I.15Доступность и ассистивные технологии

facebook/wav2vec2-conformer-rel-pos-large-960h-ft — акустическая модель распознавания речи, разработанная Facebook AI (ныне Meta) на основе архитектуры Wav2Vec2-Conformer с относительными позиционными эмбеддингами. Модель предобучена и дообучена на 960 часах англоязычной речи из LibriSpeech. Она предназначена для преобразования речи в текст и может использоваться для транскрибирования аудиозаписей. На вход подаётся речь с частотой дискретизации 16 кГц; архитектура модели — Wav2Vec2ConformerForCTC, размер — 402,7 млн параметров. Модель поддерживает английский язык. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Качество на речи, отличающейся от LibriSpeech, а также обработка других языков в карточке не описаны.

GetmanY1/wav2vec2-large-fi-lp-cont-pt-1500h — модель распознавания речи на основе Wav2Vec2 Large, дообученная Ярославом Гетманом и Тамасом Гросом на 1500 часах разговорной финской речи из корпуса Lahjoita puhetta (Donate Speech). Она преобразует финскую речь в текст и предназначена для транскрибации аудио. Модель содержит 402,7 млн параметров и использует архитектуру Wav2Vec2ForCTC. Для работы требуется аудио с частотой дискретизации 16 кГц. При дообучении использовались аудиофрагменты длиной до 50 секунд, поэтому модель лучше подходит для коротких записей сопоставимой длительности. На более длинных записях могут возникать ошибки нехватки памяти; их можно обрабатывать фрагментами. Из-за состава обучающих данных модель может быть смещена в сторону разговорного финского языка. Лицензия — Apache-2.0.

AigizK/wav2vec2-large-mms-1b-tatar-v2 — модель распознавания речи на основе архитектуры wav2vec2, дообученная из facebook/mms-1b-all для татарского языка. Она принимает аудио и преобразует речь в текст; в метаданных указано 1,3 млрд параметров. На оценочном наборе модель показала WER 0,1031 и loss 0,3343, однако сведения о наборе данных и условиях оценки отсутствуют. Модель распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

Это модель распознавания речи на основе архитектуры Wav2Vec2, разработанная автором репозитория ravirajoshi путём дообучения facebook/wav2vec2-xls-r-300m. Она преобразует аудио на хинди в текст и подходит для автоматической транскрипции речи. Модель содержит 402,7 млн параметров и распространяется в формате PyTorch. В карточке приведены результаты на тестовой выборке: WER 0,3200 и loss 0,7049. Модель выпущена под лицензией Apache-2.0. Название датасета в README указано как None, поэтому сведения о данных обучения ограничены.

jonatasgrosman/wav2vec2-large-xlsr-53-dutch — модель распознавания нидерландской речи, разработанная Jonatas Grosman. Это дообученная на нидерландском языке версия facebook/wav2vec2-large-xlsr-53 на обучающей и валидационной выборках Common Voice 6.1 и CSS10. Модель использует архитектуру wav2vec2 с CTC-декодером и содержит 402,7 млн параметров. Модель преобразует входящую речь в текст и подходит для транскрибации записей на нидерландском языке. Для подачи аудио требуется частота дискретизации 16 кГц. В карточке приведены оценки на тестовой выборке Common Voice 6.0 и наборе speech-recognition-community-v2/dev_data. Модель распространяется по лицензии Apache-2.0. Карточка не описывает языковую модель для декодирования; пример использования предусматривает распознавание без неё.

jonatasgrosman/wav2vec2-large-xlsr-53-german — модель распознавания речи на немецком языке, созданная Jonatas Grosman путём дообучения facebook/wav2vec2-large-xlsr-53 на обучающей и валидационной выборках Common Voice 6.1. Это архитектура Wav2Vec2 с CTC-декодированием, содержащая 402,7 млн параметров. Модель преобразует аудиозапись немецкой речи в текст и рассчитана на сценарии автоматической транскрипции. Для входной речи требуется частота дискретизации 16 кГц; README описывает использование без языковой модели. Репозиторий содержит веса PyTorch и Flax. Модель распространяется по лицензии Apache-2.0. Карточка не приводит сведений о точности или подробных ограничениях распознавания, поэтому качество на шумной речи и за пределами немецкого языка не следует считать установленным.

