I.15Доступность и ассистивные технологии

Facebook wav2vec2-large-xlsr-53-french — модель распознавания французской речи, основанная на архитектуре wav2vec2 и настроенная для французского языка. Она принимает аудио и преобразует речь в текст; карточка сообщает об оценке на тестовой выборке Common Voice FR — 25,2 %. Модель содержит 402,7 млн параметров и доступна в форматах PyTorch и Flax. Модель подходит для транскрибации французской речи, например, записей и голосовых сообщений. Лицензия — Apache-2.0. Метаданные указывают на обучение или оценивание на Common Voice; сведений о поддержке других языков карточка не приводит.

ceyda/wav2vec2-large-xlsr-53-turkish — модель распознавания речи, дообученная на турецком языке разработчиком карточки на основе facebook/wav2vec2-large-xlsr-53 с использованием данных Common Voice. Она преобразует аудиозапись речи в текст и предназначена для распознавания турецкой речи; входной сигнал должен иметь частоту дискретизации 16 кГц. Модель использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Доступны веса PyTorch и Flax. В README приведён результат 27,59 % на тестовых данных Common Voice, однако метрика не названа, поэтому напрямую интерпретировать её качество нельзя. Модель распространяется по лицензии Apache-2.0.

Модель voidful/wav2vec2-large-xlsr-53-tw-gpt — дообученная на традиционном китайском варианте для Тайваня (zh-TW) версия facebook/wav2vec2-large-xlsr-53. Она распознаёт речь и предназначена для транскрибирования аудио; README приводит результаты оценки на тестовой части Common Voice: CER 28,70 без языковой модели и 18,36 с GPT и поиском по лучу. Архитектура — Wav2Vec2 CTC, размер — 424,3 млн параметров. Входную речь следует подавать с частотой дискретизации 16 кГц. Модель подходит для создания расшифровок записей на zh-TW, в том числе материалов, похожих на записи Common Voice. Карточка указывает лицензию Apache-2.0. Приведённые оценки относятся к тестовым данным Common Voice; качество на других источниках речи может отличаться.

Edresson/wav2vec2-large-xlsr-coraa-portuguese — дообученная Edresson модель распознавания речи на базе архитектуры wav2vec 2.0. Она использует вариант Wav2Vec2ForCTC с 402,7 млн параметров и обучена на португальском корпусе CORAA. Модель предназначена для преобразования португальской речи в текст, например при расшифровке записей. Для использования доступны веса PyTorch и библиотека Transformers. README отсылает к статье о CORAA за результатами, но не приводит численных оценок качества. Лицензия — Apache-2.0.

dbdmg/wav2vec2-xls-r-300m-italian-robust — акустическая модель распознавания итальянской речи, дообученная на базе facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Для обучения использованы итальянские части наборов Common Voice 7.0, LibriSpeech multilingual, TED multilingual, Voxforge, M-AILABS, EuroParl-ST, EMOVO и MSPKA. Модель принимает аудио и преобразует речь в текст; карточка не описывает дополнительные режимы работы или длину контекста. Репозиторий предоставляет веса PyTorch и Safetensors. Лицензия — Apache 2.0.

Akaash1/wav2vec-khmer-english-medium — модель распознавания речи на базе Wav2Vec2, дообученная на facebook/wav2vec2-xls-r-300m на данных OpenSLR и S4E16_Podcast. Она принимает аудио и преобразует речь в текст; в карточке указано значение WER 0,2868 на оценочном наборе. Модель содержит 402,8 млн параметров и использует архитектуру Wav2Vec2ForCTC. Модель подходит для распознавания речи на кхмерском и английском языках, в том числе в подкастах. Распознавание основано на CTC. Распространяется по лицензии Apache-2.0.

