I.15Доступность и ассистивные технологии

Bark — трансформерная модель преобразования текста в аудио, разработанная Suno. Репозиторий содержит крупный из двух опубликованных вариантов Bark и предназначен для генерации речи и других аудиосигналов. Модель строит аудио в несколько этапов: преобразует текст в семантические токены, затем в токены кодека EnCodec и далее формирует аудио. Она поддерживает многоязычную речь, а также может генерировать музыку, фоновые шумы, простые звуковые эффекты и невербальные звуки, например смех, вздохи и плач. В карточке перечислены английский, немецкий, испанский, французский, хинди, итальянский, японский, корейский, польский, португальский, русский, турецкий и китайский языки. Модель доступна для инференса через Transformers и оригинальную библиотеку Bark. Выход не фильтруется; авторы предупреждают о возможном злоупотреблении, включая несанкционированное использование для имитации голоса. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей. Авторы позиционируют модель для исследовательских целей.

Confucius4-R2T2 — модель распознавания речи в реальном времени от NetEase Youdao, дообученная на базе Qwen/Qwen3-ASR-1.7B. Она предназначена для потоковой и офлайн-транскрибации: выдаёт текст по мере поступления аудио и фиксирует уже выведенные фрагменты, не пересматривая их. Размер модели — 1,7 млрд параметров; архитектура — плотная Qwen3-ASR. Модель поддерживает настраиваемые интервалы декодирования от 80 мс до 2 с; в README заявлена средняя задержка 200–600 мс. Модель рассчитана прежде всего на китайскую и английскую речь, а также поддерживает ряд других языков, включая русский. Она подходит для субтитров и расшифровки в реальном времени, а также для передачи распознанного текста в NLP-системы и голосовых агентов. Доступны бэкенды vLLM и Hugging Face Transformers, а также подсказки с контекстом и ключевыми словами. README сообщает о высокой точности, но приведённые таблицы результатов опущены, поэтому независимо оценить эти заявления по карточке нельзя. Лицензия указана как other; конкретные условия следует проверить в репозитории модели.

dhansmair/flamingo-tiny — небольшая версия модели Flamingo, предварительно обученная для создания подписей к изображениям на наборе Conceptual Captions (3M). Она предназначена для генерации текстового описания изображения по его визуальному содержимому. Метаданные указывают архитектуру FlamingoModel и формат весов PyTorch; поддерживаемая задача — image-to-text, язык карточки — английский. Модель распространяется по лицензии Apache-2.0. Данных о размере модели и длине контекста нет.

GigaAM-v3 RNNT — модель распознавания речи, разработанная Sber и опубликованная в исходном виде в репозитории ai-sage/GigaAM-v3; эта версия подготовлена для loom.cpp. Она преобразует аудио в текст и рассчитана на распознавание русской и английской речи. В основе лежит архитектура Conformer с предсказанием RNNT. Репозиторий содержит неизменённые веса исходной модели, упакованные в один файл GGUF для запуска через loom-py-rt. Модель подходит для транскрибации аудиозаписей и обработки речи приложениями, использующими loom.cpp. Лицензия — MIT. Карточка не приводит численный размер модели или длину контекста; эти характеристики здесь не указаны.

Granite Speech 5.0 TurboCTC — компактная модель распознавания английской речи от IBM с 470 млн параметров. Она предназначена для быстрой транскрибации речи в текст и рассчитана на развертывание на ноутбуках, смартфонах и других устройствах с ограниченными ресурсами. Модель использует акустический энкодер Conformer с блочным self-attention, self-conditioning и временным уменьшением частоты представлений. Она обучена на примерно 60 000 часах английского аудио и применяет CTC с жадным неавторегрессионным декодированием, что обеспечивает высокую скорость вывода. Поддерживается Transformers; для локального запуска также описаны варианты MLX Audio и transcribe.cpp. Модель подходит для корпоративной транскрибации с низкой задержкой и высокой пропускной способностью. Обучающие данные включают общедоступные аудиокорпуса и синтетические примеры, в том числе речь с числами, валютами и адресами. Поддерживается английский язык; лицензия — Apache 2.0. Модель ориентирована на английскую речь, поэтому её не следует считать многоязычной.

