Rumble-2-Flash ist ein neues offenes Spracherkennungsmodell, das mehr als 40 Sprachen unterstützt. Es verfügt über eine halbe Milliarde Parameter, erkennt die Sprache automatisch und erlaubt Einstellungen für das fertige Transkript. Die Modellgewichte stehen unter der Lizenz Apache 2.0 zur Verfügung.
Wie sich die Transkription steuern lässt
Nutzer können festlegen, ob Zahlen als Ziffern oder als Wörter erscheinen sollen. Zudem lassen sich Füllwörter und wörtliche Wiederholungen beibehalten oder eine bestimmte Sprache statt der automatischen Erkennung vorgeben.
Als Eingabe dienen ein lokaler Pfad zu einer Audiodatei, eine URL oder ein NumPy-Array. Das Modell akzeptiert auch eine Liste solcher Eingaben.
Testergebnisse für mehrere Sprachen und Telefonate
Im mehrsprachigen Teil des Open ASR Leaderboard erreichte das Modell nach Angaben der Autoren eine durchschnittliche Fehlerrate von 6,96 Prozent über neun aufgeführte Sprachen hinweg. Es schnitt damit besser ab als Meta omniASR-LLM 7B und Whisper large-v3; das Modell von Meta ist den Autoren zufolge 15-mal so groß. Im englischen Teil der Rangliste lag die durchschnittliche Wortfehlerrate von Rumble-2-Flash bei 6,6 Prozent.
Die Autoren veröffentlichten außerdem einen Vergleich im Telefon-Benchmark von AppTek. Dieser umfasste 302 Stunden Anrufe bei Hilfetelefonen, in denen 14 englische Akzente vorkamen. Bei der Auswertung mit AppTeks Skript erreichte Rumble-2-Flash eine Wortfehlerrate von 7,86 Prozent, während NVIDIA Nemotron 3.5 Transcribe mit 30 Milliarden Parametern auf 7,78 Prozent kam.
Im selben Test lag die Fehlerrate von Rumble-2-Flash laut den Autoren unter den 8,7 Prozent von Qwen3-ASR 0.6B, aber über den 7,4 Prozent von Qwen3-ASR 1.7B.
Geschwindigkeit hängt von den Batches ab
Der Durchsatz hängt davon ab, wie stark die Batches gefüllt sind. Auf größeren Datensätzen des Open ASR Leaderboard erreicht das Modell bei vollen Batches laut den Autoren mehr als 7.000 RTFx. Das entspricht der Verarbeitung einer Stunde Audio in etwa einer halben Sekunde.
Kleineres Modell durch Destillation
Rumble-2-Flash verwendet die Architektur Qwen3-ASR. Nach Angaben der Autoren entstand es durch Destillation des größeren Produktionsmodells Rumble-2: Das kleinere Modell transkribiert Audio selbst, während das Lehrermodell seine Ausgabe Token für Token bewertet. So lernt das Schülermodell aus seinen eigenen Fehlern.
Beide Modelle zerlegen Text mit unterschiedlichen Tokenizern in kleinere Einheiten, sogenannte Tokens. Die Methode GOLD half laut den Autoren, diesen Unterschied zu überbrücken: Wo die Tokenizer Text verschieden aufteilen, führt sie Tokens zusammen. Gemeinsame Tokens vergleicht sie direkt, die übrigen anhand ihrer sortierten Wahrscheinlichkeiten.
Verfügbarkeit und Ausführung
Die Gewichte stehen im Repository Reson8/Rumble-2-Flash auf dem Hugging Face Hub zur Verfügung; das Modell lässt sich auch über die API der Autoren nutzen. Es läuft mit Transformers und vLLM ohne angepasste Laufzeitumgebung oder den Parameter trust_remote_code.



