I.15Доступность и ассистивные технологии

nvidia/parakeet-tdt-0.6b-v3 — модель автоматического распознавания речи, разработанная NVIDIA. Она преобразует аудиозаписи в текст и предназначена для транскрибации речи в приложениях, работающих с аудио, включая записи встреч, выступлений и других разговорных сценариев. Модель интегрируется с Transformers и обучалась с использованием наборов данных NVIDIA Granary и nemo/asr-set-3.0. Модель содержит около 0,6 млрд параметров и использует архитектуру FastConformer/Conformer с компонентами Transformer и TDT (Token-and-Duration Transducer). Поддерживается широкий набор языков, включая английский, испанский, французский, немецкий, русский, украинский и другие европейские языки. В README не указана длина контекста. На тестах заявлены значения WER от 1,93% на LibriSpeech clean до 20,7% на греческом варианте FLEURS; качество зависит от языка и акустических условий. Ограничения по шуму, качеству записи и доменной адаптации отдельно не описаны. Лицензия — CC BY 4.0.

Qwen3-ForcedAligner-Ultra — мультиязычная модель принудительного выравнивания текста с речью, созданная автором карточки на основе Qwen/Qwen3-ForcedAligner-0.6B. Она принимает аудио и соответствующую расшифровку и определяет временные границы слов; предназначена для разметки субтитров, исправления расшифровок, подготовки речевых датасетов и проставления временных меток в результатах распознавания речи. Модель относится к семейству Qwen3 ASR и дообучена с помощью LoRA; основной чекпойнт использует обучаемую временную голову. Опциональная Local Head уточняет границы внутри выбранного акустического участка с шагом 10 мс. Обучение охватывало шумную, акцентированную и разговорную речь, ошибки и пропуски в расшифровке, а также переключение языков. Заявленная поддержка включает китайский, английский, кантонский, французский, немецкий, итальянский, японский, корейский, португальский, русский и испанский; наиболее подробно дообучались и оценивались девять языков, а кантонский и португальский рекомендуется проверять на целевых данных. В описанной автором оценке на многоязычной выборке модель заметно сократила среднюю ошибку временных границ и долю крупных выбросов по сравнению с исходным чекпойнтом; Local Head дополнительно повышает точность локальных границ. Результаты зависят от качества аудио и расшифровки, а показатели для двух поддерживаемых языков имеют меньший охват оценки. Модель распространяется по лицензии Apache-2.0.

Qwen3-Omni-30B-A3B-Instruct — мультимодальная модель общего назначения от команды Qwen компании Alibaba. Она принимает текст, изображения, аудио и видео и формирует потоковые ответы текстом и естественной речью; вариант Instruct включает компоненты Thinker и Talker. Архитектура MoE использует разделение на Thinker и Talker, а модель рассчитана на низколатентное взаимодействие в реальном времени и управление поведением через системные промпты. Модель предназначена для голосовых диалогов, распознавания и понимания речи, описания аудио и видео, а также ответов на вопросы по изображениям и смешанным мультимодальным входам. README заявляет поддержку 119 языков для текста, 19 языков для речевого ввода и 10 для речевого вывода; среди явно перечисленных языков речи есть русский. В примере запуска указан максимальный контекст 65 536 токенов. Для работы предлагаются Transformers и vLLM; README отмечает, что на момент публикации требовалась установка Transformers из исходников. Лицензия в метаданных обозначена как other, без уточнения условий.