Модель lighteternal/wav2vec2-large-xlsr-53-greek — акустическая модель распознавания греческой речи, созданная Hellenic Army Academy и Technical University of Crete на основе XLSR-Wav2Vec2. Архитектура Wav2Vec2ForCTC содержит 402,7 млн параметров; модель дообучена в течение 50 эпох на данных Common Voice и CSS10 для греческого языка. Модель преобразует аудиозаписи на греческом языке в текст и подходит для транскрибации речи. В README для тестовой выборки Common Voice указаны WER 10,50% и CER 2,88%; для инференса рекомендуется аудио с частотой дискретизации 16 кГц. Модель распространяется по лицензии Apache-2.0. Показатели оценки относятся к указанному тестовому набору; качество на других данных может отличаться.

cahya разработал модель автоматического распознавания турецкой речи, дообучив facebook/wav2vec2-large-xlsr-53 на наборе Common Voice для турецкого языка. Модель построена на архитектуре Wav2Vec2 с CTC-выходом и содержит около 402,7 млн параметров. Модель предназначена для преобразования аудиозаписей на турецком языке в текст. Для работы входную речь следует подавать с частотой дискретизации 16 кГц; карточка приводит результат оценки 21,13% на тестовой части турецкого Common Voice. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0.

wav2vec2-xls-r-1b-dv — модель распознавания речи на архитектуре Wav2Vec2ForCTC, дообученная на базе facebook/wav2vec2-xls-r-1b на датасете Common Voice. Она преобразует аудио в текст и предназначена для автоматической транскрипции речи. В README приведены результаты на оценочном наборе: loss 0,1702 и WER 0,2123. Модель содержит 1,3 млрд параметров, опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. В карточке указана связь с Common Voice 8.0; метаданные также содержат тег «dv», но не позволяют достоверно установить язык аудио. Сведения о длине контекста и дополнительных сценариях применения отсутствуют.

anuragshas выпустил модель автоматического распознавания речи на хинди, дообученную на базе facebook/wav2vec2-xls-r-1b на наборе Mozilla Common Voice 8.0 для хинди. Модель использует архитектуру Wav2Vec2 с CTC-декодированием; в репозитории указано 1,3 млрд параметров и веса PyTorch. Для декодирования предусмотрен языковой модельный компонент: в оценке на тестовой части Common Voice 8 WER составил 15,899 с LM и 26,209 без LM. Модель подходит для транскрибирования записей речи на хинди, в том числе голосовых образцов, близких к данным Common Voice. В README также приведён результат WER 0,3547 на оценочном наборе без уточнения условий, поэтому показатели могут различаться в зависимости от декодирования и настройки оценки. Лицензия — Apache-2.0.

NbAiLab/wav2vec2-xls-r-1b-npsc-bokmaal — дообученная модель распознавания речи на базе facebook/wav2vec2-xls-r-1b, созданная NbAiLab на датасете NbAiLab/NPSC, подвыборке 16K_mp3_bokmaal. Модель использует архитектуру wav2vec2 с CTC-декодированием, принимает аудио и преобразует речь в текст. В метаданных указано 1,3 млрд параметров; веса представлены в формате PyTorch. Модель предназначена для автоматической транскрипции речи на норвежском букмоле. Для оценки на тестовой выборке автор приводит WER 0,0966 и loss 0,1598. Лицензия — Apache-2.0. Подробности о других условиях записи, поддерживаемых языках и ограничениях применения в карточке не приведены.

Baybars/wav2vec2-xls-r-1b-turkish — модель автоматического распознавания речи на турецком языке, дообученная на датасете COMMON_VOICE - TR. Она использует архитектуру wav2vec2 с классификационной головой CTC и содержит 1,3 млрд параметров. Модель принимает аудио и преобразует речь в текст; в метаданных указана задача automatic-speech-recognition. На оценочной выборке указаны WER 0,4647 и CER 0,1318. Эти результаты описывают только приведённую оценку и не гарантируют качество на других данных. В README подробности о сценариях применения, обучающей выборке и ограничениях не приведены. Лицензия в доступных данных не указана.

Модель aapot/wav2vec2-xlsr-300m-finnish разработана Aapo Tanskanen и Rasmus Toivanen как акустическая модель распознавания финской речи. Это дообученная версия facebook/wav2vec2-xls-r-300m на 275,6 часах размеченной финской речи; архитектура Wav2Vec2ForCTC содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст. Модель предназначена для транскрибации финской речи, в том числе коротких записей. В README приведена оценка на тестовой части Common Voice 7.0; для этой модели указаны WER 17,92 и CER 3,36 без языковой модели, а с KenLM-декодированием — WER 8,16 и CER 1,97. Для декодирования с языковой моделью авторы также указывают отдельную версию Finnish-NLP/wav2vec2-xlsr-300m-finnish-lm. Обучающие аудиофрагменты ограничивались длиной 20 секунд, поэтому модель, вероятно, лучше работает на коротких записях. Большая часть обучающих данных получена из заседаний финского парламента, что может ухудшать распознавание повседневной речи, диалектов, а также речи детей и женщин. Лицензия — Apache-2.0.