DewiBrynJones/whisper-large-v2-ft-cy-2607 — дообученная модель автоматического распознавания речи на базе Whisper large-v2 от OpenAI. Она принимает аудио и создаёт текстовую транскрипцию; дообучение проведено на наборе DewiBrynJones/preprocessed-whisper-btb-cv-cvad-wlga-ca-2607. Модель содержит около 905,2 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors через Transformers. Лицензия — Apache-2.0. Модель подходит для транскрибации речи. Базовый Whisper large-v2 мультиязычен и также поддерживает перевод речи, однако карточка этой дообученной версии не подтверждает, какие языки или переводные сценарии сохраняются после дообучения. Подробные сведения об оценке качества и ограничениях в карточке отсутствуют.

jlvdoorn/whisper-large-v3-atco2-asr — дообученная модель распознавания речи на базе Whisper large-v3 от OpenAI. Она предназначена для преобразования аудио в текст; README сообщает результат оценки WER 17,0374 и loss 0,7695, но не описывает набор оценки и условия измерения. Модель содержит 905,2 млн параметров, использует архитектуру WhisperForConditionalGeneration и опубликована в формате safetensors. Лицензия — Apache-2.0.

jlvdoorn/whisper-large-v3-atco2-asr-atcosim — дообученная модель семейства Whisper, созданная на базе openai/whisper-large-v3. Она предназначена для автоматического распознавания речи и преобразования аудио в текст. В карточке приведены результаты оценки: loss 0,1039 и WER 22,2698; сведения о наборе данных и сценариях обучения не раскрыты. Модель содержит около 905,2 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0.

TalTechNLP разработала эту модель как дообученную версию Whisper large-v3 для создания субтитров на эстонском языке. Модель распознаёт эстонскую речь и формирует текстовые субтитры; её обучали примерно на 770 часах вручную подготовленных субтитров эстонского телеканала ETV. Число параметров — 905,2 млн, архитектура — Whisper, для работы используется библиотека Transformers, веса представлены в формате safetensors. Модель подходит для транскрибации передач и другого эстонского аудио с учётом требований ETV к длине строк: выходные фрагменты почти всегда соответствуют ограничению в 48 символов на строку. Это не дословная расшифровка: при спонтанной речи модель может переформулировать и сокращать текст, в частности опускать колебания и повторы. Лицензия — MIT. README упоминает Whisper large-v3-turbo как базу, тогда как метаданные указывают openai/whisper-large-v3; точная связь с вариантом turbo неясна.

mlx-community/whisper-large-v3-fp16 — версия Whisper large-v3 от сообщества mlx-community, преобразованная в формат MLX из openai/whisper-large-v3 с помощью mlx-audio-plus 0.1.4. Модель предназначена для распознавания речи и преобразования аудио в текст; её можно использовать для транскрибации записей и аудиоввода в приложениях на MLX. Это мультиязычная модель семейства Whisper с плотной архитектурой. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. README описывает использование через mlx-audio-plus.

LoS Whisper-large-v3 — мультиязычная модель автоматического распознавания речи, созданная Лабораторией языковых технологий Барселонского суперкомпьютерного центра (BSC) дообучением openai/whisper-large-v3. Она предназначена для транскрибации речи на испанском, каталанском, галисийском и баскском языках с пунктуацией. Модель имеет архитектуру Whisper и содержит 905,2 млн параметров. При обучении использовали 8 110 часов аудиоданных из публичных и институциональных наборов; объём данных выравнивали между четырьмя языками. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Её можно применять для создания читаемых транскрипций аудиозаписей на поддерживаемых языках. В README отмечено, что демографические сведения о дикторах отсутствуют, поэтому возможны смещения, связанные с институциональными источниками обучающих данных.

fsicoli/whisper-large-v3-pt-1000h — дообученная модель распознавания речи на базе Whisper large-v3 от OpenAI, опубликованная fsicoli. Она принимает аудио и генерирует текстовую транскрипцию. В метаданных указаны архитектура WhisperForConditionalGeneration, 905,2 млн параметров и формат PyTorch. Для обучения использован набор данных fsicoli/cv17-fleurs-coraa-mls-ted-alcaim-cf-cdc-lapsbm-lapsmail-sydney-lingualibre-voxforge-tatoeba; в README приведены результаты оценки: loss 0,5576 и WER 0,1113. Модель подходит для преобразования речи в текст в многоязычных сценариях. Карточка не уточняет целевой язык или условия записи, поэтому результаты для конкретных языков и типов аудио из этих данных оценить нельзя. Лицензия — Apache-2.0.

Мультиязычная модель распознавания речи на базе Whisper large-v3 от OpenAI, дообученная fsicoli на наборе данных fsicoli/cv19-fleurs. Модель содержит 905,2 млн параметров и предназначена для преобразования аудио в текст. Для оценки указаны loss 0,1823 и WER 0,0756 на тестовой выборке.

