CPU 運行效能與模型規格
balbal-v2 系列包含兩個模型，均採用 CTC 加 KenLM 技術，並針對 CPU 環境進行最佳化。開發者指出，這兩個模型的訓練成本皆低於 250 美元。
較大的 balbal-v2-manas 擁有 313M 參數，支援土耳其語與英語，在 8 執行緒的 CPU 上可達到約 123 倍的即時處理速度。較小的 balbal-v2 僅有 45M 參數，專攻土耳其語，速度提升至約 236 倍即時。
開發者強調，balbal-v2 甚至能在運行 Windows 7 的舊款 Celeron POS 機器單核心上，以快於即時的速率運作。
Mu-Bench TR 基準測試結果
Mu-Bench 是一個基於 846 通真實客服電話的土耳其語評估基準。根據官方測試框架數據，balbal-v2-manas 的字錯誤率 (WER) 為 8.20%，顯著錯誤率 (sigWER) 為 14.89%。
該成績使其在榜單上排名第二，僅次於 Google Chirp 3 (WER 8.03%, sigWER 14.30%)。balbal-v2-manas 的表現優於 Gemini 3.5 Transcribe (WER 8.68%)、ElevenLabs Scribe v2 (WER 9.43%) 以及 balbal-v2 本身 (WER 9.46%)。
其他對比模型包括 Deepgram Nova-3 (WER 13.37%)、Azure Speech (WER 14.02%)、Qwen3-ASR 1.7B (WER 14.76%) 以及 whisper-large-v3-turbo (WER 24.65%)。
其他基準表現與架構特點
在 FLEURS 土耳其語測試中，balbal-v2-manas 的字錯誤率為 4.06%，與 whisper-large-v3-turbo (4.07%) 幾乎持平，但在相同 CPU 環境下速度快約 75 倍。
該模型在 Open ASR 排行榜的英語測試集中，平均字錯誤率為 8.67%。架構上，balbal-v2 使用了一種受 engrams 啟發的 product-key-memory 機制，並包含一個會循環三次後才輸出結果的 refiner 模組。
另有團隊 LocalDoc 基於 manas 架構訓練了阿塞拜疆語模型，在 FLEURS 阿塞拜疆語測試中達到 10.98% 的字錯誤率。
授權條款與使用方式
使用者可透過 pip install balbal 安裝，並使用 balbal run file.wav 指令執行。工具提供即時麥克風模式及 OpenAI 相容的伺服器介面。
程式碼採用 Apache-2.0 授權發布。模型權重允許用於研究、非商業用途及小型企業，但明確禁止將該模型作為 ASR 產品或 API 服務進行轉售。完整條款詳見模型頁面。
