I.15Доступность и ассистивные технологии

openbmb/MiniCPM-V-4.6-gguf — это GGUF-квантованная версия мультимодальной модели MiniCPM-V 4.6, разработанной командой OpenBMB. Модель предназначена для понимания изображений, нескольких изображений и видео, включая визуальные вопросы и ответы, OCR и другие задачи анализа визуального содержимого. Она ориентирована прежде всего на эффективное развёртывание на периферийных устройствах и мобильных платформах: iOS, Android и HarmonyOS. Архитектура основана на визуальном энкодере SigLIP2-400M и языковой модели Qwen3.5-0.8B. Для повышения эффективности используется смешанное сжатие визуальных токенов 4x/16x, а вычислительная стоимость визуального кодирования, согласно README, снижена более чем на 50%. Заявлена примерно в 1,5 раза более высокая пропускная способность токенов по сравнению с Qwen3.5-0.8B. Модель поддерживает inference через Transformers, vLLM, SGLang, llama.cpp и Ollama, а также адаптацию и дообучение с помощью SWIFT и LLaMA-Factory. Точные параметры контекстного окна и перечень поддерживаемых языков в представленных данных не указаны. Сильные стороны модели — компактность, низкая вычислительная стоимость, поддержка анализа изображений и видео и возможность запуска на потребительских устройствах. Ограничения связаны с меньшим размером языковой части по сравнению с крупными мультимодальными моделями и с тем, что квантование может влиять на точность; конкретные характеристики зависят от выбранного варианта GGUF. Репозиторий распространяется по лицензии Apache-2.0.

MiniCPM-V-4.6-Thinking — мультимодальная модель с открытыми весами от команды OpenBMB, вариант MiniCPM-V 4.6 для рассуждений с явной цепочкой анализа перед ответом. Она предназначена для диалога по изображениям и видео, визуальных вопросов и ответов, сложных мультимодальных задач, математики и распознавания текста на изображениях. Модель использует плотную архитектуру: визуальный энкодер SigLIP2-400M сочетается с языковой моделью Qwen3.5-0.8B; для визуальных токенов применяется сжатие 4x/16x. В README заявлена работа на устройствах iOS, Android и HarmonyOS, а метаданные указывают поддержку Transformers и интерфейса вызова инструментов. Модель принимает текст и изображения, а также может анализировать видео; выдаёт текстовые ответы и объяснения. Сведения о поддерживаемых естественных языках и длине контекста в предоставленных данных отсутствуют. Среди сильных сторон — компактная архитектура, ориентация на запуск на устройствах и режим рассуждений для сложных визуальных задач. При обработке видео кадры выбираются с ограничением по max_num_frames, а детализация изображений зависит от режима сжатия и числа срезов. Для работы с видео в некоторых конфигурациях CUDA возможны проблемы совместимости torchcodec; README описывает обходные варианты. Лицензия — Apache-2.0.

Модель csikasote/mms-1b-all-bemgen-combined-train-drodat-gdro-1.65e-4-dat-0.019-no-sd-0.00-42 — дообученная версия facebook/mms-1b-all, разработанная на наборе BEMGEN - BEM. Это модель распознавания речи на архитектуре wav2vec2 с головой Wav2Vec2ForCTC, принимающая аудио и преобразующая его в текст. В репозитории указано 1,3 млрд параметров; модель рассчитана на применение в сценариях автоматической транскрипции речи. На оценочном наборе указаны Loss 12,2430 и CER 0,0530. Базовая модель поддерживает более тысячи языков, но язык и охват языков именно этой дообученной версии не уточнены. Для файлов используется формат safetensors, библиотека — Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и запрещает коммерческое применение.