Модель saat tr updan/wav2vec2-xls-r-300m-ftspeech — дообученная датским разработчиком модель wav2vec 2.0 на основе facebook/wav2vec2-xls-r-300m. Она предназначена для автоматического распознавания датской речи и преобразования аудиозаписей в текст. Дообучение проводилось на FTSpeech — наборе из 1 800 часов выступлений в датском парламенте с транскрипциями. Модель использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Для датской части Common Voice 8.0 указана WER 20,48 без языковой модели и 17,91 с 5-граммной языковой моделью; на тестовом наборе Alvenir — 15,46 и 13,84 соответственно. Репозиторий содержит веса PyTorch и safetensors. Лицензия указана как other, без уточнения условий в предоставленных данных.

NbAiLab/wav2vec2-xlsr-300m-norwegian2 — модель автоматического распознавания речи, опубликованная Nasjonalbiblioteket AI Lab. Она предназначена для преобразования норвежской речи в текст и может использоваться через Transformers как ASR-модель с выходом на основе CTC. По названию и размещению в коллекции NbAiLab модель ориентирована на норвежский язык, однако точная поддержка вариантов языка, состав обучающих данных и область применения в карточке модели подробно не описаны. Модель основана на архитектуре wav2vec2/XLSR и содержит около 0,3 млрд параметров; опубликованные веса имеют тип F32 и доступны в формате Safetensors. Она принимает аудио и возвращает текст, но сведения о максимальной длительности или размере контекста, точности, тестовых наборах, устойчивости к шуму и других ограничениях отсутствуют. Лицензия на странице репозитория обозначена как CC, без уточнения конкретного варианта Creative Commons; README модели пуст, поэтому условия коммерческого и иного использования требуют проверки по исходному репозиторию.

Sadegh Karimi дообучил Whisper Base на наборе Common Voice 20.0 для автоматического распознавания речи на фарси. Модель на архитектуре Whisper содержит 51,7 млн параметров и рассчитана на преобразование входящего аудио в текст; в метаданных указана задача automatic-speech-recognition. На тестовой выборке автор сообщает значение WER 10,3712 и loss 0,0813. Модель можно применять для транскрибации записей и голосовых сообщений на фарси. Репозиторий также содержит вариант ggml для запуска через whisper.cpp. Модель распространяется по лицензии Apache-2.0.

LokaalHub разработал whisper-klein-nl — компактную модель распознавания речи на базе Whisper tiny, дообученную на нидерландском наборе LokaalHub/nl-asr-cv. Она преобразует нидерландскую речь в текст и рассчитана на локальный запуск, в том числе на CPU. По README, дообучение примерно на 94,4 часа записей Common Voice снизило WER на тестовой выборке Common Voice с 44,03% до 22,34% относительно базовой модели; в отдельной таблице приведены результаты 29,16% на cv17-test и 38,99% на fleurs-test. Метаданные указывают 29,4 млн параметров, а README приводит другие значения размера модели, поэтому их нельзя считать согласованными. Модель использует архитектуру WhisperForConditionalGeneration и формат safetensors; библиотека запуска — Transformers. Репозиторий распространяется по лицензии Apache-2.0.

anuragshas/whisper-large-v2-bg — модель распознавания речи, дообученная на базе Whisper Large-v2 на болгарской части набора Mozilla Common Voice 11.0. Она преобразует болгарскую речь в текст и подходит для транскрибирования аудиозаписей. Архитектура — WhisperForConditionalGeneration, число параметров — около 905,2 млн; для обучения использована библиотека Transformers, веса представлены в формате PyTorch. На тестовой выборке указана WER 13,404 и loss 0,3208. Модель распространяется по лицензии Apache-2.0.

