Rumble-2-Flash: un modelo de voz de 0.5B que corre en cualquier stack
Rumble-2-Flash es un modelo de reconocimiento automatico de voz (ASR, por sus siglas en ingles) de 0.5B parametros que Reson8 publico bajo licencia Apache 2.0. Trae soporte nativo en Transformers y vLLM, asi que si tu equipo ya corre modelos con esas librerias no necesitas un runtime propio ni trust_remote_code para ponerlo en produccion.
El modelo cubre mas de 40 idiomas con deteccion automatica de idioma y permite controlar la salida: numeros como digitos o como palabras, muletillas, repeticiones textuales y forzado de idioma. Ese control es la diferencia entre una transcripcion cruda y una que puedes mostrarle directamente a un usuario final.
Que tan rapido y que tan preciso es Rumble-2-Flash
La velocidad depende de que tan llenos esten los lotes. En los datasets grandes del Open ASR Leaderboard de Hugging Face, donde los lotes se mantienen llenos, el modelo supera los 7.000 RTFx: eso equivale, segun el blog de Reson8, a procesar una hora de audio en aproximadamente medio segundo.
¿Y esto cómo se aplica en tu negocio?
Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.
👥 Quiero el Kit →En precision, el blog reporta un 6,96% de tasa de error promedio en la pista multilingue del Open ASR Leaderboard, sobre nueve idiomas: chino, aleman, frances, italiano, espanol, portugues, hindi, neerlandes e ingles. Segun la comparacion publicada por Reson8, ese resultado supera a omniASR-LLM 7B de Meta, un modelo 15 veces mas grande, y queda por delante de Whisper large-v3. En la pista de ingles, el promedio es de 6,6% de tasa de error de palabra (WER).
El dato mas interesante para quien construye producto de voz es el de audio sucio. En el benchmark de call center de AppTek —302 horas de llamadas de helpline, 14 acentos de ingles, evaluado con el script propio de AppTek— Rumble-2-Flash llega a 7,86% WER. Eso lo deja a la par de Nemotron 3.5 Transcribe de NVIDIA, que marca 7,78%, y por delante de Qwen3-ASR 0.6B (8,7%), de su misma familia. Solo Qwen3-ASR 1.7B (7,4%) queda mejor en esa comparacion.
Como metieron tanta calidad en 0.5B parametros
La respuesta tecnica es destilacion on-policy. Reson8 tomo Rumble-2, su modelo de produccion mas grande, y lo destilo en la version Flash para encontrar hasta donde podia encogerse el modelo antes de que la precision se cayera.
La diferencia con la destilacion clasica: el estudiante no aprende de transcripciones escritas por el maestro. Transcribe el audio por su cuenta y el maestro califica esa transcripcion token por token, entregando su propia probabilidad de que deberia venir a continuacion en cada posicion. Como el estudiante se corrige sobre sus propios errores, recibe retroalimentacion en cada token en lugar de una nota por clip.
El obstaculo era que la destilacion on-policy normalmente exige que maestro y estudiante compartan tokenizador, y aqui no lo comparten: al elegir la arquitectura Qwen3-ASR, Reson8 adopto tambien su vocabulario. Para resolverlo usaron GOLD, una tecnica que fusiona tokens donde ambos tokenizadores parten el texto de forma distinta, de modo que los dos modelos se comparan sobre el mismo texto.
El contexto: la carrera de los modelos de voz open source
Rumble-2-Flash no sale en el vacio. Segun unite.ai, NVIDIA publico Nemotron 3.5 Transcribe el 28 de octubre de 2026: un checkpoint abierto de 34B parametros con unos 4,3B activos por token, licencia OpenMDW-1.1 y 40 idiomas, junto con Granary v2, un dataset de 463.062 horas en 48 idiomas. Ese modelo encabeza el ranking de modelos open-weight en la pista de ingles del Open ASR Leaderboard con 5,33% WER promedio.
Tambien hay movimiento en nichos. Marktechpost reporto el lanzamiento de Falcon-ASR de TII, un modelo de 1,6B parametros enfocado en arabe y dialecto emirati que promedia 20,92% WER en seis sets de prueba de arabe. Y XDA Developers documento que VS Code ya incluye dictado local con Nemotron 3.5 ASR Streaming 0.6B, un modelo de 600 millones de parametros que corre en la maquina del usuario sin enviar audio a la nube.
El patron es claro: los modelos de voz por debajo de 1B parametros dejaron de ser juguetes. La competencia se movio a ver quien entrega mas idiomas y mejor tolerancia al audio sucio con menos computo.
Que significa esto para tu startup
Para un equipo pequeno, la barrera de la transcripcion nunca fue la calidad del mejor modelo disponible, sino el costo por hora de audio y la dependencia de un proveedor. Un modelo Apache 2.0 de 0.5B parametros ataca las dos cosas al mismo tiempo: lo puedes autoalojar en hardware modesto y no hay lock-in de licencia.
Tres cosas concretas que puedes hacer esta semana:
- Calcula tu costo real por hora de audio. Corre Rumble-2-Flash con vLLM sobre una GPU que ya tengas y mide cuantas horas de audio procesa por hora de computo. Compara ese numero contra lo que pagas hoy por API. Con mas de 7.000 RTFx en lotes llenos, la diferencia puede ser grande si tu volumen es alto y trabajas por lotes.
- Prueba con tu propio audio, no con benchmarks. El 7,86% WER del benchmark de AppTek viene de llamadas de helpline con 14 acentos, un escenario bastante mas duro que audio limpio de estudio. Si tu caso de uso es audio telefonico, acentos latinoamericanos o audio con ruido de fondo, arma un set de evaluacion propio de 30 a 50 clips antes de decidir.
- Aprovecha el control de salida para eliminar post-procesado. Pedir numeros como digitos y quitar muletillas desde el modelo te ahorra la capa de limpieza que normalmente se escribe a mano. Si tu producto son actas de reunion o notas clinicas, eso es menos codigo propio que mantener.
Y si tu producto es multilingue de verdad —una operacion en Mexico, Espana, Colombia y Brasil con el mismo pipeline— la deteccion automatica de idioma sobre un solo checkpoint simplifica la arquitectura: dejas de enrutar audio a modelos distintos segun el idioma.
Conclusion
Rumble-2-Flash no gana en precision absoluta. Segun unite.ai, Nemotron 3.5 Transcribe encabeza la pista de ingles del Open ASR Leaderboard con 5,33% WER promedio, mientras Reson8 reporta 6,6% para su modelo en esa misma pista. Pero la comparacion relevante para una startup no es esa: es cuanto obtienes por cada dolar de computo y cuanta infraestructura necesitas para operarlo.
Un modelo de 0.5B parametros con licencia Apache 2.0, soporte en vLLM y mas de 40 idiomas baja el piso de entrada para cualquier equipo que quiera construir con voz. Para el ecosistema hispanohablante, donde el acceso a GPUs sigue siendo la restriccion real, eso vale mas que un punto porcentual de WER.
Fuentes
- Rumble-2-Flash: an open 0.5B speech model for 40+ languages (fuente original)
- NVIDIA Launches Open-Weight Speech Model and 463,062-Hour Audio Dataset
- TII Releases Falcon-ASR: 1.6B Arabic Speech Model Hits 20.92% WER
- I found a speech recognition model hiding inside VS Code
¿Y esto cómo se aplica en tu negocio?
Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.
👥 Quiero el Kit →