Это версия Whisper Large v3 Turbo, дообученная для распознавания немецкой речи. Модель разработана на основе primeline/whisper-large-v3-german; автор карточки — Florian Zimmermeister. Репозиторий содержит конверсию CTranslate2 для использования в совместимых системах, например faster-whisper. В метаданных указана библиотека Transformers, а README описывает формат CTranslate2. Модель преобразует немецкую речь в текст и подходит для транскрибации, создания субтитров, голосового управления, голосового поиска и диктовки. В README для варианта Turbo указано 809 млн параметров. Приведены оценки WER на немецких наборах данных: модель показывает результаты, близкие к базовой дообученной модели, но уступает ей на некоторых тестах. Лицензия — Apache-2.0.

Это мультиязычная модель распознавания речи Whisper large-v3-turbo, подготовленная OpenVINO и сжатая до INT8 с помощью NNCF. Она преобразует аудио в текст и подходит для транскрибирования речи на множестве языков, включая русский и английский. В основе — Whisper large-v3-turbo, дообученная и прореженная версия Whisper large-v3 с четырьмя слоями декодера вместо 32. Это ускоряет распознавание, при этом возможно небольшое снижение качества. Модель поставляется в формате OpenVINO IR; для запуска требуются OpenVINO 2026.1.0 или новее и Optimum Intel 1.27.0 или новее. Модель распространяется по лицензии MIT. В README ограничения отсылают к карточке исходной модели; конкретные ограничения здесь не перечислены.

Модель Dianavdavidson — дообученная на наборе данных Vaani модель автоматического распознавания речи на базе OpenAI Whisper Medium. Она принимает аудио и генерирует текстовую расшифровку; в карточке указаны 455,8 млн параметров, архитектура Whisper и формат safetensors. На оценочном наборе приведены Loss 0,4028 и Global WER 28,6796, однако описание не уточняет состав набора и методику оценки. Модель распространяется по лицензии Apache-2.0.

Это дообученная на наборе данных None модель OpenAI Whisper Medium для автоматического распознавания речи. Она принимает аудио и генерирует текстовую расшифровку; карточка сообщает результаты оценки: loss 0,5053 и Global WER 23,6218. Метаданные описывают базовую Whisper Medium как мультиязычную модель для распознавания и перевода речи, однако язык или языки, на которых специализируется это дообучение, не подтверждены. Модель использует архитектуру WhisperForConditionalGeneration и формат safetensors. Лицензия — Apache 2.0.

bofenghuang/whisper-small-cv11-french — модель автоматического распознавания речи, полученная дообучением openai/whisper-small на французской части набора Mozilla Common Voice 11.0. Она принимает аудио и выдаёт расшифровку на французском языке, включая регистр букв и пунктуацию. Для распознавания входную речь следует подавать с частотой дискретизации 16 кГц. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. В карточке приведены результаты WER для Common Voice 11.0, Multilingual LibriSpeech, VoxPopuli и Fleurs; тестовые данные были отфильтрованы и предобработаны, поэтому эти оценки не обязательно отражают качество на произвольной речи. Модель распространяется по лицензии Apache-2.0.

thorhojhus/whisper-small-danish — дообученная на датском языке модель распознавания речи на базе Whisper Small. Она сохраняет исходные архитектуру Whisper и токенизатор; опубликованы веса экспоненциального скользящего среднего после 200 000 шагов обучения. Обучение использовало около 13 411 часов уникальной датской аудиозаписи, включая псевдоразмеченные данные и датские части CoRal v3, Common Voice 26.0, FLEURS, FTSpeech и NST. Модель предназначена для транскрибирования датской речи, в том числе разговорной и чтения вслух. В оценке по протоколу датского ASR-лидера WER составил 24,01% на CoRal conversation, 14,16% на CoRal read-aloud и 9,53% на Common Voice cv17_da. Модель распространяется по лицензии MIT. Качество после дообучения на языках, отличных от датского, не проверялось. Поведение на длинных записях отдельно не обучалось и требует проверки; тишина, шум и незнакомые имена могут приводить к ошибкам распознавания.

