주요 특징

• 구조는 FastConformer 기반 음성 인코더가 오디오를 임베딩으로 바꾸고, 선형 프로젝션과 LoRA 어댑터를 거쳐 Qwen3-1.7B 언어모델에 연결되는 방식입니다. 같은 체크포인트를 ASR 모드(전사)와 LLM 모드(요약·질의응답)로 전환해 쓸 수 있어, 별도 후처리 모델 없이 회의록 요약이나 텍스트 질의를 이어갈 수 있습니다.
• 저장소가 공개한 벤치마크 기준으로 6개 표준 영어 데이터셋 평균 단어 오류율(WER)이 5.63%이며, LibriSpeech Clean 1.60%, LibriSpeech Other 3.10%, 회의 음성인 AMI에서 10.18%를 기록합니다. 추론 속도는 418 RTFx로, 1분 분량 음성을 약 0.14초 만에 처리하는 수준입니다.
• 학습에는 YouTube-Commons, YODAS2, LibriLight, LibriSpeech, Fisher, Switchboard 등 26개 공개 데이터셋에서 모은 약 23만 4500시간의 영어 음성과 약 13억 토큰이 사용됐습니다. 방대한 데이터로 학습된 만큼 다양한 억양과 녹음 환경에 대한 일반화 성능을 확보했습니다.
• 입력은 16kHz 모노 오디오이며 세그먼트당 40초 이내 처리를 권장합니다. 구동에는 NVIDIA NeMo 2.5.0 이상이 필요하고 Ampere부터 최신 Blackwell 아키텍처까지 GPU를 지원해, 온프레미스 추론 파이프라인에 바로 얹기 좋습니다.
• CC-BY-4.0 라이선스로 배포되어 상업적 활용도 가능하며, 2025년 7월 공개 이후 HuggingFace Open ASR 리더보드 상위권에 이름을 올린 모델입니다. Hugging Face 저장소 기준 누적 다운로드가 3만 회를 넘겼습니다.