I.15Доступность и ассистивные технологии

vasista22/whisper-tamil-small — модель распознавания речи, созданная дообучением openai/whisper-small на тамильских корпусах речи в рамках Whisper fine-tuning sprint. Она принимает аудио и преобразует речь в текст, в первую очередь для автоматической транскрибации на тамильском языке. Модель основана на архитектуре Whisper и содержит 153,1 млн параметров. Для обучения использовались IISc-MILE Tamil ASR Corpus, ULCA ASR Corpus, Shrutilipi ASR Corpus, Microsoft Speech Corpus для индийских языков, Google Fleurs и Babel ASR Corpus; оценка проводилась на тестовых наборах этих источников. Доступны веса PyTorch и Flax. Модель подходит для транскрибации тамильской речи в прикладных системах и для оценки качества распознавания на тамильских аудиоданных. Лицензия — Apache-2.0. Карточка не приводит численных результатов качества, поэтому производительность на конкретных записях может отличаться.

lgris/whisper-tiny-cv11-pt — модель распознавания речи на базе архитектуры Whisper Tiny, дообученная на португалоязычной части Common Voice 11.0. Она преобразует входящее аудио в текст и подходит для транскрибации португальской речи. Веса представлены в формате PyTorch, размер модели — 29,4 млн параметров. На оценочном наборе указаны loss 0,5205 и WER 33,2447. Модель выпущена под лицензией Apache-2.0. Подробности о рекомендуемых условиях применения и известных ограничениях в карточке не приведены.

eai6/whisper-tiny.en — дообученная модель распознавания речи на основе openai/whisper-tiny.en, созданная сообществом eai6 и обученная на наборе данных Azure-dataset. Модель использует архитектуру Whisper и содержит 29,4 млн параметров; она предназначена для преобразования английской речи в текст. Модель подходит для транскрибации аудиозаписей и распознавания речи в приложениях. В README приведены результаты оценки на тестовой выборке: loss 0,0680 и WER 44,3486. Весовые файлы доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

onnx-community/whisper-tiny.en — это веб-совместимая версия модели openai/whisper-tiny.en, разработанной OpenAI. Репозиторий содержит веса в формате ONNX для использования с библиотекой Transformers.js, прежде всего в браузерных и других JavaScript-сценариях, где требуется запуск модели на стороне клиента. Модель предназначена для задач автоматического распознавания речи и ориентирована на английский язык, что следует из идентификатора tiny.en. Ключевой особенностью является формат ONNX и совместимость с Transformers.js; точные сведения о размере, архитектуре, длине контекста и поддерживаемых модальностях в карточке не указаны. Лицензия также не указана, поэтому условия распространения следует уточнять в исходном репозитории openai/whisper-tiny.en.

wrice/whisper-tiny-grpo — модель распознавания речи, созданная дообучением openai/whisper-tiny методом GRPO (Group Relative Policy Optimization). Во время обучения кандидаты транскрипции оценивались по ошибке слов (WER), а обновления модели ограничивались KL-регуляризацией относительно исходной модели. Модель использует архитектуру Whisper и библиотеку Transformers; веса доступны в формате safetensors. Базовая модель компактная и многоязычная. Модель предназначена для преобразования аудиозаписей в текст на разных языках, включая сценарии с языками и локалями Common Voice. На тестовой выборке Common Voice 26.0 авторы сообщают о снижении общей WER с 0,9718 до 0,6226 относительно исходной Whisper tiny и улучшении в 69 из 81 локалей. В то же время в 11 локалях качество ухудшилось; среди указанных примеров — корейский, малайский и арабский. Для японского, тайского и китайского авторы считают CER более показательным, чем WER. Оценка охватывает около 59 аудиоклипов на локаль, поэтому результаты отдельных малоресурсных языков могут быть нестабильными. Модель сравнивали с исходной Whisper tiny, но не с supervised fine-tuning на тех же данных; лучший из трёх чекпойнтов выбирался по тестовым результатам. Лицензия — MIT.

Kuray107/wsj0-full-supervised — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-lv60. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; в карточке указаны результаты оценки: loss 0,0623 и WER 0,0343. Модель опубликована в формате PyTorch под лицензией Apache-2.0. Карточка не уточняет языки, условия записи и ограничения применения, поэтому область надёжной работы за пределами указанной оценки определить нельзя.