Multilingual-Expressive-TTS-0.6B — дообученная Scicom-intl модель для многоязычного синтеза речи с выразительной подачей и несколькими голосами. Она основана на Scicom-intl/Multilingual-TTS-0.6B-Base и использует плотную авторегрессионную архитектуру Qwen3 с 574,7 млн параметров. В метаданных указан контекст 32 768 токенов; README описывает обучение с упаковкой последовательностей при контексте до 10 000 токенов. Модель генерирует речевые токены, которые декодируются NeuCodec в аудио с частотой дискретизации 24 кГц. README заявляет поддержку более 150 языков и генерацию с доступными голосами; метаданные перечисляют английский, малайский, китайский и тамильский. Примеры посвящены выразительному синтезу и управлению характеристиками голоса через описание. Веса опубликованы в формате safetensors для Transformers; сведения о лицензии в предоставленных данных отсутствуют.

multitalker-parakeet-streaming-0.6b-v1-gguf — конверсия модели NVIDIA multitalker-parakeet-streaming-0.6b-v1 в формат GGUF для библиотеки transcribe.cpp. Это англоязычная модель автоматического распознавания речи, предназначенная для офлайн-транскрибации и потоковой обработки аудио с сохранением состояния между фрагментами. Модель подходит для субтитров, расшифровки встреч, голосовых интерфейсов и других сценариев преобразования речи в текст. В основе лежит cache-aware streaming FastConformer с 0,6 млрд параметров и декодером RNN-T; поддерживаются пунктуация, капитализация и токеновые временные метки. Модель работает на английском языке, поддерживает четыре варианта latency lookahead и не поддерживает перевод или автоматическое определение языка. Обычные GGUF-файлы предназначены для режима одного говорящего. Варианты из каталога bundle дополнительно содержат потоковый Sortformer для диаризации и могут формировать размеченную по говорящим транскрипцию максимум для четырёх перекрывающихся говорящих. Сильными сторонами являются потоковая работа, офлайн-использование, кэширование контекста, поддержка диаризации и близкие показатели качества у разных уровней квантизации: заявленный WER на LibriSpeech test-clean составляет около 2,18–2,20%. Ограничения — поддержка только английского языка, отсутствие перевода и language detection, а также необходимость учитывать требования к ресурсам: размер файлов варьируется примерно от 617 МБ для Q4_K_M до 2,96 ГБ для F32. Модель распространяется по NVIDIA Open Model License; указана лицензия other с названием nvidia-open-model-license.

Garnet-Owl/nemo-voice-typing-asr — это англоязычная потоковая модель распознавания речи NVIDIA NeMo, экспортированная в ONNX и квантизованная до INT4 для запуска на процессоре. Архитектура RNN-T включает трансформерный энкодер из 24 слоёв с размером скрытого состояния 1024, двухслойный LSTM-предиктор с размером состояния 640 и совместную сеть с словарём из 1024 токенов плюс blank. Вход — монофонический PCM-сигнал с частотой 16 кГц; распознавание идёт чанками по 560 мс с жадным декодированием. Модель предназначена для потоковой транскрипции английской речи, в том числе диктовки с микрофона в приложения. Для запуска через ONNX Runtime README указывает современный процессор x86-64 с AVX2, около 900 МБ оперативной памяти и 600 МБ места на диске; GPU не требуется. Упаковка выполнена Microsoft / GitHub Copilot и распространяется по MIT, а исходные веса ASR — по NVIDIA Open Model License; комплектный Silero VAD имеет лицензию MIT.

OWSM-CTC v4 — открытая многоязычная речевая модель семейства Open Whisper-style Speech Model, разработанная авторами проекта OWSM и распространяемая через ESPnet. Это модель на основе энкодера с иерархическим многозадачным self-conditioned CTC; она выполняет распознавание речи, перевод речи и определение языка в одной нерекуррентной модели. Версия v4 обучалась три эпохи на 320 тысячах часов открытых аудиоданных. Модель предназначена для преобразования речи в текст и поддерживает обработку аудио с частотой 16 кГц. Для коротких записей ожидается фиксированная длительность 30 секунд с дополнением или усечением; для длинных записей ESPnet может разделять аудио на перекрывающиеся фрагменты. CTC-декодирование не предоставляет временные метки слов или сегментов. Для применения нужны ESPnet и espnet_model_zoo. Лицензия — CC BY 4.0.

