I.15Доступность и ассистивные технологии

NVIDIA Parakeet-RNNT 110M Danish — модель автоматического распознавания речи с 110 млн параметров для преобразования датской речи в текст. Она предназначена для транскрибирования аудиозаписей и интеграции в приложения распознавания речи. Модель использует архитектуру FastConformer с предсказательной сетью LSTM и обучена с функцией потерь RNN-T. На вход подаётся монофоническое аудио с частотой 16 кГц, на выходе — строка с распознанным текстом. В README приведены оценки WER от 8,8% до 10,7% на датских тестовых наборах при жадном декодировании без внешней языковой модели. Для работы используется NVIDIA NeMo; модель оптимизирована для систем с GPU NVIDIA. Модель подходит для коммерческого и некоммерческого использования согласно README. В метаданных указана лицензия other, поэтому перед внедрением следует проверить применимые условия распространения и использования. Качество может зависеть от акустики, акцента и соответствия аудио обучающим данным; заявленные оценки относятся к указанным наборам и настройке декодирования.

Это версия модели NVIDIA Parakeet-TDT-0.6B-v3, подготовленная сообществом mlx-community для запуска в формате MLX на устройствах Apple. Модель основана на архитектуре FastConformer с Transducer-подходом и предназначена для автоматического распознавания речи и преобразования аудиозаписей в текст. Размер модели — около 0,6 млрд параметров; репозиторий содержит веса Safetensors и распространяется по лицензии CC BY 4.0. Модель поддерживает распознавание речи на нескольких европейских языках, включая английский, испанский, французский, немецкий, русский и другие. Её можно применять для транскрибации аудиозаписей и диктовки; для запуска доступны библиотеки parakeet-mlx и mlx-audio. Это конвертированная версия исходной модели NVIDIA, поэтому её характеристики распознавания определяются базовой моделью, а совместимость и производительность зависят от MLX и оборудования Apple.

Parakeet-unified-en-0.6b-gguf — это GGUF-порт модели nvidia/parakeet-unified-en-0.6b, подготовленный проектом handy-computer для работы с transcribe.cpp. Модель предназначена для автоматического распознавания английской речи и преобразования её в текст с пунктуацией и капитализацией. Она поддерживает офлайн-распознавание и буферизованный потоковый режим, включая сценарии голосовых ассистентов, субтитров в реальном времени и conversational AI. Архитектура включает 0,6 млрд параметров, encoder FastConformer и RNN-T transducer decoder. Это унифицированная модель для офлайн- и streaming-инференса с настраиваемой задержкой от 160 мс; поддерживаются токеновые временные метки. Модель обучалась преимущественно на англоязычной части датасета Granary объёмом около 250 000 часов речи en-US в различных акустических условиях. Поддерживается только английский язык; перевод и автоматическое определение языка отсутствуют. Сильными сторонами являются высокая точность распознавания, единая архитектура для потоковой и офлайн-обработки, встроенные пунктуация и капитализация, а также несколько вариантов квантования размером примерно от 477 МБ до 2,47 ГБ. Ограничения включают англоязычную специализацию, отсутствие перевода и необходимость использования transcribe.cpp; текущий streaming-инференс является буферизованным. Лицензия — CC-BY-4.0, унаследованная от базовой модели.

Parler-TTS Mini Multilingual v1 — модель синтеза речи, разработанная в сотрудничестве аудиокоманды Hugging Face и Quantum Squadra при участии AI4Bharat. Это дообученная версия Parler-TTS Mini, построенная на архитектуре Parler-TTS и предназначенная для преобразования текста в речь на английском, французском, испанском, португальском, польском, немецком, итальянском и нидерландском языках. Модель генерирует речь по тексту и позволяет управлять её характеристиками с помощью текстового описания. Для обработки используются отдельные токенизаторы текста и описания; улучшенный токенизатор с расширенным словарём и резервным кодированием байтов упрощает мультиязычное обучение и расширение языкового охвата. При обучении использовались очищенные данные CML-TTS и неанглоязычная часть Multilingual LibriSpeech — около 9 200 часов данных, а также примерно 580 часов английских записей LibriTTS-R. Веса опубликованы в формате safetensors, библиотека для работы — Transformers. Лицензия Apache-2.0. В карточке не указаны размер модели и длина контекста.

ysdede/Phi-4-mm-inst-asr-turkish — дообученная модель на основе microsoft/Phi-4-multimodal-instruct для транскрибирования аудио на турецком языке. Она обучена за один проход на наборе турецких аудиозаписей объёмом 600 часов с запросом «Transcribe the Turkish audio». Автор отмечает, что указание исходного языка при инференсе помогает снизить галлюцинации и повысить точность. Это плотная мультимодальная модель семейства Phi-4 с 3,8 млрд параметров и контекстом 4096 токенов. Модель использует Transformers и формат safetensors. Лицензия — MIT. Карточка не содержит оценок качества; обучение было ограничено ресурсами и одним проходом, поэтому точность на разных видах аудио может различаться.

