一句话看懂:Reson8 于 2026 年 11 月 18 日以 Apache 2.0 许可证开源 0.5B 参数语音识别模型 Rumble-2-Flash,支持 40 多种语言,在电话客服基准上接近 30B 的 NVIDIA Nemotron 3.5 Transcribe,对成本敏感的语音转写场景有直接参考价值。
事件核心:发生了什么
Reson8 在 Hugging Face Blog 发布 Rumble-2-Flash,参数规模 0.5B,采用 Qwen3-ASR 架构,原生支持 Transformers 和 vLLM,无需自定义代码或 trust_remote_code。模型提供自动语言检测、数字输出形式控制、语气词保留和强制指定语言等选项。官方称在 Open ASR Leaderboard 多语种榜单上,中文、德、法、意、西、葡、印地、荷、英九种语言平均错误率 6.96%,英文赛道平均 WER 6.6%;在 AppTek 302 小时客服电话基准上 WER 为 7.86%,与 NVIDIA Nemotron 3.5 Transcribe 30B 的 7.78% 基本持平。速度方面,官方称批次填满时超过 7,000 RTFx,约半秒处理一小时音频。
为什么重要
语音识别长期存在“大模型准但贵、小模型便宜但弱”的取舍。Rumble-2-Flash 的意义在于把可用精度压到 0.5B 量级,并通过 Apache 2.0 开源降低部署门槛。其训练采用 on-policy 蒸馏,让学生模型自己转写、教师模型逐 token 打分,并用 GOLD 方法解决师生 tokenizer 不一致的问题,这为小模型迁移大模型能力提供了一条可复用的工程路径。对开源语音生态而言,它增加了除 Whisper 系列和 Qwen3-ASR 之外的选项。
对用户/开发者/创作者的影响
开发者可以用 Transformers 或 vLLM 直接部署,适合客服录音转写、会议记录、多语种内容字幕等场景,硬件门槛明显低于 7B 以上模型。调用方式支持本地路径、URL 和 NumPy 数组,也可通过 Reson8 API 使用。对创作者和企业采购来说,关键限制是上述评测均来自厂商自述、限定在特定榜单和数据集上,实际效果需在自己的音频分布上验证,尤其是噪声、口音和垂直领域术语。
AI 工具推荐
想把多个 AI 模型放在一个入口?
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型,适合写作、绘图、视频和日常 AI 工作流。
推广链接:通过此链接购买,我可能获得佣金,不影响你的价格。
值得关注的后续
一是第三方在 Open ASR Leaderboard 上的独立复现结果,二是社区在中文方言、行业术语等场景的微调案例,三是 Reson8 是否公布更多语言和长音频细节。目前公开信息显示,上述成绩来自官方博客,尚不代表跨场景的稳定排名。


