Phonon-2: Reconocimiento de voz abierto y ultraligero
Modelo de transcripción de audio a texto en inglés de Fermion Research. Con solo 164 MB, ofrece alta precisión para desarrolladores que buscan eficiencia en dispositivos locales y servidores.
Phonon-2 es el modelo de reconocimiento de voz abierto más preciso con menos de 900 MB. Almacena los pesos del codificador en aproximadamente 2,1 bits, logrando un error medio del 5,21 % en siete conjuntos de prueba públicos. Su rendimiento supera al de modelos mucho más grandes en tareas de reuniones y discurso parlamentario.
El modelo es compatible con macOS, Linux, Windows y GPUs de NVIDIA. En un MacBook Air, transcribe una hora de audio en unos 20 segundos. Los pesos se distribuyen bajo la licencia CC-BY-4.0, y el modelo deriva de Parakeet TDT 0.6B v3 de NVIDIA. La implementación optimiza el uso de recursos mediante cuantización ternaria y ejecución en GPU o CPU con soporte para AVX-512 y NEON.
Su principal limitación es que solo transcribe inglés.