PaliGemma-3b-pt-448 — предварительно обученная компактная модель зрения и языка от Google, основанная на визуальном энкодере SigLIP и языковой модели Gemma. Она принимает изображение и текстовый запрос и генерирует текст; версия с разрешением 448 предназначена для переноса на специализированные задачи тонкой настройкой. Модель подходит для описания изображений и коротких видео, ответов на вопросы об изображениях и чтения текста на них. Её также можно дообучить для обнаружения объектов, сегментации, анализа снимков дистанционного зондирования, объяснения элементов интерфейса и других задач с визуальными данными. PaliGemma рассчитана на один обмен запросом и ответом, а не на многоходовый диалог. Для надёжной работы модель следует настраивать под конкретную задачу: качество без дообучения может уступать специализированным системам. Она может ошибаться в фактах и сложных рассуждениях, а также отражать предвзятость обучающих данных. Лицензия — Gemma; при использовании необходимо соблюдать условия этой лицензии и правила допустимого использования Gemma.

Это версия модели распознавания речи NVIDIA Parakeet TDT 0.6B V2, преобразованная автором репозитория в формат safetensors с небольшими настройками для инференса через MLX. Репозиторий сохранён для обратной совместимости; в README рекомендована более новая копия в mlx-community. Модель предназначена для автоматической транскрибации аудио в текст и запускается, в частности, через библиотеку parakeet-mlx. Базовая модель NVIDIA ориентирована на английскую речь и формирует транскрипцию с пунктуацией, заглавными буквами и временными метками слов. Данных о размере контекста и результатах оценки этой версии в README нет. Модель основана на nvidia/parakeet-tdt-0.6b-v2 и распространяется по лицензии CC BY 4.0. Это конверсия с настройками для MLX, а не заявленная новая архитектура или самостоятельное дообучение; качество распознавания зависит от аудио и условий записи.

Это версия модели распознавания речи NVIDIA Parakeet TDT-CTC 1.1B, подготовленная mlx-community для работы с библиотекой MLX на Apple Silicon. Она принимает аудио и преобразует речь в текст; основное применение — автоматическая транскрипция записей и аудиопотоков. Модель основана на архитектуре FastConformer/Conformer и рассчитана на английскую речь; исходная карточка описывает транскрипцию с пунктуацией и заглавными буквами. Репозиторий содержит веса safetensors и распространяется по лицензии CC BY 4.0. README указывает на конвертацию исходной модели в формат MLX; метаданные каталога помечают связь с исходной моделью как finetune, поэтому происхождение указано по этим метаданным. Подробности о длине аудио, точности и ограничениях применения в предоставленной карточке отсутствуют.

beshkenadze опубликовал преобразованный вариант многоязычной модели распознавания речи Parakeet Ultra в формате MLX fp16 для использования с mlx-audio-swift. В основе лежит moondream/parakeet-ultra — постобученная Moondream модель nvidia/parakeet-tdt-0.6b-v3 с той же архитектурой и словарём; репозиторий содержит веса safetensors. При преобразовании тензоры переименованы и приведены к раскладке MLX, голова VAD удалена, а веса приведены к fp16. Модель предназначена для транскрибирования аудио, в том числе русской речи. В тестах README она показала меньший WER, чем Parakeet TDT v3 fp16 на FLEURS для 13 языков и на наборе русских записей, а также на пятиминутной записи совещания. Эти результаты относятся к описанным тестовым наборам и конвейеру Silero VAD с mlx-audio-swift. Лицензия репозитория — CC BY 4.0.

Qwen3-VL-8B-Abliterated-Caption-it-GGUF — мультимодальная модель для понимания изображений и генерации текста, разработанная prithivMLmods. Она является GGUF-версией дообученной модели Qwen3-VL-8B-Abliterated-Caption-it, созданной на основе Qwen3-VL-8B-Instruct и адаптированной для подробного, менее ограниченного описания изображений. Модель предназначена прежде всего для image captioning и image-to-text задач: формирования детализированных описаний изображений, включая сцены со сложным, чувствительным или неоднозначным содержанием. Указана поддержка языков English, Chinese и Thai, а также различных соотношений сторон и разрешений изображений. Модель относится к классу VLM и использует архитектуру Qwen3-VL с 8B параметров; для обработки изображений требуется совместимый mmproj-файл. Распространяется в многочисленных GGUF-квантизациях от IQ1 и Q2_K до Q8_0, а также в формате F16 размером 16,4 ГБ, что позволяет выбирать компромисс между качеством и требованиями к памяти. README не содержит результатов бенчмарков, точного размера контекста или подробностей аппаратных требований, поэтому производительность и пригодность для конкретных сценариев следует проверять отдельно. Модель и файлы распространяются по лицензии Apache-2.0.

