraz udokumentowanego limitu audio 30 sekund. Rozmiary partii na każdy podział wynosiły 1152, 1024, 1408, 1024, 1024, 2048 i 628. Surowe manifesty są przechowywane w hf://buckets/AutoArk-AI/audio8-asr-open-asr-results, a odpowiadające wyniki w formacie maszynowym są dostarczane w .eval_results/open_asr_leaderboard.yaml.