Rumble-2-Flash: Reson8 libera ASR aberto de 0,5B para 40+ idiomas

Ilustração representando o modelo de reconhecimento de fala Rumble-2-Flash e múltiplos idiomas suportados

A Reson8, startup de reconhecimento de fala de Amsterdã (razão social Resonate Labs B.V.), liberou em 18/11/2026 o Rumble-2-Flash. É um modelo de reconhecimento automático de fala (ASR) com 0,5B parâmetros, que cobre mais de 40 idiomas e detecta o idioma automaticamente. O código e os pesos saíram sob licença Apache 2.0, segundo o anúncio oficial no blog do Hugging Face. Os pesos estão no repositório Reson8/Rumble-2-Flash e o modelo também pode ser usado pela API da Reson8.

Para quem integra voz em aplicações, o que interessa é o pacote: um modelo pequeno, aberto e que roda nas bibliotecas que você provavelmente já usa. A SiliconANGLE também noticiou o lançamento como um download gratuito de pesos abertos.

Como o Rumble-2-Flash foi construído

O Rumble-2-Flash usa a arquitetura do Qwen3-ASR. A Reson8 tomou essa decisão para ter suporte desde o primeiro dia nas ferramentas mais comuns, sem precisar de runtime próprio.

O treino foi feito por destilação on-policy a partir do Rumble-2, o modelo maior que a Reson8 usa em produção. Funciona como um aluno resolvendo a prova sozinho enquanto o professor corrige cada linha. O aluno transcreve o áudio por conta própria e o professor avalia essa transcrição token a token, informando a probabilidade que ele mesmo daria para o próximo token, conforme o anúncio.

O detalhe mais interessante está no tokenizer. Que tokenizer? É a peça que quebra o texto em pedaços menores (tokens) antes de o modelo processar. Ao adotar a arquitetura do Qwen3-ASR, a Reson8 também ficou com o vocabulário dele, e esse vocabulário é diferente do usado pelo Rumble-2.

Para lidar com essa diferença de vocabulário, a Reson8 usou a técnica GOLD, que dispensa um tokenizer compartilhado entre professor e aluno. Ela trabalha em três frentes:

  • junta os tokens nos trechos em que os dois tokenizers dividem o texto de forma diferente;
  • compara diretamente os tokens que existem nos dois vocabulários;
  • compara o restante pelas probabilidades ordenadas.

Desempenho do Rumble-2-Flash nos benchmarks informados pela Reson8

Todos os números abaixo foram divulgados pela própria Reson8 no dia do lançamento, no anúncio publicado no Hugging Face. Até aqui não há medição independente.

Na trilha multilíngue do Open ASR Leaderboard, a empresa informa um WER médio de 6,96%. O WER (word error rate) mede a proporção de palavras erradas na transcrição, então quanto menor, melhor. A média considera chinês, alemão, francês, italiano, espanhol, português, hindi, holandês e inglês. Na trilha de inglês, o WER médio informado é de 6,6%.

Na velocidade, a Reson8 reporta mais de 7.000 RTFx com batches cheios, medidos nos datasets maiores do leaderboard. Isso equivale a cerca de 1 hora de áudio transcrita em meio segundo. Tome cuidado com esse número: segundo a própria Reson8, o throughput depende de quão cheios estão os batches.

A empresa também afirma que o modelo compete com modelos de 3 a 60 vezes o seu tamanho. Essa é uma afirmação da Reson8, e o ideal é tratá-la como ponto de partida para os seus próprios testes.

Rumble-2-Flash em ligações reais: comparação no benchmark da AppTek

Áudio limpo é o cenário fácil. Por isso a Reson8 também divulgou resultados no benchmark de call center da AppTek, que reúne 302 horas de ligações de helpline com 14 sotaques de inglês e é avaliado com o script da própria AppTek.