Whisper Large V2 Malayalam — модель распознавания речи, созданная дообучением openai/whisper-large-v2 на корпусе Malayalam Speech Corpus от ICFOSS. Она преобразует аудиозаписи на малаялам в текст и предназначена для автоматической транскрипции речи. Архитектура — WhisperForConditionalGeneration; в модели 905,2 млн параметров. В карточке приведены результаты оценки: WER 44,1379 и CER 9,6895. Эти показатели относятся к указанному набору оценки и не гарантируют такое же качество на других аудио. Модель распространяется под лицензией Apache-2.0.

cautroi/whisper-large-v3-id — дообученная модель распознавания речи на базе OpenAI Whisper large-v3, созданная Sanchit Gandhi. Она обучена на наборе Common Voice 11.0 и предназначена для преобразования речи в текст; карточка приводит WER 10,8842 на оценочной выборке. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и формат safetensors, запускается через Transformers. В метаданных для неё указан язык хинди. Базовая модель также поддерживает многоязычное распознавание и перевод аудио в текст. Лицензия — Apache-2.0. В карточке нет подробностей об условиях оценки и ограничениях качества, поэтому приведённый WER следует рассматривать только как результат на указанной оценочной выборке.

Whisper large-v3, дообученная AiLab.lv для распознавания латышской речи. Модель преобразует аудио в текст и предназначена для транскрибации записей на латышском языке, включая голосовые записи и материалы вещательных СМИ. Дообучение выполнено с помощью Hugging Face Transformers на 282,4 часа данных из латышской части Common Voice 19.0 и набора LATE-Media. В репозитории указаны результаты оценки на тестовых данных: WER 4,8 на форматированном тесте Common Voice, 3,2 на нормализованном тесте Common Voice и 19,2 на тесте LATE-Media. Модель содержит около 905,2 млн параметров; карточка также описывает отдельные квантованные варианты в форматах для whisper.cpp и CTranslate2. Модель рассчитана прежде всего на латышскую речь; показатели на тесте LATE-Media указывают, что качество может заметно различаться между наборами данных. Лицензия — Apache-2.0.

kinit/whisper-large-v3-sk — модель распознавания словацкой речи, разработанная командой KInIT на основе Whisper large-v3 от OpenAI. Модель с архитектурой Whisper encoder-decoder дообучена на словацком речевом корпусе; в метаданных указано 905,2 млн параметров. Для повышения устойчивости к шуму при обучении применялась аугментация фоновой среды. Модель предназначена для автоматической транскрибации словацкой речи в разных предметных областях и условиях записи. В оценке на Common Voice 24.0 указаны WER 7,68% и CER 2,27%; на внутреннем тестовом наборе KInIT — WER 5,67% и CER 3,01%. Модель опубликована в формате safetensors и используется через Transformers. Дообучение только на словацких данных существенно ухудшило распознавание других языков, поэтому для многоязычной транскрибации следует использовать базовую Whisper large-v3. Качество может снижаться на сильных акцентах, диалектах и речи из областей, слабо представленных в обучении; надёжная длина одного сегмента без разбиения — до 30 секунд. Лицензия — Apache-2.0.

handy-computer/whisper-medium.en-gguf — это набор GGUF-конвертаций модели OpenAI Whisper medium.en, подготовленный разработчиками transcribe.cpp для локального автоматического распознавания речи. Модель предназначена для преобразования англоязычной речи в текст и работает через transcribe.cpp. Она основана на архитектуре Transformer encoder-decoder и обрабатывает аудио окнами по 30 секунд с разбиением длинных записей на фрагменты. Модель поддерживает только английский язык. В данной интеграции отсутствуют потоковая обработка, автоматическое определение языка и перевод; доступны сегментные временные метки. Предлагаются варианты F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 504 МБ до 3,06 ГБ, что позволяет выбирать между качеством и требованиями к памяти. На наборе LibriSpeech test-clean указанный WER составляет от 2,72% для Q8_0 до 2,91% для Q4_K_M, что характеризует высокое качество распознавания в данном тесте. Сильными сторонами являются хорошее качество английской транскрипции, наличие нескольких уровней квантования и возможность локального запуска на CPU или совместимом ускорителе через transcribe.cpp. Ограничения включают английскую специализацию, отсутствие потокового режима, перевода и определения языка, а также зависимость качества и скорости от выбранного формата и оборудования. Для входных данных рекомендуется монофонический WAV с частотой 16 кГц. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

crossdelenna/whisper-small.en — дообученная версия Whisper Small English, опубликованная на Hugging Face. Модель с архитектурой WhisperForConditionalGeneration содержит 153,1 млн параметров и предназначена для автоматического распознавания речи и преобразования аудио в текст. Репозиторий содержит веса PyTorch и SafeTensors; лицензия — Apache 2.0. Модель рассчитана на англоязычное распознавание речи. В карточке приведена оценка WER 0,7672 на наборе оценки, но набор данных и условия тестирования не описаны; поэтому результат не позволяет надёжно судить о качестве в конкретном сценарии.

