I.7Речь, диалоги и встречи

ajikadev/wavlm-salt-eng — дообученная модель распознавания английской речи на основе microsoft/wavlm-base. Это плотная модель семейства WavLM с архитектурой WavLMForCTC, содержащая 113,3 млн параметров; она принимает аудио и преобразует речь в текст. Модель дообучена на многоголосом англоязычном наборе SUNBIRD/SALT - MULTISPEAKER-ENG. На оценочном наборе указаны loss 0,2244 и WER 0,2118. Модель подходит для транскрибации английской речи, в том числе записей с несколькими говорящими. Эти результаты относятся к указанному набору данных и сами по себе не гарантируют такое же качество на других типах аудио. Лицензия в предоставленных сведениях не указана.

WAXAL-orm_asr-w2v-bert-2.0 — модель автоматического распознавания речи, созданная дообучением facebook/w2v-bert-2.0. Она использует архитектуру Wav2Vec2-BERT с CTC-выходом и содержит 402,7 млн параметров. Модель принимает аудио и предназначена для преобразования речи в текст; README сообщает оценку CER 0,1687 и loss 0,8218 на тестовом наборе. Модель опубликована в формате safetensors и рассчитана на использование с библиотекой Transformers. В карточке указана лицензия MIT. Язык распознавания, набор данных и подробные ограничения в доступных материалах не раскрыты.

DictionLabs/whisperkit-coreml — набор моделей OpenAI Whisper, преобразованных компанией Diction Labs в формат CoreML для распознавания речи на устройствах Apple. Сборка создана с помощью whisperkittools на основе MIT-лицензированных контрольных точек Whisper и предназначена для использования через WhisperKit и argmax-oss-swift. В набор входят варианты на базе whisper-base, whisper-small и whisper-large-v3-turbo, включая полноточные версии и сжатую версию dictionlabs_whisper-large-v3-turbo-q6q8 размером 737 МБ. Сжатая модель использует 6-битное представление encoder и 8-битное представление decoder, занимая около 45% размера полноточной версии large-v3-turbo, размер которой составляет 1,63 ГБ. Модели предназначены для задач automatic speech recognition и поддерживают многоязычную транскрипцию; в приведённых проверках оценивались английский, немецкий, французский, японский, корейский и китайский языки. Ключевое преимущество набора — выполнение распознавания непосредственно на Apple hardware, включая использование Neural Engine. По данным разработчика, сжатая версия на M1 Mac mini работает примерно в 9,6 раза быстрее реального времени и по качеству близка к полноточной: на 150 фрагментах спонтанной речи WER составил 11,14% против 10,96%, а результаты совпали на 141 фрагменте. Показатели зависят от языка, качества речи и уровня шума; приведённые тесты имеют ограниченный объём и не заменяют полноценную оценку для конкретного сценария. Модели распространяются по лицензии MIT. Для первого запуска токенизаторы загружаются отдельно из соответствующих репозиториев openai/whisper-*, поэтому даже при наличии весов на диске требуется доступ к сети.

handy-computer/whisper-large-gguf — это конвертация мультиязычной модели OpenAI Whisper large в формат GGUF для использования с transcribe.cpp. Модель предназначена для автоматического распознавания речи, определения языка аудио и перевода речи с любого поддерживаемого языка в английский текст. Она поддерживает сегментную расшифровку с временными метками и обрабатывает длинные записи с помощью декодирования по 30-секундным окнам; потоковая обработка не поддерживается. Архитектура модели — encoder-decoder Transformer. Доступны варианты F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 997 МБ до 6,18 ГБ. Модель поддерживает широкий набор языков, включая русский, английский, немецкий, французский, испанский, китайский, японский и многие другие. На тесте LibriSpeech test-clean варианты показали WER от 2,62% до 2,84%, что указывает на высокое качество распознавания английской речи; качество заметно зависит от языка и может существенно различаться. Сильные стороны модели — мультиязычность, определение языка, перевод речи на английский, поддержка различных уровней квантования и возможность запуска через transcribe.cpp с использованием CPU, Metal или Vulkan. Ограничения включают значительный размер, отсутствие потокового режима и неоднородную точность для разных языков, особенно для менее распространённых языков. Распространение указано по лицензии Apache-2.0.

