parakeet-ultra

parakeet-ultra

把语音转成文字，并给出句子和单词的时间戳。它是 moondream 对 NVIDIA parakeet-tdt-0.6b-v3 做后训练得到的版本，适合需要多语言准确转写的开发者。

由 moondream 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：parakeet-ultra 是 moondream 发布的语音识别模型。它把音频转成文字，还能给每个句子或单词加上开始和结束时间。

它是 NVIDIA parakeet-tdt-0.6b-v3 的后训练版本，架构和分词器都没变，参数量约为 0.6B。作者称它在自己的基准测试里错误率比原版更低。

适合谁：适合给应用加入转写功能的开发者，以及要处理会议、通话、播客或演讲录音的团队。

Industry | Who uses it | How they use it | Example
软件 | 开发语音功能的开发者 | 用 Python 对音频文件调用模型 | 把上传的录音转成文字
媒体 | 播客和视频团队 | 转写节目并带上单词时间 | 与每个单词对齐的字幕
商务 | 有会议或通话录音的团队 | 把音频转成可搜索的文字 | 一份录制会议的文字记录
教育 | 讲座和演讲档案 | 转写长录音 | 录制演讲的文字版

如果你想要现成的转写应用，可以跳过它，因为来源只给出了 Python 用法。

用在哪里：

• 使用 moondream 包及其 Photon 运行时的 Python 脚本
• NVIDIA GPU 机器，卡片上所有准确率数字都是在这里测的
• 装有 Python 的 Windows、macOS 或 Linux，用来下载模型文件

Use case | Who | What they get back
纯文字转写 | 开发者 | 音频文件里说的文字
句子时间戳 | 字幕制作者 | 每句一条，带以秒计的开始和结束
单词时间戳 | 剪辑师和索引制作者 | 每个单词的开始和结束时间

如何设置：

• Python 和 pip
• 如果你想要作者测过的环境，需要一块 NVIDIA GPU
• moondream Python 包，它提供 Photon 运行时

1. 安装 moondream 包。
2. 可选：用 Hugging Face 工具下载模型文件。
3. 把 speech.wav 之类的音频文件放在脚本旁边。

pip install moondream

pip install -U huggingface_hub
hf download moondream/parakeet-ultra

如何使用：用 md.photon 打开模型，再对音频文件调用 transcribe。把 timestamps 设为 segment 会每句给一条，设为 word 则再加上每个单词的时间。

# pip install moondream
import moondream as md

with md.photon("moondream/parakeet-ultra") as speech:
    result = speech.transcribe(audio="speech.wav")
    print(result["text"])

    # timestamps="segment": one entry per sentence, with its start
    # and end in seconds; "word" adds the start and end of every word
    result = speech.transcribe(audio="speech.wav", timestamps="word")
    for segment in result["segments"]:
        print(segment["start"], segment["end"], segment["text"])
        for word in segment["words"]:
            print(word["start"], word["end"], word["word"])

Tool | What it does
md.photon | 打开模型，之后就能转写音频
speech.transcribe | 转写一个音频文件并返回结果
timestamps option | 设为 segment 得到句子，设为 word 得到每个单词
result text | 整段转写文字，是一个字符串
result segments | 带开始和结束时间的句子，需要时还有单词

示例：你把 speech.wav 传给 transcribe，并把 timestamps 设为 word。结果先给出整段转写。后面是带开始和结束秒数的句子，每个句子还列出各个单词自己的时间。

新手与专家：如果你刚接触语音识别，可以把它看成听录音并打出文字的软件。先安装包，转写一个简短的 wav 文件，再把文字打印出来。

如果你熟悉这个领域，它是后训练的 parakeet-tdt-0.6b-v3，保留了原来的架构和分词器。卡片说它在 Photon 里比原版在 NeMo 里跑得更快：在一块 NVIDIA B200 上，LibriSpeech test-clean 是实时的 9,743 倍，原版是 6,005 倍。

音频文件，例如 speech.wav
Photon 加载 parakeet-ultra
transcribe 返回文字
可选的句子或单词时间戳

注意事项：

• 准确率和速度数字来自模型作者，是用 Photon 在 NVIDIA GPU 上测的
• 在清洗后的 VoxPopuli 测试集上，新模型得 3.10，原版是 3.02，所以它并非处处更好
• 权重：据 Hugging Face，F16 下约 1.3 GB

Title: 平均词错误率（百分比），越低越好
原版，7 个英文测试集: 6.26 %
Ultra，7 个英文测试集: 5.80 percent
原版，FLEURS 25 种语言: 11.62 percent
Ultra，FLEURS 25 种语言: 9.55 percent

• License: CC BY 4.0
• Cost to run: 没有提到
• Data it reaches: 你传入的音频文件，以及你下载的模型文件
• Not for: CPU 或 Apple silicon 上的使用，卡片把这类用户指向更小的 Parakeet Redux

Hugging Face 上的数据（2026年11月13日）

• 任务：automatic speech recognition
• 参数量：627M
• Weights: about 1.3 GB in F16; about 314 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：51,675
• 点赞：142
• 许可证：cc-by-4.0
• 语言：en, de, fr, es, it, pt, ru, uk
• Quantized versions: 53
• Fine-tunes: 26
• 标签：safetensors, parakeet_tdt, parakeet, speech-recognition, automatic-speech-recognition

链接

• 模型：https://huggingface.co/moondream/parakeet-ultra
• 文件：https://huggingface.co/moondream/parakeet-ultra/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 moondream/parakeet-ultra

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。