Whisper-Small-Khmer-Final-3000 — контрольная точка модели Whisper Small, дообученной Phonsobon для автоматического распознавания речи на кхмерском языке. Это отдельный репозиторий с весами и файлами процессора, подготовленный для инференса без загрузки остальных контрольных точек обучения; формат весов — safetensors. Модель принимает аудио и выдаёт текстовую транскрипцию. Модель предназначена для расшифровки кхмерской речи. Для работы входное аудио следует привести к моно с частотой 16 кГц; автор рекомендует сначала проверять модель на коротких чистых аудиофрагментах длительностью от нескольких секунд примерно до 30 секунд. Лицензия — Apache-2.0.

Dragneel/whisper-small-nepali — модель автоматического распознавания речи на основе Whisper Small, дообученная на непальском корпусе OpenSLR 54. Она предназначена для преобразования непальской речи в текст, в частности для транскрибирования записей с чистой и размеренной речью. В метаданных указаны архитектура Whisper, 153,1 млн параметров и формат safetensors; README сообщает о 154 часах обучающих аудио и 157 905 высказываниях. На тестовой выборке OpenSLR модель показала WER 26,69%. Лучше всего она работает с качественной записанной речью; быстрый разговорный темп и сильный фоновый шум могут ухудшать распознавание. Возможны варианты написания слов, различающиеся длиной гласных. Базовая модель — openai/whisper-small. Лицензия Apache-2.0.

Jeremy-p/whisper-small-qc-fr — дообученная версия мультиязычной модели OpenAI Whisper-small для распознавания речи, с повышенным весом квебекского французского в обучающей смеси французского и английского языков. Это плотная encoder-decoder модель WhisperForConditionalGeneration; в данном репозитории опубликованы веса fp32 для Transformers, а отдельная версия CTranslate2 int8 предназначена для faster-whisper. Обучающая смесь использовала французские данные с вероятностью выборки 0,90 и английские — 0,10. Модель предназначена для транскрибирования аудио на квебекском французском и английском. В приведённой оценке она улучшила показатели исходной Whisper-small по WER на обоих языках и превзошла Qwen3-ASR-0.6B на французской выборке, но уступила ей на английской; размеры выборок составили 100 французских и 324 английских примера. Максимальная длина целевых последовательностей при обучении была ограничена 448 токенами. Лицензия — MIT.

onnx-community/whisper-tiny.en_timestamped — это версия модели openai/whisper-tiny.en с весами в формате ONNX, подготовленная сообществом onnx-community для совместимости с библиотекой Transformers.js. Репозиторий предназначен для запуска модели в веб-среде и других сценариях, где требуется формат ONNX. Модель основана на Whisper и предназначена для автоматического распознавания речи на английском языке с возможностью получения временных меток. В README не указаны точные сведения об архитектуре, количестве параметров, размере контекста, поддерживаемых модальностях и лицензии. Также не описаны количественные показатели качества, поэтому сильные стороны и ограничения можно оценить только в общих чертах: ONNX-формат упрощает использование в совместимых веб- и клиентских приложениях, но конкретные требования к производительности и точности зависят от среды выполнения и сценария.

wrice/whisper-tiny-grpo-72a3573-fixed-en-t0.7-lr3e-6 — компактная модель распознавания речи на базе Whisper Tiny, дообученная разработчиком wrice методом GRPO (Group Relative Policy Optimization) с комбинированной наградой на основе ошибок слов и символов. Модель предназначена для преобразования аудиозаписей в текст; при обучении использовались англоязычные данные Common Voice 17.0, а язык аудио задавался по локали записи. На отложенной выборке Common Voice для английского указана WER 0,228. Это экспериментальная проверка концепции: результаты измерены на ограниченной валидационной выборке после нормализации текста и могут отличаться на других аудио, акцентах и в иных предметных областях. Репозиторий использует Transformers и формат safetensors; лицензия — MIT.

whisper-tiny-minds14-en-US — дообученная tomragus модель семейства Whisper на базе openai/whisper-tiny, обученная на наборе PolyAI/minds14. Она предназначена для автоматического распознавания речи и преобразования аудио в текст, в частности для транскрибации англоязычных аудиозаписей с акцентом на вариант английского языка en-US. В README приведены результаты оценки: WER 0,3359 и нормализованный WER 0,3418. Модель использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors через Transformers. Лицензия — Apache-2.0. Это компактный вариант Whisper; в метаданных для базовой модели указана многоязычная поддержка, однако эта версия дообучена на англоязычном наборе данных и ориентирована на en-US.