I.7Речь, диалоги и встречи

MSP-ASR — модель распознавания английской речи из проекта Multimodal Speech Perception, разработанная MahmoodAnaam. Это дообученный энкодер Wav2Vec2 Large с CTC-головой, принимающий монофоническое аудио с частотой 16 кГц и преобразующий его в текст. Доступны жадное декодирование и декодирование с дополнительной 3-граммовой языковой моделью. Модель предназначена для транскрибации английской речи, в том числе в сценариях с несколькими говорящими и шумом. В отчёте указаны WER 6,30% на чистом тесте LRS2 и заметно более высокие ошибки в шумных условиях и на данных AVCocktail. Чекпойнт содержит 402,7 млн параметров, распространяется в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

Nemotron 3.5 ASR Offline 6-bit CoreML — это порт модели NVIDIA Nemotron 3.5 ASR Streaming 0.6B в формат CoreML, подготовленный для локального запуска на устройствах Apple Silicon. Репозиторий поддерживается BarathwajAnandan и предназначен для использования в движке FluidVoice; исходная модель разработана NVIDIA. Модель предназначена для автоматического распознавания речи и локальной транскрибации аудио. Это офлайн-вариант с промпт-условным мультиязычным режимом: язык можно задавать вручную, а при поддержке со стороны среды выполнения использовать автоматическое определение языка. Архитектура представлена набором CoreML-компонентов, включая предварительную обработку, encoder, decoder, joint-модель и tokenizer; encoder и joint-модель квантизованы до 6 бит. Размер пакета составляет около 531 МБ. Ключевые преимущества — локальная обработка на Apple Silicon, отсутствие необходимости загружать аудио на сервер и компактное квантизованное представление. README не содержит полного перечня поддерживаемых языков, характеристик качества, требований к длительности или формату аудио и других ограничений, поэтому эти параметры следует уточнять в карточке исходной модели NVIDIA. Лицензия указана как other; условия использования наследуются от upstream-модели NVIDIA Nemotron 3.5 ASR.

Nemotron-3.5 ASR Streaming 0.6B MLX INT8 — конвертированная в нативный формат MLX версия потоковой модели распознавания речи NVIDIA на основе cache-aware FastConformer и prompt-conditioned RNN-T. Модель содержит 0,6 млрд параметров; линейные веса квантованы до 8 бит, рекуррентное состояние хранится в BF16, а свёрточные слои, эмбеддинги, LSTM и слои языковых подсказок не квантованы. Репозиторий использует safetensors и библиотеку MLX, рассчитан на потоковый запуск на Apple silicon; аудио подаётся в формате моно, 16 кГц. Модель предназначена для многоязычного преобразования речи в текст с низкой задержкой, включая обработку аудиопотока частями. По карточке поддерживаются десятки языков, в том числе русский, английский, испанский, немецкий, французский, китайский и японский. Приведённые тесты на FLEURS показывают результаты для шести языковых срезов, а не для всего заявленного списка языков. Ограничения: модель выполняет только ASR, не поддерживает диаризацию и идентификацию говорящих. Язык задаётся явно или через слот auto; промежуточный текст может быть неполным и требует замены при получении следующих фрагментов. Для MLX-версии не реализован дополнительный слой усиления слов из Core ML runtime. Лицензия репозитория — OpenMDW-1.1.

Nemotron 3.5 ASR Streaming 0.6B — это модель автоматического распознавания речи, разработанная NVIDIA и перенесённая в формат CoreML для локального запуска на устройствах с Apple Silicon. Данный репозиторий содержит конверсию и упаковку исходной модели NVIDIA nvidia/nemotron-3.5-asr-streaming-0.6b, предназначенную для потоковой транскрипции речи с низкой задержкой, в том числе в составе движка FluidVoice Nemotron Speech 3.5 Ultra Fast Low Latency. Модель использует мультиязычный режим с возможностью ручного задания языкового промпта и автоматического определения языка, если это поддерживается средой выполнения. Потоковая конфигурация рассчитана на фрагменты длительностью 320 мс. Порт состоит из компонентов CoreML .mlpackage, включая препроцессор, encoder, decoder, joint-модули и токенизатор; применяется линейная int8-квантизация encoder, а общий размер пакета составляет около 668 МБ. Другие характеристики, включая точный список языков, архитектуру исходной модели, контекст и результаты оценки, в README не указаны. Основные преимущества — локальное выполнение на Apple Silicon, потоковая обработка, низкая задержка и уменьшенный размер благодаря int8-квантизации. Ограничения связаны с зависимостью от CoreML и аппаратной платформы Apple Silicon, а также с тем, что сведения о качестве распознавания, языках и сценариях использования необходимо уточнять в карточке исходной модели NVIDIA. Лицензия обозначена как other; её условия наследуются от upstream-модели NVIDIA.