Igbo-ASR — модель автоматического распознавания речи на языке игбо, разработанная Awarri Technologies при поддержке Федерального министерства коммуникаций, инноваций и цифровой экономики Нигерии. Это дообученная на Whisper Small трансформерная модель примерно с 244 млн параметров, обученная на 120 часах записей из разных регионов Нигерии и общедоступных наборах данных. Она принимает аудио и выдаёт текстовую транскрипцию на игбо; рекомендуемая частота дискретизации — 16 кГц, максимальная длительность входного фрагмента — 30 секунд. Модель предназначена для транскрибирования речи в образовательных, исследовательских, культурных, медийных и доступностных приложениях. Её область применения — речь на игбо; качество может снижаться на некоторых диалектах, при переключении между игбо и английским, шуме и низком качестве аудио. Данных детской речи мало, а для специализированных областей может потребоваться дополнительное дообучение. Лицензия обозначена как other: условия описывают исследовательское и общественно полезное применение, запрещают ряд вредоносных сценариев, а коммерческое или крупномасштабное корпоративное использование требует отдельного соглашения.

IndicSeamless — дообученная AI4Bharat модель семейства SeamlessM4T-v2 для распознавания речи и перевода речи в текст на индийских языках. Она обучена на отфильтрованном наборе BhasaAnuvaad и предназначена для перевода аудиозаписей, в том числе речи из разных предметных областей. В README сообщается о превосходстве над базовой SeamlessM4T-v2 и другими системами на тестах Fleurs и BhasaAnuvaad. Модель распространяется в формате safetensors и используется через Transformers; лицензия CC BY-NC 4.0 запрещает коммерческое использование.

KB-Whisper Base — модель распознавания речи, выпущенная Национальной библиотекой Швеции (KBLab) на основе OpenAI Whisper Base. Модель содержит 51,7 млн параметров и дообучена на шведской речи; в README указано более 50 000 часов аудиозаписей с текстовыми расшифровками. Метаданные указывают архитектуру Whisper и форматы ONNX и safetensors. Модель предназначена для транскрибирования шведской речи из аудио. По умолчанию используется вариант Stage 2; доступны версии с более сжатым стилем расшифровки Subtitle и более дословным Strict. В описанных тестах на FLEURS, CommonVoice и NST версия base показала WER 9,1, 8,7 и 7,8 соответственно. Модель лицензирована по Apache-2.0. README не сообщает об ограничениях на типы аудио или условиях качества записи.

Kokoro-82M — открытая модель синтеза речи, разработанная и обученная участниками проекта Kokoro. Модель содержит 82 млн параметров и основана на архитектурах StyleTTS 2 и ISTFTNet; для генерации речи она использует текст и фонемные представления. В README указано, что модель компактна, работает быстрее и дешевле многих более крупных систем и при этом обеспечивает сопоставимое качество. Модель предназначена для преобразования текста в аудио, включая локальное использование, интеграцию в приложения и коммерческие сервисы. В версии 1.0 заявлены 8 языков и 54 голоса; метаданные подтверждают английский язык. README описывает обучение на нескольких сотнях часов аудио и IPA-разметке. Веса распространяются по лицензии Apache-2.0, что допускает коммерческое применение при соблюдении условий лицензии.

Модель Linagora представляет собой дообученную версию NVIDIA French FastConformer Hybrid Large для автоматического распознавания французской речи. Это гибридная ASR-модель на архитектуре FastConformer/Parakeet с 115 млн параметров, обученная с функциями потерь Transducer и CTC; по умолчанию используется Transducer. Для дообучения использовано более 10 000 часов французской речи с ручной транскрипцией и пунктуацией: записи включают чтение, спонтанную речь, разговоры, встречи, разные акценты и условия записи. Модель предназначена для транскрибирования аудио во французский текст в пакетном и потоковом сценариях, в том числе через LinTO STT API. В README указана оценка на нескольких корпусах, включая отдельный тестовый набор SUMM-RE; результаты описаны как близкие к лучшим, но числовая таблица метрик в предоставленных данных отсутствует. Модель может хуже распознавать редкую лексику, сильные акценты и перекрывающуюся речь, а пунктуация может быть менее точной на длинных фрагментах. Модель распространяется по лицензии CC BY 4.0. README указывает использование с Transformers и NVIDIA NeMo; для Transformers требуется версия 5 или новее для ParakeetForRNNT. Метаданные указывают формат safetensors и французский язык.