Qwen3-VL-8B-NSFW-Caption-V4.5 — мультимодальная модель для подробного описания изображений, созданная на базе Qwen/Qwen3-VL-8B-Instruct с помощью дообучения LoRA. Разработчик в README называет модель thesby, тогда как идентификатор репозитория указывает monkeyslikebananas. Модель генерирует развернутые описания сцен, отмечая объекты, обстановку, эмоции, материалы и освещение. Она рассчитана на автоматическую разметку и каталогизацию изображений, помощь в доступности и анализ SFW- и NSFW-контента; также заявлена поддержка описания коротких видео. В основе — плотная архитектура Qwen3-VL с 8 млрд параметров; модель принимает визуальный ввод и формирует текст. Карточка указывает поддержку китайского и английского языков. README заявляет высокое качество и длинные описания, однако эти оценки не сопровождаются независимыми результатами тестирования. Возможны галлюцинации, предвзятость и ошибки при классификации пограничного SFW/NSFW-контента; для важных решений требуется проверка человеком. Лицензия — Apache-2.0.

Sinai Voice AR STT — модель распознавания арабской речи и преобразования её в текст, разработанная Bakrianoo. Это дообученная версия facebook/wav2vec2-xls-r-300m на арабской части набора Mozilla Common Voice 8.0. Архитектура Wav2Vec2ForCTC, размер — 402,7 млн параметров; модель принимает аудио и выдаёт текст на арабском языке. Модель предназначена для автоматической транскрибации арабской речи. В README приведены результаты оценки на тестовой выборке Common Voice 8.0: WER 0,181 и CER 0,049. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

TeraTTSv2 ONNX — модель синтеза речи, опубликованная TeraSpace для запуска через ONNX Runtime и Transformers. Она преобразует текст на русском или английском языке в монофоническое аудио с частотой 44,1 кГц и поддерживает потоковую выдачу звука. В комплект входят десять голосовых стилей и два варианта диффузионного сэмплера: ускоренный дистиллированный восьмишаговый вариант и учительская модель с настраиваемым CFG. Для русского текста предусмотрена автоматическая расстановка ударений, а также ручные маркеры ударения; текст требуется заключать в языковые теги. Длительность и темп речи можно менять параметром duration_scale. Для русской речи рекомендованы голоса ru_f1 и ru_m5. Символы вне словаря пропускаются, а качество автоматической обработки ударений может зависеть от слова; в словарном режиме неизвестные слова и неоднозначные омографы остаются без изменений. Модель распространяется в формате ONNX; лицензия модели в предоставленных материалах не указана.

Unified Audio Schema (UAS-Audio) — аудиоязыковая модель, разработанная авторами проекта Unified Audio Schema на базе Qwen2.5-7B и обученная с использованием их схемы супервизии. Она принимает текст и аудио и может выдавать текст и аудио, поддерживая чередование модальностей. Модель предназначена для диалогов с текстовым или речевым вводом, распознавания речи, описания аудиособытий и синтеза речи. Подход разделяет обучение на транскрипцию, паралингвистические характеристики и нелингвистические события, чтобы модель учитывала содержание речи и другие особенности аудио. Авторы сообщают о результатах на бенчмарках понимания аудио, ASR и TTS. Для восстановления звуковой волны из сгенерированных аудиотокенов требуется декодер StableToken. Модель опубликована в формате safetensors; лицензия указана как other, поэтому условия её использования следует сверить с карточкой репозитория.

VibeVoice-ASR — мультиязычная модель Microsoft для распознавания речи, доступная в версии, совместимой с Transformers. Она принимает аудио и формирует транскрипцию с текстом, временными метками и указанием говорящего; также можно передавать контекстные подсказки, например имена или специальные термины, чтобы помочь распознаванию.