RedHatAI/whisper-large-v3-FP8-dynamic — это квантизированная версия модели openai/whisper-large-v3, разработанная Neural Magic. Модель преобразует аудио в текст и предназначена для автоматической транскрипции речи, включая пакетную обработку и высокопроизводительное серверное развертывание. Модель использует архитектуру whisper-large-v3 с аудиотекстовым входом и текстовым выходом. Веса и активации квантизированы в FP8 с динамическим масштабированием; квантизация выполнена для линейных слоёв, а выходной lm_head исключён. Модель подготовлена для инференса через vLLM версии 0.5.2 и выше, включая OpenAI-совместимый режим сервинга. В примере развертывания используются до 400 последовательностей и максимальная длина модели 448 токенов. По данным оценки на LibriSpeech и Fleurs, FP8-версия сохраняет качество исходной BF16-модели: WER составляет 2,097 на LibriSpeech test-clean и 3,9617 на test-other; на отдельных наборах Fleurs проверялась транскрипция китайского, английского и кантонского аудио в английский текст. Ограничения включают зависимость от совместимого стека vLLM и отсутствие в README подробностей о полном наборе поддерживаемых языков, требованиях к оборудованию и качестве на других типах аудио. Лицензия — Apache 2.0.

vonjack/whisper-large-v3-gguf — это модель автоматического распознавания речи Whisper в формате GGUF, предназначенная для использования с whisper.cpp. Репозиторий содержит варианты модели для преобразования аудио в текст; в качестве примеров указаны записи Librispeech. Разработчик модели в README не указан. Модель поддерживает широкий набор языков, включая английский, китайский, немецкий, испанский, русский, французский, японский, португальский и многие другие. Архитектура, количество параметров, размер модели, максимальная длина контекста и сведения о дополнительных модальностях в README не приведены. К сильным сторонам относятся совместимость с whisper.cpp и широкая языковая поддержка, однако ограничения по качеству, производительности и требованиям к ресурсам не описаны. Модель распространяется по лицензии Apache-2.0.

Whisper-Large-v3-MLA — модель распознавания речи, разработанная Burak Aydın на основе OpenAI Whisper large-v3. Декодерная self-attention преобразована из MHA в MLA, что сокращает KV-кэш декодирования на 62,5%; после преобразования модель дообучена на корпусе Whispered для восстановления качества. Модель содержит 905,2 млн параметров и предназначена для транскрибации речи в текст на 11 языках. На тестах CommonVoice-17 авторы сообщают, что цена преобразования по качеству статистически незначима для 9 из 11 языков; заметные различия указаны для арабского и китайского. Сокращение относится к KV-кэшу self-attention декодера: память энкодера и cross-attention не сжата, поэтому выгода для одной короткой последовательности ограничена и заметнее при длинной генерации и высокой параллельности. Модель ориентирована на чистую речь, записанную потребительскими микрофонами; качество может снижаться для незнакомых письменностей, а для грузинского автор отмечает слабые результаты. Для загрузки требуются Transformers 4.46.x и trust_remote_code=True; модель не поддерживает whisper.cpp, faster-whisper и CTranslate2. Лицензия — Apache-2.0.

antony66/whisper-large-v3-russian — русскоязычная версия Whisper large-v3, дообученная автором репозитория на русской части Common Voice 17.0. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration, примерно 905,2 млн параметров; она принимает аудио и предназначена для автоматического распознавания речи с выдачей текста на русском языке. Модель подходит для транскрибации русской речи, включая записи телефонных разговоров. Автор сообщает о WER 6,39 на собственном тестовом разделении Common Voice после дообучения против 9,84 у исходного Whisper v3. Для телефонных записей рекомендуется предварительно привести аудио к 16 кГц и нормализовать громкость. Модель отмечена как находящаяся в разработке, а автор планирует улучшать её для распознавания телефонной речи. Лицензия в предоставленных данных не указана.

Это конверсия модели Whisper large-v3-turbo в формат MLX, предназначенная для распознавания речи. Репозиторий описывает использование через библиотеку mlx-whisper; метаданные указывают на архитектуру Whisper и веса в формате safetensors. Модель принимает аудио и преобразует речь в текст. Её можно применять для транскрибации записей и распознавания речи в поддерживаемых Whisper языках. README не приводит сведений о разработчике конверсии, размере модели, конкретных поддерживаемых языках или лицензии.

