I.7Речь, диалоги и встречи

MiMo-V2.5-ASR-FP8 — FP8-квантизированная версия модели Xiaomi MiMo для сквозного распознавания речи. Она основана на XiaomiMiMo/MiMo-V2.5-ASR и использует плотную архитектуру семейства Qwen2 с 7 млрд параметров и контекстом 8192 токена. Модель предназначена для транскрибирования речи на китайском и английском языках, включая переключение между ними, китайские диалекты, шумную и многоголосую речь, а также тексты песен; поддерживает расстановку пунктуации. Веса линейных слоёв представлены в формате FP8 e4m3fn с масштабированием по выходным каналам; эмбеддинги и нормализации оставлены в BF16. По README, объём весов сокращён примерно с 32 до 16–17 ГБ. Для обработки аудио требуется отдельно загрузить MiMo-Audio-Tokenizer, а для загрузки чекпойнта — использовать совместимую реализацию FP8Linear; это не стандартный чекпойнт для обычной загрузки через from_pretrained. Для инференса нужны CUDA GPU с FP8 tensor cores и CUDA 12.0 или новее. Квантизация может немного ухудшить WER относительно BF16. Лицензия — MIT.

Ming-flash-omni 2.0 — мультимодальная модель компании InclusionAI на архитектуре Ling-2.0 с механизмом Mixture-of-Experts: 100 млрд параметров всего и 6 млрд активных. Она принимает изображения, текст, видео и аудио, а генерирует текст, изображения и аудио. Модель предназначена для мультимодального понимания и генерации, включая анализ визуальных объектов и культурных объектов, потоковый диалог по видео, распознавание речи, синтез речи и музыки, а также генерацию и редактирование изображений. Среди заявленных возможностей — клонирование голоса без дополнительного обучения, управление характеристиками аудио, такими как эмоция и тембр, и удаление объектов с изображений с сохранением согласованности текстур и глубины сцены. В метаданных указаны архитектура BailingMM2NativeForConditionalGeneration и форматы PyTorch, Safetensors, ONNX, Flax и TensorFlow. Модель выпущена под лицензией MIT. В карточке не приведены длина контекста и языки аудио- или текстовых задач; английский указан среди языковых тегов.

Ming-flash-omni Preview — мультимодальная модель от разработчиков семейства Ming, построенная на разреженной MoE-версии Ling-Flash-2.0. В модели заявлено 100 млрд параметров, из которых активны около 6 млрд на токен; она поддерживает входные изображения, текст, видео и аудио, а генерирует изображения, текст и аудио. Модель предназначена для мультимодального диалога и генерации: понимания изображений и видео, распознавания речи с учётом контекста и диалектов, синтеза речи, генерации и редактирования изображений. В карточке отдельно отмечены сегментация как часть редактирования, улучшенное сохранение сцены и идентичности при правках изображений, а также распознавание 15 китайских диалектов. Архитектура — разреженная Mixture-of-Experts; доступны интерфейсы чата и вызова инструментов. Модель опубликована как Preview, поэтому заявленные результаты стоит рассматривать с учётом предварительного статуса версии. Лицензия — MIT.

Модель разработана Labagaite и представляет собой дообученную инструктивную Mistral 7B для суммаризации французских транскрипций аудиоподкастов. Она предназначена для создания кратких изложений транскриптов и может применяться в инструментах подготовки отчётов по встречам. Обучение проводилось на наборе fr-summarizer-dataset объёмом 1,97 тыс. обучающих и 440 проверочных примеров в формате диалога ChatML. Модель построена на архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и имеет контекст до 32 768 токенов. Это текстовая модель: она принимает текст транскрипта и генерирует текстовое резюме. Опубликованные веса представлены в safetensors; модель дообучена от unsloth/mistral-7b-instruct-v0.2-bnb-4bit и загружена как 16-битная версия. Лицензия — Apache-2.0.

