Underdog Bark 3.0

Underdog Bark 3.0

用一个 0.6B 模型把英语语音转成文字，下载只有 163 MB，基于 NVIDIA 的 Parakeet TDT 0.6B v3。适合想要小巧本地转写的开发者和苹果芯片用户。非商业许可。

由 ConwayResearch 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：Bark 3.0 是一个 0.6B 参数的英语语音识别模型，基于 NVIDIA 的 Parakeet TDT 0.6B v3。下载只有 163 MB。作者报告它在 Open ASR Leaderboard 的七个英语测试集上平均词错误率为 4.94%。

适合谁：适合想用一个能在自己设备上运行的小文件做准确英语转写的开发者和 Mac 用户。它写下听到的原话，连语气词也保留，所以适合逐字稿。

行业 | 谁在用 | 怎么用 | 例子
会议 | 团队 | 把录下的会议变成文字 | 把一段录音交给模型，然后读转写稿
应用开发 | 应用开发者 | 在设备上运行语音识别 | 在苹果芯片上的 Underdog 里使用这个模型
语音研究 | 机器学习研究人员 | 比较小型识别模型 | 在同样的测试集上拿它和 Phonon-2 打分对比
媒体 | 编辑 | 把语音内容写成文字 | 转写一段英语的录音演讲

如果你需要英语以外的语言、商业使用，或者要去掉 um 和 uh 的听写，可以跳过它。

用在哪里：

• Underdog，它不需要 Python，用的是跑在 MLX 上的原生 Swift 运行时
• Windows、macOS 或 Linux 上的 Python，通过列表里写明的 transformers 库
• 苹果电脑上的 mlx-audio，模型卡用它做了速度测试

用例 | 适合谁 | 得到什么
转写 | 开发者 | 语音对应的英语文字，保留语气词
设备端听写 | Mac 用户 | 不把音频发出去，就从你的声音得到文字
基准测试 | 研究人员 | 可以与其他模型比较的词错误率

如何设置：你需要 Python 和 Hugging Face 工具。Underdog 需要一台苹果芯片 Mac。

• Windows、macOS 或 Linux 上的 Python
• 下载需要约 163 MB 的磁盘空间
• 如果想在 Underdog 里运行，需要一台苹果芯片 Mac

1. 如果还没有 Python，先安装它。
2. 安装模型卡指定版本的 Hugging Face hub 工具。
3. 下载模型文件。
4. 其余部分按模型卡的 Run it 一节操作，它在这里看到的内容之后还有。

pip install huggingface_hub==2.2.0
hf download ConwayResearch/Underdog-Bark-3.0

如何使用：在 Underdog 里，你选好模型，它会直接读取这个文件。在 Python 里，下载之后按模型卡的 Run it 一节操作。如果想要去掉语气词的听写，模型卡指向一个叫 Underdog Bark 3.0 Clean 的同系列模型。

工具 | 作用
Underdog | 用跑在 MLX 上的原生 Swift 运行时运行模型文件，不需要 Python
mlx-audio | 模型卡用它在苹果 M2 笔记本上给转写计时的工具
Underdog Bark 3.0 Clean | 用于听写、会去掉语气词的同系列模型

示例：你录下一场会议，交给模型处理。文字会按说话原样回来，um 和 uh 这样的声音都留着。在苹果 M2 笔记本上，模型卡测得一分钟的音频大约用 1.5 秒。

新手与专家：语音识别是把说出来的音频变成书面文字。词错误率是模型识别错的词所占的比例，所以越低越好。第一步很小：下载 163 MB 的文件，并阅读模型卡的 Run it 一节。

模型卡在七个英语测试集上把它和更大的模型做了对比。精确到三位小数，它报告的是 4.937 对 Parakeet TDT 0.6B v3 的 4.941，Whisper large-v3 是 6.04。Bark 的各行用了排行榜的评分代码，但还没有列在排行榜上。在苹果芯片上，Underdog 大约用 2 秒把模型文件读进内存，然后按固定的大小和 SHA-256 哈希核对每个下载文件。

下载 163 MB 的模型
在 Underdog 或 Python 里加载它
输入英语音频
得到保留语气词的转写稿

Title: 七个英语测试集上的平均词错误率，单位为百分比，越低越好
Bark 3.0: 4.94 %
Parakeet TDT 0.6B v3: 4.94 %
Qwen3-ASR-0.6B: 5.16 %
Phonon-2: 5.21 %
Whisper large-v3: 6.04 %

注意事项：

• 它是英语模型，也不会整理口语，所以语气词会留在文字里。
• 准确率数字是作者自己的，用排行榜的代码打分，但还没有列在那里。
• 模型卡说，在 Underdog 里你的音频不会离开设备。
• 下载大小是 163 MB，而它所基于的 Parakeet 模型是 2.5 GB。
• License: cc-by-nc-4.0，只允许非商业使用。
• Cost to run: 未提及，你使用自己的硬件。
• Data it reaches: 你的音频，以及从 Hugging Face 下载的文件。Underdog 把音频留在设备上。
• Not for: 商业使用，或者英语以外的语音。

Hugging Face 上的数据（2026年11月13日）

• 任务：automatic speech recognition
• 框架：transformers
• 最近 30 天下载：413
• 点赞：95
• 许可证：cc-by-nc-4.0
• 语言：en
• 基于：nvidia/parakeet-tdt-0.6b-v3
• Quantized versions: 5
• Fine-tunes: 3
• 标签：transformers, coreml, underdog, speech-to-text, low-bit, on-device, apple-silicon, parakeet, automatic-speech-recognition

链接

• 模型：https://huggingface.co/ConwayResearch/Underdog-Bark-3.0
• 文件：https://huggingface.co/ConwayResearch/Underdog-Bark-3.0/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 ConwayResearch/Underdog-Bark-3.0

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。