Карточка модели NostraEmpire/mirror-qwen2.5-omni-7b на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Omni-7B, поэтому описание составлено по ней. Qwen2.5-Omni-7B — мультимодальная модель семейства Qwen, разработанная командой Qwen компании Alibaba. Она использует архитектуру Thinker-Talker для сквозной обработки текста, изображений, аудио и видео и потоковой генерации текста и естественной речи. Временные позиционные представления TMRoPE синхронизируют видеокадры со звуком. Модель предназначена для мультимодального диалога в реальном времени, включая голосовое и видеообщение, распознавание и понимание речи, анализ изображений и видео, следование инструкциям на слух и генерацию речи. Карточка сообщает о результатах на тестах мультимодального рассуждения, понимания видео, речи и перевода; модель работает через Transformers и хранит веса в формате safetensors. Модель принимает текст, изображения, аудио и видео, а выдаёт текст и аудио. В README не приведены сведения о лицензии, позволяющие назвать её условия: метаданные указывают лицензию «other».

facebook/mms-1b-l1107 — мультиязычная модель распознавания речи из проекта Massively Multilingual Speech (MMS), разработанного Vineel Pratap и коллегами. Она преобразует аудиозапись в текст и предназначена для автоматического распознавания речи на 1107 языках. Модель основана на архитектуре wav2vec 2.0 с выходной головой CTC и содержит около 1,3 млрд параметров. Репозиторий содержит веса PyTorch и Safetensors; в README указана частота дискретизации 16 кГц. Метаданные связывают модель с датасетом Google FLEURS. Модель охватывает большое число языков, включая языки с ограниченными ресурсами, что подходит для транскрибирования разнообразной речи. Качество для конкретного языка и аудиозаписи может различаться; поддержка языка не гарантирует одинаковую точность для всех диалектов и условий записи. Лицензия CC-BY-NC 4.0 допускает использование с атрибуцией, но запрещает коммерческое применение.

fidoriel/moonshine-base-de — модель распознавания речи на базе архитектуры Moonshine, созданная переносным дообучением англоязычной UsefulSensors/moonshine-base для немецкого языка. Она преобразует аудиоречь в текст и предназначена для сценариев автоматической транскрипции на немецком языке. В метаданных указан класс MoonshineForConditionalGeneration, формат весов Safetensors и контекст 194 токена. В оценке на тестовой части Common Voice указаны WER 0,069 и CER 0,024. Модель распространяется по лицензии CC BY-NC-SA 4.0: требуется указание авторства, использование ограничено некоммерческими целями, а производные работы должны распространяться на тех же условиях. Финансирование исходного проекта обеспечило Федеральное министерство исследований, технологий и космоса Германии.

Moonshine Streaming Tiny — модель автоматического распознавания речи, разработанная Useful Sensors для потоковой транскрипции на устройствах с ограниченными ресурсами. Она принимает аудио и генерирует текст на английском языке; модель предназначена для субсекундных задержек и работы примерно в пределах 0,1–1 TOPS и менее 1 ГБ памяти. Это последовательная encoder-decoder Transformer-модель: лёгкий аудиофронтенд формирует признаки с частотой 50 Гц, скользящий оконный энкодер использует локальное внимание, а авторегрессионный декодер выводит транскрипт. В карточке Tiny описана как вариант на 34 млн параметров с шестью слоями энкодера и декодера; метаданные репозитория указывают 20,3 млн параметров. Контекст в метаданных — 4096 токенов. Модель обучалась и оценивалась для английской речи. Основные сценарии — субтитры в реальном времени, голосовые команды и транскрипция на периферийных устройствах. Декодирование авторегрессионное, поэтому задержка полного вывода растёт с длиной транскрипта; реализация Transformers пока не обеспечивает полностью эффективную потоковую обработку. На коротких или шумных фрагментах возможны повторы и слова, отсутствующие в аудио. Лицензия — MIT. Разработчик не рекомендует применять модель для несогласованного наблюдения, идентификации говорящих и решений с высокими последствиями.