Nemotron-3.5-ASR-Streaming-0.6B GGUF — это конвертированная в формат GGUF версия модели NVIDIA Nemotron-3.5-ASR-Streaming-0.6B, подготовленная для использования с CrispASR. Модель предназначена для автоматического распознавания речи, включая потоковую транскрипцию аудио в реальном времени, и поддерживает 39 языков и языковых вариантов, среди которых английский, русский, немецкий, французский, испанский, китайский, японский, корейский, украинский и другие. Архитура включает потоковый Cache-Aware FastConformer-энкодер из 24 слоёв с размерностью 1024 и 8 головами внимания, а также RNN-T-декодер на основе двухслойного LSTM со скрытым размером 640. Обработка выполняется для аудио с частотой дискретизации 16 кГц; используются 128 мел-фильтробанков и причинное уменьшение временной размерности в 8 раз, что соответствует примерно 80 мс на выходной кадр. Выбор языка выполняется через механизм conditioning с использованием prompt kernel. Доступны варианты F16, Q8_0 и Q4_K; версия Q4_K имеет наименьший размер и заявлена как примерно вдвое более быстрая по сравнению с F16. К сильным сторонам модели относятся потоковая работа с учётом кэша, мультиязычность, сравнительно компактный размер и возможность запуска через CrispASR в GGUF-формате. Ограничения включают специализацию исключительно на автоматическом распознавании речи и зависимость от совместимого программного обеспечения CrispASR или другого поддерживаемого рантайма; в README не приведены количественные показатели качества и требования к аппаратным ресурсам. Модель распространяется по лицензии OpenMDW-1.1, описанной как разрешительная.

Это 4-битная MLX-конверсия потоковой модели распознавания речи Nemotron-3.5 ASR Streaming от NVIDIA, подготовленная aufklarer для Apple Silicon. Модель содержит около 600 млн параметров и использует архитектуру FastConformer-CacheAware-RNN-T с языковым промптом. Она принимает аудио и выдаёт текстовую расшифровку в потоковом режиме; в карточке указана поддержка 40 языков, а метаданные перечисляют английский, испанский, немецкий, французский, итальянский, португальский, русский, хинди, китайский, японский, корейский и арабский. Квантизация до 4 бит уменьшает размер весов до 473 МБ и пиковое потребление памяти примерно до 750 МБ. В тестах на Apple Silicon M5 Pro модель показала задержку обработки чанка 12,8 мс на медиане и 15,6 мс на 99-м перцентиле. По данным карточки, средняя ошибка распознавания возрастает примерно на 6 процентных пунктов относительно исходной версии fp32; особенно заметно это для хинди и американского английского. Автор рекомендует вариант для локальных ассистентов и предварительных расшифровок, когда допустима потеря точности. Условия лицензии обозначены как other; конкретные права использования следует проверить в лицензии репозитория.

Nemotron-3.5-ASR-Streaming-CoreAI — конверсия модели NVIDIA Nemotron 3.5 ASR Streaming 0.6B, выполненная для Apple Core AI сообществом Core AI Model Zoo. Это модель автоматического распознавания речи для потоковой и офлайн-транскрипции на устройствах Apple; она рассчитана на обработку микрофонного сигнала в реальном времени и аудиозаписей произвольной длительности. Модель использует архитектуру cache-aware FastConformer с 24 слоями, разделёнными на два графа, и декодирование RNN-T с LSTM-предиктором и joint-модулем. Размер базовой модели — около 600 млн параметров. Поддерживаются 40 локалей в одном checkpoint, включая en-US, ja-JP и zh-CN, а также режим автоматического определения языка. Пунктуация и капитализация встроены. Вход — монофонический звук с частотой 16 кГц; потоковая обработка выполняется чанками по 320 мс при lookahead 3, с заявленной задержкой около 320 мс плюс время вычисления. Сильные стороны модели — постоянная задержка при потоковой обработке, отсутствие ограничения на длительность аудио, выполнение на устройстве без обязательной передачи данных в облако, поддержка нескольких языков и проверенная токенная эквивалентность с потоковой эталонной реализацией. В README указана производительность около 26 мс на чанк на M4 Max и 53 мс на iPhone 17 Pro. Ограничения включают крупный объём графов и длительную первую загрузку, а также зависимость от платформы Apple Core AI и соответствующего runtime. Распространение выполняется по лицензии OpenMDW-1.1; в README указано, что коммерческое использование разрешено. Конверсия перераспределяет исходные веса NVIDIA в другом формате сериализации.

