Fermion 发 Phonon-2.5：156MB 语音识别覆盖 25 语种

10 月 22 日，Fermion Research 发布 Phonon-2.5：一个 156 MB 的开源语音识别模型，从上一代的英文单语扩到 25 种语言，权重沿用 CC-BY-4.0（与它的底座 NVIDIA Parakeet TDT 0.6B v3 同许可）。同批发了一个同尺寸的纯英文版，理由是听写、字幕、合规与检索这类管线只要英文。模型不设语言参数，语种由音频自行判定，不需要告诉它听的是什么话。

数字来自厂商用同一套代码、同一套文本归一化在 FLEURS 全集上跑出的对照：25 语平均词错 11.71%，低于同为低比特的 Parakeet Redux（178 MB，12.18%），也低于 2,508 MB 的全精度原模型（13.26%），25 种语言里有 14 种直接优于原模型，差距最大的是希腊语 20.83% 对 36.11%。反例也写在同一页：对 Parakeet v3 做常规 4-bit 量化得到 472 MB 版本，25 种语言全部差于原模型（平均 14.48%）——低比特本身不保证更准，压缩方式才是变量。

英文版在 Open ASR Leaderboard 七个集上平均 4.82%，优于同尺寸的 Underdog Bark 3.0（4.94%）与上一代 Phonon-2（5.21%）；连覆盖 25 语的版本也能拿到 5.06%，已经好过上一代的英文专门版，而下载体积还小 8 MB（156 MB 对 164 MB）。速度沿用 Phonon-2 的引擎与文件格式，官方给的参考是 M5 MacBook Air 上 174 倍实时（一小时音频约 20 秒）、八核 Zen 5 上 143 倍——语音识别这条能力现在可以完全离线跑在笔记本 CPU 上，不必再走云 API。

原文链接：Fermion Research 官方页