Røst-v3-wav2vec2-315m — модель распознавания датской речи, разработанная в Alexandra Institute в рамках проекта CoRal. Это архитектура Wav2Vec2-XLS-R с классификатором CTC, дообученная на датасете CoRal-v3, который включает разговорную и прочитанную вслух речь с разными диалектами, возрастными группами и голосами. По метаданным модель содержит 402,7 млн параметров; в таблицах README для этой версии указано 315 млн. Модель предназначена для преобразования датской речи в текст, в том числе для транскрибирования разговоров и чтения вслух. На оценке CoRal-v3 Character Error Rate составил 13,7% для разговорной речи и 5,9% для прочитанной вслух. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия OpenRAIL, адаптированная под датасет CoRal-v3, допускает коммерческое применение с ограничениями, в частности на синтез речи и биометрическую идентификацию.

Vikhr Salt — мультимодальная модель, разработанная Ксенией Сычёвой, Константином Королёвым и Александром Николичем. Она дообучена на TinyLlama/TinyLlama_v1.1 и расширена аудиотокенами для распознавания речи и синтеза речи. Модель относится к семейству Llama, имеет около 1 млрд параметров и принимает текст и аудио, выдавая текст или аудио. В README описаны варианты кодирования аудио Encodec и SpeechTokenizer; метаданные указывают контекст 2048 токенов. Модель подходит для преобразования речи в текст и генерации речи из текста. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества, поэтому точность распознавания и естественность синтеза по этим данным определить нельзя.

senga-LUK-20k-quiet-speecht5 — дообученная модель Microsoft SpeechT5 для синтеза речи из текста. В метаданных указаны архитектура SpeechT5ForTextToSpeech, формат safetensors и библиотека Transformers. Модель предназначена для преобразования текста в аудио; в README приведено значение loss 0,1180 на оценочном наборе, но сведения о наборе данных и условиях оценки отсутствуют. Лицензия — MIT.

SepFormer для подавления шума в речи разработан командой SpeechBrain и обучен на датасете WHAM! с частотой дискретизации 8 кГц. WHAM! добавляет к смесям WSJ0-Mix окружающий шум и реверберацию. Модель принимает аудио и выдаёт очищенное аудио, помогая улучшить разборчивость речи в шумных записях. В репозитории указаны результаты на тестовом наборе WHAM!: SI-SNR 14,35 дБ и PESQ 3,07. Модель реализована на PyTorch и предназначена для применения через SpeechBrain. Разработчики не гарантируют аналогичное качество на других наборах данных. Лицензия — Apache-2.0.

Модель Puujeeeeeeeeeeee/sft-round4 разработана Puujeeeeeeeeeeee и представляет собой дообученную модель семейства Gemma 4 с архитектурой условной генерации. Она предназначена для преобразования изображений и текстовых запросов в текстовые ответы. Модель обучалась с использованием Unsloth и библиотеки TRL; веса доступны в формате safetensors. Модель поддерживает английский язык и возможности работы с изображениями. Она может применяться для ответов на вопросы по изображениям и создания текстовых описаний на основе визуального ввода. Лицензия — Apache 2.0.

MohsenABG/speecht5_finetuned_emirhan_tr — дообученная на Common Voice 13.0 модель синтеза речи на основе microsoft/speecht5_tts. Она преобразует текст в аудио и подходит для озвучивания фраз и синтеза речи в приложениях. В оценке указано значение Loss 0.5641. Репозиторий использует архитектуру SpeechT5 и формат safetensors; модель распространяется по лицензии MIT.