MAGAer13/mplug-owl-bloomz-7b-multilingual — мультиязычная модель семейства mPLUG-Owl для описания изображений и ответов на вопросы по ним. Карточка показывает, что модель использует архитектуру mPLUG-Owl и распространяется в формате PyTorch; разработчик модели в доступных сведениях не описан. Модель предназначена для сценариев, где нужно получить текстовое описание изображения или извлечь сведения из него с помощью вопросов на естественном языке. В метаданных указана поддержка английского, китайского, французского и японского языков, а также мультиязычность. Лицензия — Apache-2.0. Данные о числе параметров и длине контекста не приведены.

Карточка модели fal/paligemma-3b-mix-224 на Hugging Face совпадает с карточкой google/paligemma-3b-mix-224, поэтому описание составлено по ней. PaliGemma 3B Mix 224 — разработанная Google компактная модель «зрение—язык», сочетающая визуальный компонент SigLIP и языковую модель Gemma. Она принимает изображения и текст, а в ответ генерирует текст; вариант 224 использует разрешение изображений 224 пикселя. Модель предназначена прежде всего для дообучения под конкретную задачу и поддерживает несколько языков. После адаптации модель можно применять для описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Среди возможных специализированных сценариев — вопросы по снимкам дистанционного зондирования, помощь людям с нарушениями зрения и описание функций элементов интерфейса. Это модель с одним ходом, не предназначенная для многошагового диалога. Модель лучше работает с чёткими инструкциями; без дообучения её результаты на отдельных задачах могут уступать специализированным моделям. Она может ошибаться в фактах и сложных рассуждениях, а также отражать смещения обучающих данных. Лицензия — Gemma; для Gemma действуют условия и ограничения использования, указанные Google.

Parakeet CTC 0.6B — модель автоматического распознавания речи, совместно разработанная командами NVIDIA NeMo и Suno.ai. Она предназначена для преобразования английской речи в текст, например для расшифровки записей и обработки аудио в больших пакетах. Модель построена на архитектуре FastConformer CTC и содержит около 600 млн параметров. Она принимает монофоническое аудио WAV с частотой 16 кГц и возвращает текстовую расшифровку; выход оформляется строчными буквами английского алфавита. Обучение проводилось на 64 тысячах часов английской речи из частных и открытых наборов данных. Для работы предусмотрены NVIDIA NeMo и Transformers. Модель рассчитана на английский язык; в README приведены результаты оценки по Word Error Rate для нескольких наборов данных, но фактическое качество зависит от аудио и предметной области. Лицензия — CC BY 4.0.

Parakeet-TDT 0.6B v3 — многоязычная модель распознавания речи NVIDIA NeMo, опубликованная loom-ai-org в формате GGUF для запуска через loom.cpp и loom-py-rt. Репозиторий содержит экспорт исходной модели nvidia/parakeet-tdt-0.6b-v3; README указывает, что веса не изменены. Модель преобразует аудио в текст и предназначена для автоматической транскрипции речи на 25 языках, включая русский, английский, испанский, французский и немецкий. Для использования требуется loom-py-rt; экспорт включает графы модели и необходимые компоненты для запуска. Репозиторий распространяется по лицензии CC BY 4.0.

Parakeet TDT 0.6B v3 INT8 — модель распознавания речи, подготовленная Sonic Speech на основе модели NVIDIA Parakeet TDT v3 и предназначенная для запуска через MLX, в том числе на компьютерах Apple Silicon. Она преобразует аудио в текст и подходит для транскрибации записей и речи.

Parakeet-unified-en-0.6b — англоязычная модель распознавания речи от NVIDIA для офлайн- и потоковой транскрибации. Она принимает монофоническое аудио в формате WAV и выдаёт английский текст с пунктуацией и заглавными буквами. Модель построена на архитектуре Unified FastConformer-RNNT: энкодер FastConformer содержит 24 слоя, а декодер использует RNNT. В ней около 600 млн параметров. Офлайн- и потоковый режимы обучены совместно и используют общие параметры; для потоковой работы применяется обработка аудио чанками с настраиваемым левым, средним и правым контекстом. Заявленная задержка зависит от размера чанка и правого контекста: в приведённых настройках она составляет от 0,08 до 2,08 секунды. По приведённым оценкам WER модель показывает сильные результаты в офлайн-режиме и при потоковой задержке до 240 мс; при 160 мс качество начинает снижаться, а для 80 мс авторы рекомендуют другую модель. Для потокового распознавания нужны инструменты NVIDIA NeMo. В карточке указано, что пока доступен инференс, а обучающий конвейер планируется выпустить позднее. Лицензия обозначена как other; конкретные условия следует сверить с файлами лицензии репозитория.

