Rumble-2-Flash je nový otevřený model pro rozpoznávání řeči, který podporuje více než 40 jazyků. Má půl miliardy parametrů, automaticky rozpoznává jazyk a umožňuje nastavit podobu výsledného přepisu. Váhy jsou dostupné pod licencí Apache 2.0.
Jak lze řídit přepis
Uživatel může určit, zda se mají čísla zapisovat číslicemi, nebo slovy. Nastavení dovoluje také zachovat výplňová slova a doslovná opakování či vynutit konkrétní jazyk místo automatického rozpoznání.
Jako vstup lze předat lokální cestu k audiu, URL nebo pole NumPy. Model přijímá i seznam těchto vstupů.
Výsledky ve vícejazyčném a telefonním testu
Ve vícejazyčné části Open ASR Leaderboard dosáhl model podle autorů průměrné chybovosti 6,96 % napříč devíti uvedenými jazyky. Překonal tím Meta omniASR-LLM 7B i Whisper large-v3; model společnosti Meta je podle autorů patnáctkrát větší. V anglické části žebříčku činila průměrná slovní chybovost Rumble-2-Flash 6,6 %.
Autoři zveřejnili také srovnání v telefonním benchmarku AppTeku, který zahrnoval 302 hodin hovorů na linky pomoci, v nichž zaznělo 14 anglických přízvuků. Při vyhodnocení skriptem AppTeku dosáhl Rumble-2-Flash slovní chybovosti 7,86 %, zatímco NVIDIA Nemotron 3.5 Transcribe s 30 miliardami parametrů měl 7,78 %.
Ve stejném testu byla chybovost Rumble-2-Flash podle autorů nižší než 8,7 % u Qwen3-ASR 0.6B, ale vyšší než 7,4 % u Qwen3-ASR 1.7B.
Rychlost závisí na dávkách
Propustnost závisí na tom, jak jsou dávky zaplněné. Na větších sadách Open ASR Leaderboard dosahuje model při plných dávkách podle autorů více než 7 000 RTFx, což odpovídá zpracování hodiny audia přibližně za půl sekundy.
Menší model vznikl destilací
Rumble-2-Flash používá architekturu Qwen3-ASR. Podle autorů vznikl destilací většího produkčního modelu Rumble-2: menší model sám přepisuje audio a učitelský model hodnotí jeho výstup po jednotlivých tokenech, tedy částech textu. Student se tak učí ze svých vlastních chyb.
Oba modely používají odlišné tokenizéry. Autoři uvádějí, že jim rozdíl pomohla překlenout metoda GOLD: tam, kde tokenizéry dělí text různě, slučuje tokeny. Společné tokeny následně porovnává přímo a ostatní podle seřazených pravděpodobností.
Dostupnost a spuštění
Váhy jsou dostupné v repozitáři Reson8/Rumble-2-Flash na Hugging Face Hubu a model lze použít také prostřednictvím API autorů. Běží v knihovnách Transformers a vLLM bez upraveného běhového prostředí či parametru trust_remote_code.



