Orukeet

Orukeet

转写 25 种语言的语音，是 NVIDIA Parakeet TDT 模型的改造版，在作者的测试中词错误率更低。适合批量或实时转写录音的团队。

由 oruk 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Orukeet 是一个支持 25 种语言的语音识别器。它以 NVIDIA 的 Parakeet TDT 0.6B v3 模型为起点。作者把编码器里一半的深度滤波器换成预先拟合好的固定 Gabor 核，然后在多语言、多口音的数据上训练其余参数。

适合谁：它适合把语音变成文字的团队，从单个录音到批处理任务和实时应用都可以。卡片把媒体文件、服务器工作进程和交互式应用列为典型用途。

Industry | Who uses it | How they use it | Example
媒体 | 编辑和制作人 | 转写录音和媒体文件 | 把一段录好的采访变成文字
软件 | 语音应用开发者 | 在服务器工作进程或交互式应用里运行语音识别 | 给应用加上实时字幕
运营 | 数据团队 | 批量转写音频 | 把一个文件夹的通话录音转成文字
研究 | 语音研究人员 | 对比改造了滤波器的模型和它的基础模型 | 阅读公开测试集上的词错误率

需要这 25 种以外语言的人可以跳过它。

用在哪里：

• NeMo，在支持 CUDA 的 PyTorch 环境里
• Transformers，通过不需要自定义远程代码的标准 FP32 导出
• ONNX INT8、原生 Q8 和原生 F16 版本
• Buzz，通过它的 Hugging Face 模型选项

Use case | Who | What they get back
录音转写 | 编辑 | 每个音频文件对应的文字
批量转写 | 数据团队 | 一次性得到许多文件的转写稿
交互式转写 | 应用开发者 | 为实时使用生成的文字

如何设置：

• 你电脑上的 Python
• 给 NeMo 用的支持 CUDA 的 PyTorch 环境，外加 3.0.0 版的 nemo_toolkit 包（带 asr 附加项）和 huggingface-hub
• 约 2.5 GB 的磁盘空间，用于 F32 权重

1. 安装 Hugging Face hub 软件包。
2. 下载模型文件。
3. 安装 NeMo 的软件包，或者改用 Transformers 导出版本。

pip install -U huggingface_hub

hf download oruk/orukeet

如何使用：在 NeMo 里，先下载检查点，把它还原成语音识别模型，设为评估模式，再对你的音频文件调用 transcribe。卡片还提到一条 orukeet fetch source 命令，它能取回同一个经过哈希校验的检查点。

from huggingface_hub import hf_hub_download
from nemo.collections.asr.models import ASRModel

checkpoint = hf_hub_download(
    "oruk/orukeet", "orukeet-v0.1.0.nemo",
    revision="555136b50265a132d4cea0d35560c26fc4f657ab",
)
asr = ASRModel.restore_from(checkpoint)
asr.eval()
print(asr.transcribe(["recording.wav"], return_hypotheses=True)[0].text)

Tool | What it does
ASRModel.restore_from | 加载下载好的 NeMo 检查点
transcribe | 把你的音频文件变成文字
Transformers 导出 | 通过 ParakeetForTDT 运行模型，不需要自定义代码

示例：你有一个名为 recording.wav 的录音。你在 NeMo 里加载检查点，对这个文件调用 transcribe，并要求返回假设结果。打印出来的文字就是这段音频的转写稿。

新手与专家：语音识别把音频变成文字。第一步可以先对一段短录音运行 NeMo 示例，再读它打印出的文字。

它保持基础模型的规模不变，约 627M 参数。编码器仍是 24 层 FastConformer，解码器仍是同样的词元加时长转换器。Gabor 核只拟合一次并被冻结，模型的其余部分正常训练。卡片说它在 74 个测试切分里有 61 个超过 Parakeet。

音频文件输入
带 Gabor 滤波器的 FastConformer 编码器
词元加时长转换器解码
输出转写文字

注意事项：

• License: CC BY-SA 4.0。
• Cost to run: 未提及。NeMo 需要你自己的支持 CUDA 的 GPU。
• Data it reaches: 它从 Hugging Face Hub 下载文件，然后处理你给它的音频。
• Not for: 它支持的 25 种以外的语言。卡片自己给出的测试分数不是独立的证明。

Title: 词错误率，单位百分比，越低越好
Orukeet on LibriSpeech test-clean: 1.46 percent
Parakeet on LibriSpeech test-clean: 1.53 percent
Orukeet on LibriSpeech test-other: 2.86 percent
Parakeet on LibriSpeech test-other: 3.14 percent
Orukeet on FLEURS English: 3.82 percent
Parakeet on FLEURS English: 4.28 percent
Orukeet on all 25 FLEURS languages: 9.85 percent
Parakeet on all 25 FLEURS languages: 11.01 percent

Hugging Face 上的数据（2026年11月13日）

• 任务：automatic speech recognition
• 框架：nemo
• 参数量：627M
• Weights: about 2.5 GB in F32; about 314 MB at 4-bit (estimate)
• Formats: Safetensors, GGUF
• 最近 30 天下载：35,262
• 点赞：110
• 许可证：cc-by-sa-4.0
• 语言：bg, hr, cs, da, nl, en, et, fi
• 基于：nvidia/parakeet-tdt-0.6b-v3
• Quantized versions: 5
• Fine-tunes: 1
• 标签：nemo, onnx, safetensors, gguf, parakeet_tdt, parakeet, sherpa-onnx, multilingual, speech-recognition, gabor, fastconformer, automatic-speech-recognition

链接

• 模型：https://huggingface.co/oruk/orukeet
• 文件：https://huggingface.co/oruk/orukeet/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download oruk/orukeet

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。