Pix2Struct Widget Captioning Large — модель Google для понимания изображений, построенная по схеме «визуальный энкодер — текстовый декодер» и реализованная как Pix2StructForConditionalGeneration. Она принимает изображение и может отвечать на вопросы о его содержимом; семейство Pix2Struct также обучалось для создания подписей к изображениям и разбора визуально представленного языка. Предобучение включало преобразование замаскированных снимков веб-страниц в упрощённый HTML, а вход переменного разрешения позволяет работать с разнообразными визуальными материалами. Модель предназначена для визуальных вопросов и ответов, в том числе по изображениям веб-страниц, документов, интерфейсов, иллюстраций и фотографий. В метаданных указаны языки английский, французский, румынский и немецкий, а также мультиязычная поддержка. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0. README описывает семейство Pix2Struct в целом, поэтому отдельные показатели качества и точные характеристики именно версии Widget Captioning Large здесь не подтверждены.

unsloth/Qwen2.5-Omni-3B — мультимодальная модель на базе Qwen2.5-Omni-3B, опубликованная Unsloth. Она принимает текст, изображения, аудио и видео и может отвечать текстом или генерировать речь; архитектура Thinker-Talker поддерживает потоковую обработку и синхронизацию временных меток аудио и видео. Модель подходит для голосового и видеодиалога, распознавания и понимания речи, анализа изображений и видео, а также выполнения инструкций с аудиовходом. Карточка описывает возможности семейства Qwen2.5-Omni, включая распознавание речи, перевод, рассуждения по изображениям, понимание видео и генерацию речи. Для работы рекомендуется актуальная версия Transformers; генерацию аудио можно отключить, чтобы сократить расход видеопамяти примерно на 2 ГБ. В метаданных указаны формат safetensors и лицензия other; конкретные условия этой лицензии следует проверить на странице модели.

Qwen2.5-Omni-7B — мультимодальная модель семейства Qwen, разработанная командой Qwen компании Alibaba. Она использует архитектуру Thinker-Talker для сквозной обработки текста, изображений, аудио и видео и потоковой генерации текста и естественной речи. Временные позиционные представления TMRoPE синхронизируют видеокадры со звуком. Модель предназначена для мультимодального диалога в реальном времени, включая голосовое и видеообщение, распознавание и понимание речи, анализ изображений и видео, следование инструкциям на слух и генерацию речи. Карточка сообщает о результатах на тестах мультимодального рассуждения, понимания видео, речи и перевода; модель работает через Transformers и хранит веса в формате safetensors. Модель принимает текст, изображения, аудио и видео, а выдаёт текст и аудио. В README не приведены сведения о лицензии, позволяющие назвать её условия: метаданные указывают лицензию «other».

unsloth/Qwen2-VL-7B-Instruct-unsloth-bnb-4bit — мультимодальная инструкционная модель, основанная на Qwen/Qwen2-VL-7B-Instruct и опубликованная Unsloth. Она предназначена для задач image-text-to-text: анализа изображений и видео, ответов на вопросы по визуальному содержимому, работы с документами и визуального диалога. Модель также может использоваться в сценариях автоматизации устройств, включая мобильные телефоны и роботов, где требуется интерпретация визуальной среды и текстовых инструкций. Модель содержит 7B параметров и использует 4-битное квантование BnB с динамическим подходом Unsloth, который выборочно сохраняет часть параметров в более высокой точности для улучшения качества при сопоставимом потреблении VRAM. Qwen2-VL поддерживает изображения произвольного разрешения благодаря динамическому числу визуальных токенов, а архитектура M-ROPE обрабатывает текстовые, двумерные визуальные и трёхмерные видеопозиции. Модель способна анализировать видео длительностью более 20 минут и распознавать тексты на английском, китайском, большинстве европейских языков, японском, корейском, арабском и вьетнамском языках. К сильным сторонам относятся мультимодальное понимание изображений и видео, работа с различными разрешениями и соотношениями сторон, а также сниженные требования к памяти благодаря квантованию. Ограничения, включая точный размер контекстного окна и возможные потери качества из-за квантования, в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