Wav2Vec2-XLSR-300m-es — модель распознавания испанской речи, созданная polodealvarado путём дообучения facebook/wav2vec2-xls-r-300m на испанской части Common Voice 8.0. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель предназначена для преобразования аудиозаписей на испанском языке в текст. На оценочной выборке автор сообщает WER 0,146 без языковой модели и WER 0,109 с пятиграммовой языковой моделью; CER с ней составляет 0,036. Репозиторий включает PyTorch-веса и процессор с конфигурацией для пятиграммной языковой модели. Модель распространяется по лицензии Apache 2.0. Результаты приведены для Common Voice 8.0; точность на других типах записей и в иных акустических условиях может отличаться.

zlmb64le4s12000 — дообученная Михаилом Панзо модель SpeechT5 для синтеза речи из текста. Она принимает текст и генерирует аудио; в метаданных указана архитектура SpeechT5ForTextToSpeech и формат весов safetensors. В README приведено значение loss 0,3114 на наборе оценки, но сведения о датасете и условиях оценки отсутствуют. Модель распространяется по лицензии MIT. Карточка не описывает целевые языки, голос или практические ограничения.

Zonos-v0.1-transformer — открытая модель преобразования текста в речь от Zyphra, построенная на трансформерной архитектуре. Она нормализует и фонетически разбирает текст с помощью eSpeak, затем предсказывает токены DAC и генерирует речь с частотой 44 кГц. Модель обучена на более чем 200 тысячах часов разноязычной речи и поддерживает английский, японский, китайский, французский и немецкий языки. Модель предназначена для естественного синтеза речи, клонирования голоса по короткому аудиореференсу и управления характеристиками звучания, включая темп, высоту тона, эмоции и качество аудио. Для задания голоса можно передать вектор говорящего или аудиофрагмент; текст и аудиопр prefix позволяют точнее воспроизводить особенности речи, например шёпот. Заявленная скорость работы составляет около двукратного реального времени на RTX 4090. Для запуска README указывает Linux и современный GPU NVIDIA серии 3000 или новее с объёмом видеопамяти от 6 ГБ; требуется библиотека eSpeak. Модель распространяется по лицензии Apache-2.0.

AndesVL-1B-Instruct — мобильная мультимодальная языковая модель из семейства AndesVL, разработанного OPPO. Она сочетает визуальный энкодер AIMv2-Large с языковой моделью Qwen3-0.6B; общий размер составляет 0,927 млрд параметров. Модель предназначена для эффективного запуска на периферийных и мобильных устройствах и поддерживает диалог по изображениям, включая визуальные вопросы и ответы, работу с текстом на изображениях, несколькими изображениями и интерфейсами GUI. В карточке семейства заявлены задачи рассуждения и многоязычные сценарии, а архитектура «1+N» LoRA и метод QALFT используются для адаптации задач и сжатия модели. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Конкретные языки, длина контекста и ограничения качества для версии 1B в карточке не приведены.

AndesVL-4B-Instruct — мультимодальная модель из семейства AndesVL, разработанная OPPO и построенная на языковой модели Qwen3 с визуальным энкодером. Серия включает модели размером от 0,6 до 4 млрд параметров; в README не приведены компоненты и точное число параметров именно версии 4B. Модель предназначена для эффективного запуска на мобильных и других периферийных устройствах. Она принимает изображения и текст и может отвечать на вопросы по изображениям, работать с несколькими изображениями, анализировать насыщенные текстом визуальные материалы, выполнять рассуждения, многоязычные и GUI-задачи. В описании серии заявлены архитектура LoRA «1+N», метод QALFT, ускорение декодирования до 6,7 раза и сжатие до 1,8 бит на параметр на мобильных чипах; эти показатели не уточнены отдельно для версии 4B. Для модели указана лицензия Apache-2.0. README не содержит подробностей об обучающих данных, поддерживаемых языках или контекстном окне; также не уточняет производительность версии 4B на конкретных устройствах и задачах.

