Downloads · 30 days
0
joaorura/parakeet-tdt-0.6b-v3-ptBR-sherpa-onnx-int8
parakeet-tdt-0.6b-v3-ptBR-sherpa-onnx-int8 is a automatic speech recognition model from joaorura. Use it when you need speech turned into text. It is set up for sherpa-onnx. The card lists the license as cc-by-4.0.
Esta é uma conversão para o formato sherpa-onnx (encoder / decoder / joiner separados + tokens.txt) do modelo Parakeet TDT 0.6B v3 ajustado para português brasileiro. Este formato é o exigido pela biblioteca sherpa-on…
Downloads · 30 days
0
Access
Public
Updated Sep 21, 2026
Repo size
670 MB
Likes
0
Public
Click a slice to open those files.
.onnx670 MB · 100%
From the Hugging Face model README
Esta é uma conversão para o formato sherpa-onnx (encoder / decoder / joiner separados +
tokens.txt) do modelo Parakeet TDT 0.6B v3 ajustado para português brasileiro. Este formato é
o exigido pela biblioteca sherpa-onnx e, até a publicação
deste repositório, não havia sido publicado para o fine-tune em pt-BR.
Diferença para o formato onnx-asr: os exports existentes deste fine-tune (veja Créditos
abaixo) estão no formato usado pela biblioteca onnx-asr, que funde o decoder e o joiner em um
único arquivo decoder_joint.onnx e usa um vocab.txt. O sherpa-onnx não consome esse formato —
ele espera três arquivos ONNX separados (encoder, decoder, joiner) e um tokens.txt no seu
próprio layout. Este repositório preenche essa lacuna, permitindo usar o fine-tune em pt-BR
diretamente com sherpa-onnx (incluindo seus bindings para C++, Python, Java, Swift, Kotlin, Go,
Rust, C#, Dart, Flutter, etc.).
Este modelo é derivado de trabalho de terceiros e é distribuído sob os termos da CC-BY-4.0, que exige atribuição. A linhagem completa:
.nemo do qual este repositório deriva diretamente.onnx-asr (decoder_joint fundido + vocab.txt).scripts/nemo/parakeet-tdt-0.6b-v3/export_onnx.py do repositório
k2-fsa/sherpa-onnx, usado sem modificações relevantes
para gerar os três arquivos ONNX deste repositório.export_onnx.py do k2-fsa/sherpa-onnx foi rodado sobre o checkpoint .nemo
do fine-tune de alexandreacff/parakeet-tdt-v3-ptBR-30s, produzindo encoder.onnx,
decoder.onnx e joiner.onnx em precisão original.onnxruntime.quantization.quantize_dynamic foi aplicado a cada um dos três
arquivos — exatamente como o próprio script de export faz — usando QUInt8 no encoder e
QInt8 no decoder e no joiner, gerando as versões .int8.onnx publicadas aqui.O encoder carrega os seguintes metadados (conforme gravados pelo script de export):
| Chave | Valor |
|---|---|
vocab_size | 8192 |
normalize_type | per_feature |
pred_rnn_layers | 2 |
pred_hidden | 640 |
subsampling_factor | 8 |
model_type | EncDecRNNTBPEModel |
feat_dim | 128 |
O arquivo tokens.txt deste repositório é byte a byte idêntico ao tokens.txt do modelo
oficial sherpa-onnx-nemo-parakeet-tdt-0.6b-v3-int8 (multilíngue, original da NVIDIA/k2-fsa),
sha256 d58544679ea4bc6ac563d1f545eb7d474bd6cfa467f0a6e2c1dc1c7d37e3c35d. Isso ocorre porque o
fine-tune em pt-BR preservou o tokenizer (vocabulário SentencePiece BPE) do v3 original, sem
re-treiná-lo.
import sherpa_onnx
recognizer = sherpa_onnx.OfflineRecognizer.from_transducer(
encoder="encoder.int8.onnx",
decoder="decoder.int8.onnx",
joiner="joiner.int8.onnx",
tokens="tokens.txt",
model_type="nemo_transducer",
num_threads=2,
sample_rate=16000,
feature_dim=128,
)
stream = recognizer.create_stream()
stream.accept_waveform(sample_rate, samples) # samples: float32 numpy array, mono, 16kHz
recognizer.decode_stream(stream)
print(stream.result.text)
| Arquivo | Tamanho | SHA-256 |
|---|---|---|
encoder.int8.onnx | 652.282.302 bytes (~622 MB) | 260aff7bf778b016b42385e186d88a57224bd6958001993dbb6070a9a75b6690 |
decoder.int8.onnx | 11.845.274 bytes (~11,3 MB) | 6b77e877b1dc29ebead07c0f461a7385d1ac5f8eff5be6422fdddb390d4a9967 |
joiner.int8.onnx | 6.355.277 bytes (~6,1 MB) | eb365a33945103cb787aa849b344cbf2abc093b43211e3b969ff97be3fdfc0e4 |
tokens.txt | 93.939 bytes | d58544679ea4bc6ac563d1f545eb7d474bd6cfa467f0a6e2c1dc1c7d37e3c35d |
Não houve avaliação formal. Nenhum WER (Word Error Rate) foi medido, e não há benchmark
comparativo com fala humana. A única verificação feita foi qualitativa: 4 frases em português
sintetizadas por TTS (espeak-ng) foram transcritas com este modelo, que produziu texto em
português correto em todos os casos, superando o comportamento do Parakeet v3 multilíngue oficial
(não ajustado), que em alguns desses mesmos áudios sintéticos chegou a produzir texto em inglês.