oxide-lab/whisper-large-v3-turbo-GGUF — набор квантованных версий модели openai/whisper-large-v3-turbo, подготовленный в формате GGUF. Модель предназначена для автоматического распознавания речи и может использоваться с Candle — ML-фреймворком на Rust — или с whisper.cpp. В репозитории представлены варианты для работы с локальными аудиофайлами и встраивания распознавания речи в приложения, включая сценарии на мобильных устройствах. Доступны 10 уровней квантования от q2_k до q8_0. Более компактные варианты уменьшают требования к ресурсам, но могут сильнее снижать качество; q4_k указан как рекомендуемый компромисс между размером, скоростью и точностью, а q6_k и q8_0 обеспечивают качество, близкое к исходному. Для Candle и whisper.cpp используются разные варианты файлов GGUF, отличающиеся именами тензоров и совместимостью. README указывает поддержку многоязычного режима, включая английский и русский языки, но не приводит точный список языков, размер модели, архитектурные параметры или длину контекста. Преимущество модели — сочетание возможностей Whisper с уменьшенным размером квантованных файлов и поддержкой двух распространённых сред выполнения. Ограничения связаны с возможной потерей качества при агрессивном квантовании и необходимостью выбирать формат, совместимый с конкретным движком. Модель распространяется по лицензии MIT, как и исходная модель Whisper.

RedHatAI/whisper-large-v3-turbo-quantized.w4a16 — квантизированная версия модели openai/whisper-large-v3-turbo, разработанной OpenAI и опубликованной Red Hat AI. Это аудио-текстовая модель архитектуры Whisper с текстовым выходом, предназначенная для автоматического распознавания речи и автоматического перевода речи. В карточке указана поддержка английского языка. Веса модели преобразованы в формат INT4 (W4A16), что ориентировано на более эффективное хранение и инференс. Модель подготовлена для работы с vLLM и проверена в RHOAI 2.25, RHAIIS 3.2.2 и vLLM 0.10.1.1; поддерживается развёртывание через vLLM и OpenAI-совместимый сервер, включая сценарии на Red Hat OpenShift AI и Red Hat AI Inference Server. Ограничения включают снижение численной точности из-за квантизации и зависимость от совместимого серверного окружения и аппаратных ресурсов, однако конкретное влияние на качество распознавания в README не приведено. Модель распространяется по лицензии Apache 2.0.

Whisper-Medium-MLA — мультиязычная модель распознавания речи, созданная на основе OpenAI Whisper Medium. Разработчик преобразовал декодерное self-attention из MHA в MLA и дообучил модель для восстановления качества на 11 языках корпуса Whispered. В модели 455,8 млн параметров; она принимает аудио и выдаёт текст. По данным карточки, преобразование сокращает KV-кэш декодера на 62,5%, особенно полезно при длинной генерации и одновременной обработке нескольких потоков. Модель предназначена для транскрибации речи, в том числе записей с потребительских микрофонов и речи с фоновым шумом. В README приведены оценки на CommonVoice-17 и FLEURS для английского, немецкого, испанского, французского, русского, турецкого, валлийского, арабского, грузинского, тайского и китайского языков. Качество зависит от языка: для грузинского автор отмечает очень высокий WER и ограничение ёмкости модели. Для загрузки требуются transformers версии 4.46.x и trust_remote_code=True из-за пользовательских модулей MLA; модель не поддерживается whisper.cpp, faster-whisper и CTranslate2. Сжатие касается KV-кэша декодерного self-attention, а не памяти энкодера и cross-attention, поэтому выигрыш в общей памяти при одном потоке может быть небольшим. Лицензия — Apache-2.0.

Whisper Medium Russian — модель распознавания речи, созданная дообучением openai/whisper-medium на русскоязычной части набора Mozilla Common Voice 11.0. Она принимает аудио и преобразует русскую речь в текст; архитектура основана на Whisper и содержит около 455,8 млн параметров. Модель подходит для транскрибирования записей и голосовых сообщений на русском языке. В карточке указаны результаты на оценочном наборе: loss 0,2253 и WER 7,5624. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