Это экспорт многоязычной модели распознавания речи Qwen3-ASR-0.6B, разработанной Alibaba. Репозиторий подготовлен для loom.cpp и содержит веса в формате GGUF; README указывает, что параметры модели не изменены относительно Qwen/Qwen3-ASR-0.6B. Модель предназначена для преобразования аудио в текст. Её можно запускать через библиотеку loom-py-rt; экспорт включает необходимые для работы графы и драйвер. Поддерживаются китайский, английский, кантонский и ряд других языков, включая русский. Модель распространяется по лицензии Apache-2.0. Это экспорт исходных весов, поэтому его возможности и ограничения определяются базовой моделью Qwen3-ASR-0.6B; подробные сведения о точности и условиях аудиозаписи в карточке не приведены.

zeromodels/qwen3-vl-2b-thinking — конверсия модели Qwen3-VL-2B-Thinking от команды Qwen в реализацию на Keras 3. Компактная мультимодальная модель принимает изображения и текст и генерирует текст; веса хранятся в формате bfloat16. Реализация запускается с TensorFlow, Torch и JAX через Qwen3VLProcessor. Модель предназначена для диалогового анализа изображений, визуальных рассуждений и задач вроде OCR. Репозиторий предоставляет вариант на 2 млрд параметров; модель построена на базе Qwen/Qwen3-VL-2B-Thinking. Лицензия — Apache 2.0. Для подробностей о возможностях и условиях использования автор README отсылает к карточке исходной модели.

Speechless-llama3.2-v0.1 — компактная языковая модель семейства Llama, разработанная Homebrew Research как часть семейства Ichigo v0.5. Она преобразует аудио в текст и предназначена для распознавания речи на английском и вьетнамском языках. Модель содержит 1,2 млрд параметров, использует архитектуру Llama и имеет контекст 131 072 токена; в репозитории представлены веса Safetensors. В README приведены результаты оценки: WER 3,27 на LibriSpeech ASR для английского и 3,99 на viet_bud500 для вьетнамского. Модель рассчитана на сценарии распознавания речи, в том числе для языков с ограниченными ресурсами. Лицензия Apache 2.0. README описывает её как исследовательскую версию; метаданные также отмечают возможности генерации текста, однако основное назначение этой карточки — преобразование аудио в текст.

nrshoudi/speech_ocean_hubert_mdd — модель автоматического распознавания речи, полученная дообучением HuBERT-Large facebook/hubert-large-ll60k. Она принимает аудио и преобразует речь в текст; архитектура на основе HuBERT с CTC-головой содержит 402,8 млн параметров. В README приведены результаты на тестовой выборке: WER 0,0517, CER 0,0499 и loss 0,2027. Модель подходит для транскрибации аудиозаписей и распознавания речи в речевых интерфейсах. Язык и тематика обучающих данных не описаны, поэтому область языкового применения по имеющимся сведениям определить нельзя. Модель опубликована в формате safetensors по лицензии Apache-2.0.

Модель nrshoudi/speech_ocean_wav2vec_mdd разработана на основе facebook/wav2vec2-large-xlsr-53 и дообучена для автоматического распознавания речи. Это аудиомодель архитектуры Wav2Vec2 с примерно 402,8 млн параметров; она принимает аудио и выдаёт текстовую транскрипцию. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. В карточке приведены результаты оценки: WER 0,0863, CER 0,0692 и loss 0,3663. Данные обучения и языки распознавания не описаны, поэтому применимость к конкретным языкам и условиям записи по карточке установить нельзя.

microsoft/speecht5_asr — модель SpeechT5 от Microsoft, дообученная для автоматического распознавания речи на наборе LibriSpeech. Она преобразует монофоническую речь с частотой дискретизации 16 кГц в текст и предназначена для задач speech-to-text. SpeechT5 использует архитектуру кодировщика-декодировщика с общей сетью и специализированными компонентами для обработки речи и текста. Это часть унифицированной мультимодальной системы, предварительно обученной на речевых и текстовых данных; данный вариант настроен именно на распознавание речи. Для работы используются PyTorch и Transformers. Модель рассчитана на распознавание английской речи из LibriSpeech; README приводит входной формат моно, 16 кГц. Другие языки и условия записи в карточке не описаны. Лицензия — MIT.