jsbeaudry/oswald-large-v3-turbo-m1.1 — дообученная модель распознавания речи на архитектуре Whisper, разработанная jsbeaudry. Она предназначена для преобразования входящего аудио в текст. В карточке указаны 905,2 млн параметров, обучение с использованием Unsloth и библиотеки TRL, а также поддержка английского языка. Модель подходит для транскрибации английской речи. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Сведения о контексте применения и точности распознавания в карточке не приведены.

Parakeet-RNNT 0.6B — английская модель распознавания речи NVIDIA NeMo, опубликованная организацией loom-ai-org в формате GGUF для запуска в loom.cpp через loom-py-rt. Она преобразует аудио с английской речью в текстовую расшифровку и предназначена для сценариев автоматического распознавания речи. В репозитории указано, что веса не изменены относительно nvidia/parakeet-rnnt-0.6b: это конверсия модели в самодостаточный формат GGUF, содержащий необходимые для запуска компоненты. Модель поддерживается библиотекой loom-py-rt и распространяется по лицензии CC BY 4.0. README описывает автоматические оконную обработку, семплирование и сборку результата в высокоуровневом интерфейсе запуска. Модель рассчитана на английский язык; сведений о поддержке других языков или длине контекста в предоставленных данных нет.

Parakeet TDT-CTC 0.6B Japanese GGUF — конверсия модели nvidia/parakeet-tdt_ctc-0.6b-ja, подготовленная для использования с CrispASR. Это модель автоматического распознавания речи, предназначенная для транскрибации японской речи из монофонических аудиозаписей с частотой 16 кГц, включая расстановку пунктуации и получение временных меток на уровне слов или токенов. Модель содержит около 600 млн параметров и использует гибридную архитектуру FastConformer с 24 слоями, декодером TDT (Token-and-Duration Transducer) и дополнительной CTC-головой, которую можно выбрать во время выполнения. Входной аудиосигнал обрабатывается через 80 мел-фильтров; словарь включает 3072 токена SentencePiece для японского языка с пунктуацией. TDT обеспечивает встроенные временные метки без отдельной модели выравнивания. Для коротких записей доступны варианты F16, Q8_0 и Q4_K; F16 соответствует результатам официального конвейера NeMo, а Q8_0 сохраняет идентичный TDT-вывод в заявленных тестах. Сильные стороны модели — специализированная поддержка японского языка, пунктуация, встроенные временные метки и возможность выбора между TDT и CTC. Ограничением является чувствительность энкодера к контексту длиннее примерно 12 секунд при однопроходной обработке; для длинных записей рекомендуется использовать CrispASR с VAD-сегментацией и ограничением длительности фрагментов. Вариант Q4_K может вызывать зацикливание при TDT-декодировании, поэтому для него рекомендуется CTC или более точный Q8_0. Указанная лицензия — CC-BY-4.0.

Это 6-битная MLX-квантизованная версия англоязычной модели распознавания речи NVIDIA Parakeet TDT 0.6B v2, подготовленная Spoke для локальной диктовки. Модель преобразует аудио в текст и предназначена для транскрибации речи; в тесте LibriSpeech test-clean на 250 примерах на M4 указана WER 1,87%, такая же, как у версии bf16. Квантизация затрагивает слои nn.Linear и nn.Embedding с размером группы 64; Conv1d, BatchNorm и LSTM предсказателя TDT остаются в bf16. В README также указаны скорость обработки 0,022 RTF и пиковое потребление памяти MLX 1,13 ГБ. Для загрузки нужно сначала квантизовать дерево модулей, поэтому стандартный вызов parakeet_mlx.from_pretrained сам по себе не загрузит этот чекпойнт. Лицензия — CC BY 4.0.

