Конвейер pyannote для определения говорящих и временных границ их речи в аудиозаписях, с поддержкой эксклюзивной диаризации и локальной работы.

Подходит для: разметка говорящих в интервью и подкастах · определение смены говорящих в записях совещаний · подготовка временных меток говорящих для транскрипта

Модель сегментирует 10-секундные аудиофрагменты по активности и сочетаниям говорящих, включая перекрывающуюся речь.

Подходит для: определение участков речи в аудиозаписи · сегментация коротких фрагментов по говорящим · обнаружение одновременной речи нескольких участников

Модель pyannote-audio для обнаружения речи, перекрывающейся речи и уточнения сегментации аудио по говорящим.

Подходит для: определение речевых участков в аудиозаписи · обнаружение одновременной речи нескольких говорящих · уточнение границ сегментов после диаризации

Дообученная wav2vec 2.0 модель для распознавания датской речи в аудиозаписях.

Подходит для: транскрибирование выступлений на датском языке · распознавание речи в записях заседаний парламента · создание субтитров к датским аудио- и видеозаписям

Конверсия MMS-300M для принудительного выравнивания текста с речью и определения временных границ произнесённых слов.

Подходит для: выравнивание текста стенограммы с аудиозаписью · определение временных границ слов в речи · создание временных меток для субтитров

Токенизатор Qwen3-TTS кодирует речь в компактные дискретные токены и декодирует их обратно в аудио для речевых систем.

Подходит для: кодирование речи в дискретные токены · декодирование токенов обратно в речь · компактное хранение речевых данных

Модель NVIDIA для потоковой и офлайн-диаризации, которая определяет говорящих и временные границы их реплик в аудио.

Подходит для: Разделение реплик разных участников совещания · Определение говорящих в интервью и подкастах · Потоковая диаризация речи с настраиваемой задержкой

Многоязычная аудиомодель для транскрибирования длинных записей с временными метками, диаризацией говорящих и аннотациями акустических событий.

Подходит для: расшифровка многочасовых совещаний с разметкой говорящих · транскрибация телефонных звонков с временными метками · создание субтитров для видео и лекций

Дообученная версия WavLM-Base-Plus для покадрового определения говорящих в аудиозаписях.

Подходит для: определение смены говорящих в записи разговора · разметка аудиозаписи по говорящим · анализ многоголосых записей речи

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

Модель Qwen3 для выравнивания текста с речью и получения временных меток слов или символов на 11 языках.

Подходит для: получение временных меток слов в аудиозаписи · выравнивание транскрипта с речью · создание синхронизированных субтитров

Descript DAC 16 кГц — аудиокодек для извлечения признаков и компактного представления аудиосигнала.

Подходит для: извлечение признаков из аудио 16 кГц · кодирование аудио в компактные представления · подготовка аудиоданных для последующих моделей

Потоковая модель NVIDIA для разметки аудиозаписи по говорящим в разговорах с максимум четырьмя участниками.

Подходит для: диаризация речи в онлайн-разговорах · определение говорящих в записях встреч · разметка длинных аудиозаписей по участникам

Потоковая модель NVIDIA для определения говорящих и разметки их реплик в аудиозаписях с числом участников до четырёх.

Подходит для: разметка говорящих в телефонных разговорах · определение участников в потоковом аудио · диаризация записей совещаний

Модель Qwen для выравнивания транскрипции с речевым аудио и предсказания временных меток на 11 языках.

Подходит для: разметка временных меток слов в готовой расшифровке · синхронизация субтитров с речью · выравнивание транскрипции, созданной другой ASR-системой

Универсальный аудиоэнкодер Dasheng на 1,2 млрд параметров для извлечения признаков и классификации речи, музыки и окружающих звуков.

Подходит для: классификация эмоциональной окраски речи · подсчёт и анализ речи в аудиозаписях · распознавание звуковых команд

Датская модель распознавания речи для быстрой транскрибации чтения вслух и разговорных записей.

Подходит для: транскрибация датских разговоров · распознавание датской речи в аудиозаписях · преобразование датских аудиокниг и чтения вслух в текст

Нейронный аудиокодек Descript для сжатия аудио 44,1 кГц в дискретные коды и его восстановления.

Подходит для: сжатие музыкальных записей с восстановлением аудио · кодирование и декодирование речи для аудиосистем · преобразование аудио в дискретные токены для генеративных моделей

Модель NVIDIA для подробного описания, расшифровки и временной разбивки длинных аудиозаписей с речью, звуками и музыкой.

Подходит для: подробное описание длинной аудиозаписи · составление сводки аудио с временными метками · описание развития звуковой сцены

MOSS-Audio-Tokenizer-v2 кодирует и восстанавливает стереозвук в виде дискретных токенов для сжатия и последующих задач понимания и генерации аудио.

Подходит для: сжатие и кодирование стереозвука · восстановление аудио из дискретных токенов · потоковая обработка речи и звука

Лёгкая потоковая модель для определения наличия речи в коротких аудиофрагментах, подготовленная для запуска через MLX на Apple Silicon.

Подходит для: определение речевых сегментов в аудиопотоке · обнаружение начала и конца речи для голосового интерфейса · отсечение тишины перед распознаванием речи

Компактная модель на базе pyannote/segmentation-3.0 для обнаружения речи и сегментации до трёх одновременно звучащих говорящих в 10-секундных аудиофрагментах на MLX.

Подходит для: обнаружение речевых фрагментов в аудиозаписях · определение активности речи и тишины · разметка речи по говорящим

AST, дообученный на AudioSet, классифицирует аудио по категориям звуковых событий.

Подходит для: классификация звуковых событий в аудиозаписи · автоматическая разметка звуковых сцен · распознавание бытовых и окружающих звуков

Токенизатор непрерывного аудио для извлечения представлений, понимания и генерации звука, а также задач улучшения речи.

Подходит для: кодирование аудио для систем генерации звука · извлечение признаков из аудиосигнала · подготовка аудиоданных для моделей понимания звука