I.15Доступность и ассистивные технологии

jonatasgrosman/whisper-large-pt-cv11 — модель автоматического распознавания речи, созданная Jonatas Grosman на основе openai/whisper-large-v2 и дообученная на португальском языке на обучающей и части валидационной выборок Common Voice 11. Она преобразует португальскую речь в текст и подходит для расшифровки записей и аудио с естественной речью. Модель использует архитектуру Whisper Large с 905,2 млн параметров. В README приведены оценки на тестовых выборках Common Voice 11 и Fleurs; результаты зависят от нормализации регистра и пунктуации, а в Fleurs также от различий в записи чисел. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

zuazo/whisper-large-v2-es — дообученная модель распознавания речи на базе openai/whisper-large-v2, опубликованная пользователем zuazo. Она адаптирована для транскрибации испанской речи на наборе mozilla-foundation/common_voice_13_0. Архитектура — WhisperForConditionalGeneration; модель содержит 905,2 млн параметров и принимает аудио, выдавая текст. В оценке на тестовом наборе указаны WER 4,8949 и loss 0,2544. Модель подходит для преобразования записанной испанской речи в текст. Карточка не описывает дополнительные сценарии или ограничения качества. Лицензия Apache-2.0 разрешает использование, изменение и распространение с указанием авторов.

Это модель распознавания речи на основе Whisper Large V3, дообученная разработчиком vignesh-trustt для каннада и телугу. Она использует архитектуру encoder-decoder и предназначена для преобразования аудиозаписей в текст; в метаданных указано 905,2 млн параметров, а веса опубликованы в формате safetensors. Модель ориентирована на распознавание разговорной речи на каннада и телугу. В карточке приведены значения WER 43,12% для каннада, 55,47% для телугу и 48,18% в целом. Лицензия — Apache 2.0. По описанию авторов, модель лучше работает с чистым аудио, одним говорящим и ясным произношением. Возможны ошибки при сильных акцентах и диалектах, шуме, профессиональной терминологии и смешанной речи. Для запуска требуются значительные вычислительные ресурсы; README рекомендует GPU с 16 ГБ памяти или больше.

thorhojhus/whisper-large-v3-turbo-danish — датская версия Whisper-large-v3-turbo, дообученная разработчиком на датской речи. Модель использует архитектуру Whisper и неизменённый токенизатор базовой модели; опубликованные веса представляют собой экспоненциальное скользящее среднее после 200 000 шагов обучения. Для обучения использовались датские данные CoRal v3, Common Voice 26.0, FLEURS, FTSpeech и NST, а также отфильтрованные псевдоразметки. Модель предназначена для автоматической транскрипции датской речи, включая разговорную и зачитанную речь. В оценке на публичном протоколе датского ASR-лидерборда показатель WER составил 20,05% на разговорных данных CoRal, 12,93% на зачитанных данных CoRal и 8,24% на Common Voice cv17_da. Для аудио длиннее 30 секунд оценивалось последовательное декодирование с временными метками, однако длинные записи непосредственно при обучении не использовались. Модель опубликована в формате safetensors для Transformers под лицензией MIT. Качество распознавания на языках, отличных от датского, может быть ниже; поведение на длинных записях следует проверять отдельно.

arbml/whisper-medium-ar — дообученная версия openai/whisper-medium для автоматического распознавания речи. Модель на архитектуре Whisper содержит 455,8 млн параметров и принимает аудио, выдавая текстовую расшифровку. В карточке указано дообучение на датасете MGB-2; на оценочной выборке приведены loss 0,8488 и WER 16,5882. Модель предназначена для преобразования речи в текст. В названии указано «ar», а датасет MGB-2 связан с арабской речью; метаданные не содержат кодов языков. Репозиторий использует формат PyTorch и распространяется по лицензии Apache-2.0.

vumichien/whisper-medium-jp — дообученная модель автоматического распознавания речи на основе openai/whisper-medium, разработанная с использованием набора данных Mozilla Common Voice 11.0. Она предназначена для преобразования японской речи в текст. Модель семейства Whisper содержит около 455,8 млн параметров и представлена в формате PyTorch; оценка на тестовой выборке Common Voice 11.0 составляет WER 9,0355 и loss 0,3029. Распространяется по лицензии Apache-2.0.