Parakeet TDT 0.6B v2 MLX Mixed 3-bit/4-bit/BF16 — англоязычная модель распознавания речи на базе NVIDIA Parakeet-TDT 0.6B v2, преобразованная для MLX. Она предназначена для транскрибирования аудио с помощью автоматического распознавания речи. Веса объёмом 0,349 ГБ используют смешанную точность: 265 матриц квантизованы групповым аффинным методом с группами по 64 элемента — часть до 3 бит, остальные до 4 бит; матрицы предиктора и joint, нормализации, смещения и некоторые другие веса оставлены в BF16. В опубликованном локальном сравнении на Apple Silicon модель обработала 6 206 английских высказываний из LibriSpeech и FLEURS со средней WER 2,77% и скоростью 85,7× реального времени. По сравнению с FP32-вариантом объём весов сокращён на 85,90%, при этом точность немного снизилась. Это офлайн-модель с полным контекстом и жадным декодированием; README указывает на необходимость совместимого загрузчика для смешанных разрядностей. Модель рассчитана только на английскую речь и не заменяет многоязычную ASR. Качество зависит от акцента, предметной области, шума и условий записи, поэтому результаты следует проверять на целевых аудиоданных. Лицензия — CC BY 4.0.

Это версия весов NVIDIA Parakeet TDT 1.1B, преобразованная пользователем extraordinarylab из формата NeMo в формат Transformers для Hugging Face. В README указано, что веса не менялись; отличаются формат контрольной точки, конфигурация и оболочки токенизатора и экстрактора признаков. Модель использует энкодер FastConformer-XL из 42 слоёв с размерностью 1024 и голову TDT (Token-and-Duration Transducer) с длительностями токенов от 0 до 4; словарь содержит 1024 BPE-токена и blank-токен. Модель предназначена для автоматической транскрипции английской речи в текст. Она выдаёт текст в нижнем регистре без пунктуации. В README описана проверка совпадения с NeMo на двух фрагментах LibriSpeech: совпали выходы жадного декодирования и транскрипции. Репозиторий использует Transformers и формат safetensors. Лицензия — CC BY 4.0.

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

Parakeet TDT-CTC 1.1B GGUF — это квантизированная версия модели автоматического распознавания речи parakeet-tdt_ctc-1.1b, разработанной совместно командами NVIDIA NeMo и Suno.ai и адаптированной для работы с transcribe.cpp. Модель предназначена для офлайн-транскрибации английской речи с восстановлением пунктуации и капитализации, включая обработку длинных аудиозаписей. Она принимает аудио, но не поддерживает потоковое распознавание, перевод или автоматическое определение языка. В основе лежит FastConformer-XL примерно на 1,1 млрд параметров с декодером TDT/RNNT; вспомогательная CTC-голова исходной гибридной модели удалена при конвертации. Поддерживается английский язык, выдаются токеновые временные метки. Доступны варианты GGUF от F32 и F16 до Q8_0, Q6_K, Q5_K_M и Q4_K_M объёмом примерно от 825 МБ до 4,28 ГБ. На тестовой выборке LibriSpeech test-clean показатель WER составляет 1,87% для большинства вариантов и 1,91% для Q4_K_M. Сильные стороны модели — высокое качество английской транскрибации, пунктуация и капитализация, возможность обработки до 11 часов аудио за один проход в исходной архитектуре, а также несколько вариантов квантизации для выбора между качеством и размером. Модель рассчитана на офлайн-обработку и требует запуска через transcribe.cpp; в практическом сценарии рекомендуется использовать монофонические WAV-файлы с частотой 16 кГц. Модель распространяется по лицензии CC-BY-4.0, унаследованной от базовой модели NVIDIA.

tincans-ai/pause-asr-alpha — модель распознавания речи на архитектуре wav2vec 2.0, дообученная на базе facebook/wav2vec2-base-960h для распознавания речи с учётом пауз и предсказания смены говорящего. Модель принимает аудио и выдаёт транскрипцию с токенами, связанными с очередностью речи; для вывода используется обычный для wav2vec2 процесс инференса с такими токенами. Модель содержит 113,3 млн параметров и опубликована в формате safetensors для библиотеки Transformers. Базовая модель предназначена для транскрибирования английской речи из аудио с частотой 16 кГц; метаданные карточки указывают английский язык. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование. README ссылается на технический отчёт, однако подробности обучения и оценок качества в карточке не приведены.