ctaguchi/ssc-tob-mms-model-mix-adapt-max — дообученная модель автоматического распознавания речи на основе facebook/mms-1b-all. Она принимает аудио и преобразует речь в текст; архитектура — Wav2Vec2 с CTC-выходом, размер — 1,3 млрд параметров. Базовая модель поддерживает более тысячи языков, но язык и состав данных, на которых дообучена эта версия, не указаны. В карточке приведены результаты оценки: CER 0,1791 и WER 0,6105. Эти метрики указывают на ошибки распознавания, однако без описания набора данных и протокола оценки их нельзя напрямую переносить на другие условия. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Okwija разработал sunbird-whisper-lin-sna-V2 — дообученную модель распознавания речи на базе Sunbird/asr-whisper-51-african-languages, использующей архитектуру Whisper. Модель предназначена для преобразования аудиоречи в текст; базовая модель ориентирована на 51 африканский язык, а также английский и французский с африканскими акцентами. В README приведены результаты оценки: loss 0,1994, WER 0,2508 и CER 0,0425. Модель доступна в формате safetensors и рассчитана на использование через библиотеку Transformers. Репозиторий указывает лицензию Apache-2.0. README не уточняет языки и условия оценки конкретно для этой версии, поэтому возможности базовой модели не следует считать подтверждением качества на каждом из её языков.

Карточка модели Jinstudio/VibeVoice-ASR-HF на Hugging Face совпадает с карточкой microsoft/VibeVoice-ASR-HF, поэтому описание составлено по ней. 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 Seksiyog/VibeVoice-ASR-Streaming-7B на Hugging Face совпадает с карточкой komixenon/VibeVoice-ASR-Streaming-7B, поэтому описание составлено по ней. VibeVoice-ASR-Streaming-7B — потоковая модель распознавания речи семейства VibeVoice, представленная в карточке как модель для транскрибации с указанием говорящего. Она обрабатывает поступающую речь и связывает распознанный текст с тем, кто его произнёс; пользовательские горячие слова помогают распознавать имена и специальные термины. Модель поддерживает китайский, английский, французский, немецкий, итальянский, японский, корейский, португальский, русский и испанский языки. В метаданных указаны архитектура VibeVoice, класс VibeVoiceForASRStreamingTraining, библиотека Transformers и формат safetensors. Размер 7B следует из названия модели. Лицензия — MIT. Карточка направляет к репозиторию microsoft/VibeVoice за кодом и инструкциями по использованию. Подробные сведения о контекстном окне, качестве распознавания и ограничениях в предоставленных материалах отсутствуют.

Sagicc/w2v-bert-2.0-sr — модель распознавания речи, дообученная на базе facebook/w2v-bert-2.0 на датасете Common Voice 16.1. Она использует архитектуру Wav2Vec2BertForCTC и принимает аудио, преобразуя речь в текст. В оценке на тестовой выборке указаны loss 0,1469 и WER 0,0534; применимость этих показателей зависит от состава и условий оценки. Модель предназначена для автоматической транскрибации речи. В карточке не уточнены язык записей и условия, для которых получены метрики. Вес модели — около 402,7 млн параметров; опубликована в формате Safetensors. Лицензия — MIT.

Wav2Vec2-Base-VoxPopuli-Finetuned — модель распознавания речи, разработанная Facebook AI. Она основана на Wav2Vec2 Base: предварительно обучена на 10 тысячах неразмеченных примеров корпуса VoxPopuli, затем дообучена на транскрибированных испанских аудиозаписях. Архитектура — Wav2Vec2ForCTC, размер — 113,3 млн параметров; модель принимает аудио и преобразует речь в текст на испанском языке. Модель предназначена для автоматической транскрипции испанской речи, в том числе аудиозаписей, похожих на данные VoxPopuli. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC 4.0 требует указания авторства и не разрешает коммерческое использование.

KBLab разработала wav2vec2-large-voxrex-swedish — модель распознавания шведской речи на базе архитектуры Wav2Vec 2.0 Large с выходом CTC. Её дообучили на шведских радиопередачах, данных NST Swedish ASR Database и Common Voice; позднее добавили ещё 20 тысяч шагов обучения на Common Voice. Модель содержит около 402,7 млн параметров и принимает аудио с частотой дискретизации 16 кГц. Модель предназначена для преобразования шведской речи в текст, в том числе записей радио и голосовых данных общего характера. В README указана частота ошибок слов (WER) 2,5% на тестовой выборке NST и Common Voice; на тестовой выборке Common Voice — 8,49% без языковой модели и 7,37% с 4-граммной языковой моделью. Дополнительное обучение на Common Voice повысило результат на этой выборке, но несколько ухудшило результат на тесте NST и Common Voice. Модель распространяется по лицензии CC0 1.0.