Whisper-small-ar — модель распознавания арабской речи, разработанная на основе архитектуры Whisper и дообученная на арабских данных Mozilla Common Voice 11.0. Она принимает аудио и преобразует произнесённую речь в текст; предназначена для транскрибирования записей, подкастов, видео и разговоров, а также для интеграции в голосовые интерфейсы и приложения на базе Hugging Face Transformers. Модель использует архитектуру Transformer encoder-decoder и содержит 153,1 млн параметров. В карточке заявлена поддержка арабских диалектов и акцентов. Модель распространяется по лицензии Apache-2.0. Ее ограничения: качество может различаться между диалектами, акцентами и условиями записи; численные оценки качества в карточке не приведены.

CLEAR Global совместно с Makerere University Centre for Artificial Intelligence and Data Science дообучили мультиязычную модель распознавания речи Whisper Small на одобренной части набора TWB Voice 1.0 для хауса. Модель содержит 153,1 млн параметров, принимает аудио и выдаёт текстовую транскрипцию; в метаданных указана библиотека Transformers и формат весов safetensors. Модель предназначена для транскрибирования речи на хауса. На внутренней тестовой выборке TWB Voice 1.0 указаны WER 2,23% и CER 3,11%; тестовые дикторы не пересекались с обучающей и валидационной выборками. Также проводилась оценка на Common Voice v17 и Naija Voices, но её результаты не приведены. Модель распространяется по лицензии CC BY-SA 4.0.

Это дообученная модель OpenAI Whisper-small, подготовленная автором yuriyvnv для автоматического распознавания нидерландской речи. Она принимает аудио и генерирует текстовую транскрипцию; модель реализована на базе WhisperForConditionalGeneration и содержит 153,1 млн параметров. Модель дообучена на 34 952 реальных аудиозаписях Common Voice 17.0 на нидерландском языке и 34 898 синтетических примерах без фильтрации качества. На тестовой части Common Voice указана доля ошибок WER 10,91%, а на валидации — 8,64%. Использование всех синтетических данных увеличивает объём обучения, но низкокачественные примеры могут вносить шум; модель также может хуже работать с региональными вариантами языка и технической речью. Лицензия — Apache-2.0.

SubZtep/whisper-small-hu — дообученная модель распознавания речи на основе openai/whisper-small, разработанной OpenAI. Она предназначена для транскрибирования аудио на венгерском языке; при оценке на тестовой выборке Common Voice 26.0 показала WER 15,62 и CER 3,33 после нормализации регистра и пробелов. Модель содержит 153,1 млн параметров и работает с аудиовходом через библиотеку Transformers. Модель обучена на 62 284 аудиофрагментах с чтением предложений из венгерской части Common Voice 26.0. Она подходит для транскрибирования аналогичной речи, например записей с дикторским чтением. Лицензия — MIT. На спонтанной речи, шумных записях и аудио с узкоспециальной лексикой ожидается больше ошибок. Указанные WER и CER не отражают точность регистра и пунктуации; для венгерского языка CER может лучше показывать близость транскрипта из-за агглютинативной морфологии.

dsfsi-anv выпустил дообученную версию Whisper Large V3 Turbo для мультиязычного автоматического распознавания речи. Модель построена на архитектуре Transformer encoder-decoder и содержит около 905,2 млн параметров; она дообучена на наборе ANV (Swivuriso), чтобы улучшить распознавание языков и акцентов, представленных в этом корпусе. Модель предназначена для преобразования аудио в текст, в том числе для работы с языками с ограниченными ресурсами и исследований адаптации распознавания речи. В оценке на тестовом наборе указаны WER 0,1501 и CER 0,0510. Для использования доступна библиотека Transformers, веса сохранены в формате safetensors. Как и базовый Whisper, модель может повторять текст или галлюцинировать, особенно на тишине и при фоновом шуме. Качество может снижаться на записи с акцентами, шумом и характеристиками, заметно отличающимися от данных ANV. Лицензия — MIT.

