Phonon-2

Phonon-2 är en modell från Fermion Research som gör om engelskt tal till text. Den är en kraftigt komprimerad version av Nvidias öppna Parakeet TDT 0.6B v3: vikterna lagras med i snitt ungefär 2,1 bitar per vikt, och nedladdningen är 164 MB mot cirka 2,5 GB för originalet.

Enligt Fermion Research är den den mest träffsäkra öppna taligenkänningsmodellen för engelska under 900 MB. På de sju engelska testerna i Open ASR Leaderboard får den ett genomsnittligt ordfel (WER) på 5,21 %, nära originalets 4,96 % och bättre än exempelvis Whisper large-v3-turbo (6,58 %), Canary 180M Flash (5,69 %) och föregångaren Phonon-1 (6,56 %). Varje öppen modell som presterar bättre är enligt dem minst 5,8 gånger större. På mötesinspelningar (AMI) slår den till och med originalmodellen.

Modellen är byggd för att köras lokalt. En timmes ljud tar enligt Fermion Research cirka 20 sekunder på en MacBook Air med M5 och grafikprocessorn, och cirka 25 sekunder med åtta processorkärnor i Linux. Samma modellfil fungerar på Mac, Linux, Windows och Nvidia-grafikkort, och ett H100 hinner med ett helt dygns ljud på cirka 13 sekunder. Det finns ett Python-paket med en server som är kompatibel med OpenAI:s API, färdiga Docker-avbildningar, en Core ML-version och Mac-appen Detta för diktering.

Vikterna lades ut på Hugging Face den 28 september 2026 under CC BY 4.0, samma licens som Parakeet. Den 22 oktober släppte Fermion Research uppföljaren Phonon-2.5, som finns i en flerspråkig version och en engelsk version.