Чекпойнт на базе BART-base, разработанный Immich и дообученный для суммаризации диалогов совещаний. Он обучен на подходящей части AMI Meeting Corpus с seed 42 и рассчитан на создание краткого изложения полного совещания либо на работу в иерархическом конвейере сегментации, извлечения и генерации. Модель содержит 95,2 млн параметров, использует архитектуру BART и поддерживает контекст до 1024 токенов. Модель подходит для подготовки кратких итогов встреч по их расшифровкам. Карточка описывает её как baseline и указывает отдельные репозитории для других seed того же варианта. Лицензия — MIT. Данные о поддерживаемых языках и измеренных ограничениях качества не приведены; обучение на AMI Meeting Corpus само по себе не подтверждает поддержку конкретного языка.

Это контрольный чекпойнт BigBird-Pegasus от Immich для суммаризации диалогов и встреч. Модель обучена на подходящей для обучения части AMI Meeting Corpus; seed 17 обозначает канонический запуск, использованный как опорный вариант для качественных примеров в статье. Размер модели — 366,8 млн параметров, максимальный контекст — 4096 токенов. Модель предназначена для создания краткого содержания полной записи встречи или сегментов диалога, в том числе в сценариях с иерархической сегментацией, извлечением информации и генерацией. Доступна в формате safetensors и используется через Transformers как модель последовательность-в-последовательность. Лицензия — MIT. Поддерживаемый в карточке язык не указан, поэтому язык обучения и итоговых сводок по этим данным установить нельзя.

PSST medium — модель распознавания речи, созданная дообучением openai/whisper-medium.en на сегментах корпуса Santa Barbara Corpus of Spoken American English. Она предназначена для преобразования аудиозаписей разговорного американского английского в текст. Модель основана на архитектуре Whisper и содержит 455,8 млн параметров. Модель подходит для расшифровки разговорной речи, представленной в обучающем корпусе. Веса доступны в формате PyTorch по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробных ограничений.

Qwen3 ASR Refiner 4B — дообученная языковая модель, разработанная Aye10032 на базе Qwen/Qwen3-4B. Она преобразует китайские расшифровки автоматического распознавания речи и другие тексты в разговорном стиле в краткий, естественный письменный китайский, сохраняя исходный смысл. Модель предназначена для постобработки транскриптов и нормализации устной речи в письменный текст. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 3,7 млрд параметров; она принимает и генерирует текст, поддерживает контекст до 40 960 токенов. LoRA-адаптер объединён с базовой моделью, поэтому репозиторий содержит полные веса BF16 для Transformers и не требует PEFT. Модель распространяется по лицензии Apache-2.0. В обучении использован датасет Aye10032/WenetSpeech-Formal-Text, лицензированный по CC BY 4.0; README отсылает к карточке датасета за сведениями об атрибуции и цитировании.

harlemmvp/Qwen3-ForcedAligner-0.6B-GGUF — неофициальная конверсия модели Qwen/Qwen3-ForcedAligner-0.6B в формат GGUF для запуска через llama.cpp. В репозитории веса bf16 разделены на текстовую модель и аудиоэнкодер с проектором и головкой временных меток; это модель для принудительного выравнивания текста с речью и получения временных меток слов. Модель принимает аудио и соответствующий ему текст, а возвращает временные позиции слов. В README приведены проверки совпадения с официальной реализацией на записях совещания AMI и подкаста; максимальное различие в одном из сравнений составило один интервал в 80 мс. Для сопоставления требуется использовать те же единицы слов, что и эталонная реализация: например, удалить пунктуацию и записывать «twenty-four» как «twentyfour». Конверсия сохраняет исходные веса и точность bf16; автор репозитория не связан с командой Qwen. Базовая модель выпущена под лицензией Apache-2.0. README указывает, что для запуска используется специализированная реализация aligner в llama.cpp-omni; поддержка в других средах не описана.

Это предварительно квантованная версия Qwen/Qwen3-Omni-30B-A3B-Instruct, подготовленная с помощью NVIDIA ModelOpt и предназначенная для запуска на графических процессорах NVIDIA Blackwell, включая RTX 5090, B100 и B200. Модель семейства Qwen3-Omni с архитектурой MoE принимает текст, изображения, аудио и видео, а выдаёт текст и речь. Размер исходной модели — 30 млрд параметров, из которых около 3 млрд активируются на токен; NVFP4 W4A8 уменьшает размер чекпойнта примерно до 27 ГБ с примерно 60 ГБ у версии BF16. Квантированы веса экспертов и attention в Thinker; lm_head, маршрутизаторы MoE и остальные этапы оставлены без квантования. Для калибровки использовались английские и китайские запросы. Чекпойнт рассчитан на инференс с аппаратной поддержкой FP4 и не подходит для RTX 4090, A100 и H100; для этих ускорителей автор рекомендует вариант FP8. Модель распространяется по лицензии Apache-2.0.