NVIDIA FastConformer-Hybrid Large для французского языка — модель распознавания речи, разработанная NVIDIA и обученная с помощью NeMo. Она преобразует монофоническое аудио WAV с частотой 16 кГц в текст с заглавными и строчными буквами, пробелами, точками, запятыми и вопросительными знаками. Модель построена на архитектуре FastConformer с уменьшением частоты кадров в 8 раз с помощью глубинных свёрток. Это большая версия примерно на 115 млн параметров; обучение использует совместные функции потерь Transducer и CTC. Модель можно применять для вывода или дообучать на собственных данных. Она обучалась на суммарно 1800 часах французской речи из MCV12, MLS и VoxPopuli. Модель подходит для транскрибации французской речи в аудиозаписях и пакетной обработки файлов. Качество может снижаться на технической лексике, незнакомой разговорной речи и речи с акцентом; модель выводит только точки, запятые и вопросительные знаки. Лицензия — CC BY 4.0.

Supertonic 3 — компактная многоязычная модель синтеза речи, разработанная Supertone и распространяемая в виде открытых весов ONNX для локального запуска через ONNX Runtime. Она преобразует текст в речь и рассчитана на использование на устройствах, в браузере и на периферийных системах без обращения к облаку. Модель содержит около 99 млн параметров и поддерживает 31 язык, включая английский, корейский, японский, русский, арабский и ряд европейских и азиатских языков. По сравнению с Supertonic 2 улучшены стабильность чтения и сходство голоса с заданным стилем; доступны фиксированные предустановленные голоса и простые теги выразительности. README также описывает демонстрационные сценарии с пользовательскими голосовыми стилями, но для их создания нужен отдельный Voice Builder. Модель ориентирована на локальную генерацию озвучки: например, для аудиокниг, новостей и голосовых интерфейсов. Карточка заявляет конкурентную точность чтения при меньшем размере и быстром запуске на CPU, однако не приводит в предоставленном тексте полных численных результатов оценки. Лицензия репозитория — OpenRAIL.

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

lhabacuc/vMiniCPM-V-4.6 — мультимодальная модель для понимания изображений и видео, основанная на SigLIP2-400M и языковой модели Qwen3.5-0.8B. Она принимает визуальные данные вместе с текстовым запросом и формирует текстовый ответ; поддерживает диалог и интерфейс вызова инструментов. Смешанное сжатие визуальных токенов в режимах 4× и 16× позволяет выбирать между детализацией и скоростью. Модель рассчитана на эффективный запуск, в том числе на мобильных устройствах iOS, Android и HarmonyOS. Она подходит для описания изображений, анализа нескольких изображений и видеопонимания, включая распознавание текста на изображениях. В README заявлена совместимость с Transformers, vLLM, SGLang, llama.cpp и Ollama, а также возможность дообучения через SWIFT и LLaMA-Factory. В репозитории указаны веса safetensors и лицензия Apache-2.0. Для видео README описывает зависимость декодирования от torchcodec; совместимость с некоторыми версиями CUDA может требовать настройки окружения или замены на PyAV. Заявления о производительности приведены разработчиками модели и зависят от задач и условий оценки.

sanchit-gandhi/wav2vec2-2-bart-large-cnn — модель распознавания речи на архитектуре SpeechEncoderDecoderModel, обученная с нуля на наборе LibriSpeech ASR. Она преобразует аудио в текст и предназначена для автоматической транскрипции речи. В карточке приведён результат на оценочной выборке: WER 0,1042 и loss 0,3524. Модель опубликована в формате PyTorch. Лицензия и подробности об ограничениях в доступных данных не указаны.

emon1521/wav2vec2-base — дообученная модель распознавания речи на архитектуре Wav2Vec2 с примерно 113,3 млн параметров. Она принимает аудио и предназначена для преобразования речи в текст. В карточке указана оценка WER 1,0 на тестовом наборе; обучающий датасет обозначен как None, поэтому оценить качество на конкретных языках и типах речи по этим сведениям нельзя. Модель опубликована в формате PyTorch под лицензией Apache-2.0. Карточка не приводит подробностей об используемых языках, условиях обучения или рекомендуемых сценариях применения.

