Fermion Research a publié Phonon-1, un modèle de reconnaissance automatique de la parole en anglais conçu pour fonctionner localement sur un ordinateur portable ainsi que sur des GPU NVIDIA en datacenter. Le modèle par défaut se télécharge en 415 Mo, utilise la licence Apache 2.0 et peut être exploité via les outils en ligne de commande de Fermion ou via un endpoint de transcription compatible avec l'API OpenAI.
Le lancement vise un problème concret : réduire l'écart entre de très petits modèles vocaux locaux et des systèmes de transcription plus lourds en stockage et en calcul. Fermion indique avoir entraîné Phonon-1 à partir de Qwen3-ASR-0.6B avec une approche low-bit intégrée à l'entraînement, plutôt que d'appliquer une quantification classique une fois l'entraînement terminé. La fiche officielle Hugging Face identifie le modèle pour la conversion parole-texte en anglais, Apple Silicon et l'exécution low-bit sur appareil.
Un modèle de 415 Mo construit autour du low-bit training
Fermion décrit un decoder entraîné dès le départ à 2,4 bits par weight. Selon l'entreprise, l'artefact complet représente en moyenne 4,65 bits par paramètre et le decoder low-bit utilise cinq états appris. L'objectif est de conserver davantage de la précision du teacher model qu'avec une conversion low-bit réalisée après l'entraînement.
La version standard de Phonon-1 pèse 415 Mo. Fermion propose aussi Phonon-1 Micro, une variante de 285 Mo, ainsi qu'une version Big plus grande. Le modèle standard constitue le point de référence le plus intéressant pour les développeurs, car il est présenté comme l'équilibre entre taille, précision et latence.
Les poids et les outils en ligne de commande sont distribués sous Apache 2.0. Fermion précise que le modèle de base Qwen3-ASR-0.6B utilise lui aussi Apache 2.0. Cela simplifie l'évaluation pour des workloads internes ou commerciaux par rapport à des licences spécifiques plus restrictives, tout en laissant aux organisations leur revue juridique et de conformité habituelle.
Ce que montrent réellement les benchmarks
Dans son évaluation publiée, Fermion rapporte un WER de 2,640 % sur LibriSpeech test-clean et de 5,699 % sur test-other pour le modèle de 415 Mo. L'entreprise publie aussi des résultats pour TED-LIUM, SPGISpeech, VoxPopuli, GigaSpeech, Earnings-22 et AMI, avec un WER macro de 7,67 sur huit benchmarks.
Ces chiffres sont intéressants, mais leur interprétation doit rester prudente. Fermion indique explicitement que la majorité des cellules non marquées du tableau ont été mesurées par sa propre équipe avec les jeux de test complets, le normalizer anglais de Whisper et un greedy decoding. Certaines valeurs concurrentes viennent de fiches modèles ou de leaderboards, mais de nombreuses comparaisons ont été remesurées par Fermion.
Fermion affirme également que, sur cinq benchmarks représentatifs de cas réels, il n'a trouvé aucun modèle téléchargeable à la fois plus petit et plus précis que Phonon-1. Il s'agit d'une affirmation du fournisseur dépendante du protocole et du périmètre de comparaison choisis, et non d'un résultat de frontière établi indépendamment. La page montre aussi que Parakeet-0.6B 4-bit de NVIDIA est plus précis sur les huit benchmarks du tableau de Fermion, mais avec un téléchargement plus volumineux.
Le déploiement local fait partie du produit
Phonon-1 n'est pas seulement une publication de model card. Le package fermion-research sur PyPI fournit `fermion transcribe` pour les fichiers audio et `fermion serve` pour exposer une route `/v1/audio/transcriptions` compatible OpenAI. Une application qui utilise déjà un client de transcription de style OpenAI peut donc rediriger son endpoint vers un serveur local au lieu de reconstruire toute l'intégration.
Fermion indique que les mêmes poids fonctionnent avec MLX sur Apple Silicon et avec son runtime sur GPU NVIDIA. L'entreprise rapporte une vitesse médiane de décodage de 23,9 fois le temps réel sur neuf corpus avec un MacBook Air M5 de base. À ce rythme, une heure d'audio correspondrait à environ deux minutes et demie de transcription. Fermion publie aussi des latences de quelques centaines de millisecondes pour la dictée en direct.
Ces mesures de vitesse proviennent elles aussi de Fermion. Le débit réel dépendra de la durée des fichiers, du batching, du matériel, de la pression mémoire, de la version du runtime et des caractéristiques de l'audio.
Les limites à tester avant la production
La limite principale est claire : Phonon-1 cible la reconnaissance vocale en anglais et attend un audio à 16 kHz. Une organisation multilingue aura besoin d'un autre modèle ou d'une stratégie de routage. Les équipes travaillant avec des réunions bruyantes, des accents variés, de la téléphonie, du vocabulaire spécialisé ou des domaines audio particuliers ne devraient pas extrapoler directement depuis LibriSpeech ou un score macro.
Il n'existe pas encore de reproduction indépendante largement disponible pour les principales affirmations de performance. Hugging Face et PyPI confirment la disponibilité des artefacts et des outils, mais restent des surfaces de distribution contrôlées par Fermion plutôt que des évaluateurs indépendants.
Pour les développeurs, cela ne réduit pas l'intérêt du lancement. Cela définit simplement la prochaine étape correcte. Phonon-1 est suffisamment concret pour être benchmarké immédiatement. Une évaluation utile devrait mesurer le WER, la ponctuation, le streaming, la consommation mémoire et la latence de bout en bout sur les propres enregistrements et le matériel cible de l'organisation.
Si les résultats se maintiennent dans ces conditions, la combinaison d'un téléchargement de 415 Mo, d'une licence permissive, d'une exécution locale et d'une API compatible OpenAI pourrait faire de Phonon-1 une couche vocale pratique pour des outils desktop, des systèmes de transcription privés et des applications AI local-first. Le benchmark est une raison de tester, pas un substitut au test.