Reson8 hat am 18. November 2026 ein Spracherkennungsmodell veröffentlicht, das 60-mal kleiner ist als der Vergleichsriese von Nvidia. Auf echten Kundenanrufen trennen die beiden 0,08 Prozentpunkte.
Was Reson8 unter Apache 2.0 veröffentlicht hat
Rumble-2-Flash ist ein Modell zur automatischen Spracherkennung, also die Technik, die aus Audio Text macht. Reson8 hat es am 18. November im Hugging-Face-Blog vorgestellt. Es hat 0,5 Milliarden Parameter, versteht mehr als 40 Sprachen und erkennt die Sprache selbst, ohne dass jemand sie vorher angibt.
Die Lizenz ist der zweite Teil der Nachricht. Rumble-2-Flash steht unter Apache 2.0, einer offenen Lizenz, die kommerzielle Nutzung erlaubt, ohne dass jemand den Quellcode des eigenen Produkts offenlegen muss. Die Gewichte liegen auf Hugging Face unter Reson8/Rumble-2-Flash, und der Anbieter betreibt daneben eine eigene API.
Der Open ASR Leaderboard: 6,96 Prozent über neun Sprachen
Die wichtigste Zahl steht im Open ASR Leaderboard, einer öffentlichen Vergleichstabelle für Spracherkennung. Auf der mehrsprachigen Spur kommt Rumble-2-Flash auf durchschnittlich 6,96 Prozent Fehlerrate, gemessen über neun Sprachen: Chinesisch, Deutsch, Französisch, Italienisch, Spanisch, Portugiesisch, Hindi, Niederländisch und Englisch.
Damit liegt es nach Angaben von Reson8 vor Metas omniASR-LLM 7B, einem Modell, das etwa 15-mal größer ist, und auch vor Whisper large-v3. Auf der englischen Spur nennt der Blog 6,6 Prozent Wortfehlerrate. Deutsch ist eine der neun Sprachen, die dort gemessen wurden, was für den hiesigen Markt der relevante Punkt ist.
Eine Fehlerrate von 6,96 Prozent heißt: Von 100 gesprochenen Wörtern werden rund sieben falsch geschrieben. Für ein Protokoll aus einem Telefonat ist das brauchbar, für ein Zitat vor Gericht nicht.
Wo Rumble-2-Flash noch hinterherliegt
Der ehrliche Vergleich steht in einem zweiten Benchmark. AppTek hat 302 Stunden Material aus einem Callcenter zusammengetragen, mit 14 englischen Akzenten, also genau die Art Audio, die in echten Hotlines aufläuft. Dort erreicht Rumble-2-Flash 7,86 Prozent Wortfehlerrate.
Nvidias Nemotron 3.5 Transcribe mit 30 Milliarden Parametern kommt auf 7,78 Prozent. Der Abstand beträgt 0,08 Prozentpunkte, und das ist der eigentliche Kern der Geschichte: Ein Modell mit einem Sechzigstel der Größe landet praktisch gleichauf. Qwen3-ASR 0.6B schafft 8,7 Prozent, die größere Variante Qwen3-ASR 1.7B dagegen 7,4 Prozent.
Letzteres ist wichtig für die Einordnung. Rumble-2-Flash führt diese Tabelle nicht an. Die Behauptung lautet Gleichstand mit einem sehr großen Modell, nicht Überlegenheit.
Warum 7.000 RTFx bei Rumble-2-Flash mehr ändern als ein Punktestand
Bei voller Batch-Auslastung erreicht das Modell über 7.000 RTFx. Die Kennzahl sagt, wie viel Audiomaterial ein System pro Sekunde verarbeitet, gemessen an der Länge der Aufnahme. 7.000 RTFx bedeutet nach Reson8s eigener Beschreibung: eine Stunde Audio in etwa einer halben Sekunde.
Für den Betrieb ist das der Unterschied zwischen einer GPU-Farm und einem einzelnen Server, denn wer bisher pro Minute Audio bei einem Cloud-Anbieter bezahlt, kann dieselbe Arbeit auf eigener Hardware erledigen, wenn die Durchsatzrate stimmt. Läuft das auch auf einem Telefon? Dazu sagt die Veröffentlichung nichts. Sie dokumentiert Größe und Tempo, keinen Mobiltest.