Audar-ASR-V1-Turbo — генеративная модель автоматического распознавания речи, разработанная AudarAI. Она ориентирована прежде всего на арабскую речь, включая литературный арабский и диалекты стран Персидского залива, египетский, левантийский и магрибский, а также на английский, арабско-английский code-switching и ещё 28 языков. Модель предназначена для преобразования аудио в текст, в том числе в потоковых и низколатентных сценариях на CPU, GPU и edge-устройствах. Архитектура включает аудиоэнкодер и декодер на основе языковой модели, который выполняет audio-conditioned next-token prediction, а не использует CTC или transducer objective. Общий размер модели составляет около 2,35 млрд параметров: 2,03 млрд у декодера и 0,32 млрд у аудиоэнкодера; указанный формат вычислений — bfloat16. Модель принимает монофонический звук с частотой 16 кГц и работает с контекстом до 30 секунд, при обработке более длинных записей используются разбиение на фрагменты или потоковая передача. Доступны форматы GGUF и safetensors, включая запуск через llama.cpp. Сильные стороны модели — специализация на диалектной арабской речи, обработка code-switching, сохранение имён собственных и диалектно-ориентированная орфография. По данным README, на Open Universal Arabic ASR Leaderboard она заняла первое место среди 37 систем со средними WER 23,2% и CER 9,2%; при этом приведённые результаты относятся к конкретным тестовым наборам и методике нормализации. Модель построена на открытой аудио-LLM-основе, но адаптация, данные и выравнивание принадлежат AudarAI. Лицензия — AudarAI Community License v1.0; условия следует уточнять в тексте лицензии.

Audio8-ASR-0.1B — компактная авторегрессионная модель распознавания речи от разработчика Edge0. Она принимает аудио и выдаёт текстовую транскрипцию; поддерживает китайский, английский, французский, немецкий, японский, корейский и кантонский языки. В метаданных указано 103,5 млн параметров языковой модели, а README уточняет, что всего в модели около 324 млн уникальных параметров. Нативный контекст составляет 32 768 токенов. Архитектура объединяет аудиоэнкодер Qwen3-ASR, MLP-адаптер и восьмислойную причинную языковую модель в стиле Qwen. Модель распространяется как checkpoint для Hugging Face Transformers в формате safetensors; доступно усиление заданных ключевых слов при декодировании без дообучения. В README приведены результаты оценки на публичных наборах распознавания речи. Модель подходит для транскрибации коротких записей и распознавания речи с учётом заданных терминов. Примеры по умолчанию обрезают аудио после 30 секунд. Чрезмерное усиление ключевых слов может смещать распознавание; для загрузки требуется trust_remote_code=True. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

FunAudioLLM/CosyVoice-300M-Instruct — модель синтеза речи из текста, разработанная командой FunAudioLLM в рамках семейства CosyVoice. Версия с инструкциями позволяет управлять параметрами озвучивания, включая язык, диалект, эмоцию, скорость и громкость. Репозиторий содержит ONNX-формат модели; лицензия — Apache-2.0. Модель предназначена для многоязычной генерации речи, в том числе с переносом голоса по образцу (zero-shot voice cloning) и потоковой генерацией. В карточке семейства заявлена поддержка китайского, английского, японского, корейского, немецкого, испанского, французского, итальянского и русского языков, а также китайских диалектов. Также описаны нормализация чисел и специальных символов и управление произношением через фонетические подсказки. Документация относится к нескольким версиям CosyVoice, поэтому перечисленные возможности семейства не обязательно все доступны именно в этой модели на том же уровне. Карточка не сообщает размер контекста или конкретные ограничения качества; синтез речи может требовать дополнительной настройки и ресурсов для выбранного способа запуска.

BuzzASR/Czech — одноязычная модель автоматического распознавания чешской речи, разработанная как часть набора BuzzASR. Это дообучение Whisper large-v3 с исходным токенизатором Whisper, настроенное только для распознавания речи. Модель содержит 905,2 млн параметров и принимает аудио, выдавая текст; языковая и задачавая подсказки заданы в конфигурации генерации. Модель предназначена для транскрибации чешской речи. В оценке на тестовых наборах FLEURS и Common Voice 25 она показала CER 3,13 и 3,3 соответственно; качество на других типах записей и диалектах может отличаться. Обучение использовало FLEURS, Common Voice Corpus 25.0 и текстовые данные Goldfish. Модель распространяется по лицензии MIT.