Карточка модели Jinstudio/Voxtral-Mini-4B-Realtime-2602 на Hugging Face совпадает с карточкой mistralai/Voxtral-Mini-4B-Realtime-2602, поэтому описание составлено по ней. Voxtral Mini 4B Realtime 2602 — мультиязычная модель распознавания речи в реальном времени от Mistral AI. Это плотная модель семейства Voxtral Realtime с архитектурой VoxtralRealtimeForConditionalGeneration, дообученная на базе mistralai/Ministral-3-3B-Base-2512. Веса представлены в safetensors; для запуска поддерживается vLLM, а Transformers поддерживает модель начиная с версии 5.2.0. Модель предназначена для потоковой транскрипции аудио с небольшой задержкой. README рекомендует задержку 480 мс; указана поддержка английского, французского, испанского, немецкого, русского, китайского, японского, итальянского, португальского, нидерландского, арабского, хинди и корейского языков. По описанию, при настройках vLLM по умолчанию контекст позволяет обрабатывать аудио продолжительностью примерно до трёх часов, хотя практический предел зависит от выделенной памяти и параметров запуска. Модель показывает конкурентные результаты среди систем транскрипции реального времени, но в приведённом сравнении Fleurs уступает офлайн-модели Voxtral Mini Transcribe 2.0. Для работы с потоковым аудио рекомендуются веб-сокеты; запуск через vLLM требует GPU с памятью не менее 16 ГБ. Архитектура пока имеет ограниченную поддержку в программных инструментах: README отмечает поддержку vLLM и Transformers, а запуск через ExecuTorch обозначен как непроверенный. Лицензия — Apache-2.0.

Yehor разработал модель распознавания украинской речи на основе дообученной facebook/w2v-bert-2.0. Это плотная модель архитектуры Wav2Vec2-BERT с головой CTC, принимающая аудио и выдающая распознанный текст. В метаданных указано 402,7 млн параметров; модель обучалась на Common Voice 10.0 и распространяется в формате Safetensors по лицензии Apache-2.0. В карточке приведены метрики: WER 6,6% и CER 1,34%; также указана точность на словах 93,4% и символах 98,7%. Карточка рекомендует использовать обновлённую модель, поэтому результаты могут не отражать актуальное состояние проекта. Модель предназначена для автоматического распознавания речи на украинском языке.

Edresson/wav2vec2-large-100k-voxpopuli-ft-Common-Voice_plus_TTS-Dataset-russian — русскоязычная модель распознавания речи на архитектуре Wav2Vec2 Large с выходной головой CTC. Её дообучили на базе Wav2Vec2 Large 100k VoxPopuli с использованием Common Voice 7.0 и M-AILABS. Модель принимает аудио и преобразует русскую речь в текст. Она подходит для автоматической транскрибации записей и голосовых данных в приложениях на базе Transformers. Размер — 402,7 млн параметров; файлы представлены в формате PyTorch. Лицензия — Apache-2.0. README отсылает за результатами к статье, поэтому численные показатели качества здесь не приводятся.

facebook/wav2vec2-large-xlsr-53-german — модель распознавания речи на немецком языке от Facebook. Она основана на архитектуре Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; в карточке приведена оценка 18,5% на тестовой части немецкого Common Voice. Доступны веса PyTorch и Flax. Модель предназначена для автоматической транскрипции немецкой речи, в том числе записей, похожих на аудиоматериалы Common Voice. Распространяется по лицензии Apache-2.0.

waxal-whisper_small_multi_s42 — дообученная модель семейства Whisper, созданная на основе openai/whisper-small. Она предназначена для автоматического распознавания речи и выдаёт транскрипцию аудио в виде текста. Модель содержит 153,1 млн параметров и распространяется в формате Safetensors через библиотеку Transformers. В README приведены результаты оценки: WER 0,7159, CER 0,3848 и loss 0,4327. Датасет обучения обозначен как None, а подробности о языках, сценариях применения и условиях тестирования не приведены. Модель распространяется по лицензии Apache-2.0; качество распознавания следует проверять на данных целевого сценария.

