Phonon-2 es un modelo de reconocimiento de voz en inglés de código abierto que destaca por su alta precisión y eficiencia técnica. Con un tamaño de descarga de solo 164 MB, supera en precisión a modelos de gran escala, como Parakeet TDT 0.6B v3, que requiere 2,508 MB, manteniendo una métrica de error de palabra promedio del 5,21 % en la Open ASR Leaderboard. Este rendimiento se logra mediante una arquitectura optimizada que reduce el peso de cada parámetro a aproximadamente 2,1 bits, utilizando cinco niveles de cuantización aprendidos.
El modelo ofrece una velocidad de transcripción excepcional: transcribe una hora de audio en unos 20 segundos en un MacBook Air M5, alcanzando 174 veces la velocidad en tiempo real. En servidores con GPU, como una H100, la velocidad de procesamiento alcanza los 6,680 veces en tiempo real para lotes de 128. Phonon-2 está diseñado para ser compatible con múltiples plataformas, incluyendo Apple Silicon, Linux (x86-64 y Arm) y Windows, y soporta inferencia local mediante Docker o directamente en la memoria de la CPU.
Técnicamente, Phonon-2 se basa en el modelo Parakeet TDT 0.6B v3 de NVIDIA, manteniendo las convenciones de tokenización y salida originales. El código del modelo y las herramientas de línea de comandos están licenciados bajo Apache 2.0, mientras que el modelo en sí mismo sigue la licencia CC-BY-4.0. Este repositorio sirve como referencia para desarrolladores que buscan alternativas ligeras y rápidas a los modelos de reconocimiento de voz tradicionales, integrándose en aplicaciones de dictado, notebooks de Google Colab y Kaggle, así como en entornos de producción con APIs de inferencia.