Xenova/whisper-small.en — версия модели OpenAI Whisper small.en, подготовленная Xenova для использования в Transformers.js. Репозиторий содержит веса в формате ONNX, совместимые с JavaScript-библиотекой Transformers.js. Модель предназначена для автоматического распознавания речи и транскрибации аудио, в том числе аудиофайлов, доступных по URL. Основной сценарий — запуск распознавания в JavaScript-приложениях, включая веб-среду при наличии соответствующей поддержки ONNX/WebML. Модель ориентирована на английскую речь, что отражено в идентификаторе small.en. Ключевая особенность этой версии — адаптация весов Whisper к формату ONNX; конкретные сведения об архитектуре, числе параметров, размере контекста и точных характеристиках качества в README не приведены. Ограничениями являются ориентация на английский язык и зависимость от Transformers.js и совместимого окружения для выполнения ONNX-модели. Модель распространяется по лицензии Apache-2.0.

OpenVINO/whisper-small-fp16-ov — модель автоматического распознавания речи, созданная на основе Whisper Small от OpenAI и преобразованная в формат OpenVINO IR с весами FP16. Модель предназначена для преобразования аудиозаписей в текст и совместима с OpenVINO 2025.2.0 и новее, а также Optimum Intel 1.23.0 и новее. Модель имеет 153,1 млн параметров и использует архитектуру Whisper для последовательного преобразования речевого сигнала в текст. В карточке указана поддержка английского языка. Формат OpenVINO IR ориентирован на инференс через OpenVINO и OpenVINO GenAI, включая запуск на CPU. К сильным сторонам относятся оптимизированное представление FP16 и интеграция с инструментами OpenVINO для развертывания распознавания речи. Ограничения унаследованы от исходной модели Whisper Small: качество зависит от качества и характеристик аудио, а применение для языков, не заявленных в карточке, может быть ненадежным. Модель распространяется по лицензии Apache-2.0.

Whisper ASR for Kyrgyz Language — модель распознавания речи на кыргызском языке, опубликованная Национальной комиссией по государственному языку и языковой политике при Президенте Кыргызской Республики. Она основана на предварительно обученном Whisper и дообучена с адаптацией к фонетическим особенностям кыргызской речи. Модель принимает аудио и преобразует кыргызскую речь в текст. Её можно использовать для расшифровки записей и живой речи с микрофона; пример демонстрационного приложения построен на Transformers и Gradio. Архитектура — WhisperForConditionalGeneration, число параметров — около 153,1 млн.

Это зеркало модели распознавания речи Whisper Tiny, подготовленное KimtOS для использования в расширении KimtOS. Репозиторий содержит конфигурацию, токенизатор и квантованный файл ONNX; модель насчитывает 29,4 млн параметров и предназначена для загрузки через Transformers.js. Модель принимает аудио и преобразует речь в текст. Она подходит для встраивания распознавания речи в приложения, в том числе с подачей файлов с CDN KimtOS. В README указано, что исходная модель — Xenova/whisper-tiny; лицензия Apache-2.0 разрешает распространение при сохранении уведомления об авторских правах.

Модель anton-l/xtreme_s_xlsr_300m_mls — дообученная на датасете GOOGLE/XTREME_S - MLS версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи. Она принимает аудио и преобразует речь в текст; архитектура основана на Wav2Vec2ForCTC, а число параметров составляет около 402,7 млн. В README приведены результаты на оценочной выборке: WER 0,3033 и CER 0,0951. Модель предназначена для сценариев распознавания речи, где требуется получить текстовую транскрипцию аудио. Язык или языки распознавания и длина контекста в доступных сведениях не уточнены. Модель распространяется по лицензии Apache-2.0.

ARK-ASR-0.6B — многоязычная модель распознавания речи от Edge0, обученная по рецепту адаптации на данных учителя и онлайн-дистилляции политики из проекта open-audio-opd. Она преобразует аудио в текстовые транскрипты и подходит для расшифровки записей и потоковой речи на поддерживаемых языках. Архитектура включает декодерный Transformer с 504,7 млн параметров, отдельный аудиоэнкодер в стиле Whisper и MLP-адаптер; аудиопризнаки передаются декодеру для авторегрессионной генерации текста. Указанный в метаданных контекст — 32 768 токенов. Модель принимает аудио с частотой дискретизации 16 кГц и распознаёт китайский, английский, немецкий, японский, французский, корейский, испанский, польский, итальянский, румынский, венгерский, чешский, нидерландский, финский, хорватский, словацкий, словенский, эстонский и литовский языки. В опубликованных оценках модель показывает качество, сопоставимое с Qwen3-ASR-0.6B на английских и китайских наборах, хотя результаты зависят от языка и набора данных. Для запуска рекомендуется официальный скрипт проекта с обработчиком аудио и настройкой trust_remote_code=True. Модель опубликована в формате safetensors под лицензией Apache-2.0.

