QUAN-Transcribe 开源：3 小时 8×H100 训出越南语 SOTA 语音识别
aigclink · x · 2026-10-15
基于谷歌 EmbeddingGemma 2 的开源越南语 ASR 模型 QUAN-Transcribe-1.0 上架 Hugging Face：仅微调 12 层音频编码器（USM 式 conformer）顶部 2 层，接 6 层 Transformer Reader 用 CTC 训练，单次前向、无自回归解码器。
- 单张 H100 上推理速度约为实时的 3700 倍，同一权重支持全上下文与流式（0.48 秒分块）两种解码
- 8 个越南语基准平均 WER 6.87% 居首，超过 Gemini-Flash-3.8、Cohere Transcribe、ElevenLabs Scribe v2
- 训练数据约 2800 小时越南语（Bud500、viVoice、Common Voice 17、FLEURS 等公开集），输出为小写无标点越南语，数字以文字形式输出
- 附 pip 安装与一行推理代码，需先在模型页接受 embeddinggemma-2 条款
所属事件:8 卡 H100 两小时训出越南语语音识别 SOTA，成本仅 78 美元(4 条相关)→
「多模态」频道最新
- 110页综述系统梳理自回归视频生成的记忆机制全景 — jiqizhixin · 2026-10-15
- 浙大等提出 ATAS 框架,用世界状态记忆让长视频生成跨镜头保持一致 — zju · 2026-10-15
- 为 AI 音乐系统写「催眠钢琴律动」skill:借鉴 Todd Terje 曲目的九原则方法论 — doodlestein · 2026-10-15
- AI 生成游戏 Acorn Rally 上线月球与沼泽两条新赛道 — AIandDesign · 2026-10-15
- MCP for Blender 一年半冲上 30.9K star,Claude 可直接建模调材质 — sidahuj · 2026-10-15
- 微软发布 LensErase:一键擦除任何物体的基础模型 — microsoft · 2026-10-15