Это конвертированное представление мультимодальной модели NVIDIA Nemotron-3-Nano-Omni-30B-A3B-Reasoning для нативного инференса через Swift/MLX на компьютерах Apple Silicon. В репозитории сохранены веса BF16 исходной модели: значения тензоров не квантизировались, не округлялись и не обучались заново; изменена раскладка экспертных тензоров для пути MLX gather-matmul. Размер весов составляет около 66,03 ГБ. Модель предназначена для диалоговой работы и рассуждений с текстом, изображениями, аудио и видео; базовая карточка указывает сценарии транскрибации, OCR, суммаризации и обработки документов. Репозиторий поддерживает интерфейс вызова инструментов, но использует специальный нативный формат checkpoint и рассчитан на Nemotron Omni Swift/MLX runtime; он не является готовым checkpoint для Transformers. Лицензия указана как other, поэтому условия использования следует сверять с лицензией исходной модели NVIDIA.

OmniStep 12A3B — мультимодальный голосовой и музыкальный ассистент от sovthpaw, основанный на архитектуре Qwen2.5-Omni и объединении весов Qwen2.5-Omni-3B и ACE-Step v1.5 XL SFT 4B методом Darwin Family. Модель рассчитана на разговорное взаимодействие, голосовой ввод и вывод, распознавание изображений, создание заметок и генерацию музыки под настроение пользователя. В README заявлены потоковые ASR и TTS, понимание изображений и генерация фоновой музыки; метаданные указывают поддержку чата и библиотеку Transformers. В репозитории есть полная версия в safetensors и варианты GGUF в F16, Q8_0, Q4_K_M и Q4_0; музыкальная диффузионная голова оставлена в F16. Модель может применяться как голосовой компаньон, помощник для заметок и генератор музыки. README приводит базовые модели и метод слияния, хотя метаданные обозначают происхождение как дообучение. Лицензия — Apache-2.0. Карточка не сообщает размер в параметрах и длину контекста; пример запуска задаёт контекст 8192 токена.

Onyx-Whisper-Tiny — компактная модель распознавания речи на базе Whisper Tiny от OpenAI, подготовленная для движка OnyxSTT на устройствах Apple с MLX. В модели 29,4 млн параметров; аудиоэнкодер квантован до 4 бит с размером группы 64, а декодер, эмбеддинги и свёрточные слои сохранены в fp16. Такой смешанный формат занимает около 66 МБ вместо примерно 151 МБ в fp32. Модель предназначена для преобразования аудио в текст, включая локальную транскрибацию записей. По данным карточки, смешанная точность сохраняет качество базовой версии на проверенных фрагментах с числами, именами и кодами; полная 4-битная квантизация декодера могла бы ухудшить их распознавание. Поддерживается мультиязычный режим. Лицензия — Apache-2.0, унаследованная от базовой модели.

jadasdn/open-ai-small-1 — дообученная версия мультиязычной модели распознавания речи Whisper Small от OpenAI. Модель предназначена для преобразования аудио речи в текст; в метаданных указаны архитектура Whisper и 153,1 млн параметров. Карточка сообщает результат оценки: WER 26,8582 и loss 0,3844, однако без описания набора данных и протокола оценки эти значения трудно интерпретировать. Модель принимает аудио и выдаёт текст. Она основана на openai/whisper-small и опубликована в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. Сведения о целевых языках и конкретной области применения дообучения не приведены.

