ChengRang
EN

Rumble-2-Flash 新增

AI 音频音乐 开源

Reson8 2026/11/18 以 Apache 2.0 开源的 0.5B 语音识别模型,基于 Qwen3-ASR 架构,用在线策略蒸馏从生产版 Rumble-2 迁移能力:Open ASR 多语言平均错误率 6.96%、英文 6.6%,AppTek 呼叫中心基准 7.86%,7000 以上 RTFx,一小时音频约半秒转完;40 多种语言自动检测,Transformers 与 vLLM 原生支持,权重可下载自托管

Reson8 语音识别 开源 小模型 多语言 低延迟
访问 Rumble-2-Flash 官网

免责声明:测评内容仅代表编辑个人观点和使用体验,不构成任何商业推荐或投资建议。产品信息和价格可能随时变动,请以官方最新信息为准。

产品简介

Rumble-2-Flash 是 Reson8 在 2026 年 11 月 18 日开源的语音识别模型,Apache 2.0 许可,0.5B 参数,架构沿用 Qwen3-ASR。发布当天就能在 Transformers 与 vLLM 里原生跑起来,不需要自定义代码,也不需要 trust_remote_code。

它的做法是在线策略蒸馏。教师是生产版 Rumble-2,学生自己先把音频转写出来,教师再对每个位置给出自己的下一个 token 概率分布,学生去对齐这个分布。这样纠正的是学生自己犯的错,而不是让它模仿一个分词方式不同的模型。分词器不一致的问题用 GOLD 处理:把师生之间切分不同的 token 合并,比较共有的 token 与排序后的概率。

成绩分两块看。Open ASR Leaderboard 的多语言赛道覆盖中文、德语、法语、意大利语、西班牙语、葡萄牙语、印地语、荷兰语与英语,平均错误率 6.96%,英文赛道 6.6%。同一张表里 Meta omniASR-LLM 7B 的体积是它的 15 倍,Whisper large-v3 也在对比之列,官方自己的说法是它在跟体积大 3 到 60 倍的模型竞争。

第二块是呼叫中心,这一块更能说明问题。AppTek 的基准用 302 小时热线通话、14 种英语口音,按 AppTek 自有脚本计分:Rumble-2-Flash 是 7.86%,NVIDIA Nemotron 3.5 Transcribe 30B 是 7.78%,Qwen3-ASR 0.6B 是 8.7%,Qwen3-ASR 1.7B 的 7.4% 是表里最好的一行。电话音质是语音识别最难的一类输入,它在这个场景落在 30B 级模型的同一水位上,体积差了约两个数量级。

速度是 7000 以上 RTFx,官方换算成一小时音频约 0.5 秒处理完。这个数字的前提是批次填满,比如 Open ASR Leaderboard 里那些较大的数据集;批次填不满时吞吐会往下掉,自己压测时要注意这一点。

工程面比较省事。Transformers 与 vLLM 都是原生支持,device_map 设成 auto 就能分配设备。输出侧可以控制数字写成阿拉伯数字还是文字、是否保留填充词、是否保留逐字重复,也能强制指定识别语言。音频输入支持本地路径、URL、NumPy 数组,还可以一次传一个列表做批处理。多语言场景默认自动检测语种,40 多种语言在覆盖范围内。

边界也要说清楚。博客没有给显存或内存要求,也没有写训练数据的构成与时长,所以能不能跑在手机上这类问题它没有正面回答。X 上有转述说模型 1GB、支持 45 种语言、可以在手机本地离线转录,博客自己的口径是 40 多种语言,体积未提。两个来源对不上,本页按博客写。

适合谁用。需要在本地或私有环境跑转写、要批量处理长音频、或者做呼叫中心质检与会议记录的团队,0.5B 这个尺寸意味着单张消费级卡甚至 CPU 都能摆平,Apache 2.0 也省掉了商用授权的沟通成本。如果只是偶尔转几段录音,用现成 API 更省事。

核心功能

适合谁用

以下类型的用户会特别受益于 Rumble-2-Flash:

优点亮点

价格与方案

权重以 Apache 2.0 在 Hugging Face 发布,下载与商用不收费,实际成本就是推理硬件与运维。0.5B 的体量意味着单张消费级显卡或 CPU 推理都能成立,批量转写时成本主要落在电力与机器折旧上。官方另有一个托管入口 reson8.dev,按 API 调用计费,适合不想自己维护服务、或者只需要偶尔转写的场景。打算长期跑量大任务时,自托管的边际成本通常更低;调用量零散时,托管 API 省掉运维更划算。具体价格以官方页面为准。

总结与建议

Rumble-2-Flash 把语音识别压到 0.5B,同时把电话音质这类难场景的错误率维持在 30B 级模型附近。多语言平均 6.96%,英文 6.6%,呼叫中心基准 7.86%,7000 以上 RTFx,Apache 2.0 可商用,Transformers 与 vLLM 原生支持。它的价值不在刷新榜单,而在于让私有部署、长音频批处理和产品内嵌转写这三件事的成本降了一个数量级。需要注意的是官方没有公布内存要求与训练数据构成,手机离线运行这类说法目前只有第三方转述,没有一手依据。

版本演进

分类
AI 音频音乐
价格
开源
标签
Reson8 · 语音识别 · 开源