Distil-Whisper distil-large-v3 — англоязычная модель распознавания речи, разработанная командой Distil-Whisper и полученная дистилляцией OpenAI Whisper large-v3. Она предназначена для транскрибации коротких записей и длинных аудиофайлов; архитектура — кодировщик-декодировщик Whisper с сокращённым числом слоёв декодера. В README указано 756 млн параметров, тогда как метаданные каталога указывают 905,2 млн параметров. Модель рассчитана на английскую речь и поддерживает последовательный и пакетный алгоритмы обработки длинных записей. По данным README, качество на длинных аудио близко к Whisper large-v3, а распознавание выполняется примерно в 6,3 раза быстрее; для одиночных длинных файлов, где важна скорость, рекомендуется пакетный алгоритм, а для точности и пакетной обработки — последовательный. Модель доступна по лицензии MIT. Она предназначена для распознавания речи на английском языке; вывод включает текстовую транскрипцию, а при соответствующих настройках — временные метки сегментов.

Модель jonatasgrosman/exp_w2v2t_ru_unispeech-sat_s423 — версия UniSpeech-SAT Large, дообученная для автоматического распознавания русской речи. Её разработчик дообучил microsoft/unispeech-sat-large с помощью инструмента HuggingSound на обучающей части Common Voice 7.0 для русского языка. Модель принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст. Она предназначена для транскрибирования русской речи в задачах распознавания голосовых записей. Веса опубликованы в формате PyTorch; размер модели — около 402,7 млн параметров. Модель распространяется по лицензии Apache-2.0. Её обучение на Common Voice 7.0 ограничивает основания для ожидания качества на других языках, условиях записи и типах речи; перед использованием в таких сценариях качество следует проверить.

Fish Speech V1.5 — многоязычная модель синтеза речи, разработанная Fish Audio. Она преобразует текст в аудио и обучена на более чем миллионе часов многоязычных аудиоданных. Модель относится к плотной архитектуре dual_ar и доступна в формате PyTorch. Модель предназначена для создания озвучки на английском, китайском, японском, немецком, французском, испанском, корейском, арабском, русском, нидерландском, итальянском, польском и португальском языках. В обучающих данных больше всего часов английской и китайской речи, затем японской; остальные языки представлены меньшим объёмом. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и не допускает коммерческого использования. Карточка не описывает параметры управления голосом или оценку качества синтеза.

Это неофициальная обёртка для Transformers модели GigaAM-v2-CTC, разработанной SberDevices. Она предоставляет интерфейс библиотеки Transformers для распознавания русской речи и совместима с привычными средствами загрузки моделей, извлечения признаков и токенизации в этой библиотеке. Модель принимает аудио и преобразует речь в текст, поэтому подходит для автоматической расшифровки русскоязычных записей. В репозитории указаны веса в форматах PyTorch и Safetensors, а для работы приведены версии PyTorch, Torchaudio, Transformers и Accelerate. Лицензия — MIT. Это сторонняя обёртка исходной модели; README не сообщает её размер, длину контекста или результаты оценки качества.

Это неофициальная обёртка для Transformers модели GigaAM-v2-CTC, первоначально выпущенной SberDevices. Она предназначена для распознавания русской речи из аудио с декодированием beam search и повторным ранжированием гипотез внешней n-граммной языковой моделью. Обёртка поддерживает извлечение временных меток слов; для этой реализации указан шаг 40 мс. Модель использует архитектуру Conformer с CTC-декодированием и доступна через интерфейс библиотеки Transformers. Модель подходит для транскрибации русской речи, в том числе с получением временных границ слов. Для работы требуются PyTorch, torchaudio и Transformers; в карточке приведены версии 2.7.1, 2.7.1 и 4.49.0 соответственно. Репозиторий распространяется по лицензии MIT. Качество распознавания может зависеть от акустических условий и соответствия речи обучающим данным; количественные оценки качества в карточке не приведены.

GigaAM-v3 — семейство моделей распознавания русской речи от ai-sage на основе архитектуры Conformer, с вариантами размером 220–240 млн параметров. Модели предварительно обучены на разнообразных русскоязычных аудиоданных с objective HuBERT-CTC; для распознавания доступны варианты с декодерами CTC и RNN-T, а также сквозные варианты, которые сразу расставляют пунктуацию и нормализуют текст. Модель предназначена для транскрибации русской речи в разных условиях: в том числе телефонных разговоров, естественной речи и аудио с фоновой музыкой. В README заявлено улучшение качества в среднем на 30% на новых доменах обучения при сохранении качества на публичных наборах. Для работы используется PyTorch и Transformers; загрузка через AutoModel требует trust_remote_code=True. Репозиторий распространяется по лицензии MIT. GigaAM-v3 рассчитана прежде всего на русский язык; английский также указан среди языков модели. Она принимает аудио и выдаёт текст. Варианты ssl, ctc, rnnt, e2e_ctc и e2e_rnnt имеют разные назначения и способы декодирования, поэтому при выборе следует учитывать требуемое оформление результата: сквозные варианты включают пунктуацию и нормализацию. Заявления о качестве основаны на наборах и сравнениях, приведённых в карточке; фактическая точность зависит от аудио и условий записи.

