Universal-2-TF
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- AssemblyAI
- Organisatietype
- Industry
- Gepubliceerd
- 30 October 2024
- Auteurs
- Core Research Luka Chkhetiani (lead), Andrea Vanzo (lead), Yash Khare, Taufiquzzaman Peyash, Ilya Sklyar Research Contributors Michael Liang, Rami Botros, Ruben Bousbib Research Data Ahmed Etefy Benchmarking Pegah Ghahremani, Gabriel Oexle, Jaime Lorenzo Trueba Research Infrastructure William Pipsico Ferreira Production Engineering Ben Gotthold, Soheyl Bahadoori, Mimi Chiang, Aleksandar Mitov…
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Speech
- Taak
- Speech recognition (ASR)
- Basis model
- Conformer
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- parameters
- 600M
- Training gegevens
- tokens
1. ASR decoder: "Our models are based on an ASR decoder architecture called the Recurrent Neural Network Transducer (RNN-T), which offers advantages in scalability, robustness against hallucinations, and timestamp accuracy—key factors for real-world usage at scale. We use a 600M parameter Conformer RNN-T model." 2. Text Formatting module.
1. ASR decoder:: "For Universal-2, we doubled the size of the supervised training dataset from 150,000 hours to 300,000 hours." "we first pre-trained an RNN-T encoder using 12.5 million hours of diverse, multilingual audio. After the pre-training, the encoder was combined with a randomly initialized decoder, and the entire model was fine-tuned using a combination of the supervised dataset described above and a pseudo-labeled dataset, similar to the approach used in Universal-1." 2. Text formatt…
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Closed — provider access only
- Toegang tot model
- API access
- Training code
- Unreleased
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Record vertrouwen
- Unknown
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Robust All-Neural Text Formatting for ASR
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Achtergrond
Universal-2-TF werd gepubliceerd door AssemblyAI, tijdens October 2024. Het komt uit een organisatie gecategoriseerd als industry.
Het werkt in het domein van Speech, en wordt geregistreerd als het uitvoeren van de taak van speech recognition (ASR).
In plaats van vanaf nul te worden getraind, is het afgeleid van Conformer. Dat is de gebruikelijke manier waarop een gespecialiseerd model wordt geproduceerd.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Antwoorden
Universal-2-TF — veelgestelde vragen
Universal-2-TF— hoeveel parameters heeft het?
Het heeft een parameter telling van 600M. 1. ASR decoder: "Our models are based on an ASR decoder architecture called the Recurrent Neural Network Transducer (RNN-T), which offers advantages in scalability, robustness against hallucinations, and timestamp accuracy—key factors for real-world usage at scale. We use a 600M parameter Conformer RNN-T model." 2. Text Formatting module. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
Universal-2-TF— wie heeft het gemaakt?
Het werd gepubliceerd door AssemblyAI, een organisatie geclassificeerd als industry.
Universal-2-TF— wanneer is het uitgebracht?
Het werd gepubliceerd in October 2024. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Universal-2-TF— waarvoor wordt het gebruikt?
Het werkt in het domein van Speech, en wordt geregistreerd als het afhandelen van speech recognition (ASR). Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
Universal-2-TF— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
Universal-2-TF— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.