Parakeet TDT 0.6B v3

0.6B v3 · Rodzina: Parakeet

Wielojęzyczny model ASR od NVIDIA (600 mln parametrów, FastConformer-TDT) transkrybujący mowę w 25 językach europejskich z automatycznym wykrywaniem języka.

✓ Aktywny✓ Publiczny dostęp⚖ Open weightsModel audio📁 Parakeet

Parametry

0.6B (600M)

parametrów

Data premiery

14 sierpnia 2025

🏢NVIDIAProducent

Dostęp:DownloadHostedWdrożenie:💻 Lokalnie☁ Cloud

Przegląd

Parakeet TDT 0.6B v3 to wielojęzyczny model automatycznego rozpoznawania mowy (ASR) o 600 milionach parametrów, opracowany przez NVIDIA i udostępniony w sierpniu 2025 roku. Model rozszerza poprzednika parakeet-tdt-0.6b-v2 z języka angielskiego na 25 języków europejskich, automatycznie wykrywając język nagrania bez dodatkowych instrukcji.

Architektura łączy enkoder FastConformer z dekoderem Token-and-Duration Transducer (TDT). Model dodaje automatyczną interpunkcję i wielkie litery, generuje znaczniki czasu na poziomie słów i segmentów oraz obsługuje długie nagrania — do 24 minut z pełną uwagą (na GPU A100 80GB) lub do 3 godzin z uwagą lokalną. Wejściem jest monofoniczny dźwięk 16 kHz (.wav, .flac), wyjściem tekst.

Model wytrenowano na połączeniu podzbioru ASR zbioru Granary (ok. 660 000 godzin danych pseudo-etykietowanych) oraz wewnętrznego zbioru NeMo ASR Set 3.0 (ok. 10 000 godzin danych transkrybowanych przez ludzi). Jest częścią rodziny Parakeet w ramach zestawu narzędzi NVIDIA NeMo i udostępniony na licencji CC BY 4.0 do zastosowań komercyjnych i niekomercyjnych.

Klasyfikacja

Model audio

Rodzina: Parakeet

Dostęp i wdrożenie

PobieranieHostowane

LokalnieChmura

Wagi: Open weights

Kluczowe parametry

🧩 Parametry: 0.6B (600M)

✓ Fine-tuning

📥 Wejście: audio

Specyfikacja techniczna

Parametry

0.6B (600M)

parametrów

Licencja

CC-BY-4.0

Wymagania sprzętowe

Zoptymalizowany pod akceleratory GPU NVIDIA (CUDA). Transkrypcja długich nagrań do 24 minut z pełną uwagą wymaga GPU A100 80GB; dostępny kwantyzowany wariant GGUF (q8_0) do lekkiej inferencji lokalnej przez NeMo-Speech.cpp.

Funkcje:✓ Fine-tuning

Modalności

⬇ Wejście (Input)

audio

⬆ Wyjście (Output)

text

Wyniki benchmarków

10 benchmarków

LibriSpeech test-clean (WER)

WER · test, English

1.93%