Модель ctaguchi/parakeet-hf-ctc-110m-en — англоязычная модель автоматического распознавания речи семейства Parakeet, преобразованная из nvidia/parakeet-tdt_ctc-110m в формат Transformers для Hugging Face. Она принимает аудио и преобразует речь в текст, поэтому подходит для транскрибирования англоязычных записей и интеграции распознавания речи в приложения на базе Transformers. Модель использует архитектуру CTC ParakeetForCTC и распространяется в формате safetensors. Лицензия — CC BY 4.0. Карточка указывает на преобразование формата; сведений о размере модели и поддерживаемой длине аудио в доступных данных нет.

Parakeet RNNT 0.6B — модель автоматического распознавания речи, совместно разработанная командами NVIDIA NeMo и Suno.ai. Это версия FastConformer Transducer примерно с 600 млн параметров; модель принимает монофоническое аудио WAV с частотой 16 кГц и возвращает текстовую расшифровку. Она распознаёт английскую речь и выдаёт транскрипт строчными буквами английского алфавита. Модель обучена на 64 тысячах часов английской речи, включая публичные наборы данных и частную подборку. Её можно использовать для расшифровки отдельных записей и пакетной обработки аудиофайлов, а также как предварительно обученный чекпойнт для дообучения в NeMo. Для оценки качества в карточке приведены показатели WER на нескольких тестовых наборах; результаты указаны для жадного декодирования без внешней языковой модели. Для запуска предусмотрены NeMo и Transformers. Модель распространяется по лицензии CC BY 4.0. Карточка описывает распознавание английской речи; пригодность для других языков не заявлена.

Это версия модели NVIDIA Parakeet-TDT-0.6B-v3, подготовленная сообществом mlx-community для запуска в формате MLX на устройствах Apple. Модель основана на архитектуре FastConformer с Transducer-подходом и предназначена для автоматического распознавания речи и преобразования аудиозаписей в текст. Размер модели — около 0,6 млрд параметров; репозиторий содержит веса Safetensors и распространяется по лицензии CC BY 4.0. Модель поддерживает распознавание речи на нескольких европейских языках, включая английский, испанский, французский, немецкий, русский и другие. Её можно применять для транскрибации аудиозаписей и диктовки; для запуска доступны библиотеки parakeet-mlx и mlx-audio. Это конвертированная версия исходной модели NVIDIA, поэтому её характеристики распознавания определяются базовой моделью, а совместимость и производительность зависят от MLX и оборудования Apple.

mlx-community/parakeet-tdt_ctc-110m — конверсия модели NVIDIA Parakeet TDT-CTC 110M в формат MLX для запуска на устройствах Apple. Она предназначена для автоматического распознавания речи и преобразования аудио в текст. Базовая модель описана как англоязычная и формирует текст с пунктуацией и заглавными буквами. В основе лежит архитектура FastConformer/Conformer; репозиторий содержит веса safetensors и рассчитан на работу с библиотекой MLX. Модель распространяется по лицензии CC BY 4.0.

