Rumble-2-Flash: компактная модель распознавания речи для 40+ языков

Представлена Rumble-2-Flash — модель распознавания речи с 0.5 млрд параметров, открытая под Apache 2.0. Она поддерживает автоматическое определение языка и работает быстрее многих крупных аналогов.
Особенности модели
Rumble-2-Flash создана на базе архитектуры Qwen3-ASR и поддерживает более 40 языков, включая сложные для распознавания. Модель автоматически определяет язык аудио и предлагает гибкие настройки вывода — например, можно выбирать, как отображать числа (цифрами или словами), включать или исключать заполнители и повторы. Это делает её удобной для различных сценариев использования.
Производительность и точность
Несмотря на компактный размер — всего 0.5 млрд параметров, — Rumble-2-Flash показывает точность распознавания, сопоставимую с моделями в 3-60 раз больше. На международном треке Open ASR Leaderboard она демонстрирует среднюю ошибку около 7%, превосходя крупные модели от Meta и Whisper. Для английского языка WER (словоошибочный коэффициент) составляет примерно 6.6%.
Скорость работы и реальные условия
Модель способна обрабатывать аудиозаписи с высокой скоростью — час записи распознаётся примерно за полсекунды при полной загрузке. На тестах с реальными телефонными звонками, включающими 14 английских акцентов и 302 часа записи, Rumble-2-Flash достигает WER около 7.86%, что сопоставимо с результатами NVIDIA Nemotron 3.5 Transcribe, моделью в 60 раз больше по размеру.
Технические детали и доступность
Rumble-2-Flash создана с помощью метода on-policy distillation, где компактная модель учится на собственных ошибках, получая обратную связь от более крупной "учительской" модели. Это позволяет сохранять высокую точность при уменьшении размера. Модель интегрирована с популярными библиотеками Transformers и vLLM, что делает её легко внедряемой без дополнительных настроек. Весы и код доступны под лицензией Apache 2.0.
Что это даёт бизнесу и контенту
Компактность и скорость Rumble-2-Flash позволяют использовать её на устройствах с ограниченными ресурсами и в приложениях, где важна оперативность. Поддержка более 40 языков и автоматическое определение языка упрощают работу с международным аудиоконтентом. Гибкие настройки вывода помогают адаптировать распознавание под конкретные задачи, например, для транскрипции звонков или субтитров. Для предпринимателей и маркетологов это может означать более доступные и быстрые решения для анализа голосовых данных без необходимости в мощных серверах.
Источники
- Hugging Face — Rumble-2-Flash: an open 0.5B speech model for 40+ languages (проверено 18 ноября 2026)
Частые вопросы
Модель поддерживает более 40 языков, включая основные европейские, азиатские и индийские языки.
При полной загрузке она может распознавать час аудио примерно за полсекунды.
Короткие новости про ИИ-генерации и ссылки на полные разборы — в канале vostorg.ai. На сайте всегда можно открыть статью целиком.
Что прочитать дальше
Google DeepMind выпустила Gemini 4 Neon — модель, которая быстро и точно справляется с комплексными задачами в программировании, аналитике и науке. Она показывает топовые результаты в ряде отраслевых бенчмарков и доступна в Google AI Studio и других сервисах.
Яндекс запустил новую версию Алисы AI, ориентированную на бизнес. Ассистент умеет анализировать документы, создавать задачи и работать с внутренними инструкциями компании.
