Was ist Phonon-2?
Phonon-2 ist ein englisches Spracherkennungsmodell von Fermion Research, am 28. September 2026 auf Hugging Face veröffentlicht. Es ist eine komprimierte Version von NVIDIAs Parakeet TDT 0.6B v3: Quantization-Aware Training speichert jedes Encoder-Gewicht auf einer von fünf gelernten Stufen, etwa 2,1 Bit, was den Download von 2.508MB auf 164MB verkleinert.
Es läuft über MLX auf Apple Silicon, auf der Neural Engine über einen Core-ML-Build, auf CPUs unter Linux und Windows, auf NVIDIA-GPUs über Docker und auf Android arm64 über native Bibliotheken. Es ist das Modell in Detta, Fermions kostenloser On-Device-Diktier-App für Macs mit Apple Silicon.
Die Gewichte behalten Parakeets Lizenz CC-BY-4.0, kommerzielle Nutzung ist also mit Namensnennung erlaubt; Fermions Kommandozeile und Code stehen unter Apache 2.0.
Was kostet Phonon-2?
| Tarif | Preis | Was enthalten ist |
|---|---|---|
| Weights | Free | CC-BY-4.0, Namensnennung erforderlich |
| Detta (Mac) | Free | Apple Silicon, macOS 26.2 oder neuer |
Gewichte kostenlos unter CC-BY-4.0; CLI und Code Apache 2.0; Detta-App kostenlos auf Macs mit Apple Silicon.
Lohnt sich Phonon-2?
Phonon-2 leistet Kompression, kein neues Modell, und die Zahlen halten gut. Über die sieben englischen Sets des Open ASR Leaderboard kommt es im Schnitt auf 5,21% Wortfehlerrate gegenüber 4,96% für das vollständige Parakeet, aus dem es stammt: ein Viertelpunkt Verlust für eine 15-mal kleinere Datei. Es schlägt Moondreams ähnlich großes Parakeet Redux (178MB, 5,69%) und Whisper large-v3-turbo (1.618MB, 6,58%), und bei Parlamentsreden (VoxPopuli, 2,46 gegenüber 3,19) schlägt es das Original.
Die Zahlen stammen von Fermion, wurden aber mit dem Code des Leaderboards selbst auf den vollständigen Testsets erzeugt, und die als Leaderboard-Werte markierten Vergleichszeilen lassen sich nachprüfen. Die Verluste konzentrieren sich dort, wo man es bei starker Quantisierung erwartet: Earnings Calls (6,96 gegenüber 5,85) und LibriSpeech other (3,92 gegenüber 3,13), die schwierigeren, lauteren Sets.
Tempo ist der zweite Grund, sich dafür zu interessieren. Fermion meldet eine Stunde Audio in etwa 20 Sekunden auf einem MacBook Air M5 (174-fache Echtzeit), 143-fach auf acht Zen-5-Kernen und 6.680-fach auf einer H100 mit Batches von 128. CPU-Durchsatz auf diesem Niveau heißt, dass ein Laptop oder eine kleine Cloud-Instanz ohne GPU transkribieren kann.
Die Grenzen sind die von Parakeet plus eine: nur Englisch, Konventionen für Zeichensetzung und Groß-/Kleinschreibung von NVIDIA geerbt, keine Sprecherkennzeichnung, und eine Downloadgröße, die nicht dem Arbeitsspeicher zur Laufzeit entspricht, weil Engines die Gewichte beim Laden expandieren. Fermion ist eine kleine Firma, die nicht angibt, wo sie ihren Sitz hat. Für mehrsprachige Arbeit oder Diarisierung ist Nemotron 3.5 Transcribe das bessere Modell; für ein englisches Modell mit 164MB, das in einer App ausgeliefert wird, passt Fermions Anspruch, das genaueste offene Modell unter 900MB zu haben, zu jeder veröffentlichten Vergleichszeile.
Wo es sich lohnt
Eine iOS- und macOS-Entwicklerin, die eine Notiz-App baut
Offline-Diktat auf Englisch ohne Cloud-Rechnung hinzufügen
Den Core-ML-Build für die Neural Engine mitliefern; ein Modell mit 164MB passt in einen normalen App-Download, und die Transkription verlässt nie das Gerät, was die Datenschutzerklärung vereinfacht.
Ein Backend-Entwickler bei einem Podcast-Hoster
5.000 Stunden englische Episoden im Monat ohne GPUs transkribieren
Bei 143-facher Echtzeit auf 16 vCPUs schafft eine Instanz etwa 143 Stunden Audio pro Stunde, der Bestand braucht also rund 35 Instanzstunden im Monat mit dem CPU-Docker-Image.
