ARK-ASR-0.6B

מה זה

השם אומר 0.6B, אבל בפועל מדובר על 1.3 מיליארד פרמטרים כי יש פה שילוב של שני רכיבים. מקודד אודיו ייעודי בסגנון וויספר ומפענח של Qwen2, שמחוברים יחד דרך מתאם פנימי. האימון שלו לא התבסס רק על תמלולים קיימים אלא על זיקוק ממודל מורה חזק יותר, שנתן ציונים לפלטים שהמודל הזה יצר בעצמו תוך כדי ריצה.

התוצאות במבחנים מראות שהוא משיג שיעור שגיאות ממוצע של 6.55% באנגלית, לעומת 6.93% של Qwen3-ASR באותו סדר גודל, ומתקרב למודלים עם 1.7 מיליארד פרמטרים. בסינית התוצאה עומדת על 4.30% מול 4.36% של המתחרה. זה לא שיפור עצום, אבל בתוך מגבלות הגודל האלו כל חצי אחוז שגיאה פחות הוא רווח נקי למי שרוצה דיוק מרבי בחומרה צנועה.

מתאים ל

• תמלול שיחות באנגלית

  משיג אחוזי שגיאה נמוכים בהקלטות פיננסיות ושיחות, מתאים לשרת פנימי קטן.

• מערכות תמלול לשוק האירופי

  תומך ברשימה ארוכה של שפות אירופיות ומאפשר ריצה מקומית ופרטית לחלוטין.

• עיבוד אודיו בקצה

  משקל של 2.4 ג'יגה בייט מאפשר להריץ אותו ישירות על מחשבים אישיים ללא ענן.

איפה זה נופל

החיסרון הברור ביותר למפתח בישראל הוא היעדר מוחלט של עברית. הרשימה כוללת 19 שפות, בעיקר אירופאיות יחד עם סינית, יפנית וקוריאנית, אבל ערבית ועברית בחוץ לגמרי. לא הייתי נוגע בזה לפרויקטים מקומיים.

בנוסף, הטעינה שלו נשענת על קוד מרוחק בתוך המאגר, מה שמחייב בדיקת אבטחה של הקבצים לפני שמריצים אותם על שרת ארגוני. במבחני האנגלית הוא עדיין מתקשה בשיחות מרובות משתתפים עם 11.54% שגיאה במבחן AMI, כך שאודיו רועש או שיחות ועידה ידרשו בדיקה קפדנית.

אותה משפחה

ARK-ASR יצא ב־2 גרסאות שיש להן עמוד כאן. אלה האחרות, לפי כמה מורידים אותן.

איך מריצים

המודל שוקל 2.4 ג'יגה בייט בפורמט safetensors, כך שכרטיס מסך בסיסי עם 6 עד 8 ג'יגה זיכרון יריץ אותו בקלות בפורמט float16, ואפשר לעבוד איתו גם באצווה גדולה של עשרות דגימות במקביל דרך Transformers. שימו לב שהוא דורש הרצת קוד מותאם אישית דרך הדגל trust_remote_code וקצב הדגימה של האודיו חייב להיות 16 קילוהרץ.

אם כל מה שאתם צריכים זה לתמלל עשרות שעות ביום של שפות נפוצות, שירות ענן חיצוני עשוי לחסוך לכם תחזוקה. הרצה עצמית שווה את זה רק אם החומר רגיש, אם אתם מריצים במנות קבועות, או כשצריך לתמלל אופליין בתוך סביבה סגורה בלי תלות באינטרנט.

from transformers import pipeline

pipe = pipeline("automatic-speech-recognition", model="Edge0/ARK-ASR-0.6B")
print(pipe("שלום"))

הקבצים

20 קבצים במאגר, 2.4 GB סך הכול. הקישורים מובילים ישירות ל־Hugging Face.

• model.safetensors2.6 GB
• tokenizer.json13.9 MB
• vocab.json2.8 MB
• tokenizer_config.json2.4 MB
• merges.txt1.7 MB
• figures/ark_asr_architecture.png1.1 MB
• added_tokens.json469.6 KB
• processing_arkasr.py19.2 KB
• modeling_audio.py11.8 KB
• modeling_arkasr.py9.4 KB
• README.md8.1 KB
• config.json2.8 KB
• .eval_results/open_asr_leaderboard.yaml2.1 KB
• .gitattributes1.6 KB
• configuration_arkasr.py1.6 KB
• preprocessor_config.json434 B
• special_tokens_map.json434 B
• chat_template.jinja334 B
• processor_config.json201 B
• generation_config.json131 B

הרישיון

הרישיון הוא Apache 2.0 מלא. אפשר להשתמש בו ליישומים מסחריים, לשנות את הקוד ולהפיץ אותו הלאה בחינם או בתשלום, בלי לפתוח את הקוד שלכם. הדרישה היחידה היא לשמור על הודעת זכויות היוצרים ועותק הרישיון המקורי.

• שימוש מסחרי
• שינוי הקוד
• הפצה מחדש
• שימוש בפטנטים

הרישיון המלא בעמוד המודל ↗