Audio8-ASR-0.1B — компактная авторегрессионная модель распознавания речи, опубликованная Audio8. Она принимает аудио и преобразует речь в текст на китайском, английском, французском, немецком, японском, корейском и кантонском языках. В модели используется аудиокодировщик Qwen3-ASR с MLP-проектором и восьмислойный причинный языковой декодер в стиле Qwen. Языковой компонент содержит около 103,5 млн параметров, а общее число уникальных параметров составляет около 324 млн. Модель рассчитана на работу через Hugging Face Transformers; частота дискретизации — 16 кГц. Для декодирования можно задавать подсказки с ключевыми словами без дообучения. Длина контекста в метаданных — 32 768 токенов. Модель подходит для транскрибации коротких аудиозаписей и распознавания речи с подсказками по терминам. В примерах аудио обрезается до 30 секунд; слишком сильное усиление ключевых слов может сместить результат распознавания. Выпущены отдельные варианты для ONNX Runtime и iOS, но этот репозиторий содержит чекпойнт Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Audio Flamingo 3 (AF3) — открытая большая аудиоязыковая модель, разработанная NVIDIA для понимания речи, звуков и музыки, ответов на вопросы по аудио и рассуждений. Она подходит для анализа коротких и длинных аудиозаписей, голосового диалога и интерактивных помощников для работы со звуком и музыкой. Архитектура сочетает аудиоэнкодер AF-Whisper, MLP-адаптер и декодерную языковую модель Qwen2.5-7B; в AF3-Chat также предусмотрен потоковый синтез речи. Модель принимает аудио и текст, обрабатывает аудио длительностью до 10 минут и текстовый контекст до 16 000 токенов. Основной язык в карточке — английский. На выходе модель формирует текст, а в голосовом режиме может выдавать речь. Модель поддерживает многошаговый диалог с аудио и опциональное рассуждение; её обучали на наборах данных для речи, звуков и музыки. Для запуска предусмотрены PyTorch и Hugging Face Transformers; авторы ориентируют применение на NVIDIA A100/H100. Лицензия обозначена как other, а карточка ограничивает использование некоммерческими исследовательскими целями.

Borealis-5B-IT — аудиоязыковая модель Vikhrmodels для понимания речи и выполнения инструкций по аудио. Она объединяет замороженный энкодер Whisper Large V3, дообученную языковую модель Qwen3-4B и двухслойный MLP-адаптер, который проецирует аудиопредставления в пространство языковой модели. Общий размер — около 5 млрд параметров. Модель предназначена для транскрибации и суммаризации аудио, ответов на вопросы по аудиозаписям, описания звукового содержимого и анализа эмоций. Она рассчитана прежде всего на русский и английский языки. Для аудиофрагмента длиной 30 секунд формируется 375 аудиотокенов; в README также заявлена поддержка обработки аудио через интеграцию с vLLM. В опубликованных тестах качество распознавания заметно зависит от набора данных: результаты лучше Whisper Large V3 на Russian_LibriSpeech, близки на Common Voice и существенно хуже на Tone_Webinars. Модель оптимизирована для аудио длительностью до 30 секунд и может хуже справляться с сильным шумом. Лицензия — Apache-2.0.

NVIDIA NeMo Canary-Qwen-2.5B — модель распознавания английской речи, разработанная NVIDIA. Она предназначена для преобразования аудио в текст с пунктуацией и заглавными буквами, а также для обработки уже полученной расшифровки: например, её можно суммировать или задавать по ней вопросы. В режиме распознавания модель принимает аудио и текстовую инструкцию; в текстовом режиме работает только с расшифровкой и не анализирует исходное аудио. Модель содержит 2,5 млрд параметров и построена как Speech-Augmented Language Model: аудиокодировщик FastConformer связан с декодером Transformer на основе Qwen3-1.7B. Для распознавания рассчитана на английский язык; в README указана скорость 418 RTFx. Обучающие аудиозаписи длились не более 40 секунд, а максимальная последовательность ограничена 1024 токенами, поэтому точность на более длинных входах может снижаться. Модель не сохраняет навыки рассуждения базовой LLM в режиме работы с аудио. Для использования требуется NVIDIA NeMo; лицензия — CC BY 4.0.