Holo-3.1-35B-A3B-MTP-GGUF — это набор GGUF-квантизаций модели Hcompany/Holo-3.1-35B-A3B, подготовленный пользователем gbuzhf для запуска через llama.cpp. Модель предназначена для мультимодальных задач image-text-to-text, компьютерного управления и GUI-агентов, включая анализ скриншотов, описание элементов интерфейса, рассуждения по accessibility tree, выдачу координат, многошаговые действия и обработку ответов инструментов. Поддерживается английский язык. В поставку включены восстановленная голова multi-token prediction (MTP) для speculative decoding, vision projector для обработки изображений и importance matrix, откалиброванная на агентских и кодовых сценариях. Архитектура относится к классу MoE; в названии указано 35B-A3B. Доступны варианты IQ4_XS, Q3_K_M, Q4_K_M, Q5_K_S и Q6_K с размером файлов примерно от 14,27 до 30,01 ГБ, а также исходный BF16-вариант. Заявленная измеренная доля принятых черновых токенов MTP составляет 85% при скорости 204 токена в секунду на смешанном наборе запросов, однако это не результат отдельного GUI-бенчмарка. Сильные стороны модели — сочетание мультимодальности, возможностей компьютерного управления, speculative decoding и нескольких уровней квантизации. Для подачи изображений обязательно требуется отдельный файл vision projector; без него модель работает только с текстом. Более компактные варианты экономят память, но могут уступать старшим по качеству. Контекстное окно и точные требования к оперативной или видеопамяти в README не указаны. Артефакты распространяются по лицензии Apache-2.0.

Это дообученная модель WhisperForConditionalGeneration на 455,8 млн параметров, созданная на основе parthiv11/indic_whisper_hi_multi_gpu. Она предназначена для автоматического распознавания речи и транскрибирования аудио; карточка указывает дообучение на наборе данных None. На тестовой выборке приведены Loss 0,4623 и Global WER 30,7295. Модель принимает аудио и выдаёт текст; базовая модель предназначена для индийских языков, а для этого варианта подтверждена поддержка хинди. Выпущена в формате safetensors для Transformers под лицензией MIT.

Это дообученная модель Whisper на 455,8 млн параметров, созданная на основе parthiv11/indic_whisper_hi_multi_gpu. Она предназначена для автоматического распознавания речи и транскрибирования аудио; в README приведены результаты оценки: loss 0,6319 и Global WER 14,3953. Базовая модель ориентирована на индийские языки, с подтверждённой поддержкой хинди. Модель принимает аудио и выдаёт текстовую транскрипцию. Она распространяется в формате safetensors и имеет лицензию MIT. Данные обучения в карточке не раскрыты, поэтому результаты и пригодность для конкретных акцентов, условий записи или других языков следует проверять на собственных аудио.

OpenGVLab/InternVL3_5-4B-MPO — мультимодальная диалоговая модель семейства InternVL3.5, полученная дообучением InternVL3_5-4B-Instruct с использованием данных MMPR-v1.2 и MMPR-Tiny. Она принимает изображения и текст и генерирует текстовые ответы; подходит для вопросов по изображениям, визуального рассуждения и анализа изображений. В README семейство описано как использующее каскадное обучение с подкреплением и динамическую настройку разрешения визуальных токенов; указанная архитектура модели — InternVLChatModel, а формат весов — safetensors. Модель рассчитана на мультиязычные диалоговые сценарии. Репозиторий использует библиотеку Transformers и распространяется по лицензии Apache 2.0. В метаданных не приведены отдельные сведения о размере параметров и длине контекста этой версии.

