QUAN-Transcribe-1.0 模型发布
面向越南语 ASR，支持离线与流式解码。
为什么重要
为越南语语音识别提供了可获取且支持流式的模型与推理代码。
阅读原文huggingface.co
AI 解读（根据原文生成）
qnguyen3 在 Hugging Face 发布 QUAN-Transcribe-1.0，用于越南语自动语音识别。模型基于 google/embeddinggemma-2，采用 EmbeddingGemma 2 音频编码器、6 层 transformer reader 与 CTC 训练，输出小写无标点越南语文本。正文称其支持离线和流式模式，流式块长 0.48 s，并提供 GitHub 推理代码；模型页无需申请访问。
要点（AI 据原文整理，数字均已与原文核对）
- Trained in ~3 hours on 8×H100.
- ~3,700× faster than real time on a single H100: one forward pass, no autoregressive decoder.
- Streaming support: the same weights decode with full context or in streaming mode (0.48 s chunks).
- The EmbeddingGemma 2 audio encoder feeds a learned mix of its layer outputs into a 6-layer transformer reader (d=768) trained with CTC.
- Output units are 14,917 Gemma tokenizer tokens, about one per Vietnamese syllable.
- Training data: ~2,800 h of Vietnamese speech.
