Модель Facebook на архитектуре wav2vec 2.0 для транскрибирования английской речи из аудио с частотой 16 кГц.

Подходит для: транскрибирование английских аудиозаписей · распознавание английской речи из файлов с частотой 16 кГц · получение текстовых расшифровок записей речи

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

Многоязычная акустическая модель Wav2Vec 2.0 для распознавания речи в виде фонетических меток и переноса на новые языки.

Подходит для: распознавание фонетических меток в аудиозаписях · построение акустической части системы автоматической транскрипции · перенос распознавания фонем на язык без обучающих транскрипций

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

Многоязычная модель Wav2Vec 2.0 преобразует аудио в фонетические метки для распознавания речи и фонем.

Подходит для: получение фонетической транскрипции речи из аудио · распознавание фонем в многоязычных речевых данных · создание акустической основы для системы распознавания речи

Многоязычная модель wav2vec2 для преобразования речи в текст на более чем тысяче языков.

Подходит для: транскрибация аудиозаписей на малоресурсных языках · распознавание речи для многоязычных приложений · создание текстовых расшифровок устных высказываний

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

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

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

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

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

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

Конверсия Distil-Whisper Large v3 в формат CTranslate2 для распознавания речи через faster-whisper и другие совместимые проекты.

Подходит для: расшифровка аудиозаписей в текст · распознавание речи в приложениях на faster-whisper · транскрибирование англоязычных аудиофайлов

Предварительно обученная многоязычная речевая модель Wav2Vec2 для адаптации к распознаванию речи, переводу и классификации аудио.

Подходит для: дообучение для распознавания речи на редком языке · адаптация речевой модели для перевода аудио · классификация речевых записей после дообучения

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

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

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

Модель Argmax для распознавания речи из аудио в формате Core ML с библиотекой WhisperKit.

Подходит для: транскрибирование аудиозаписей · распознавание речи в приложениях на платформах Apple · получение текста из голосовых записей

AST — дообученная на AudioSet модель на основе Vision Transformer для классификации звуковых событий в аудио.

Подходит для: классификация звуковых событий в аудиозаписях · распознавание звуков из набора классов AudioSet · анализ аудиозаписей для выявления характерных звуков

Дообученная Wav2Vec2-модель для распознавания японской речи в аудио с частотой дискретизации 16 кГц.

Подходит для: транскрибация японской речи из аудиозаписей · распознавание японской речи в голосовых сообщениях · создание текстовых расшифровок японских аудиоматериалов

Дообученная на польской речи модель wav2vec2 для преобразования аудиозаписей в текст.

Подходит для: транскрибация речи на польском языке · распознавание польской речи в аудиозаписях с частотой 16 кГц · подготовка текстовых расшифровок для материалов Common Voice

Англоязычная модель Wav2Vec2-Conformer для транскрибирования речи в текст из аудио с частотой дискретизации 16 кГц.

Подходит для: транскрибирование англоязычных аудиозаписей · распознавание речи из записей с частотой 16 кГц · создание текстовых расшифровок аудиоматериалов

MLX-версия многоязычной модели NVIDIA Parakeet-TDT-0.6B-v3 для распознавания речи и транскрибации аудио.

Подходит для: транскрибация аудиозаписей на поддерживаемых языках · преобразование русской речи в текст · распознавание речи в диктовке

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