A Reson8 liberou um modelo de reconhecimento de fala de 0,5 bilhão de parâmetros que fica a um décimo de ponto de um gigante de 30 bilhões em ligações de call center. O número interessa a quem paga por minuto de transcrição, e o resto do pacote decide se vale trocar.
Rumble-2-Flash: 0,5 bilhão de parâmetros no lugar de 30 bilhões
A proporção é a notícia. O Rumble-2-Flash tem 0,5 bilhão de parâmetros. O Nemotron 3.5 Transcribe, da Nvidia, tem 30 bilhões.
No conjunto de call center da AppTek, são 302 horas de ligações de atendimento com 14 sotaques do inglês. O modelo pequeno marca 7,86% de erro. O gigante, 7,78%.
Um décimo de ponto separa os dois. Sessenta vezes mais parâmetros, e a diferença some no arredondamento.
Isso não transforma o modelo pequeno em líder. A Qwen3-ASR 1.7B marca 7,4% no mesmo conjunto e fica à frente dos dois. A leitura correta é outra: um modelo que caberia em hardware modesto alcançou o pelotão de cima em áudio de telefone, que é o pior áudio que existe.
O que o Open ASR Leaderboard mede, e o que o Rumble-2-Flash marcou
O Open ASR Leaderboard é uma tabela pública de erro de transcrição, medida por palavra trocada, faltando ou sobrando. Quanto menor, melhor. Ele não mede velocidade nem preço, e é por isso que serve como primeiro filtro.
Na trilha multilíngue, o Rumble-2-Flash fica em 6,96% de erro médio em nove idiomas: chinês, alemão, francês, italiano, espanhol, português, hindi, holandês e inglês. O número vem da Reson8, no post publicado no blog do Hugging Face em 18 de novembro. A empresa diz que essa média bate a omniASR-LLM 7B, da Meta, um modelo cerca de 15 vezes maior, e fica à frente do Whisper large-v3. Na trilha de inglês, a média é de 6,6% de erro por palavra.
Português está na lista, e isso importa para quem opera atendimento no Brasil. O benchmark não quebra o resultado por sotaque, então a média esconde a diferença entre um paulistano e um gaúcho falando rápido ao telefone. Ainda assim, é raro ver português numa avaliação aberta desse tipo.
Apache 2.0, vLLM e o que muda na hora de instalar
A licença Apache 2.0 resolve a pergunta jurídica antes da técnica. Permite uso comercial, alteração e redistribuição, sem taxa por chamada e sem cláusula de volume. Para um produto que transcreve áudio de cliente, isso tira a conversa de renovação de contrato da mesa.
A parte prática é igualmente chata, e é a que costuma travar projeto. O modelo roda em Transformers e em vLLM sem código próprio, sem trust_remote_code, e segue a arquitetura da Qwen3-ASR. Quem já subiu um modelo de fala nesses dois frameworks não aprende nada novo.
A velocidade fecha a conta. A Reson8 fala em mais de 7.000 RTFx em lotes cheios, o que descreve cerca de uma hora de áudio processada em meio segundo. Traduzindo para operação: um dia inteiro de gravações de um call center pequeno deixa de ser um job noturno e passa a ser um job de intervalo de almoço.
Os controles de saída parecem detalhe e não são. Dá para pedir números em dígito ou por extenso, manter ou remover hesitações como "ã" e repetições literais, forçar o idioma e receber a detecção de idioma já separada do texto. Quem já precisou limpar transcrição com expressão regular entende o tamanho do ganho.
O limite do Rumble-2-Flash: 7,86% contra 7,78% em call center
O teste da AppTek é o mais próximo da vida real que o anúncio traz, e é onde o modelo pequeno perde. O Nemotron 3.5 Transcribe faz 7,78%, e a diferença de 0,08 ponto é ruído. A Qwen3-ASR 0.6B, menor ainda, fica em 8,7% e mostra que tamanho não explica tudo sozinho.
O que explica é o treino. Treino, não tamanho. O Rumble-2-Flash é um aluno destilado do Rumble-2, o modelo maior que a Reson8 já usa em produção. Na destilação on-policy, o aluno transcreve o áudio sozinho e o professor corrige token por token, em vez de o aluno copiar a resposta pronta.
Surgiu um problema técnico no meio do caminho. Aluno e professor usam tokenizadores diferentes, e comparar saída de um com saída do outro exige alinhar pedaços de texto. A equipe resolveu com um método chamado GOLD, que junta tokens para que os dois modelos sejam comparados sobre o mesmo texto.
Nada disso garante qualidade igual em todos os 40 idiomas. Quarenta idiomas na ficha quer dizer cobertura, não nível. Quantos deles chegam a nível de produção? Um modelo pode ir bem em inglês e português e tropeçar em tailandês, e a Reson8 não publica a quebra por idioma.
Quem deve olhar para o open speech model da Reson8
Três perfis saem ganhando, e nenhum deles é o de quem só quer transcrever áudio de reunião no celular. O primeiro é o time que paga API por minuto e vê a fatura crescer junto com o volume. O segundo é o call center com áudio ruim, que hoje paga caro por um modelo grande e mesmo assim revisa metade das transcrições.
O terceiro é quem não pode mandar áudio para fora. Gravação de atendimento costuma carregar dado pessoal, e no Brasil isso cai direto na LGPD. Rodar o modelo na própria infraestrutura simplifica a conversa com o jurídico, e um modelo de 0,5 bilhão de parâmetros torna essa opção realista em servidor modesto.
O que a Reson8 não prova é o desempenho em celular. O post documenta tamanho e velocidade, não um teste de aparelho, então tratar o modelo como opção de borda é decisão de engenharia, não fato do anúncio.
Também não há diarização, ou separação por locutor. Se o seu caso exige saber quem falou o quê, esse modelo resolve metade do problema e você vai precisar de outra peça na frente ou atrás dele.
Para testar, os pesos estão no Hugging Face em Reson8/Rumble-2-Flash, e o modelo também aparece na API da empresa. O caminho mais honesto é rodar uma amostra do seu próprio áudio antes de decidir. Um benchmark de 302 horas diz muito sobre ligações de helpdesk em inglês e quase nada sobre a gravação ruidosa que está no seu disco.






