Modellbevezetés

Mesterséges intelligenciával generált szöveg

Nyílt beszédfelismerő modellt tett közzé a Reson8 több mint 40 nyelvre

A Reson8 Apache 2.0 licenc alatt nyilvánosan elérhetővé tette a Rumble-2-Flash beszédfelismerő modellt.

Nyílt beszédfelismerő modellt tett közzé a Reson8 több mint 40 nyelvre

A Reson8 Apache 2.0 licenc alatt nyíltan elérhetővé tette a Rumble-2-Flash beszédfelismerő modellt. Az 500 millió paraméteres rendszer több mint 40 nyelvet támogat, automatikusan felismeri a beszélt nyelvet, és a vállalat közlése szerint nála jelentősen nagyobb modellekkel is versenyképes.

A felhasználók szabályozhatják többek között, hogy a számok számjegyekkel vagy szavakkal jelenjenek meg, illetve hogy a töltelékszavak és a szó szerinti ismétlések bekerüljenek-e az átiratba. A felismeréshez egy adott nyelv is megadható az automatikus nyelvfelismerés helyett.

Kisebb modell, nagyobb tanító

A Rumble-2-Flash a Qwen3-ASR architektúrájára épül, és natívan használható a Transformers és a vLLM keretrendszerekkel. A Reson8 szerint ehhez nincs szükség egyedi kódra vagy módosított futtatókörnyezetre.

A vállalat a nagyobb, üzemi használatra szánt Rumble-2 modell tudását úgynevezett on-policy desztillációval adta át a kisebb rendszernek. A kisebb modell maga készít átiratot a hangról, a tanítómodell pedig tokenenként ad visszajelzést arról, milyen folytatást tart valószínűnek. Így a tanuló a saját kimenetein és hibáin keresztül kap visszajelzést.

Az eljárást nehezítette, hogy a két modell eltérő tokenizálót használ. A GOLD módszer a szöveg eltérően felbontott tokenjeinek összevonásával teszi összehasonlíthatóvá a modellek kimenetét. A mindkét szókészletben szereplő tokeneket közvetlenül, a többit rendezett valószínűségeik alapján hasonlítja össze.

Mérési eredmények és sebesség

A Reson8 közlése szerint az Open ASR Leaderboard többnyelvű mérésén a Rumble-2-Flash átlagos hibaaránya 6,96% volt kilenc nyelven: kínaiul, németül, franciául, olaszul, spanyolul, portugálul, hindiül, hollandul és angolul. Ez a vállalat szerint jobb eredmény a Meta 7 milliárd paraméteres omniASR-LLM modelljénél és a Whisper large-v3-nál is. Az angol nyelvű mérésben a szóhibaarány 6,6% volt.

A feldolgozási sebesség a kötegek telítettségétől függ. A vállalat szerint a nagyobb tesztadatkészleteken, teljes kötegek mellett a modell 7000 feletti RTFx értéket ér el: ennek megfelelően egyórányi hang feldolgozása körülbelül fél másodpercet vesz igénybe.

Telefonhívásokon is tesztelték

A tömörített, zajos telefonhívások és az eltérő akcentusok külön kihívást jelentenek a beszédfelismerésben. Az AppTek ügyfélszolgálati tesztjén, amely 302 órányi segélyvonal-hívást és 14 angol akcentust tartalmazott, a Rumble-2-Flash 7,86%-os szóhibaarányt ért el az AppTek saját kiértékelő szkriptjével.

Ez közel állt a NVIDIA 30 milliárd paraméteres Nemotron 3.5 Transcribe modelljének 7,78%-os eredményéhez. A tesztben a Qwen3-ASR 0.6B 8,7%-ot, a Qwen3-ASR 1.7B pedig 7,4%-ot ért el; utóbbi volt az összehasonlítás egyetlen, a Rumble-2-Flashnél jobb eredményt elérő modellje.

A modell súlyai a Reson8/Rumble-2-Flash azonosító alatt érhetők el, és a rendszer a vállalat API-ján keresztül is használható.