Parakeet Unified EN 0.6B CoreML — модель автоматического распознавания речи на английском языке, разработанная командой FluidInference на основе Parakeet от NVIDIA. Она оптимизирована для работы на платформах Apple через CoreML и используется в Swift SDK FluidAudio. Модель предназначена для офлайн-транскрибации аудиофайлов и низколатентного потокового распознавания речи. Она построена на архитектуре FastConformer-RNNT с примерно 0,6 млрд параметров, поддерживает аудио в формате mono 16 кГц, автоматически расставляет пунктуацию и добавляет капитализацию. Входной контекст обрабатывается с коэффициентом субдискретизации 8, размер словаря SentencePiece составляет 1024 токена. Одна и та же модель поддерживает пакетный режим с окнами до 15 секунд и несколько потоковых вариантов с задержкой от 0,32 до 2,08 секунды. Для потоковой обработки доступны разные компромиссы между задержкой, скоростью и качеством; заявленный WER на LibriSpeech test-clean составляет около 1,68% для пакетного режима и 1,79% для потокового режима с задержкой 2,08 секунды. Доступны версии с FLOAT16 и INT8-энкодером, причём INT8 ориентирована на более высокую производительность. Модель предназначена только для английской речи и не подходит для многоязычной транскрибации; для неанглийского аудио в README рекомендуется Parakeet TDT v3. Производительность и интеграция ориентированы на экосистему Apple и CoreML. Модель распространяется по лицензии CC-BY-4.0.

Это англоязычная модель распознавания речи Parakeet Unified 0.6B, представленная MarkChen1214 в смешанном 3-, 4- и 6-битном варианте для MLX. Она основана на FastConformer-RNNT от NVIDIA и предназначена для локальной транскрибации аудио. Квантование с группами по 64 веса уменьшает размер весов до 0,352 ГБ; на тестах LibriSpeech и FLEURS модель показала макро-WER 2,78% против 2,66% у полноточного учителя. Модель принимает аудио и выдаёт текст на английском. Замеры качества проведены для офлайн-инференса с полным контекстом; потоковую задержку и качество потокового режима автор не заявляет, хотя исходная архитектура поддерживает потоковую обработку. Результаты могут меняться в зависимости от акцента, предметной области, шума и условий записи. Для загрузки требуется совместимый MLX runtime и указанный в README загрузчик. Лицензия в метаданных обозначена как other; конкретные условия следует сверять с карточкой репозитория и лицензией исходной модели.

ldenoue разработал многоязычную модель восстановления пунктуации и регистра на базе MiniLM. Это негенеративная модель токеновой классификации: для каждого токена она независимо предсказывает знак пунктуации и вариант регистра, не добавляя и не удаляя слова. Архитектура — 12-слойный multilingual MiniLM шириной 384; в README указано 33,78 млн параметров, а в метаданных Hugging Face — 40,6 млн. Используется словарь из 32 000 токенов, сокращённый на основе SentencePiece XLM-R; длина контекста — до 512 токенов. Модель предназначена прежде всего для восстановления пунктуации и заглавных букв в распознанной речи, а также для приведения к читаемому виду текстов без форматирования. Обучающие данные включают речи VoxPopuli, сообщения OASST2, тексты FLEURS и фрагменты исправленных субтитров YouTube. Заявлены английский, немецкий, французский, испанский, итальянский, нидерландский, польский, чешский, словацкий, словенский, румынский, бразильский португальский и болгарский языки. Репозиторий содержит форматы ONNX и safetensors; лицензия модели — MIT. README предупреждает, что включение языка в список не гарантирует качества для производственного применения: следует оценить модель на выходах целевой системы распознавания речи. Для распространения модели также рекомендуется проверить права на исходные субтитры YouTube, использованные в данных.

ivrit-ai/pyannote-speaker-diarization-3.1 — форк модели pyannote/speaker-diarization-3.1, разработанной в экосистеме pyannote для анализа речи и голоса. Модель предназначена для автоматической диаризации аудиозаписей: определения количества говорящих и временных интервалов, в которых говорит каждый из них. По указанным меткам также заявлены задачи voice activity detection, обнаружения смены говорящих, перекрывающейся речи и сценарии, связанные с automatic speech recognition. Модель работает с аудио и относится к pipeline-моделям pyannote-audio; точные архитектура, размер, поддерживаемые языки и максимальная длина контекста в предоставленном README не указаны. Сильная сторона — ориентация на комплексную обработку многоговорящих аудиозаписей, однако качество для конкретных языков, акустических условий и случаев одновременной речи по этим данным оценить нельзя. Модель распространяется по лицензии MIT.