Ilyes разработал модель распознавания французской речи на базе wav2vec2-large-xlsr-53. Это плотная модель с архитектурой Wav2Vec2ForCTC и 402,7 млн параметров, принимающая аудио и преобразующая речь в текст. Модель дообучена и оценена на французской части Common Voice; в карточке указаны WER 12,82% и CER 4,40% на тестовой выборке Common Voice FR. Модель подходит для транскрибации французской речи, например записей и аудиоматериалов. Она распространяется под лицензией Apache-2.0.

wav2vec2-large-xlsr-53-icelandic-ep30-967h — акустическая модель для автоматического распознавания исландской речи. Её дообучила Language and Voice Laboratory при Университете Рейкьявика на базе facebook/wav2vec2-large-xlsr-53: обучение длилось 30 эпох на 967 часах исландских записей из корпуса Samrómur Milljón, собранного платформой Samrómur. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. Модель принимает аудио и предназначена для преобразования исландской речи в текст, например для расшифровки записей. В README приведён результат тестирования 0,076, но метрика и протокол оценки не описаны, поэтому по этому числу нельзя однозначно судить о качестве. Модель распространяется по лицензии CC BY 4.0.

Wav2Vec2-Large-XLSR-53-Ukrainian — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на украинском языке на данных Common Voice. Она принимает аудио и преобразует речь в текст; входной сигнал должен иметь частоту дискретизации 16 кГц. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров; доступны веса PyTorch и Flax. Модель предназначена для автоматической транскрибации украинской речи, в том числе для оценки на тестовой выборке Common Voice. В README приведён результат тестирования 32,29 %, однако метрика не уточнена, поэтому это значение нельзя напрямую интерпретировать как точность распознавания. Модель распространяется по лицензии Apache-2.0.

m3hrdadfi/wav2vec2-large-xlsr-persian-v3 — модель распознавания персидской речи, разработанная на основе facebook/wav2vec2-large-xlsr-53 и дообученная на датасете Common Voice. Она принимает аудио и преобразует речь на фарси в текст; входные записи должны иметь частоту дискретизации 16 кГц. Модель построена на архитектуре Wav2Vec2 с CTC-выходом и содержит 402,7 млн параметров. В карточке указана оценка WER 10,36% на тесте. Модель подходит для транскрибации персидских аудиозаписей. Доступны веса PyTorch и TensorFlow. Условия лицензии в предоставленных данных не указаны.

Finnish-NLP/wav2vec2-xlsr-1b-finnish-lm-v2 — модель распознавания финской речи, опубликованная организацией Finnish-NLP. Это дообученная для автоматического распознавания речи версия facebook/wav2vec2-xls-r-1b: акустическая модель Wav2Vec2ForCTC с 1,3 млрд параметров, к которой в репозитории добавлена финская языковая модель KenLM для декодирования. Для дообучения использовано 275,6 часа размеченной финской речи; среди источников данных — Common Voice 7.0, VoxPopuli и записи заседаний парламента Финляндии. Модель преобразует аудио в текст и предназначена для расшифровки финской речи. Обучающие аудиофрагменты длиной не более 20 секунд, поэтому наиболее уверенно она работает с короткими записями сопоставимой длительности; длинное аудио можно обрабатывать частями. Корпус преимущественно парламентский, поэтому распознавание повседневной речи, диалектов, а также речи женщин и детей может быть менее надёжным. Языковая модель KenLM также ориентирована на формальный финский. Лицензия — Apache-2.0.

wav2vec2-xls-r-1b-scandinavian-E2-100h-30-epochs-20250123 — дообученная Davidilag модель распознавания речи на базе facebook/wav2vec2-xls-r-1b. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, выдавая распознанный текст. В README приведены результаты на оценочном наборе: WER 21,627 и CER 4,5904; набор данных и условия оценки не описаны, поэтому эти значения нельзя уверенно переносить на другие записи. Модель предназначена для автоматической транскрипции речи. В метаданных указаны 1,3 млрд параметров, библиотека Transformers и формат safetensors. Лицензия — Apache-2.0. Язык или языки дообучения из карточки установить нельзя.