onnx-community/whisper-small — это ONNX-версия мультиязычной модели Whisper Small, опубликованная сообществом ONNX Community на основе модели openai/whisper-small, разработанной OpenAI. Она предназначена для автоматического распознавания речи и перевода речи в текст, включая транскрибацию аудио на исходном языке и перевод с разных языков на английский. ONNX-веса адаптированы для использования, в частности, с Transformers.js и сценариями запуска в браузере или локальных приложениях. Модель построена как Transformer encoder-decoder, или sequence-to-sequence, и содержит около 244 млн параметров. Конфигурация включает 12 слоёв энкодера и 12 слоёв декодера, 12 attention heads в каждом, 80 mel-частотных полос и максимальную длину выходной последовательности 448 токенов. Мультиязычная версия поддерживает 99 языков. Исходный Whisper обучался на 680 000 часах аудио с транскрипциями. Сильные стороны модели — обобщение без обязательной дообучки, устойчивость к акцентам, шуму и технической лексике, а также возможность распознавания и перевода речи. Ограничения включают неравномерную точность между языками, акцентами и диалектами, возможные галлюцинации и повторяющийся текст; качество следует отдельно проверять для конкретной области применения. Модель рассчитана на аудиофрагменты длительностью до 30 секунд без дополнительной обработки, а более длинные записи обрабатываются с помощью разбиения на части. Для базовой модели openai/whisper-small указана лицензия Apache-2.0; отдельная лицензия ONNX-репозитория явно не указана.

mlx-community/whisper-small-4bit — версия Whisper Small, подготовленная mlx-community для запуска в формате MLX и с 4-битным представлением весов. Репозиторий создан конвертацией openai/whisper-small с помощью mlx-audio-plus версии 0.1.4; модель предназначена для распознавания речи и транскрибирования аудио. Whisper Small — мультиязычная модель OpenAI, способная также переводить аудио на английский язык. Модель принимает аудио и выдаёт текст. Она распространяется по лицензии Apache-2.0 и рассчитана на запуск через библиотеку mlx-audio-plus. Доступные сведения не описывают точность на конкретных языках или типах записей; результат может зависеть от качества аудио и условий записи.

Whisper small.en — англоязычная модель распознавания речи от OpenAI, представленная в семействе Whisper. Это Transformer-модель типа encoder-decoder с архитектурой sequence-to-sequence и 153,1 млн параметров. Она принимает аудио и преобразует английскую речь в текст; для длинных записей транскрибирование можно выполнять с разбиением аудио на фрагменты, а при соответствующей настройке получать временные метки. Модель обучена на размеченных аудиоданных в рамках семейства Whisper и рассчитана на распознавание английской речи, в том числе в условиях акцентов, фонового шума и специальной лексики. Репозиторий предоставляет веса в форматах PyTorch, TensorFlow и Flax, включая safetensors. Лицензия — Apache-2.0. Транскрипции могут содержать слова, которых нет в аудио; возможны повторения и ошибки распознавания. Качество зависит от акустических условий и разновидности английского; эта англоязычная версия не предназначена для многоязычного распознавания или перевода речи.

litus-ai/whisper-small-ita — версия Whisper Small, разработанная Litus AI и дообученная для итальянской речи на части собственных данных компании. Модель предназначена для автоматического распознавания речи и рассчитана на сценарии с ограниченным вычислительным бюджетом, где важна точность транскрипции. Архитектура — WhisperForConditionalGeneration, число параметров — 153,1 млн; модель работает с аудио и выдаёт текст. Помимо слов, транскрипция может включать специальные маркеры смеха, междометий, вздохов, шума, неразборчивой речи, самоисправлений и переключения на английский. Карточка приводит сравнение с другими моделями на внутренних тестах для итальянских совещаний и телефонных звонков, но не содержит численных результатов. Модель доступна по лицензии Apache-2.0.

Это мультиязычная модель распознавания речи Whisper Small, разработанная OpenAI и упакованная loom-ai-org в формат GGUF для запуска через loom.cpp. Веса не изменены относительно openai/whisper-small; репозиторий содержит экспорт модели, а не новое дообучение. Модель принимает аудио и преобразует речь в текст. Она поддерживает распознавание на множестве языков, включая русский, английский, китайский, немецкий, испанский, французский и японский; список языков включает также другие языки. Для запуска предлагается библиотека loom-py-rt, которая обрабатывает необходимые для модели разбиение аудио и сборку результата. Файлы предоставлены в формате GGUF и рассчитаны на выполнение в loom.cpp. Репозиторий распространяется по лицензии Apache-2.0. Характеристики точности и ограничения применения в карточке не приведены.

