Lilith.
⌕
Ilustración editorial: Rumble-2-Flash comprime la transcripción de 45 idiomas en 0,5B parámetros
Ilustración de Lilith · remezcla editorial

Reson8 ha publicado los pesos de Rumble-2-Flash con licencia Apache 2.0. El modelo tiene 0,5B parámetros, sus metadatos enumeran 45 idiomas y la arquitectura Qwen3-ASR permite ejecutarlo directamente en Transformers y vLLM sin trust_remote_code.

Medio billón de parámetros evita un runtime específico

Rumble-2-Flash se obtuvo mediante destilación del modelo de producción Rumble-2. El alumno transcribe el audio por sí mismo y el profesor evalúa el resultado token a token. El método GOLD permite comparar ambos modelos aunque utilicen tokenizadores distintos.

El modelo detecta el idioma automáticamente y controla detalles como las cifras, los números escritos con palabras, las muletillas y las repeticiones. Reson8 ofrece una API de pago además de los pesos abiertos. La ficha no indica la memoria GPU mínima ni la duración máxima de una grabación.

El tamaño reducido cambia la economía de la transcripción privada

Medio billón de parámetros con soporte estándar en Transformers y vLLM reduce la barrera para equipos que no quieren enviar llamadas o reuniones a la nube de un tercero. El atractivo no se limita al precio. La ejecución local permite controlar la conservación del audio, la latencia y las actualizaciones.

Rumble-2-Flash obtiene un WER medio del 6,60 % en la sección inglesa de Open ASR Leaderboard. En 302 horas de llamadas con 14 acentos ingleses, Reson8 declara un 7,86 %, frente al 7,78 % de NVIDIA Nemotron 3.5 Transcribe con 30B parámetros. Es un dato útil para centros de llamadas, pero procede de un conjunto concreto.

El titular de 7.000 RTFx exige lotes completos y una H200

La afirmación de que una hora de audio se procesa en aproximadamente medio segundo parte de una velocidad superior a 7.000 RTFx con lotes completos. La ficha señala que la prueba usó una H200 con vLLM. Un tráfico escaso en una GPU menor no debería esperar automáticamente la misma cifra.

La precisión también cambia mucho según los datos. Los resultados ingleses van desde un 2,43 % WER en VoxPopuli hasta un 13,14 % en el conjunto conversacional privado. Para el chino se utiliza CER, por lo que el promedio multilingüe no compara una única métrica homogénea.

Las grabaciones propias pesan más que la media del ranking

La decisión de desplegarlo debe basarse en llamadas, micrófonos, nombres y vocabulario especializado reales. Junto al WER conviene medir la latencia con lotes pequeños, el uso de memoria y los errores en cifras o nombres propios.

También importará la estabilidad del soporte en Transformers y vLLM. Si el modelo funciona sin forks en el hardware disponible y conserva la calidad en una auditoría local, podría sustituir modelos de transcripción mucho mayores. La lista de 45 idiomas no garantiza por sí sola ese resultado.

El veredicto de Lilith

Rumble-2-Flash cabe en una caja más pequeña, pero el micrófono de una sala de reuniones no lee clasificaciones. Las llamadas reales dirán pronto si lleva un motor compacto o solo un capó ligero.