Карточка модели Jinstudio/whisper-base.en на Hugging Face совпадает с карточкой openai/whisper-base.en, поэтому описание составлено по ней. Whisper base.en — англоязычная модель автоматического распознавания речи, разработанная OpenAI. Это плотная модель Transformer типа encoder-decoder с архитектурой WhisperForConditionalGeneration; в репозитории указано 51,7 млн параметров. Она преобразует английскую речь в текст и предназначена для расшифровки аудио, в том числе длинных записей: базовая обработка рассчитана на фрагменты до 30 секунд, а конвейер Transformers с разбиением на фрагменты позволяет работать с более длинными записями и получать временные метки. Модель обучена на больших массивах аудио с транскрипциями и рассчитана на распознавание английской речи. Она показывает устойчивость к акцентам, шуму и специализированной лексике, но может добавлять слова, которых нет в аудио, повторять фрагменты и ошибаться на отдельных голосах и условиях записи. Лицензия — Apache 2.0.

WhisperKit Pro — набор моделей распознавания речи, подготовленных Argmax для работы с библиотекой WhisperKit и SDK Argmax. Репозиторий содержит варианты OpenAI Whisper, включая base, small и large-v3, а также Distil-Whisper large-v3; модели представлены в формате Core ML для локального запуска на устройствах Apple. Они преобразуют аудио в текст и подходят для расшифровки файлов и потокового распознавания речи. Возможности зависят от выбранного варианта: в репозитории есть англоязычные и многоязычные модели Whisper. Разработчик указывает лицензию argmax-fmod-license; доступ к Pro-возможностям SDK требует настройки Argmax SDK, а загрузка моделей через Hugging Face может требовать токен доступа. Репозиторий ориентирован на распознавание речи, а не на генерацию аудио.

whisper-large-v3-bn-cv17 — модель распознавания речи, дообученная разработчиком на базе openai/whisper-large-v3 на наборе Common Voice 17.0 и данных IIT Madras SPRING-INX. Она предназначена для преобразования речи в текст; архитектура Whisper содержит около 905,2 млн параметров. На оценочном наборе указаны loss 0,0669 и WER 30,8364. Лицензия модели в предоставленных данных не указана.

Это мультиязычная модель распознавания речи Whisper large-v3-turbo, представленная Intel в формате OpenVINO IR с весами, сжатыми до INT4. Она преобразует аудио в текст и подходит для локального инференса через OpenVINO и Optimum Intel; совместимость заявлена с OpenVINO 2026.1.0 и новее и Optimum Intel 1.27.0 и новее. Модель основана на OpenAI/whisper-large-v3-turbo и содержит около 905,2 млн параметров. В исходной архитектуре Whisper large-v3-turbo число слоёв декодера сокращено с 32 до 4, что ускоряет распознавание с небольшим снижением качества; дополнительное сжатие весов выполнено в режиме INT4_ASYM с размером группы 128. Поддерживаются многие языки, включая русский и английский. Модель распространяется по лицензии MIT.

bofenghuang/whisper-medium-french — модель распознавания французской речи, полученная дообучением openai/whisper-medium. Она предназначена для преобразования аудиозаписей на французском языке в текст и обучена на составном наборе данных с более чем 2200 часами речи, включая Common Voice, Multilingual LibriSpeech, VoxPopuli, Fleurs, Multilingual TEDx, MediaSpeech и African Accented French. Модель построена на архитектуре Whisper и содержит около 455,8 млн параметров; для входного аудио требуется частота дискретизации 16 кГц. В README приведены результаты оценки на французских поднаборах Common Voice 11.0, Multilingual LibriSpeech, VoxPopuli и Fleurs. Модель не предсказывает регистр букв и пунктуацию, а опубликованные оценки рассчитаны на предварительно отфильтрованных данных. Репозиторий распространяется под лицензией Apache-2.0.

mitchelldehaven/whisper-medium-ru — модель распознавания речи на базе Whisper, дообученная на аудиоданных из набора Open STT Russian Dataset. Она предназначена для преобразования русской речи в текст и может применяться для транскрибации записей и аудио с речью. Модель имеет архитектуру Whisper и содержит около 455,8 млн параметров; репозиторий распространяет веса в формате PyTorch. При нормализации обучающих данных пунктуацию удаляли, тогда как исходная токенизация Whisper заменяет её пробелом. По данным карточки, это расхождение немного ухудшает результаты на Common Voice. Лицензия в предоставленных сведениях не указана.