InternVL3.5-8B-Instruct — мультимодальная модель OpenGVLab для диалога и выполнения инструкций по тексту и изображениям. Она дообучена на базе OpenGVLab/InternVL3_5-8B-Pretrained и использует архитектуру InternVLChat; веса опубликованы в формате safetensors и доступны через Transformers. Модель подходит для вопросов об изображениях, визуального рассуждения и решения задач, требующих совместного понимания текста и изображений. Семейство также заявляет поддержку взаимодействия с графическим интерфейсом и embodied-сценариев. Для эффективного вывода InternVL3.5 использует Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптации разрешения визуальных токенов. Модель многоязычная, но конкретные языки и размер контекстного окна для этого чекпойнта в предоставленных данных не приведены. Лицензия Apache-2.0. Для запуска требуется мультимодальная инфраструктура; скорость и качество зависят от доступных вычислительных ресурсов и размера изображений.

InternVL3-8B-Instruct — разработанная OpenGVLab мультимодальная модель с открытыми весами, версия SFT семейства InternVL3 без этапа MPO. Архитектура сочетает визуальный кодировщик InternViT-300M-448px-V2_5, MLP-проектор и языковую часть на основе Qwen2.5-7B; указанный размер — 8 млрд параметров. Модель принимает текст, изображения и видео, а в диалоговом режиме формирует текстовые ответы. Для изображений используется динамическое разбиение на фрагменты 448×448, также предусмотрена обработка нескольких изображений и понимание длинного контекста. Модель предназначена для визуального восприятия и рассуждений, анализа изображений и видео, понимания сцен и научных диаграмм, взаимодействия с GUI и использования инструментов. В README также описаны возможности для 3D-восприятия, мультимодального рассуждения и текстовых задач; доступный pipeline_tag — image-text-to-text, а метаданные дополнительно указывают text-generation. Модель распространяется по лицензии Apache-2.0. Результаты и требования к ресурсам зависят от задачи, разрешения и числа изображений; несколько изображений увеличивают число входных токенов.

Kotoba-Whisper-v2.2 — японская модель распознавания речи от Kotoba Technologies, разработанная совместно с Asahi Ushio. Она основана на kotoba-tech/kotoba-whisper-v2.0 и объединяет распознавание речи с конвейером постобработки, который добавляет диаризацию говорящих и пунктуацию к транскрипту. Модель построена на архитектуре Whisper, содержит около 905,2 млн параметров и принимает аудио, выдавая текстовую расшифровку. Она предназначена для транскрибирования японской речи с разделением реплик по говорящим и восстановлением пунктуации. Репозиторий использует формат safetensors; для работы через Transformers требуется версия 4.39 или новее. Лицензия — Apache-2.0. В README рекомендованы Flash Attention 2 при наличии совместимого GPU и добавление тишины в начале или конце аудио для потенциального улучшения качества. Для диаризации используются дополнительные пакеты, включая pyannote.audio. Карточка не сообщает длину контекста или подробные ограничения точности; качество диаризации и пунктуации зависит от аудио и компонентов конвейера.

LEMAS-TTS — многоязычная система синтеза речи с нуля по тексту, представленная в исследовательской работе LEMAS; разработчик — проект LEMAS. Модель использует нерекуррентную архитектуру на основе flow matching и обучена на корпусе LEMAS-Dataset объёмом более 150 000 часов аудио на десяти языках. Система предназначена для zero-shot синтеза речи на китайском, английском, испанском, русском, французском, немецком, итальянском, португальском, индонезийском и вьетнамском языках. Для повышения устойчивости и качества при многоязычном синтезе применяются состязательное обучение против акцента и функция потерь CTC. Модель подходит для генерации озвучки по тексту и многоязычных речевых приложений, которым важна работа без отдельной настройки для каждого голоса или языка. Репозиторий содержит варианты ONNX и PyTorch с весами Safetensors. Лицензия — CC BY 4.0.

Kuray107/librispeech-100h-supervised — модель распознавания речи, дообученная на основе facebook/wav2vec2-large-lv60. Она использует архитектуру wav2vec2 с выходной головой CTC и содержит 402,7 млн параметров. Модель предназначена для преобразования аудио в текст; в карточке указано значение WER 0,0345 на оценочном наборе, но подробности о наборе и методике оценки не приведены. Модель принимает аудио и выдаёт текст. Идентификатор и описание указывают на связь с LibriSpeech, однако README не раскрывает языки, конкретные сценарии применения и ограничения качества. Веса доступны в формате PyTorch по лицензии Apache 2.0.