Earlybird

Earlybird

在设备上把语音转成文字，并在说话人说完之前预测每个词，同时给每个词打分。这是 16.8 MB 的英语模型，适合语音智能体和实时字幕。

由 sahilmahendrakar 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：Earlybird 是一个 16.8 MB、在设备上运行的语音转文字模型。它在说话人说完一个词之前就把这个词显示出来，并给每个词打分。在有声书语音上，一个典型的词会在结束前 90 ms 被正确显示，而其他已发布的流式模型要在结束后 90 到 400 ms 才出现。

适合谁：它适合构建语音智能体或实时字幕、想用一个小型英语模型提前拿到词语的开发者。

Title: 谁可能用到它
行业 | 谁在用 | 怎么用 | 例子
语音智能体 | 开发者 | 在对方还在说话时就开始搜索或构思回复 | 在句子说完之前调取一条记录
无障碍 | 字幕团队 | 在说话时显示词语，每个词带一个分数 | 比说话人更早填出来的实时字幕
设备端应用 | 移动和桌面开发者 | 在小模型里本地运行语音转文字 | 一个在单个 CPU 线程上就能工作的听写功能
语音研究 | ASR 研究者 | 研究提前预测词语与延迟、错误率的关系 | 与 Moonshine Tiny、Whistle 和 Whisper base 作比较

需要最低词错误率的人可以跳过，因为 Whisper base 的错误更少，不过它大约是九倍大。

用在哪里：

• Python，配合 transformers 5 或更新版本、torch 和 soundfile
• 命令行：脚本可以处理录音，也可以实时播放
• 实时麦克风输入：以块为单位发送 16 kHz 单声道音频
• Windows、macOS 或 Linux：在单个 CPU 线程上，处理音频的速度大约是播放速度的两倍
• 模型卡指向的 Hugging Face 演示 Space

Title: 它能做的事
用途 | 适合谁 | 得到什么
转写文件 | 开发者 | 一段录音的文字
实时转写 | 语音智能体开发者 | 每 80 ms 一次更新，包含目前听到的词和对接下来两个词的猜测
词语打分 | 产品团队 | 每个词的分数，包括还在说的那个词

如何设置：你需要先准备：

• Windows、macOS 或 Linux 上的 Python
• torch、transformers（5 或更新版本）、soundfile 和 huggingface_hub 软件包
• 转换成 16 kHz 单声道的录音或实时输入，然后以 80 ms 的步长传入

1. 用 pip 安装这些软件包。
2. 也获取 earlybird.py，因为它就是加载自定义 4-bit 权重的文件。

pip install torch "transformers>=5" soundfile huggingface_hub
hf download sahilmahendrakar/Earlybird-29M earlybird.py --local-dir .

如何使用：在 Python 中加载模型，然后转写文件，或以任意大小的块送入实时音频。每次实时更新都带有文本、词语和猜测。

from earlybird import Earlybird

eb = Earlybird.from_pretrained("sahilmahendrakar/Earlybird-29M")
print(eb.transcribe("speech.wav"))

# Live: feed 16 kHz mono float32 audio in chunks of any size
stream = eb.stream()
for chunk in mic_chunks:
    for u in stream.feed(chunk):          # one update per 80 ms of audio
        print(u.text, u.words, u.guess)   # words/guess: [(word, confidence), ...]
print(stream.finish().text)

在命令行中，对一段录音运行这个脚本。加上 live 参数可以按实时速度播放。

python earlybird.py speech.wav

示例：你对名为 speech.wav 的录音运行命令行脚本，它会打印转写文字。加上 live 参数后，你会看到录音播放时不断出现更新，每次更新都显示目前听到的词和对接下来两个词的猜测。

新手与专家：如果你刚接触，可以把它看作比说话人稍快一步的字幕。先对一个短的 WAV 文件运行脚本，再试试 live 参数。

如果你熟悉这个领域，它是从 Moonshine Tiny 调整而来，训练音频在随机位置截断，甚至在词的中间。它学会写出目前听到的每个词，再加上对接下来两个词的猜测。作者把词表裁剪到英语语音用到的 19,007 个 token，得到 29M 参数，再量化到 4 bit。词语分数来自原始的 token 概率。模型卡说，在一个词结束前模型打出 90% 或更高分的词，有 91 到 96% 的概率是对的。

音频以 80 ms 的步长到来
模型写出目前听到的词
再加上对接下来两个词的猜测
每个词都有一个分数

注意事项：模型卡比较了词延迟的中位数，负数表示这个词在说话人说完之前就出现了。

Title: 有声书上词延迟的中位数，单位 ms
Earlybird: -90 ms
Whisper base: 90 ms
Moonshine Tiny: 270 ms
Whistle: 400 ms

Title: 8 个 Open ASR 测试集上的大小和平均词错误率
模型 | 大小 | 平均词错误率
Whisper base | 约 145 MB | 9.7%
Whistle | 16.9 MB | 12.2%
Earlybird | 16.8 MB | 12.6%
Moonshine Tiny | 45 MB | 14.4%

• License: mit
• Cost to run: 未提及
• Data it reaches: 你送入的音频，来自文件或实时麦克风
• Not for: 非英语语音，因为模型记录只列出了英语

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：89
• 点赞：24
• 许可证：mit
• 语言：en
• 基于：moonshine-ai/moonshine-streaming-tiny
• 标签：transformers, moonshine_streaming, automatic-speech-recognition, speech-recognition, streaming, on-device, low-latency, 4-bit

链接

• 模型：https://huggingface.co/sahilmahendrakar/Earlybird-29M
• 文件：https://huggingface.co/sahilmahendrakar/Earlybird-29M/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 sahilmahendrakar/Earlybird-29M

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。