nlp-mg/whisper-mg — дообученная модель распознавания речи на базе openai/whisper-small, опубликованная под лицензией Apache-2.0. Она предназначена для преобразования аудио в текст; в README приведены результаты оценки: loss 0.1375 и WER 7.0732. Модель использует архитектуру WhisperForConditionalGeneration и содержит 153,1 млн параметров. Метаданные указывают поддержку аудиовхода. README не сообщает, на каких языках и данных проводилось дообучение, поэтому нельзя уточнить специализацию модели или качество распознавания для конкретного языка. Прикладные ограничения сверх этих сведений не описаны.

mlx-community/whisper-small-asr-fp16 — преобразованная сообществом mlx-community в формат MLX модель OpenAI Whisper Small для распознавания речи. Она предназначена для преобразования аудиозаписей в текст; репозиторий использует библиотеку mlx-audio и содержит веса в формате safetensors. Модель насчитывает 153,1 млн параметров и поддерживает распознавание речи на множестве языков, включая русский и английский. Модель основана на openai/whisper-small и преобразована в формат MLX с помощью mlx-audio 0.2.10; это конверсия формата, а не новое дообучение. Лицензия репозитория — Apache-2.0. Карточка отсылает к исходной модели за подробностями о её характеристиках; отдельные ограничения в предоставленных данных не описаны.

Whisper small.en — англоязычная модель распознавания речи от OpenAI, представленная в семействе Whisper. Это Transformer-модель типа encoder-decoder с архитектурой sequence-to-sequence и 153,1 млн параметров. Она принимает аудио и преобразует английскую речь в текст; для длинных записей транскрибирование можно выполнять с разбиением аудио на фрагменты, а при соответствующей настройке получать временные метки. Модель обучена на размеченных аудиоданных в рамках семейства Whisper и рассчитана на распознавание английской речи, в том числе в условиях акцентов, фонового шума и специальной лексики. Репозиторий предоставляет веса в форматах PyTorch, TensorFlow и Flax, включая safetensors. Лицензия — Apache-2.0. Транскрипции могут содержать слова, которых нет в аудио; возможны повторения и ошибки распознавания. Качество зависит от акустических условий и разновидности английского; эта англоязычная версия не предназначена для многоязычного распознавания или перевода речи.

LiteRT Community Whisper Tiny — модель для автоматического распознавания речи, основанная на openai/whisper-tiny. Она предназначена для преобразования аудиозаписей в текст в сценариях автоматического распознавания речи. Из доступных данных известно, что модель относится к классу automatic-speech-recognition и распространяется по лицензии Apache 2.0. Сведения об архитектуре, размере, поддерживаемых языках, модальностях, длине контекста, сильных сторонах и ограничениях в карточке модели не указаны.

mlx-community/whisper-tiny — модель для автоматического распознавания речи, преобразующая аудиозаписи в текст. Она предназначена для сценариев транскрибации речи и интеграции в приложения, которым требуется ASR на базе экосистемы MLX. Модель представляет собой конвертированную версию Whisper с размером tiny, подготовленную сообществом mlx-community из исходной модели tiny с использованием инструментов проекта mlx-examples и формата MLX. В предоставленных данных не указаны поддерживаемые языки, максимальная длина контекста, точная архитектура, требования к ресурсам, показатели качества и ограничения. Лицензия также не указана, поэтому условия использования необходимо уточнять по исходной модели Whisper и репозиторию конвертации.