Ein Android-Entwickler bei einer Softwarefirma für Außendienst
Technikern das Diktieren von Auftragsnotizen ohne Netz ermöglichen
Fermion veröffentlicht CPU-Engine-Bibliotheken für arm64-v8a ab API 26 mit einem C-Header; Wortzeitstempel gibt es auf dem Desktop mit --json, und die CC-BY-Lizenz verlangt nur Namensnennung.
Bevor du dich festlegst
- Einrichtung
- pip install fermion-research plus die mlx-Pakete auf Apple Silicon (Python 3.10 oder neuer), dann phonon transcribe recording.wav; oder ein einzelnes docker run mit dem CPU- oder CUDA-Image.
- Integrationen
- MLX, Core ML (Neural Engine), CPU-Engine für Linux und Windows, CUDA-Docker-Image, native Android-Bibliotheken, ein von Fermion dokumentierter lokaler Server und die Detta-App für Mac.
- Daten und Datenschutz
- Läuft vollständig auf deiner Hardware; nichts wird an Fermion gesendet. Gewichte CC-BY-4.0 wie NVIDIAs Original, mit einer NOTICE, die die Änderungen auflistet; Code Apache 2.0.
- Kosten im großen Maßstab
- Keine GPU nötig: etwa 143-fache Echtzeit auf acht Zen-5-Kernen. Auf einer H100 mit Batches von 128 meldet Fermion 6.680-fache Echtzeit, etwa 111 Stunden Audio pro Minute.
- Grenzen
- Nur Englisch; Ausgabekonventionen von Parakeet; keine Diarisierung; der Arbeitsspeicher zur Laufzeit ist größer als der Download von 164MB, weil die Gewichte beim Laden expandiert werden.
Was gut ist
- 5,21% durchschnittliche englische WER aus einem Download von 164MB, gegenüber 4,96% für das 2,5GB große Original
- 174-fache Echtzeit auf einem MacBook Air M5; 143-fach auf acht CPU-Kernen
- Läuft auf MLX, Core ML, CPUs unter Linux und Windows, CUDA und Android
- CC-BY-4.0 erlaubt kommerzielle Nutzung mit Namensnennung
Was nicht
- Nur Englisch
- Verliert bei Earnings Calls rund einen WER-Punkt gegenüber dem Original
- Keine Sprecherkennzeichnung, keine Übersetzung
- Genauigkeits- und Tempowerte stammen von Fermion selbst
Am besten für
App-Entwickler, die genaue englische Spracherkennung auf einem Laptop, Smartphone oder CPU-Server brauchen, ohne ein Modell mit mehreren Gigabyte auszuliefern.
Alternativen zu Phonon-2
Phonon-2: häufige Fragen
- Lohnt sich Phonon-2?
- Phonon-2 ist Parakeet in einem Fünfzehntel der Größe bei nahezu gleicher Genauigkeit, und das macht gute englische Transkription innerhalb eines App-Downloads praktikabel. Wir bewerten es mit 4.1 von 5.
- Was kostet Phonon-2?
- Gewichte kostenlos unter CC-BY-4.0; CLI und Code Apache 2.0; Detta-App kostenlos auf Macs mit Apple Silicon.
- Welche Nachteile hat Phonon-2?
- Nur Englisch; Verliert bei Earnings Calls rund einen WER-Punkt gegenüber dem Original; Keine Sprecherkennzeichnung, keine Übersetzung; Genauigkeits- und Tempowerte stammen von Fermion selbst.
- Für wen eignet sich Phonon-2?
- App-Entwickler, die genaue englische Spracherkennung auf einem Laptop, Smartphone oder CPU-Server brauchen, ohne ein Modell mit mehreren Gigabyte auszuliefern.
- Was kostet Phonon-2 für ein Team oder im Produktivbetrieb?
- Keine GPU nötig: etwa 143-fache Echtzeit auf acht Zen-5-Kernen. Auf einer H100 mit Batches von 128 meldet Fermion 6.680-fache Echtzeit, etwa 111 Stunden Audio pro Minute.
- Ist Phonon-2 sicher für Firmendaten?
- Läuft vollständig auf deiner Hardware; nichts wird an Fermion gesendet. Gewichte CC-BY-4.0 wie NVIDIAs Original, mit einer NOTICE, die die Änderungen auflistet; Code Apache 2.0.
- Was sind die besten Alternativen zu Phonon-2?
- Die nächsten Alternativen, die wir getestet haben, sind Parakeet TDT 0.6B v3, Whisper large-v3-turbo und NVIDIA Nemotron 3.5 Transcribe.
Antworten geprüft am 31. Okt. 2026.