A Reson8 disponibilizou o Rumble-2-Flash, um modelo de reconhecimento automático de fala com 0,5 mil milhões de parâmetros, suporte para mais de 40 línguas e deteção automática do idioma. Segundo o anúncio publicado no blogue da Hugging Face, o modelo foi lançado como código aberto sob a licença Apache 2.0, e os pesos estão disponíveis no Hub. A empresa afirma que o modelo compete com sistemas entre três e sessenta vezes maiores. Estas são alegações do fabricante, e devem ser lidas como tal até existirem avaliações independentes adicionais.
Tecnicamente, o modelo usa a arquitetura Qwen3-ASR, o que, segundo o texto, permite correr nas bibliotecas Transformers e vLLM sem código personalizado. Para reduzir o tamanho sem perder muita precisão, a Reson8 destilou o Rumble-2, um modelo maior da própria empresa, usando destilação on-policy. Neste método, o modelo mais pequeno transcreve o áudio por si próprio, e o modelo maior avalia cada token com a sua probabilidade. A técnica GOLD permite usar professor e aluno com vocabulários diferentes, fundindo tokens onde os tokenizadores divergem.
Nos resultados publicados no Open ASR Leaderboard, na variante multilingue, o Rumble-2-Flash tem uma taxa média de erro de 6,96% em nove línguas, entre as quais português, chinês, alemão, francês e espanhol. Segundo a comparação, este valor supera o omniASR-LLM 7B da Meta, um modelo cerca de quinze vezes maior, e fica à frente do Whisper large-v3. Na variante inglesa, a média é de 6,6% de WER. A empresa também destaca a velocidade: em conjuntos de dados maiores, com lotes cheios, indica mais de 7.000 RTFx, o que corresponde a uma hora de áudio processada em cerca de meio segundo.
O teste mais relevante para uso real é o das chamadas telefónicas, onde a compressão e o ruído dificultam a transcrição. Num benchmark da AppTek com 302 horas de chamadas de central de apoio e 14 sotaques de inglês, o Rumble-2-Flash atinge 7,86% de WER, valor muito próximo dos 7,78% do Nemotron 3.5 Transcribe, de 30 mil milhões de parâmetros. Apenas o Qwen3-ASR 1.7B obtém melhor resultado na mesma comparação, com 7,4%. Esta avaliação usou um script próprio da AppTek, pelo que convém ter isso em conta ao comparar números entre fontes.
Para quem quer experimentar, a Reson8 disponibiliza um exemplo de código com Transformers que aceita caminhos locais, URLs ou arrays NumPy e permite forçar o idioma, controlar a escrita de números e manter ou remover palavras de preenchimento. O modelo também pode ser usado através da API da empresa. O texto não refere preços, condições de utilização nem disponibilidade específica para Portugal ou para a União Europeia, pelo que essas informações devem ser confirmadas diretamente junto do fornecedor.
Porque importa
Para leitores em Portugal, o anúncio significa que existe um modelo de transcrição de fala aberto e relativamente pequeno, que programadores e empresas podem testar ao abrigo da licença Apache 2.0. Para equipas de apoio ao cliente, os resultados em chamadas telefónicas são a informação mais útil, mas os números são do fabricante e de benchmarks específicos. Antes de adotar, convém confirmar a qualidade em português europeu com áudios próprios, as condições da API e as regras de tratamento de dados.