qnguyen3/QUAN-Transcribe-1.0
QUAN-Transcribe-1.0 SOTA Fast Vietnamese speech recognition, offline and streaming, built on top of Google's EmbeddingGemma 2(https://huggingface.co/google/embeddinggemma-2). - Trained in ~3 hours on 8×H100. - ~3,700× faster than real time on a sing...
Thành tựu nổi bật
Những danh hiệu mới nhất của dự án
#1 Repository Của Ngày
#2 Repository Của Ngày
#3 Repository Của Ngày
🚀 QUAN-Transcribe-1.0: Nhận dạng giọng nói tiếng Việt siêu nhanh, chuẩn SOTA
Mô hình nhận dạng giọng nói tiếng Việt nhanh nhất từng xuất hiện - 3.700× thời gian thực trên một GPU H100 duy nhất!
QUAN-Transcribe-1.0 là một mô hình nhận dạng giọng nói (ASR) tiếng Việt đạt chuẩn SOTA, vừa hỗ trợ chạy ngoại tuyến (offline) vừa hỗ trợ chế độ streaming, được xây dựng dựa trên nền tảng Google EmbeddingGemma 2. Dự án được huấn luyện chỉ trong khoảng 3 tiếng trên 8 GPU H100, cho ra kết quả vượt trội về cả tốc độ và độ chính xác.
✨ Điểm nổi bật
- Tốc độ ánh mạnh: Chạy 3.700× nhanh hơn thời gian thực trên một GPU H100
- Streaming thời gian thực: Hỗ trợ giải mã trong chế độ streaming với khối lượng 0.48 giây
- Huấn luyện nhanh chóng: Chỉ mất ~3 tiếng trên 8× H100
- Độ chính xác cao: WER trung bình 6.87%, dẫn đầu so với các mô hình khác
- Hỗ trợ offline và streaming: Cùng một bộ trọng số, giải mã với ngữ cảnh đầy đủ hoặc theo kiểu streaming
- Giữ nguyên kiểu dữ liệu: Xuất ra tiếng Việt viết thường, không dấu câu, số được viết dưới dạng chữ
💡 Vì sao đáng chú ý
QUAN-Transcribe-1.0 khác biệt từ các mô hình truyền thống nhờ kiến trúc không sử dụng bộ giải mã autoregressive, giúp tăng tốc đáng kể mà vẫn duy trì độ chính xác cao. Mô hình sử dụng encoder âm thanh EmbeddingGemma 2 (kiểu USM conformer) kết hợp với một bộ đọc transformer 6 tầng (d=768) được huấn luyện bằng CTC, tối ưu hóa cho cả hiệu suất và tốc độ xử lý.
Với khả năng hỗ trợ cả chế độ offline và streaming, cùng tốc độ xử lý vượt trội, QUAN-Transcribe-1.0 phù hợp cho các ứng dụng như hệ thống nhận dạng giọng nói thời gian thực, hỗ trợ truy cập cho người khuyết tật, hoặc các hệ thống AI đòi hỏi phản hồi nhanh.
#VietnameseASR #SpeechRecognition #OpenSource #HuggingFace #TiniX
Similar Projects
Discover other similar projects and AI models.
Whisper Whisper is a state-of-the-art model for automatic speech recognition (ASR) and speech translation, proposed in the paper Robust Speech Recognition via Large-Scale Weak Supervision(https://huggingface.co/papers/2212.04356) by Alec Radford et...
Whisper Whisper is a state-of-the-art model for automatic speech recognition (ASR) and speech translation, proposed in the paper Robust Speech Recognition via Large-Scale Weak Supervision(https://huggingface.co/papers/2212.04356) by Alec Radford et...
Using this open-source model in production? Consider switching to pyannoteAI(https://www.pyannote.ai) for better and faster options. 🎹 Speaker diarization 3.1 This pipeline is the same as pyannote/speaker-diarization-3.0(https://hf.co/pyannote/speak...
Whisper Whisper is a pre-trained model for automatic speech recognition (ASR) and speech translation. Trained on 680k hours of labelled data, Whisper models demonstrate a strong ability to generalise to many datasets and domains without the need for...
VibeVoice-ASR !GitHub(https://img.shields.io/badge/GitHub-Repo-black?logo=github)(https://github.com/microsoft/VibeVoice) !Live Playground(https://img.shields.io/badge/Live-Playground-green?logo=gradio)(https://aka.ms/vibevoice-asr) !Technical Repor...
Nemotron 3.5 ASR h1, h2, h3, h4, h5, h6 { color: 76b900; / NVIDIA green / font-weight: 700; } hr { border: none; border-top: 1px solid e5e7eb; margin: 2rem 0; } / Improve list spacing / ul, ol { margin-top: 0.5rem; margin-bottom: 0.5rem; } / Badge a...
Whisper Whisper is a pre-trained model for automatic speech recognition (ASR) and speech translation. Trained on 680k hours of labelled data, Whisper models demonstrate a strong ability to generalise to many datasets and domains without the need for...
Cohere Transcribe Cohere Transcribe is an open source release of a 2B parameter dedicated audio-in, text-out automatic speech recognition (ASR) model. The model supports 14 languages. Developed by: Cohere(https://cohere.com) and Cohere Labs(https://...
SeamlessM4T v2 SeamlessM4T is our foundational all-in-one Massively Multilingual and Multimodal Machine Translation model delivering high-quality translation for speech and text in nearly 100 languages. SeamlessM4T models support the tasks of: - Spe...