ModeloTamanho citadoWER no benchmark da AppTek
Qwen3-ASR 1.7B1.7B7,4%
Nemotron 3.5 Transcribe (NVIDIA)30B7,78%
Rumble-2-Flash0,5B7,86%
Qwen3-ASR 0.6B0.6B8,7%

O Rumble-2-Flash fica muito perto do Nemotron 3.5 Transcribe, que tem 30B parâmetros, e à frente do Qwen3-ASR 0.6B, da mesma família de arquitetura. O único modelo da comparação com resultado melhor é o Qwen3-ASR 1.7B.

Lembre que esses dados foram divulgados pela Reson8 e se limitam ao inglês. Nada aqui indica como o modelo se comporta em ligações em português.

O que o Rumble-2-Flash muda para quem integra voz em aplicações

A principal mudança é de integração. O modelo roda nativamente no Transformers e no vLLM, sem fork de runtime e sem trust_remote_code. Na prática, você carrega o modelo com as bibliotecas padrão, sem habilitar trust_remote_code.

A licença Apache 2.0, que cobre o código e os pesos, também importa para quem quer colocar o modelo dentro de um produto.

O anúncio cita ainda controles de saída que costumam dar trabalho em pós-processamento:

  • números escritos em dígitos ou por extenso;
  • fillers (as hesitações da fala);
  • repetições verbatim;
  • idioma forçado, em vez da detecção automática.

Na entrada, o parâmetro audio aceita caminho local, URL, array NumPy ou uma lista com qualquer um desses. Isso facilita processar vários arquivos de uma vez.

Existe um limite: o anúncio só traz exemplo de uso com Transformers. O suporte ao vLLM é afirmado, mas sem comando ou configuração publicados.

Como testar o Rumble-2-Flash com Transformers

O quickstart oficial começa pela instalação das dependências:

uv pip install torch transformers accelerate

Em seguida vem o trecho de transcrição baseado no anúncio. Os comentários foram traduzidos e o áudio virou um caminho genérico, que você troca pelo seu arquivo:

from transformers import AutoProcessor, AutoModelForMultimodalLM

model_id = "Reson8/Rumble-2-Flash"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForMultimodalLM.from_pretrained(model_id, device_map="auto")

inputs = processor.apply_transcription_request(
    audio="seu_audio.mp3",  # caminho local, URL, array NumPy ou lista
    language="English",  # omita para detectar o idioma automaticamente
).to(model.device, dtype=model.dtype)

output = model.generate(**inputs, max_new_tokens=512)
generated = output[:, inputs["input_ids"].shape[-1]:]
print(processor.decode(generated, return_format="transcription_only")[0])
# use return_format="parsed" quando o idioma for detectado automaticamente

O ponto de atenção está no language. Se você remover esse parâmetro para usar a detecção automática, troque o return_format para "parsed", como indica o próprio anúncio.

Próximo passo: avaliar o Rumble-2-Flash no seu próprio áudio

Antes de trocar o modelo que você usa hoje, separe amostras reais do seu domínio e meça o WER com elas. Priorize áudio em português e gravações telefônicas, já que os números divulgados vêm da empresa e o benchmark de call center cobre apenas inglês.

Os pesos estão no repositório Reson8/Rumble-2-Flash, e a Reson8 pede feedback na aba Discussions desse mesmo repositório. Se você encontrar diferenças entre o que foi anunciado e o que viu no seu áudio, esse é o lugar para relatar.

Fontes consultadas

Consulta em .

Acompanhe os tutoriais do Hora de Codar no YouTube.

Escrito por | Matheus Battisti

Matheus Battisti
Fundador da Hora de Codar

Programador apaixonado pelo mundo das tecnologias, sempre buscando em aprender e se aprofundar em linguagens, frameworks e o que mais for necessário para executar um bom trabalho. Agora tem uma nova missão que é de passar seu conhecimento adiante para formar novos programadores e especializar mais os que já são.

Formações

Formação Vibe Coding

Formação Vibe Coding

Do Prompt ao Produto: Crie Software Real com IA

  • 474 aulas
  • 20 projetos
  • 39h 30min

Blog | Mais populares