Это модель автоматического распознавания речи на базе Wav2Vec2ForCTC с 113,3 млн параметров. Её разработчик lgris дообучил модель lgris/seasr_2022_base_10k_8khz_pt на наборе Common Voice 7.0 для распознавания португальской речи; модель принимает аудио и выдаёт текст. В README указана оценка WER 0,1979 на наборе оценки. Модель распространяется под лицензией Apache-2.0.

Alvenir/wav2vec2-base-da-ft-nst — модель распознавания датской речи, разработанная Alvenir. Это версия wav2vec2-base, дообученная на открытом датасете NST для преобразования аудио в текст; архитектура — Wav2Vec2ForCTC, размер — 113,3 млн параметров. Модель ожидает аудио с частотой дискретизации 16 кГц и поддерживает датский язык. В README приведены результаты оценки на датских наборах данных: WER 15,8% на тестовой части NST и 26,3% на тесте Common Voice 80; применение 3-граммовой языковой модели снижает эти показатели до 11,9% и 19,2% соответственно. Модель подходит для транскрибации датской речи, однако качество зависит от набора данных и может улучшаться внешней языковой моделью. Лицензия — Apache-2.0.

Модель mazhar00968/wav2vec2-base-scl-common-voice — дообученная версия facebook/wav2vec2-base для автоматического распознавания речи. Она использует архитектуру Wav2Vec2ForCTC и содержит 113,3 млн параметров. Модель принимает аудио и выдаёт распознанный текст. В карточке приведены результаты оценки: loss 1,7258 и WER 0,8720. Описание данных для обучения и целевых сценариев в README не раскрыто, поэтому качество распознавания для конкретных языков и условий записи по этим сведениям оценить нельзя. Модель распространяется по лицензии Apache-2.0.

wav2vec2-final-1-lm-1 — модель распознавания речи на базе Wav2Vec2, дообученная автором репозитория chrisvinsen на основе facebook/wav2vec2-base. Она использует архитектуру Wav2Vec2ForCTC и содержит 113,3 млн параметров; предназначена для преобразования аудиоречи в текст. В README приведены значения WER 0,283 и WER 0,129 с 2-грамотной языковой моделью, а также результаты оценки: loss 0,6305 и WER 0,4499. Модель подходит для транскрибации аудиозаписей и распознавания речи в приложениях. Данные не позволяют установить обучающий датасет и поддерживаемый язык, поэтому область применения по языку не уточняется. Распространяется по лицензии Apache-2.0.

Wav2Vec2-Large-960h — модель распознавания речи, разработанная Facebook. Она основана на архитектуре wav2vec 2.0 и содержит 402,7 млн параметров; веса представлены в формате PyTorch. Модель предварительно обучена на речевых аудиозаписях, а затем дообучена на 960 часах размеченной речи из LibriSpeech. Модель предназначена для преобразования английской речи в текст. Она принимает аудио с частотой дискретизации 16 кГц и подходит для транскрибирования записей и аудиофайлов. В статье об архитектуре wav2vec 2.0 описан подход с маскированием речевого сигнала в латентном пространстве и контрастивным обучением; для этой модели в карточке приведены результаты на тестовых наборах LibriSpeech. Модель рассчитана на английскую речь и не заявлена как многоязычная. Для корректной работы входное аудио должно иметь частоту 16 кГц. Лицензия — Apache-2.0.

Pinwheel/wav2vec2-large-xls-r-300m-tr-colab — модель автоматического распознавания речи, размещённая пользователем или организацией Pinwheel на Hugging Face. Она предназначена для преобразования аудиозаписей в текст и может использоваться через библиотеку Transformers и класс AutoModelForCTC. По идентификатору модели вариант tr предназначен для турецкой речи, однако карточка модели не содержит подробного описания языка и набора данных. Модель основана на архитектуре wav2vec2 и содержит около 402,7 млн параметров. Она относится к семейству XLS-R и ориентирована на задачи speech-to-text. Сильной стороной является применение крупной предварительно обученной речевой модели для автоматического распознавания речи; точность зависит от качества аудио, акцента, предметной области и соответствия данных обучения реальным записям. Лицензия для этого конкретного репозитория в доступных данных не установлена.