Contexte et objectifs
Reson8, startup néerlandaise spécialisée dans la reconnaissance vocale, a publié le modèle Rumble-2-Flash afin de contrer la prédominance des systèmes entraînés majoritairement sur l'anglais. L’entreprise souligne que seulement une personne sur vingt parle l’anglais comme langue maternelle, ce qui entraîne des erreurs importantes sur des termes spécialisés dans d’autres langues. Le modèle cible donc les développeurs et chercheurs qui recherchent une transcription fiable dans plus de quarante langues, notamment le néerlandais, le suédois et l’allemand.
Architecture et performances
Rumble-2-Flash comporte 500 millions de paramètres et est optimisé pour la transcription rapide d’audios préenregistrés. Il a été entraîné sur des environnements bruyants, incluant des enregistrements téléphoniques, afin de refléter les conditions réelles d’utilisation. Le modèle supporte jusqu’à 50 000 termes de vocabulaire personnalisé, fonction réservée à la version Rumble-2 mais non à la version Flash. Sa taille le place parmi les plus petits modèles répertoriés sur le Open ASR Leaderboard de Hugging Face.
Analyse des benchmarks et limites
Sur le test multilingue interne de Reson8, couvrant sept langues dont l’anglais, le français, l’allemand et le néerlandais, le modèle atteint un taux d’erreur de mots (WER) moyen de 7,09 %, avec environ 5 % en anglais. Sur un jeu de données plus difficile incluant dix langues à faibles ressources (par ex. le maltais et le basque), le WER moyen grimpe à 17,6 %. À titre de comparaison, le modèle Whisper Large V3 d’OpenAI obtient un WER de 39,82 % sur le même jeu, selon les chiffres fournis par Reson8. Ces résultats, bien que prometteurs, proviennent de tests internes et peuvent ne pas refléter la variabilité des jeux de données publics.
Disponibilité, conformité et modèle économique
Le modèle est distribué gratuitement sous licence Apache 2.0, avec les poids disponibles en téléchargement ouvert. Il est hébergé sur les GPU de Reson8 aux Pays‑Bas et la société affirme ne conserver aucune donnée audio ni transcription, se conformant aux normes ISO 27001, au RGPD et à l’AI Act de l’UE. Un accès via l’API est proposé à partir de 0,01 € (0,001 $) par heure d’audio. Le financement de la startup comprend une levée de fonds pré‑seed de 5 M€ menée par Balderton Capital et NP‑Hard Ventures.