Модель Harveenchadha/vakyansh-wav2vec2-hindi-him-4200 — модель распознавания речи на базе Wav2Vec2ForCTC, разработанная командой Vakyansh при Ekstep. Она дообучена на многоязычной предварительно обученной модели CLSRIL-23 и предназначена для преобразования речи на хинди в текст. Обучение проводилось на 4200 часах размеченных аудиоданных на хинди. Модель содержит около 113,3 млн параметров и принимает аудио с частотой дискретизации 16 кГц. Она выдаёт распознанный текст на хинди; языковая модель для декодирования не используется. В тесте на данных Common Voice для хинди указано значение 33,17%, но README не уточняет метрику, поэтому этот результат следует интерпретировать осторожно. Размеченные обучающие данные не опубликованы. Лицензия модели — MIT.

aconeil/w2v2-lmk_updated — модель автоматического распознавания речи на архитектуре wav2vec 2.0, дообученная на базе facebook/wav2vec2-large-xlsr-53. Она предназначена для преобразования аудиозаписей речи в текст. Модель содержит 402,7 млн параметров и использует архитектуру Wav2Vec2ForCTC. В README приведены результаты на оценочном наборе: WER 0,5749 и CER 0,2049. Для обучения использован набор данных audiofolder. Модель распространяется в формате safetensors по лицензии Apache-2.0. Язык распознавания и подробные ограничения в карточке не описаны.

Yehor/w2v-xls-r-uk — модель автоматического распознавания украинской речи от автора Yehor, дообученная на основе facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC семейства wav2vec2, содержит 402,7 млн параметров и принимает аудио, преобразуя его в текст. В метаданных указан датасет Common Voice 10.0 для украинского языка. Модель подходит для транскрибации украинской речи и распознавания записей. В карточке приведены результаты оценки: WER 20,24% и CER 3,64%; для оценки использовались float16 и batch_size=1. README предупреждает, что следует использовать обновлённую модель. Модель опубликована под лицензией Apache-2.0.

wav2vec2-bert-CV16-en — модель автоматического распознавания речи, разработанная на основе ylacombe/w2v-bert-2.0 и дообученная на англоязычном наборе MOZILLA-FOUNDATION/COMMON_VOICE_16_0. Она построена на архитектуре Wav2Vec2BertForCTC и содержит 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; карточка указывает результаты на тестовой выборке: WER 0,1455 и CER 0,0580. Репозиторий использует формат safetensors. Лицензия в предоставленных данных не указана.

jonatasgrosman/wav2vec2-large-english — модель распознавания английской речи, дообученная Jonatas Grosman на основе facebook/wav2vec2-large. Она использует архитектуру Wav2Vec2 с CTC-выходом и содержит 402,7 млн параметров. Модель преобразует аудиозаписи в текст и рассчитана на английскую речь; входной звук должен быть дискретизирован с частотой 16 кГц. Модель подходит для транскрибирования английской речи, в том числе записей, похожих на примеры из Common Voice 6.1. В оценке на тестовых данных Common Voice автор сообщает WER 21,53% и CER 9,66%; результаты зависят от данных и способа оценки. Для использования опубликована лицензия Apache-2.0.

facebook/wav2vec2-large-robust-ft-libri-960h — модель распознавания речи от Facebook на архитектуре Wav2Vec2 Large с плотной сетью и декодированием CTC. Она предварительно обучалась на Libri-Light, Common Voice, Switchboard и Fisher, а затем была дообучена на 960 часах англоязычной речи из LibriSpeech. Модель преобразует аудиозапись в текст и подходит для расшифровки аудиокниг, диктовки и телефонной речи. На вход следует подавать аудио с частотой дискретизации 16 кГц; метаданные указывают размер около 402,7 млн параметров. Репозиторий содержит веса PyTorch и safetensors. Модель ориентирована на английскую речь. Её применение ограничено качеством и условиями записи: шум, акценты и отличия от обучающих доменов могут ухудшать распознавание. Лицензия — Apache-2.0.