Dazu kommt die Einbindung. Das Modell läuft nativ in Transformers und in vLLM, ohne eigenen Code und ohne die Option trust_remote_code, mit der man sonst fremden Modellcode ausführt. Die Architektur folgt Qwen3-ASR. Wer schon eine Inferenz-Pipeline für Qwen-Modelle hat, muss wenig umbauen.
Die Ausgabesteuerung von Rumble-2-Flash im Alltag
Weniger spektakulär, aber nützlicher als jeder Benchmark: Die Ausgabe lässt sich steuern. Zahlen kommen als Ziffern oder ausgeschrieben, Füllwörter wie „äh“ lassen sich behalten oder entfernen, Wortwiederholungen ebenfalls. Wer eine bestimmte Sprache erzwingen will, kann das tun, und im Modus mit automatischer Erkennung gibt es eine strukturierte Ausgabe mit erkanntem Sprachcode.
In der Praxis entscheidet das darüber, ob ein Transkript nachbearbeitet werden muss, und ein Callcenter, das Gesprächsnotizen in ein Ticketsystem schreibt, spart damit einen Arbeitsschritt, der sonst bei jedem einzelnen Anruf anfällt.
Wie Reson8 Rumble-2-Flash aus dem großen Rumble-2 gebaut hat
Das kleine Modell ist kein Neubau, sondern ein destillierter Schüler. Reson8 hat das eigene Produktionsmodell Rumble-2 als Lehrer genommen und die kleinere Variante on-policy darauf trainiert. Der Schüler transkribiert selbst, der Lehrer benotet Token für Token.
Ein Detail verrät die Ingenieursarbeit. Lehrer und Schüler benutzen unterschiedliche Tokenizer, also unterschiedliche Zerlegungen von Text in Einheiten. Reson8 hat dafür ein Verfahren namens GOLD gebaut, das Tokens zusammenführt, damit beide Modelle über denselben Text verglichen werden. Ohne diesen Schritt würde der Lehrer an Stellen benoten, die der Schüler nie sieht.
Was der open speech model im deutschen Markt ändert
Für deutsche Unternehmen ist die Lizenz oft wichtiger als die Fehlerrate. Ein open speech model mit Apache 2.0 lässt sich auf eigenen Servern betreiben, und damit bleiben Kundengespräche im eigenen Netz. Das ist der Punkt, an dem Datenschutzbeauftragte bei Cloud-Transkription oft ein Veto einlegen.
Der zweite Punkt ist die Sprache selbst. Deutsch stand im mehrsprachigen Benchmark, zusammen mit Französisch, Spanisch und Italienisch, also den Sprachen, in denen europäische Hotlines arbeiten. Ob das Modell bayerische Dialekte, Schweizerdeutsch oder ein Gespräch mit zwei Sprechern im selben Satz sauber trennt, sagt die Veröffentlichung nicht, und wer das braucht, kommt um einen eigenen Test mit eigenem Material nicht herum.
Die Grenzen von Rumble-2-Flash
Alle genannten Zahlen stammen von Reson8 selbst, aus dem Blogbeitrag und der Modellkarte. Eine unabhängige Nachstellung hat bislang niemand veröffentlicht. „Mehr als 40 Sprachen“ heißt außerdem nicht gleiche Qualität in 40 Sprachen, und für die neun Sprachen des Leaderboards gibt es Belege, für den Rest nicht.
Eine Funktion fehlt ebenfalls. Das Modell unterscheidet nicht zwischen Sprecherinnen und Sprechern.
Keine Diarisierung.
Wer wissen will, wer wann gesprochen hat, braucht ein zweites Werkzeug.
Wann sich ein Blick auf Rumble-2-Flash lohnt
Wer heute pro Minute für Transkription zahlt, kann das Modell auf einem eigenen Server ausprobieren und mit dem eigenen Material messen, und der Aufwand bleibt gering, weil Transformers und vLLM ohne Sonderlocken funktionieren. Wer dagegen Telefonate mit starken Akzenten und viel Hintergrundgeräusch verarbeitet, sollte zuerst den AppTek-Vergleich lesen und dann selbst testen, ob die 7,86 Prozent für die eigene Aufnahmequalität reichen.