Ertas AI выпустила дообученную модель SegEnc на базе Salesforce/socratic-pretraining-qmsum для суммирования найденных фрагментов стенограмм встреч с учётом вопроса пользователя. Она использует архитектуру Segment Encoder с Fusion-in-Decoder поверх BART-large: стенограмма делится на сегменты, кодируемые независимо, а декодер учитывает их совместно. Модель содержит 406,3 млн параметров; метаданные указывают 252,8 млн. Веса представлены в формате safetensors, размер контекста по метаданным — 1024 токена, а заявленная в README ёмкость обработки при разбиении на сегменты — до 4008 токенов. Модель предназначена для сценария locate-then-summarize на датасете QMSum: сначала извлекаются релевантные фрагменты, затем они суммируются в ответ на запрос. Поддерживаемый язык — английский. Авторы сообщают о сопоставимых метриках с их системой на 1,2 млрд параметров при меньшем числе параметров и меньшем пиковом потреблении памяти, однако статистическая эквивалентность не установлена. Лицензия — BSD 3-Clause.

Qwen3.8 Omni Flash — мультимодальная модель рассуждений компании Alibaba, ориентированная на агентные сценарии. Она предназначена для анализа аудио- и видеоматериалов и подготовки их кратких сводок. В README заявлена встроенная поддержка понимания аудио и видео. Модель подходит для анализа аудио-видео материалов; в предоставленных данных не описаны её архитектура, размер, поддерживаемые языки, длина контекста и условия лицензии.

Это экспорт многоязычной модели распознавания речи Qwen3-ASR-0.6B, разработанной Alibaba. Репозиторий подготовлен для loom.cpp и содержит веса в формате GGUF; README указывает, что параметры модели не изменены относительно Qwen/Qwen3-ASR-0.6B. Модель предназначена для преобразования аудио в текст. Её можно запускать через библиотеку loom-py-rt; экспорт включает необходимые для работы графы и драйвер. Поддерживаются китайский, английский, кантонский и ряд других языков, включая русский. Модель распространяется по лицензии Apache-2.0. Это экспорт исходных весов, поэтому его возможности и ограничения определяются базовой моделью Qwen3-ASR-0.6B; подробные сведения о точности и условиях аудиозаписи в карточке не приведены.

Qwen3-ASR-1.7B-hf Orze — дообученная и полностью объединённая специализация модели Qwen/Qwen3-ASR-1.7B-hf от Orze для распознавания английской речи. Это плотная аудиотекстовая модель для транскрибации коротких аудиозаписей; она загружается напрямую через Transformers и использует детерминированное beam search-декодирование с четырьмя лучами. Веса в формате safetensors содержат около 2,04 млрд параметров. Модель обучали на открытых англоязычных наборах, включая Switchboard, Common Voice, TED-LIUM, AMI, LibriSpeech, VoxPopuli, Earnings22 и SPGISpeech. Она предназначена для транскрибации разговоров, выступлений и других коротких записей на английском языке. В README приведены результаты самостоятельной оценки на открытых тестовых наборах, однако публичные тестовые оценки участвовали в выборе чекпойнта и настроек декодирования, поэтому эти результаты не являются независимой оценкой обобщения и не подтверждены владельцами лидерборда. Мультиязычные возможности исходной модели после дообучения не проверялись; для задач, где важна широкая мультиязычная поддержка, README рекомендует исходный чекпойнт. Модель распространяется по лицензии Apache-2.0.