Whisper-Small-MLA-24lang — модель распознавания речи, созданная Burak Aydin на основе openai/whisper-small. Декодер преобразован из MHA в MLA, после чего модель дообучена для восстановления качества на наборе из 24 языков. В ней 153,1 млн параметров; в формате весов Safetensors, библиотека Transformers. Лицензия — Apache-2.0. Модель предназначена для транскрибирования речи на английском, немецком, испанском, французском, итальянском, португальском, русском, нидерландском, польском, индонезийском, турецком, хинди, малайском, шведском, тайском, китайском, чешском, вьетнамском, финском, греческом, датском, японском, норвежском и корейском языках. По данным карточки, преобразование сокращает KV-кэш декодера на 62,5%; экономия относится к кэшу self-attention и не распространяется на память энкодера и cross-attention. В оценке на Common Voice 17 качество существенно различается по языкам: результаты сильнее на испанском, английском, нидерландском, русском, итальянском и португальском, а на некоторых языках с малым объёмом данных, включая корейский, норвежский, датский и греческий, заметно слабее. Модель рассчитана на речь с потребительских микрофонов и чтение подготовленного текста. Для запуска требуются trust_remote_code и Transformers 4.46.x; whisper.cpp, CT2 и faster-whisper не поддерживаются.

Это русскоязычная модель распознавания речи Whisper small, созданная на основе дообученной модели artyomboyko/whisper-small-ru-v2 и преобразованная в формат GGUF с точностью FP16. Репозиторий подготовлен для запуска через whisper.cpp; модель принимает монофоническое аудио с частотой дискретизации 16 кГц и выдаёт текстовую расшифровку на русском языке. В архитектуре Whisper small — 12 слоёв энкодера и 12 слоёв декодера, размер скрытого представления 768. По данным карточки, файл занимает 483 МБ, а на Xiaomi 11T с whisper.cpp модель выполняет транскрибацию в реальном времени и примерно вдвое быстрее версии F32 на ядрах Cortex-A78. Лицензия — Apache-2.0.

LiteRT Community Whisper Tiny — модель для автоматического распознавания речи, основанная на openai/whisper-tiny. Она предназначена для преобразования аудиозаписей в текст в сценариях автоматического распознавания речи. Из доступных данных известно, что модель относится к классу automatic-speech-recognition и распространяется по лицензии Apache 2.0. Сведения об архитектуре, размере, поддерживаемых языках, модальностях, длине контекста, сильных сторонах и ограничениях в карточке модели не указаны.

Компактная модель распознавания речи Whisper Tiny от OpenAI, преобразованная в формат CTranslate2 с точностью float16 и размещённая ctranslate2-4you. Она принимает аудио и преобразует речь в текст, например для транскрибации записей; для запуска в README указана библиотека whisper-s2t-reborn. Базовая модель — openai/whisper-tiny, многоязычная версия Whisper. Репозиторий распространяется по лицензии Apache-2.0.

Whisper tiny.en — компактная модель распознавания речи на английском языке, разработанная OpenAI. Это предварительно обученный Transformer encoder-decoder с архитектурой sequence-to-sequence и примерно 29,4 млн параметров; модель принимает аудио и выдаёт текстовую расшифровку. Она обучена на больших объёмах размеченной речи и предназначена для транскрибации английского аудио, в том числе записей с акцентами, фоновым шумом и специализированной лексикой. Для аудио длиннее примерно 30 секунд можно применять разбиение на фрагменты средствами Transformers. Модель может быть полезна для расшифровки записей, интервью, лекций и голосовых сообщений. Она способна ошибаться и иногда генерировать слова, которых нет в аудио; точность зависит от качества записи, акцента и предметной области. Лицензия — Apache 2.0.

ARK-ASR-0.6B INT8 ONNX — пакет для локального распознавания речи, подготовленный разработчиками ARK-ASR на основе модели AutoArk-AI/ARK-ASR-0.6B. Он предназначен для запуска ASR через ONNX Runtime на локальных компьютерах и периферийных устройствах, когда важен компактный формат инференса. Модель имеет плотную архитектуру ArkasrForConditionalGeneration, содержит около 504,7 млн параметров и использует 32 768 токенов контекста. Пакет включает INT8 ONNX-компоненты декодера, аудиоэнкодера и аудиоадаптера, а также FP32-эмбеддинги и необходимые файлы токенизатора и процессора. Входное аудио обрабатывается с частотой 16 кГц; модель распознаёт китайскую, английскую, немецкую, японскую, французскую, корейскую, испанскую, польскую, итальянскую, румынскую, венгерскую, чешскую, нидерландскую, финскую, хорватскую, словацкую, словенскую, эстонскую и литовскую речь и выдаёт текст. Квантованный ONNX-пакет рассчитан на компактный локальный инференс; лицензия — Apache-2.0.

mrsinghania/asr-question-detection — классификатор текста на основе BERT, разработанный автором репозитория для различения вопросов и утверждений. Модель обучена на более чем 7 тысячах примеров устной речи из интервью и предназначена для обработки распознанных высказываний: например, чтобы определять, содержит ли реплика вопрос.