Audio8 ASR Infinite — модель потокового распознавания речи, разработанная Edge0. Она предназначена для транскрибирования китайской и английской речи в реальном времени, в том числе непрерывных аудиопотоков. Архитектура основана на аудиомодели Voxtral Realtime 4B: обучены аудиобашня, проектор и эмбеддинги длины кадра; текстовый декодер использует 36 слоёв. Модель принимает аудио и выдаёт текст. Потоковый режим поддерживает настраиваемый аудиотакт 80, 120 или 160 мс и задержку транскрипции 240–560 мс. В README заявлены семантическое определение пауз и завершения реплики, а также обработка неограниченно длинного потока с постоянными затратами памяти и задержкой благодаря Rolling KV Cache и адаптированной сборке vLLM. Нативный контекст чекпойнта составляет 30 секунд; бесконечная длительность относится к режиму с Rolling KV Cache. Оптимальные сочетания параметров постобучены не для всех конфигураций. Модель выпущена как preview, а семантическое восприятие на уровне кадров обозначено как работа в процессе. В приведённых сравнениях качество зависит от языка и набора данных: результаты сильны на китайских тестах, тогда как на LibriSpeech test.clean уступают Voxtral-Mini-4B-Realtime-2602. Лицензия — Apache-2.0.

Это дистиллированная версия Whisper large-v2 от rsonavane, созданная с помощью удаления слоёв декодера и обучения на распределениях модели-учителя. В декодере 8 слоёв вместо 32 у исходной модели; заявлены размер на 40% меньше и скорость декодирования примерно вдвое выше, чем у Whisper large-v2. Модель предназначена для автоматического распознавания речи. На датасете LibriSpeech после дообучения в течение одной эпохи автор сообщает о WER 4,2%. В карточке также указана возможность дообучения для нескольких языков, но конкретные результаты для них не приведены. Доступны веса PyTorch; лицензия в предоставленных данных не указана.

BuzzASR/dutch — одноязычная модель автоматического распознавания речи на нидерландском языке, разработанная как часть набора BuzzASR из 102 специализированных ASR-моделей. Это дообученная версия Whisper large-v3 от OpenAI: модель использует архитектуру Whisper и токенизатор исходной модели, а настройка выполнена для распознавания речи. Веса доступны в формате Safetensors; размер модели — около 905,2 млн параметров. Модель предназначена для транскрибации нидерландской речи. В README приведены результаты на тестовых наборах FLEURS и Common Voice 25; авторы сообщают о снижении CER относительно Whisper large-v3 без дообучения на объединённом тесте. Модель поддерживает только нидерландский язык. Качество на других доменах и диалектах может отличаться от результатов на указанных тестовых наборах. Модель распространяется по лицензии MIT.

Eureka-Audio-Instruct — компактная аудиоязыковая модель на 1,7 млрд параметров, разработанная авторами Eureka-Audio. Она принимает аудио и формирует текстовые ответы для распознавания речи, вопросов об аудиозаписи, описания звуков, распознавания эмоций в речи и классификации звуковых событий. Архитектура объединяет аудиоэнкодер на основе Whisper, разреженный MoE-адаптер и языковую основу Qwen3-1.7B-Base; контекст составляет 32 768 токенов. Модель предназначена для транскрибации и широкого анализа аудио. Авторы сообщают о конкурентных результатах на аудиобенчмарках при меньшем размере по сравнению с рядом моделей на 7–30 млрд параметров и о более быстром декодировании относительно крупных моделей. Метаданные указывают поддержку английского и китайского языков. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0. Качество может различаться в зависимости от языка, типа записи и задачи; README не приводит здесь численных результатов оценивания, поскольку таблицы опущены. Для работы необходимы аудиовход и совместимая программная среда Transformers.