Qwen3 ASR Enhanced — дообученная модель mrfakename на базе Qwen/Qwen3-ASR-1.7B для распознавания речи и транскрибации аудио с inline-разметкой невербальных вокализаций: смеха, вздохов, кашля, дыхания, прочищения горла и плача. Модель предназначена для расшифровки подкастов, интервью и встреч, создания описательных субтитров, анализа диалогов и подготовки данных для разговорных систем. Модель использует плотную архитектуру Qwen3ASRForConditionalGeneration, принимает аудио и выдаёт текстовую транскрипцию. README заявляет поддержку английского, немецкого и французского языков, устойчивость к шуму, акцентам и длинным записям. Это альфа-версия; автор отмечает нестабильность тегов невербальных звуков и планирует улучшить их, а также добавить диаризацию говорящих. Лицензия — Apache-2.0.

Карточка модели Jinstudio/Qwen3-ForcedAligner-0.6B на Hugging Face совпадает с карточкой Qwen/Qwen3-ASR-1.7B, поэтому описание составлено по ней. Qwen3-ASR-1.7B — плотная аудиоречевая модель семейства Qwen3-ASR, разработанная командой Qwen. Она распознаёт речь и определяет язык аудио; модель поддерживает 30 естественных языков и 22 китайских диалекта, включая русский, английский, китайский и кантонский. Основана на возможностях аудиопонимания Qwen3-Omni и содержит 1,7 млрд параметров согласно названию модели. Модель предназначена для транскрибации речи в потоковом и офлайн-режимах, в том числе длинных записей, аудио в сложных акустических условиях, пения и песен с фоновой музыкой. В README заявлены сильные результаты на открытых и внутренних тестах; отдельные сравнительные показатели в карточке не приведены. Для потокового распознавания требуется backend vLLM; доступны также интеграции через Transformers и пакет qwen-asr. Веса опубликованы в формате safetensors под лицензией Apache-2.0. Модель принимает аудио и выдаёт распознанный текст. Описанный в README Qwen3-ForcedAligner-0.6B — отдельная модель для временных меток, а не функция данного чекпойнта.

Карточка модели developerjeremylive/s1-mini-etheroi на Hugging Face совпадает с карточкой SwagMessiah100/s1-mini, поэтому описание составлено по ней. S1-mini от Superwhisper — компактная причинная языковая модель на 507,9 млн параметров, дообученная на базе Qwen/Qwen3-0.6B для нормализации английских транскриптов речи. Она преобразует сырой вывод ASR в связный письменный текст: удаляет слова-паразиты, исправляет повторы и самоисправления, добавляет пунктуацию и заглавные буквы, а также записывает числа, даты, время, валюты и адреса электронной почты в текстовой форме. Режимы управления позволяют задавать стиль, оформление списков и формат электронного письма. Модель принимает текст транскрипта вместе с системным промптом и строкой управления и выдаёт очищенный текст. Для набора из 7 519 английских примеров автор сообщает точность токенов 94,8%. Модель рассчитана на одну задачу, не предназначена для общего диалога и поддерживает только английский язык. Для надёжной работы требуется соблюдать обученный формат промпта и использовать предусмотренные значения параметров управления. Лицензия указана как other; перед использованием в приложении следует проверить её условия.

S1-mini GGUF — компактная языковая модель, разработанная Superwhisper для постобработки результатов автоматического распознавания речи. Она преобразует сырой транскрипт в связный письменный текст: удаляет слова-паразиты, исправляет незавершённые фразы и самокоррекции, добавляет пунктуацию и заглавные буквы, а также записывает в стандартном виде числа, даты, время, валютные суммы и адреса электронной почты. Модель является каузальной языковой моделью, дообученной на базе Qwen/Qwen3-0.6B. Она содержит около 596 млн уникальных параметров, 28 слоёв и использует Grouped-Query Attention с 16 головами запросов и 8 головами ключей и значений. Версия предназначена только для английского языка и рассчитана на входные последовательности длиной примерно до 1000 токенов; длинные транскрипты рекомендуется разбивать на фрагменты. GGUF-сборка занимает около 462 МБ и ориентирована на запуск на CPU ноутбука через llama.cpp и совместимые приложения. На отложенной выборке из 7519 английских примеров модель достигла точности 94,8% по токенам. Это специализированный нормализатор, а не универсальная чат-модель: она не предназначена для выполнения произвольных инструкций и возвращает только очищенный текст. Лицензия указана как s1-mini-license; исходная карточка также описывает условия как Apache 2.0 с дополнительным требованием к наименованию, поэтому перед использованием в собственном приложении необходимо ознакомиться с файлом лицензии.