Audio8 ASR Infinite — модель потокового распознавания речи, разработанная Edge0. Она предназначена для транскрибирования китайской и английской речи в реальном времени, в том числе непрерывных аудиопотоков. Архитектура основана на аудиомодели Voxtral Realtime 4B: обучены аудиобашня, проектор и эмбеддинги длины кадра; текстовый декодер использует 36 слоёв. Модель принимает аудио и выдаёт текст. Потоковый режим поддерживает настраиваемый аудиотакт 80, 120 или 160 мс и задержку транскрипции 240–560 мс. В README заявлены семантическое определение пауз и завершения реплики, а также обработка неограниченно длинного потока с постоянными затратами памяти и задержкой благодаря Rolling KV Cache и адаптированной сборке vLLM. Нативный контекст чекпойнта составляет 30 секунд; бесконечная длительность относится к режиму с Rolling KV Cache. Оптимальные сочетания параметров постобучены не для всех конфигураций. Модель выпущена как preview, а семантическое восприятие на уровне кадров обозначено как работа в процессе. В приведённых сравнениях качество зависит от языка и набора данных: результаты сильны на китайских тестах, тогда как на LibriSpeech test.clean уступают Voxtral-Mini-4B-Realtime-2602. Лицензия — Apache-2.0.

Модель ashwaninbs/bart-cnn-samsum-finetuned — дообученная версия facebook/bart-large-cnn на датасете SAMSum. Она предназначена для создания кратких пересказов диалогов и разговорных текстов, например стенограмм бесед. Модель построена на архитектуре BART и содержит 252,8 млн параметров; максимальная длина контекста — 1024 токена. Модель работает с текстом и выдаёт текстовые резюме. В README указан результат Loss 0,1318 на оценочном наборе, но дополнительных сведений о методике оценки и ограничениях нет. Лицензия — MIT.

linydub/bart-large-samsum — модель суммаризации диалогов, дообученная с помощью Microsoft Azure Machine Learning на корпусе SAMSum от базового чекпойнта facebook/bart-large. Она принимает текст переписки и генерирует краткое изложение; подходит, например, для фиксации итогов чатов и обзора диалогов. Модель основана на BART, содержит около 252,8 млн параметров и имеет контекст длиной до 1024 токенов. Карточка приводит результаты оценки на SAMSum: ROUGE-1 55,02, ROUGE-2 29,60 и ROUGE-L 44,91. Распространяется по лицензии Apache-2.0.

AdamCodd/bart-large-xsum-samsum — модель на архитектуре BART-large, дообученная на наборе SAMSum на основе facebook/bart-large-xsum. Она предназначена для краткого пересказа диалогов и чатов; автор отмечает, что её сводки менее многословны, чем у AdamCodd/bart-large-cnn-samsum, и оценивает качество как более высокое. В README приведены результаты на тестовой выборке SAMSum: ROUGE-1 54,31, ROUGE-2 29,09, ROUGE-L 44,47 и ROUGE-Lsum 49,90. Модель содержит 252,8 млн параметров, имеет контекст длиной до 1024 токенов и доступна в форматах Safetensors и ONNX. Лицензия — Apache-2.0. Она подходит прежде всего для диалогового текста; на других типах текстов качество может быть ниже.

Это квантованная версия Cohere Transcribe, разработанная на основе модели CohereLabs/cohere-transcribe-03-2026. Она предназначена для автоматического распознавания речи и транскрибации аудио на 14 языках. Архитектура включает Conformer-энкодер на 48 слоёв и Transformer-декодер на 8 слоёв; модель содержит около 2 млрд параметров и использует токенизатор SentencePiece с размером словаря 16 384. Квантование NVFP4 W4A16 представляет веса в формате NVIDIA FP4, а активации — в BF16. Модель принимает аудио и выдаёт текстовую транскрипцию. Поддерживаемые языки: арабский, немецкий, греческий, английский, испанский, французский, итальянский, японский, корейский, нидерландский, польский, португальский, вьетнамский и китайский (мандаринский). Репозиторий распространяется по лицензии Apache-2.0. Карточка описывает запуск с vLLM и Transformers; фактическая точность и качество на конкретных аудиоданных в предоставленных сведениях не приводятся.