Conformer-CTC Small (en) — небольшая английская модель распознавания речи NVIDIA NeMo на архитектуре Conformer-CTC, подготовленная для запуска в loom.cpp. Репозиторий содержит экспорт в формате GGUF; согласно карточке, веса не изменены относительно nvidia/stt_en_conformer_ctc_small. Модель принимает аудио и преобразует его в текст, подходит для транскрибации англоязычной речи. Для запуска предусмотрена библиотека loom-py-rt, которая выполняет необходимые для модели обработку аудио и сборку результата. Репозиторий распространяется по лицензии CC BY 4.0.

IbrahimAmin/egyptian-arabic-wav2vec2-xlsr-53 — модель распознавания речи на базе wav2vec2-large-xlsr-53, дообученная Ibrahim Amin на арабских речевых данных. Она предназначена для преобразования аудио в текст, в первую очередь для египетского разговорного арабского, а также для современного литературного арабского и диалектов Персидского залива и Леванта. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров; модель работает с аудио и выдаёт текст. В обучении использованы записи YouTube, MASC, Common Voice 15, MGB-3 и Arabic Speech Corpus; в карточке также приведено сравнение на тестовой выборке Common Voice 17 для арабского языка. Модель можно применять для транскрибации разговоров и вещательной речи. Распространяется по лицензии Apache-2.0. README не сообщает длину входных записей или ограничения по условиям записи; качество распознавания может различаться между диалектами и акустическими условиями.

Модель callgg/gemma-3-4b-it-bf16 основана на Gemma 3 4B IT от Google и предназначена для диалогов, генерации текста и ответов на вопросы по изображениям. Она принимает текст и изображения и выдаёт текст; в метаданных указана архитектура Gemma 3 для условной генерации с плотной сетью и поддержка чата и зрения. Репозиторий содержит веса в формате safetensors; README также сообщает о возможности конвертации в GGUF. Модель подходит для мультимодальных ассистентов, которым нужно описывать изображения или отвечать на вопросы о них, а также для обычного текстового общения. Используется лицензия Gemma. Сведения о размере контекста и поддерживаемых языках в предоставленных данных отсутствуют.

waveletdeboshir/gigaam-rnnt — неофициальная обёртка для Transformers модели GigaAM-v2-RNNT, разработанной SberDevices. Она предназначена для автоматического распознавания русской речи и преобразования аудиозаписей в текст. В репозитории указаны классы модели, извлечения признаков и токенизатора, совместимые с интерфейсом Transformers, включая загрузку через Auto-классы. Модель представлена в форматах PyTorch и Safetensors; карточка указывает библиотеку Transformers и лицензию MIT. README сообщает, что это оригинальная модель GigaAM-v2-RNNT с интерфейсом Transformers, но сам репозиторий является неофициальной обёрткой. Размер модели и длина контекста в доступных данных не приведены.

GLM-ASR-Nano-2512 — компактная модель распознавания речи от zai-org с 1,5 млрд параметров, построенная на архитектуре GLM-ASR и распространяемая в формате safetensors. Она принимает аудио и преобразует речь в текст; карточка заявляет поддержку китайского и английского, включая кантонский диалект, и устойчивость к тихой речи и сложной акустике. Модель предназначена для транскрибации разговоров и совещаний, в том числе при фоновом шуме и низкой громкости. В README заявлено, что модель превосходит Whisper V3 на ряде бенчмарков и показывает средний показатель ошибки 4,10; это заявления разработчика, а не независимая оценка. Для интеграции указана библиотека Transformers, а лицензия — MIT.

hviske-v5.3 — модель распознавания датской речи, разработанная Syvai и дообученная на базе syvai/hviske-v5.1 на обучающих выборках CoRal v3. Это модель класса Conformer encoder-decoder с 2 млрд параметров, предназначенная для транскрибации чтения вслух и разговорной речи на датском языке. Она принимает аудио и выдаёт текст; длинные записи автоматически разбиваются на фрагменты, а входное аудио пересэмплируется до 16 кГц. На полных тестовых выборках CoRal v3 автор сообщает средний WER 13,91% при beam search с шириной 5 и строгой нормализацией; на разговорной речи ошибки заметно выше, чем на чтении вслух. На одной RTX 3090 указана скорость около 425× относительно реального времени. Beam search снижает WER примерно на 0,4 процентного пункта, но увеличивает время инференса примерно на 75%. Для загрузки через Transformers требуется trust_remote_code, поскольку репозиторий содержит пользовательский код. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

