Потоковая модель Edge0 для распознавания китайской и английской речи с настраиваемой задержкой и поддержкой непрерывной транскрипции.
Подходит для: транскрибирование китайской речи в реальном времени · транскрибирование английской речи в реальном времени · непрерывная расшифровка аудиопотока
Компактная многоязычная модель Audio8 для преобразования речи в текст с возможностью усиления распознавания заданных ключевых слов.
Подходит для: транскрибация коротких аудиозаписей · распознавание английской речи · распознавание китайской и кантонской речи
Локальный ONNX Runtime-пакет для автоматического распознавания речи на нескольких языках с CLI, веб-интерфейсом и HTTP API.
Подходит для: транскрибирование коротких аудиозаписей · распознавание речи в локальном приложении · расшифровка речи через HTTP API
Производная модели OpenMOSS-Team/MOSS-Audio-4B-Instruct. Открытая аудиоязыковая модель примерно на 4,6 млрд параметров для распознавания и анализа речи, звуков и музыки с ответами в текстовой форме.
Подходит для: транскрибация аудиозаписей с временными метками · ответы на вопросы по содержанию подкастов, встреч и интервью · краткое изложение аудиозаписей
Модель Boson AI на 8,91 млрд параметров преобразует монофоническую речь в WAV 16 кГц в текст.
Подходит для: транскрибация англоязычных аудиозаписей · распознавание речи в записях совещаний · подготовка текстовых расшифровок для аудиоданных
Производная модели Edge0/Audio8-ASR-0.1B-iOS-ANE. Пакет Audio8-ASR-0.1B для локального распознавания многоязычной речи на iPhone с ускорением аудиобашни через Apple Neural Engine.
Подходит для: Офлайн-транскрибация речи на iPhone · Распознавание диктовки в iOS-приложениях · Преобразование записанных аудиофрагментов в текст
Пакет Audio8-ASR-0.1B для локального распознавания многоязычной речи на iPhone с ускорением аудиобашни через Apple Neural Engine.
Подходит для: Офлайн-транскрибация речи на iPhone · Распознавание диктовки в iOS-приложениях · Преобразование записанных аудиофрагментов в текст
Производная модели Audio8/Audio8-ASR-0.1B-onnx-runtime. Локальный ONNX Runtime-пакет для автоматического распознавания речи на нескольких языках с CLI, веб-интерфейсом и HTTP API.
Подходит для: транскрибирование коротких аудиозаписей · распознавание речи в локальном приложении · расшифровка речи через HTTP API
Чат-модель Qwen2-Audio для голосового общения и анализа аудио по текстовым инструкциям.
Подходит для: голосовой диалог без текстового ввода · ответы на вопросы по аудиозаписи · анализ речи по пользовательской инструкции
Компактная мультиязычная модель Edge0 для преобразования речи на китайском, английском, французском, немецком, японском, корейском и кантонском языках в текст.
Подходит для: транскрибация коротких аудиозаписей · распознавание речи на английском и европейских языках · распознавание китайской, японской и корейской речи
DeSTA2.5-Audio — модель на базе Llama 3.1 8B, которая анализирует аудио и отвечает на вопросы текстом.
Подходит для: ответы на вопросы о содержании аудиозаписи · диалог с моделью по аудиофрагменту · извлечение сведений из аудиоматериалов
Ultravox — модель Fixie.ai, которая понимает речь и текст и генерирует текстовые ответы для голосовых агентов, анализа речи и речевого перевода.
Подходит для: создание голосового агента с текстовыми ответами · анализ содержания аудиосообщений · распознавание устной речи
Набор моделей Whisper в формате Core ML для локального распознавания речи и транскрибации на устройствах Apple Silicon.
Подходит для: локальная транскрибация аудиозаписей на устройствах Apple · преобразование речи в текст в приложениях для Apple Silicon · распознавание речи без отправки аудио на сервер
Audio Flamingo 3 — аудиоязыковая модель NVIDIA для анализа речи, звуков и музыки, ответов на вопросы по аудио и голосового диалога.
Подходит для: ответы на вопросы о содержании аудиозаписи · транскрибирование речи · анализ звуковых событий и музыкальных фрагментов
Мультимодальная модель MOSS-Audio-8B-Instruct анализирует речь, музыку и окружающие звуки и отвечает на вопросы об аудиозаписях текстом.
Подходит для: транскрибация речи с временными метками · ответы на вопросы по записям встреч и интервью · суммаризация подкастов и разговоров
Набор моделей Core ML для распознавания речи и определения говорящих в аудиозаписях на устройствах Apple.
Подходит для: распознавание речи в аудиозаписях · определение говорящих в разговоре · диаризация записей встреч и интервью
CLAP от LAION сопоставляет аудио с текстовыми описаниями для классификации звуков без примеров и поиска аудио по тексту.
Подходит для: классификация звуков по заданным текстовым меткам без дообучения · поиск аудиозаписей по текстовому описанию · сопоставление звука с набором возможных описаний
Модель Boson AI для преобразования речи в текст на основе энкодера Whisper-Large-v3 и декодера Qwen3-8B.
Подходит для: транскрибация аудиозаписей на английском языке · распознавание речи в записях совещаний · создание текстовых расшифровок подкастов и выступлений
Модель Wav2Vec2-Conformer с rotary position embeddings распознаёт английскую речь и преобразует аудио 16 кГц в текст.
Подходит для: транскрибирование английских аудиозаписей · распознавание речи в аудио с частотой 16 кГц · создание текстовых расшифровок записей LibriSpeech
Офлайн-модель NVIDIA для разметки временных сегментов речи и определения активности до четырёх говорящих в аудиозаписях.
Подходит для: разделение реплик участников на записи встречи · определение говорящих в телефонных разговорах · диаризация интервью и подкастов
Qwen2-Audio-7B — аудиоязыковая модель на 7 млрд параметров для голосового общения и анализа аудио с текстовыми ответами.
Подходит для: ответы на вопросы по аудиозаписи · анализ аудио по текстовой инструкции · голосовой диалог без предварительного текстового ввода
Конверсия Whisper small в формат CTranslate2 для распознавания речи из аудио, в том числе с помощью faster-whisper.
Подходит для: транскрибация русскоязычных аудиозаписей · расшифровка многоязычных интервью и встреч · преобразование аудио в текст в приложениях на CTranslate2
MOSS-Audio-8B-Instruct — аудиоязыковая модель для распознавания и анализа речи, музыки и звуков с ответами на вопросы и временной привязкой событий.
Подходит для: расшифровка речи с временными отметками · ответы на вопросы по записи разговора или подкаста · краткое изложение интервью или встречи
Открытая аудиоязыковая модель примерно на 4,6 млрд параметров для распознавания и анализа речи, звуков и музыки с ответами в текстовой форме.
Подходит для: транскрибация аудиозаписей с временными метками · ответы на вопросы по содержанию подкастов, встреч и интервью · краткое изложение аудиозаписей