WAXALamh_asr-w2v-bert-2.0 — модель автоматического распознавания речи, дообученная на основе facebook/w2v-bert-2.0. Она использует архитектуру Wav2Vec2BertForCTC и принимает аудио, чтобы преобразовывать речь в текст. Размер модели — около 402,9 млн параметров; для работы с весами используется библиотека Transformers, файлы представлены в формате safetensors. В карточке приведены метрики оценки: loss 3,8336 и CER 0,3028. Датасет, языки и сценарии обучения не описаны, поэтому применимость к конкретному языку или акустическим условиям по этим данным определить нельзя. Модель распространяется по лицензии MIT.

WAXAL-mlg_asr-w2v-bert-2.0 — модель автоматического распознавания речи, созданная дообучением facebook/w2v-bert-2.0. Она использует архитектуру Wav2Vec2BertForCTC и содержит 402,7 млн параметров; модель принимает аудио и преобразует речь в текст. В карточке приведены результаты оценки: CER 0,2007 и loss 0,8135, однако набор данных и условия оценки не описаны. Модель распространяется в формате Safetensors по лицензии MIT.

Xenova/whisper-base — вариант модели openai/whisper-base, подготовленный сообществом Xenova в формате ONNX для работы с библиотекой Transformers.js. Модель предназначена для автоматического распознавания речи и преобразования аудио в текст, включая транскрибацию аудиофайлов или аудио по URL. Ключевая особенность модели — ONNX-веса и совместимость с JavaScript-библиотекой Transformers.js, что позволяет использовать её в веб- и JavaScript-приложениях. В README не указаны точные архитектурные параметры, количество параметров, поддерживаемые языки, модальности и максимальная длина контекста, поэтому эти характеристики нельзя достоверно описать. Отдельный репозиторий с ONNX-весами обозначен как временное решение до более широкого распространения WebML. Модель удобна для интеграции распознавания речи в приложения на JavaScript и сценарии, где требуется запуск через Transformers.js. Ограничения по качеству, производительности и поддерживаемым языкам в README не приведены. Указанная лицензия — Apache-2.0.

Xenova/whisper-base.en — версия модели OpenAI Whisper base.en, подготовленная сообществом Xenova в формате ONNX для работы с библиотекой Transformers.js. Модель предназначена для автоматического распознавания речи и транскрибации аудио на английском языке, в том числе непосредственно из JavaScript-приложений и веб-среды. Ключевая особенность модели — ONNX-веса, обеспечивающие совместимость с Transformers.js и сценариями веб-инференса. README не содержит точных сведений о размере модели, архитектуре, длине контекста, поддерживаемых модальностях помимо аудио или количественных показателях качества. Сильной стороной является удобная интеграция с JavaScript и возможность обработки аудио по URL; ограничением выступает специализация на английской речи и зависимость от поддержки ONNX и Transformers.js. Модель распространяется по лицензии Apache-2.0.

Whisper-Base-MLA — модель распознавания речи от burakaydinofficial, созданная на основе OpenAI Whisper Base. В ней декодерное self-attention преобразовано из MHA в MLA, что сокращает KV-кэш декодирования на 62,5%; размер модели — 51,7 млн параметров. Модель дообучена для восстановления качества после преобразования на 11 языках корпуса Whispered и рассчитана на сценарии с ограниченной памятью, где важен размер кэша при генерации и параллельной обработке аудио. Модель предназначена для автоматической транскрипции речи. В README приведены результаты для английского, немецкого и испанского на CommonVoice-17, а также оценки на FLEURS; тесты описаны для записей речи с потребительских микрофонов и фонового шума. Преобразование MLA связано с медианным ухудшением WER примерно на 1 пункт относительно сопоставимого необработанного варианта Whisper Base. Для загрузки требуются transformers версии 4.46.x и trust_remote_code=True; модель несовместима с whisper.cpp, faster-whisper и CTranslate2. Заявленная языковая область ограничена 11 языками обучения, а на невиданных письменностях качество снижается. KV-кэш cross-attention и память энкодера не сжимаются, поэтому экономия общей памяти при одном потоке может быть скромной. Лицензия — Apache-2.0.

C1Tech разработала модель распознавания персидской речи на архитектуре Whisper, дообучив её на крупном пользовательском наборе данных на персидском языке. Модель преобразует аудио в текст и предназначена для задач автоматического распознавания речи на персидском языке. В README заявлены 74 млн параметров и высокие результаты на тестах Common Voice и FLEURS по сравнению с рядом крупных моделей. Метаданные репозитория указывают 51,7 млн параметров; поэтому точный размер модели расходится между источниками. Для использования подходит библиотека Transformers, веса доступны в формате safetensors. Лицензия — Apache-2.0.