parthiv11/indic_whisper_hi_multi_gpu — модель распознавания речи на основе Whisper, дообученная для индийских языков. Репозиторий содержит чекпойнты и реализацию на JAX для ускоренного запуска на GPU и TPU; в метаданных также указаны веса PyTorch. Размер модели — 455,8 млн параметров. Модель предназначена для преобразования речи в текст, в том числе для транскрибирования аудиозаписей. В README приведены результаты на бенчмарках для подмножества на хинди, однако численные результаты сравнения для этой модели в таблице не представлены. Указанная в README оценка ускорения JAX относится к реализации и не гарантирует такой же результат на любом оборудовании. Модель рассчитана на хинди; общий README описывает семейство как предназначенное для индийских языков, но подтверждённая метаданными поддержка указана только для хинди. Лицензия — MIT.

Это дообученная модель Whisper, разработанная на основе parthiv11/indic_whisper_hi_multi_gpu; в карточке автор не указан. Модель предназначена для автоматического распознавания речи и транскрибирования аудио. Она содержит 455,8 млн параметров и использует архитектуру WhisperForConditionalGeneration; для работы применяется библиотека Transformers. На оценочном наборе указаны Loss 0,5923 и Global WER 45,2226. Датасет обучения и подробные сценарии использования в карточке не раскрыты. Модель распространяется по лицензии MIT.

InternVL2_5-26B-MPO — мультимодальная диалоговая модель OpenGVLab, созданная на основе InternVL2.5 с применением Mixed Preference Optimization (MPO). Она предназначена для ответов на вопросы о визуальном содержимом и диалога с изображениями; семейство также поддерживает работу с несколькими изображениями и видео. Модель следует архитектурному подходу ViT-MLP-LLM: зрительная часть InternViT соединена через MLP-проектор с языковой моделью. Для обработки изображений используются динамическое разбиение на фрагменты 448×448 пикселей и уменьшение числа визуальных токенов. Модель можно запускать через Transformers; карточка приводит примеры инференса в bf16/fp16, квантизации BNB до 8 бит, работы на нескольких GPU и потоковой генерации. Метаданные указывают мультиязычную поддержку, но конкретные языки и длина контекста в доступных материалах не приведены. Модель распространяется по лицензии MIT. Возможные сценарии — визуальные вопросы и ответы, анализ изображений и видео, распознавание текста на изображениях и мультимодальный диалог; результаты могут зависеть от качества и разрешения входных изображений.

InternVL3-14B — мультимодальная модель OpenGVLab из семейства InternVL3, представленная в репозитории как дообученная версия InternVL3-14B-Instruct. Она построена по схеме ViT-MLP-LLM: визуальный энкодер InternViT соединён через MLP-проектор с языковой моделью. В семействе используются компоненты на основе Qwen 2.5 и InternLM 3; размер этой версии — 14 млрд параметров. Модель распространяется в формате safetensors и использует библиотеку Transformers. Модель предназначена для диалога и анализа изображений, видео и текста: визуальных вопросов и ответов, мультимодального рассуждения, понимания видео и работы с несколькими изображениями. В README также описаны сценарии использования инструментов, GUI-агентов, анализа промышленных изображений и 3D-визуального восприятия. Поддерживаются динамическое разбиение изображений на фрагменты 448×448 пикселей и обработка изображений и видео; каталог помечает модель как многоязычную. Вариант лицензии — Apache 2.0. Среди заявленных особенностей — предобучение на смешанных текстовых и мультимодальных данных и улучшенное понимание длинного контекста благодаря V2PE. README не приводит численную длину контекста именно этой модели. Качество результатов зависит от входных данных и задачи; несколько изображений увеличивают число визуальных токенов и требуемый объём контекста.