Xenova/whisper-tiny — версия модели OpenAI Whisper tiny, подготовленная командой Xenova в формате ONNX для совместимости с библиотекой Transformers.js. Модель предназначена для автоматического распознавания речи и транскрибирования аудио, в том числе непосредственно в JavaScript-приложениях и веб-среде. В README указано, что репозиторий содержит ONNX-веса базовой модели openai/whisper-tiny. Точные сведения о размере, архитектуре, поддерживаемых языках, контекстном окне и модальностях в карточке не приведены. Ключевое преимущество — готовность к использованию через Transformers.js и возможность обрабатывать аудио по URL; при этом README не содержит данных о точности, производительности и ограничениях качества распознавания. Лицензия указана как Apache-2.0.

optimum/whisper-tiny.en — английская модель распознавания речи семейства Whisper, экспортированная в формат ONNX с помощью Optimum. Она принимает аудио и генерирует текстовую расшифровку речи; размер модели составляет 29,4 млн параметров. Модель рассчитана на распознавание английской речи. Репозиторий опубликован под лицензией Apache 2.0. Формат ONNX позволяет использовать модель в совместимых средах инференса. Карточка не приводит дополнительных сведений о точности или специальных ограничениях распознавания.

Plim/xls-r-1b-cv_8-fr — акустическая модель распознавания французской речи, дообученная на датасете Mozilla Foundation Common Voice 8.0, конфигурация fr. Она основана на facebook/wav2vec2-xls-r-1b и использует архитектуру wav2vec2 с CTC-декодированием; число параметров — около 1,3 млрд. Модель принимает аудио и выдаёт текстовую транскрипцию. Модель предназначена для автоматической транскрипции французской речи, в том числе записей, похожих на данные Common Voice. В README приведены результаты оценки: на тестовой выборке Common Voice WER составляет 18,33 без языковой модели и 15,40 с ней; на dev-выборке speech-recognition-community-v2 — 31,33 и 25,05 соответственно. Лицензия — Apache-2.0. Показатели зависят от набора данных и декодирования, а результатов для тестовой выборки audio в карточке нет.

Модель hf-test/xls-r-300m-sv-cv8 — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на шведском языке (sv-SE). Она основана на архитектуре wav2vec 2.0 с CTC-декодированием и содержит около 402,7 млн параметров. Модель обучена на наборе MOZILLA-FOUNDATION/COMMON_VOICE_8_0; для оценки приведены показатели WER 0,2465 и CER 0,0717 без языковой модели, а с языковой моделью — WER 0,1710 и CER 0,0569. Модель предназначена для преобразования шведской речи в текст, например для расшифровки записей и голосовых сообщений. Репозиторий содержит веса PyTorch, а лицензия — Apache-2.0. Карточка не описывает отдельные ограничения качества или условия работы языковой модели; приведённые метрики относятся к оценочному набору Common Voice 8.0.

hadiqa123 выпустил XLS-R53english — англоязычную модель автоматического распознавания речи, дообученную для декодирования аудио в текст. Она основана на facebook/wav2vec2-large-xlsr-53, использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст; в карточке приведена оценка WER 0,3033 на тестовом наборе, но его состав не описан. Лицензия — Apache-2.0.

AudioX-South — модель распознавания речи из семейства AudioX, разработанного Jivi AI. Это вариант для южноиндийских языков, дообученный методом supervised learning на открытой модели распознавания речи с использованием языковой балансировки, адаптации к домену и аугментации шумом. Модель принимает аудио и преобразует речь в текст на тамильском, телугу, каннада и малаялам. Она предназначена для транскрибации, голосовых помощников, автоматизации клиентской поддержки и создания многоязычного контента; карточка сообщает об устойчивости к региональным акцентам и разному качеству записи. В примере запуска используется архитектура Whisper через Transformers. В README приведены результаты сравнения на Vistaar Benchmark; для AudioX указано среднее значение WER 20,1 по семи языкам семейства. Обучение включало открытые многоязычные ASR-корпуса и закрытые медицинские аудиоданные. Модель распространяется по лицензии Apache-2.0. Заявления о превосходстве в бенчмарках приведены авторами; отдельные ограничения качества в карточке не описаны.