S1-mini MLX BF16 — англоязычная модель Superwhisper для нормализации транскриптов распознавания речи. Это причинная языковая модель семейства Qwen3 с примерно 508 млн параметров по метаданным каталога; в README указано 596 млн уникальных параметров. Репозиторий содержит конверсию исходных BF16-весов в формат MLX без квантизации. Модель дообучена на базе Qwen/Qwen3-0.6B. Модель преобразует необработанный транскрипт в чистый письменный текст: удаляет слова-паразиты, исправляет оговорки и самокоррекции, расставляет пунктуацию и заглавные буквы, записывает числа и другие данные в текстовой форме. Вход требует системного промпта и строки управления с настройками стиля, структуры и контекста; модель возвращает только отредактированный текст. В README приведён результат 94,8% точности токенов на 7 519 английских примерах, а конверсия прошла небольшую проверку соответствия примерам исходной модели. Модель рассчитана на одну задачу, а не на свободный диалог или выполнение общих инструкций. README указывает поддержку только английского языка и предупреждает, что отклонение от заданного формата ввода может привести к ошибочным результатам. Лицензия обозначена как other; перед использованием следует проверить условия исходной карточки модели.

SenseVoiceSmall-GGUF — это GGUF-сборка модели SenseVoiceSmall, разработанной командой FunAudioLLM. Модель предназначена для автоматического распознавания речи и запускается через CPU-ориентированный runtime FunASR llama.cpp без необходимости использовать Python или собирать программное обеспечение самостоятельно. Она рассчитана на локальное применение на компьютерах и edge-устройствах, включая обработку аудиофайлов и длинных записей с использованием VAD-модуля. В основе модели лежит архитектура SAN-M encoder с CTC-декодированием. Она поддерживает китайский и английский языки, а также может добавлять к результату теги языка, эмоций и звуковых событий. Доступны варианты весов в форматах F16 размером около 470 МБ, Q8 размером около 235 МБ и F32 размером около 936 МБ; для Q8 заявлена точность, сопоставимая с F16. На CPU с восемью потоками модель достигает примерно 8,01% CER на указанном Mandarin-бенчмарке и работает примерно в 20 раз быстрее реального времени по данным README. К сильным сторонам относятся высокая скорость на CPU, автономный запуск, отсутствие обязательной зависимости от Python и поддержка дополнительных языковых, эмоциональных и событийных тегов. Ограничения включают заявленную поддержку только китайского и английского языков, необходимость отдельного VAD-модуля для длинного аудио и привязку к FunASR llama.cpp runtime. Модель распространяется по лицензии Apache-2.0.

Shrutam-2 — система распознавания речи от BharatGenAI для 12 основных языков Индии. Модель преобразует аудио в текст, используя речевой энкодер Conformer, проектор Mixture-of-Experts и декодер предобученной языковой модели. Проектор снижает частоту кадровых представлений и связывает их с пространством эмбеддингов декодера; восемь экспертов объединяются мягкой маршрутизацией SMEAR на уровне высказывания. Модель предназначена для многоязычной транскрибации и позволяет управлять поведением распознавания с помощью текстовых подсказок. В README заявлена поддержка 12 языков, но в доступном фрагменте перечислены только хинди, маратхи и тамильский; метаданные карточки также содержат языковые теги для бенгали, урду, ассамского, гуджарати, каннада, малаялам, одиа, пенджаби и телугу. Репозиторий содержит веса в формате safetensors. В предоставленных материалах лицензия и размер модели не указаны.