OpenGVLab/InternVL3_5-30B-A3B-Flash — мультимодальная модель семейства InternVL3.5, дообученная на основе OpenGVLab/InternVL3_5-30B-A3B. Она принимает изображения и текст и предназначена для диалогов, визуальных вопросов и ответов, а также рассуждений по содержимому изображений. Поддерживает мультимодальные сценарии, включая обработку нескольких изображений; карточка указывает архитектуру InternVLChatModel и загрузку через Transformers. В семействе InternVL3.5 применяются каскадное обучение с подкреплением для улучшения рассуждений, Visual Resolution Router для динамической настройки разрешения визуальных токенов и раздельное развёртывание зрения и языковой модели для повышения эффективности инференса. README также заявляет поддержку взаимодействия с GUI и embodied-сценариев для семейства. Размер контекста и точные языки этой версии в предоставленных данных не приведены; метаданные характеризуют языковую поддержку как многоязычную. Лицензия — Apache-2.0. Для запуска требуются значительные вычислительные ресурсы: для моделей семейства до 30B параметров README приводит возможность развёртывания на одной A100.

nineninesix/kani-tts-370m-MLX — версия модели KaniTTS, подготовленная для запуска на MLX; разработчик исходной модели в карточке указан как nineninesix. Репозиторий создан конвертацией nineninesix/kani-tts-370m с помощью mlx-lm 0.28.2. Модель предназначена для синтеза речи из текста и поддерживает английский, немецкий, арабский, китайский, испанский и корейский языки. Модель построена на архитектуре LFM2 с плотной causal language model и содержит 460 млн параметров. Метаданные указывают контекст 128 000 токенов. Лицензия — Apache-2.0. Репозиторий содержит веса safetensors для экосистемы MLX.

Карточка модели kiel2/Kiel-2-Iris на Hugging Face совпадает с карточкой kiel2/Kiel-Vision-2-Pro, поэтому описание составлено по ней. Kiel-Vision-2-Pro — дообученная kiel2 модель для диалоговой работы с изображениями и текстом. Она основана на unsloth/qwen2.5-vl-7b-instruct-unsloth-bnb-4bit и использует архитектуру Qwen2.5-VL с 7 млрд параметров. По данным карточки, модель обучали с помощью Unsloth и библиотеки Hugging Face TRL. Модель принимает текстовые запросы и изображения и генерирует текстовые ответы. Она подходит для вопросов по изображениям и других сценариев визуального диалога. В карточке указан английский язык; доступны файлы в форматах Safetensors и GGUF, включая варианты F16 и Q4_K_M. Лицензия — Apache-2.0.

Kokoro-82M-v1.1-zh-ONNX — модель преобразования текста в речь (TTS), представленная в формате ONNX для использования с библиотекой Transformers.js. Она основана на модели hexgrad/Kokoro-82M-v1.1-zh; в карточке также указано сообщество onnx-community как источник данной версии. Модель предназначена для синтеза аудио из текста и поддерживает английский и китайский языки. Модель содержит 82 миллиона параметров, что делает её компактной для задач генерации речи и потенциально удобной для приложений с ограниченными вычислительными ресурсами. В предоставленных данных не указаны архитектура, размер контекстного окна, дополнительные модальности, показатели качества, требования к оборудованию или ограничения по применению. Лицензия — Apache 2.0, допускающая использование, модификацию и распространение на условиях этой лицензии.

nineninesix разработал мультиязычную модель распознавания речи на основе OpenAI Whisper Medium и дообучил её для поддержки кыргызского языка. Модель принимает аудио и преобразует речь в текст; заявлена поддержка кыргызского, английского и русского языков. Она содержит около 455,8 млн параметров, использует архитектуру Whisper и доступна в формате Safetensors для Transformers. Для кыргызской транскрипции требуется пользовательский токенизатор из репозитория модели. Модель предназначена для расшифровки кыргызских медиа, образовательных материалов и звонков, в том числе в сценариях переключения между языками. В README описано обучение примерно на 2 000 часах кыргызского аудио и смеси английских и русских данных; на FLEURS сообщается о практических значениях WER около 0,2–0,4 для кыргызского. Это заявленные результаты карточки, а не независимая оценка. Лицензия — Apache-2.0. Качество распознавания английского и русского может быть ниже, чем у исходной Whisper Medium; на чистых тестовых данных возможен повышенный WER из-за обучения на шумном аудио. Для других языков пригодность не заявлена, а для специализированных предметных областей может потребоваться дообучение.