balbal-v2：可在 CPU 上运行的土耳其语语音识别模型，在 Mu-Bench TR 上仅次于 Google Chirp 3 排名第二

我做土耳其语语音识别（ASR）已经有一段时间了，最近发布了 v2。两个模型，都是 CTC + KenLM 架构，都针对 CPU 设计（训练成本均不到 250 美元）： - balbal-v2-manas：3.13 亿参数，土耳其语 + 英语，在 8 线程下约为实时的 123 倍 - balbal-v2：4500 万参数，仅支持土耳其语，约为实时的 236 倍 它甚至能在一台运行 Windows 7 的老款 Celeron POS 机的单核上以超过实时的速度运行。 Mu-Bench 是一个土耳其语基准测试集，包含 846 通真实客服电话。以下数据来自官方测试框架： | 模型 | WER | sigWER | |---|---|---| | Google Chirp 3 | 8.03 | 14.30 | | balbal-v2-manas | 8.20 | 14.89 | | Gemini 3.5 Transcribe | 8.68 | 18.20 | | ElevenLabs Scribe v2 | 9.43 | 19.15 | | balbal-v2 | 9.46 | 18.44 | | Deepgram Nova-3 | 13.37 | 24.35 | | Azure Speech | 14.02 | 30.73 | | Qwen3-ASR 1.7B | 14.76 | 30.61 | | whisper-large-v3-turbo | 24.65 | 47.04 | 在 FLEURS 土耳其语数据集上，manas 与 whisper-large-v3-turbo 基本持平（4.06 对 4.07），但在同一 CPU 上速度约快 75 倍。英语表现也不错，在 Open ASR 排行榜数据集上平均 WER 为 8.67。 该模型采用了一种独特的架构，包含受 engram 启发的 product-key-memory，以及一个循环 3 次后才输出结果的精炼器（refiner）。另外，有一个团队（LocalDoc）已经基于 manas 架构训练了一个阿塞拜疆语模型，在 FLEURS 阿塞拜疆语上 WER 为 10.98。（https://huggingface.co/LocalDoc/speakwrite-azerbaijani） 我很高兴他们采用了我的模型设计决策，这让我很开心 :D 使用方法：`pip install balbal`，然后 `balbal run file.wav`。还提供实时麦克风模式和一个兼容 OpenAI 的服务器。 代码采用 Apache-2.0 协议。权重可用于研究、非商业用途和小型企业，但不能作为 ASR 产品或 API 转售。完整条款见模型页面。 权重：https://huggingface.co/erayyapagci/balbal-v2-manas 和 https://huggingface.co/erayyapagci/balbal-v2 代码：https://github.com/erayyap/balbal 演示 + 离线 Android 应用：https://erayy.com/balbal