Fala sintética é um teste fraco — ela não captura variação de sotaque, ruído de fundo, sobreposição de falas ou as características acústicas de fala humana real. Falta avaliação com um corpus de fala humana em português e um benchmark de WER real antes de qualquer afirmação de qualidade.
Distribuído sob CC-BY-4.0, herdada do modelo base e do fine-tune. Uso, redistribuição e modificação são permitidos, desde que a atribuição seja mantida — veja a seção Créditos acima para a linhagem completa a citar.
This is a conversion to the sherpa-onnx format (separate encoder / decoder / joiner + a
tokens.txt) of the Parakeet TDT 0.6B v3 model fine-tuned for Brazilian Portuguese. This format
is required by the sherpa-onnx library and, prior to this
repository, had not been published for this pt-BR fine-tune.
Difference from the onnx-asr format: existing exports of this fine-tune (see Credits below)
use the format expected by the onnx-asr library, which merges the decoder and joiner into a
single decoder_joint.onnx file and uses a vocab.txt. sherpa-onnx does not consume that format —
it expects three separate ONNX files (encoder, decoder, joiner) and its own tokens.txt
layout. This repository fills that gap, enabling use of the pt-BR fine-tune directly with
sherpa-onnx (including its C++, Python, Java, Swift, Kotlin, Go, Rust, C#, Dart, and Flutter
bindings).
This model derives from third-party work and is distributed under CC-BY-4.0, which requires attribution. Full lineage:
.nemo
checkpoint this repository derives directly from.onnx-asr format (merged decoder_joint +
vocab.txt).scripts/nemo/parakeet-tdt-0.6b-v3/export_onnx.py from the
k2-fsa/sherpa-onnx repository, run unmodified to
produce the three ONNX files in this repository.export_onnx.py script from k2-fsa/sherpa-onnx was run against the .nemo
checkpoint of the alexandreacff/parakeet-tdt-v3-ptBR-30s fine-tune, producing
encoder.onnx, decoder.onnx and joiner.onnx at original precision.onnxruntime.quantization.quantize_dynamic was then applied to each of the three files —
exactly as the export script itself does — using QUInt8 for the encoder and QInt8 for the
decoder and joiner, producing the .int8.onnx versions published here.| Key | Value |
|---|---|
vocab_size | 8192 |
normalize_type | per_feature |
pred_rnn_layers | 2 |
pred_hidden | 640 |
subsampling_factor | 8 |
model_type | EncDecRNNTBPEModel |
feat_dim | 128 |
The tokens.txt file in this repository is byte-for-byte identical to the tokens.txt from
the official sherpa-onnx-nemo-parakeet-tdt-0.6b-v3-int8 model (multilingual, original
NVIDIA/k2-fsa release), sha256 d58544679ea4bc6ac563d1f545eb7d474bd6cfa467f0a6e2c1dc1c7d37e3c35d.
This is because the pt-BR fine-tune kept the original v3 tokenizer (SentencePiece BPE vocabulary)
without retraining it.
import sherpa_onnx
recognizer = sherpa_onnx.OfflineRecognizer.from_transducer(
encoder="encoder.int8.onnx",
decoder="decoder.int8.onnx",
joiner="joiner.int8.onnx",
tokens="tokens.txt",
model_type="nemo_transducer",
num_threads=2,
sample_rate=16000,
feature_dim=128,
)
stream = recognizer.create_stream()
stream.accept_waveform(sample_rate, samples) # samples: float32 numpy array, mono, 16kHz
recognizer.decode_stream(stream)
print(stream.result.text)
| File | Size | SHA-256 |
|---|---|---|
encoder.int8.onnx | 652,282,302 bytes (~622 MB) | 260aff7bf778b016b42385e186d88a57224bd6958001993dbb6070a9a75b6690 |
decoder.int8.onnx | 11,845,274 bytes (~11.3 MB) | 6b77e877b1dc29ebead07c0f461a7385d1ac5f8eff5be6422fdddb390d4a9967 |
joiner.int8.onnx | 6,355,277 bytes (~6.1 MB) | eb365a33945103cb787aa849b344cbf2abc093b43211e3b969ff97be3fdfc0e4 |
tokens.txt | 93,939 bytes | d58544679ea4bc6ac563d1f545eb7d474bd6cfa467f0a6e2c1dc1c7d37e3c35d |
No formal evaluation was performed. No WER (Word Error Rate) was measured, and there is no
comparative benchmark against human speech. The only verification done was qualitative: 4
Portuguese sentences synthesized with TTS (espeak-ng) were transcribed with this model, which
produced correct Portuguese text in every case, outperforming the behavior of the official
multilingual (non-fine-tuned) Parakeet v3, which on some of the same synthetic audio produced
English text instead.
Synthetic speech is a weak test — it does not capture accent variation, background noise, overlapping speech, or the acoustic characteristics of real human speech. Evaluation against a human speech corpus and a real WER benchmark is still needed before any quality claims can be made.
Distributed under CC-BY-4.0, inherited from the base model and the fine-tune. Use, redistribution and modification are permitted provided attribution is kept — see the Credits section above for the full lineage to cite.