Fermion Research 发 Phonon-2：164MB 英文语音识别，七集平均词错 5.21%
Fermion Research 9 月 26 日发布 Phonon-2，一个英文语音识别开源模型：下载 164 MB，权重按 CC-BY-4.0 放出（沿用它的基座 NVIDIA Parakeet TDT 0.6B v3 的许可）。官方给的成绩是：在 Open ASR Leaderboard 的七个英文测试集上平均词错 5.21%，比它更准的开源模型每一个至少是它体积的 5.8 倍；在会议语音（AMI 9.37%）与议会语音上达到 2.5 GB 全精度教师模型的 100.8%，并在会议场景上反超它。
做法是把编码器的每个权重存成五个「学到的取值」之一，约 2.1 bit；同一份文件在 Mac、Linux、Windows 与 NVIDIA GPU 上都能跑。速度上官方给的是 MacBook Air 上约 174 倍实时——一小时音频约 20 秒转完。和同尺寸的低比特模型 Parakeet Redux（178 MB，5.69%）相比，官方称它在从安静房间到噪声与说话人同响度的各个测试档位都保持领先。
这条最值得记的地方在取舍的方向：它把低比特直接写进训练目标（模型卡自标 quantization-aware-training，并注明与基座的关系是量化后的版本），换来的是「小到能本地跑」与「准到能接近全精度」两件事同时成立。对用户而言，意味着英文转写可以直接进本地应用，不必为了准确度上云——语音入口正在从「上传到服务器」改回「留在本机」。
原文链接：Fermion Research 官方页
核验记录
一手页 fermionresearch.com/research/phonon-2/ 直读 200 / 226,113 字节，JSON-LD datePublished 与 dateModified 均为 2026-09-26；同页的 /index.html.md 全文 9,985 字节可直读。HF 权重仓 FermionResearch/Phonon-2 的 createdAt 为 2026-09-28T11:48:47Z（likes 97 / downloads 170），比官方页晚两天——本条日期取官方页的 9/26，仓库时间戳仅作交叉。164 MB、2.1 bit、五个学到的取值、七集平均 5.21%、教师 4.96%、Parakeet Redux 5.69%、AMI 9.37% 对教师 9.42%、100.8% 议会语音词准确率、174 倍实时、CC-BY-4.0、基座为 NVIDIA Parakeet TDT 0.6B v3、多平台可跑，均逐句取自官方页正文与表格。quantization-aware-training 与「量化版本」两处标注来自 HF 仓库元数据，非官方页措辞，本条按此区分。配图取该页 og:image，裸请求与带站内 Referer 各一次均 200 / 28,486 字节 JPEG（1200×630）。
← 上一篇Apple 发 SCLATE：把会话起停、cron、记忆整理排进同一条时间线，后训练 Qwen3.5-4B 读文件少 6.8 倍下一篇 →FT：暗网在兜售 AI 模型访问权限，折扣最高打到 97%