Voltar
Rumble-2-Flash: Modelo de fala open source de 0.5B para mais de 40 idiomas
🗣️CEVIU IA

Modelo de fala open source de 0.5B para mais de 40 idiomas

Aprofundamento CEVIU

Aprofundamento

O Rumble-2-Flash é um modelo de reconhecimento automático de fala (ASR) de 0.5 bilhão de parâmetros, agora disponível como open source sob licença Apache 2.0. Ele se destaca por suportar mais de 40 idiomas com detecção automática e por sua eficiência: processa uma hora de áudio em aproximadamente meio segundo, alcançando mais de 7.000 RTFx (Real-Time Factor) em lotes cheios. Sua arquitetura é baseada no Qwen3-ASR e utiliza um processo de destilação on-policy do modelo maior Rumble-2. Essa técnica permite que o modelo menor aprenda a partir de seus próprios erros, com o modelo professor fornecendo feedback token a token em vez de uma pontuação final por clipe. O Rumble-2-Flash é compatível nativamente com 🤗 Transformers e vLLM, eliminando a necessidade de código customizado ou ambientes de execução específicos.

Em termos de desempenho, o modelo alcança uma taxa média de erro (WER) de 6,96% em nove idiomas no Open ASR Leaderboard multilingue, superando modelos maiores como o omniASR-LLM 7B da Meta e o Whisper large-v3. Em inglês, a WER média é de 6,6%. Em cenários de áudio desafiadores, como chamadas telefônicas de centrais de atendimento (um benchmark de 302 horas com 14 sotaques em inglês), ele atinge 7,86% WER, desempenho similar ao NVIDIA Nemotron 3.5 Transcribe (30B). O modelo também oferece controle de saída, permitindo formatar números como dígitos ou palavras, gerenciar preenchimentos (fillers) e forçar um idioma específico. Os pesos do Rumble-2-Flash estão disponíveis no Hugging Face Hub, sob o nome Reson8/Rumble-2-Flash, e via API.

O que mudou

Em 29 de outubro de 2026 e 28 de outubro de 2026, o CEVIU noticiou o lançamento do NVIDIA Nemotron 3.5 Transcribe, modelo open-weight para transcrição multilíngue. Naquela época, o Nemotron 3.5 Transcribe (30B) foi apontado como líder em diversos benchmarks. Agora, o Rumble-2-Flash, com apenas 0.5 bilhão de parâmetros, demonstra um desempenho comparável em áudio de chamadas telefônicas (7,86% WER para o Rumble-2-Flash contra 7,78% para o Nemotron 3.5 Transcribe), destacando uma evolução na eficiência de modelos de menor porte que alcançam resultados similares a outros muito maiores.

Linha do tempo

  1. Cohere lança o Transcribe, modelo ASR open source.

  2. Lançamento do Whistle, modelo de reconhecimento de fala otimizado para dispositivos compactos.

  3. IBM atualiza sua coleção Granite Speech com o Granite Speech 5.0-2b.

  4. NVIDIA apresenta o Nemotron 3.5 Transcribe, modelo open-weight para transcrição multilíngue.

  5. NVIDIA lança o Nemotron 3.5 Transcribe e Granary v2 para transcrição multilíngue personalizável.

  6. Lançamento do Phonon TTS, modelo de voz que roda no próprio dispositivo.

  7. Rumble-2-Flash, modelo de fala open source de 0.5B para mais de 40 idiomas, é lançado.

Perguntas frequentes

O que significa 'destilação on-policy' no contexto do Rumble-2-Flash?

A destilação on-policy é um método de treinamento em que o modelo 'estudante' gera suas próprias transcrições, e o modelo 'professor' (neste caso, o Rumble-2) avalia e corrige essas transcrições token a token. Isso permite que o estudante aprenda diretamente com os erros que comete, recebendo feedback granular a cada passo, o que otimiza a aprendizagem de forma mais eficiente do que o feedback por clipe completo.

Quais são as vantagens do Rumble-2-Flash em relação a modelos maiores como o Whisper large-v3 ou omniASR-LLM 7B?

A principal vantagem do Rumble-2-Flash é sua eficiência em tamanho e velocidade, sem grande perda de precisão. Com apenas 0.5 bilhão de parâmetros, ele compete com modelos de 3 a 60 vezes maiores, como o omniASR-LLM 7B da Meta (15 vezes maior) e o Whisper large-v3, e os supera em alguns benchmarks de erro de palavras. Além disso, é extremamente rápido, processando uma hora de áudio em cerca de meio segundo, o que é crucial para aplicações em tempo real ou com grandes volumes de dados.

Como o Rumble-2-Flash lida com a diversidade de idiomas e sotaques?

O Rumble-2-Flash suporta mais de 40 idiomas, com detecção automática, o que facilita seu uso em ambientes multilíngues. Para sotaques, o modelo demonstrou boa performance em áudio de chamadas telefônicas que incluíam 14 sotaques diferentes de inglês, atingindo uma taxa de erro de 7,86%. Isso sugere que ele é robusto para variações linguísticas e de pronúncia em cenários reais.

Fontes

Avalie este artigo:
Categoria
CEVIU IA
Publicado
18 de novembro de 2026
Editoria
CEVIU IA

Quer receber mais sobre CEVIU IA?

Conteúdo curado diariamente, direto no seu e-mail.

Conteúdo curado diariamenteDiversas categoriasCancele quando quiser