diwank/silicone-deberta-pair — классификатор речевых актов в диалоге на базе DeBERTa-base. Модель разработана для определения функции текущей реплики с учётом предыдущей: на вход подаются два предложения — предыдущая реплика и текущая; для первой реплики предыдущий текст может быть пустым. Модель относит пару к одному из 11 классов, включая подтверждение, ответ, междометный отклик, вопрос, намерение и утверждение. Модель содержит 151,8 млн параметров, использует архитектуру DeBERTaForSequenceClassification и рассчитана на контекст до 512 токенов. Она обучена на сбалансированном варианте объединённого набора данных речевых актов из коллекции SILICONE. Доступны веса PyTorch и TensorFlow; лицензия — MIT. Классификатор подходит для разметки реплик и анализа структуры диалога. Его предсказания ограничены 11 указанными метками и обучающим набором, поэтому он может не охватывать другие типы речевых актов или переноситься на отличающиеся домены диалогов без дополнительной проверки.

ctaguchi/ssc-kbd-mms-model-mix-adapt-max — дообученная модель автоматического распознавания речи, созданная на основе facebook/mms-1b-all. Она использует архитектуру wav2vec2 с CTC-декодированием и содержит 1,3 млрд параметров. Модель принимает аудио и предназначена для преобразования речи в текст; README сообщает результаты оценки: CER 0,1091 и WER 0,5604. Карточка не описывает обучающие данные, целевые языки или предполагаемые сценарии применения. Базовая MMS-1B-All поддерживает более тысячи языков, но целевой набор языков этого дообученного чекпойнта из доступных сведений определить нельзя. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Kuray107/swbd-5percent-supervised — модель распознавания речи на основе архитектуры wav2vec2, дообученная на facebook/wav2vec2-large-lv60. Она предназначена для преобразования аудиоречи в текст; в README указана оценка WER 0,1352 на наборе для оценки. Модель содержит 402,7 млн параметров и опубликована в формате PyTorch. Карточка не описывает состав обучающих данных, поддерживаемые языки и условия применения. Лицензия — Apache-2.0.

TEA-ASR-1.1 — модель распознавания речи, разработанная участниками проекта TEA-ASR для тайваньского варианта мандаринского китайского. Она преобразует повседневную речь в текст на традиционном китайском с лексикой, характерной для Тайваня, и рассчитана на переключение между китайским и английским в одной записи. Модель дообучена на основе Qwen3-ASR и выпущена как единый чекпойнт, совместимый по загрузке и запуску с Qwen3-ASR; в метаданных указан класс архитектуры Qwen3ASRForConditionalGeneration и размер базовой модели 1,7 млрд параметров. Модель предназначена для транскрибации разговоров, лекций и других аудиозаписей, в том числе с частым смешением китайского и английского. Авторы сообщают об улучшении результатов относительно предыдущей версии на публичных тестах, включая наборы для переключения языков. В README также упоминаются более крупная флагманская версия и отдельный вариант с управляемым форматированием чисел. Модель распространяется по лицензии MIT.

Tiro Qwen3-ASR 1.7B (FFASR) — дообученная модель распознавания речи, подготовленная для дальнепольной записи и представленная на Far-Field ASR Leaderboard. Она основана на Qwen/Qwen3-ASR-1.7B-hf; при обучении обновлялись только аудиоэнкодер и мультимодальный проектор, а аудиоданные формировались с применением акустических импульсных характеристик помещений и шумов. Модель предназначена для транскрибации речи, записанной на расстоянии или в акустически сложных помещениях. Модель использует архитектуру Qwen3-ASR с плотной конфигурацией и принимает аудио, выдавая текстовую транскрипцию. В карточке указан английский язык. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Размер модели и длина контекста в доступных данных не указаны.

Tiro Qwen3 ASR 1.7B v2 — англоязычная модель распознавания речи, созданная как дообучение Qwen3-ASR-1.7B компанией или автором Tiro. Она предназначена для транскрибации аудио, особенно речи, записанной на расстоянии от микрофона, в реверберационных помещениях и при фоновом шуме. Модель сохраняет общие возможности базовой ASR-системы; в README приведены сравнительные результаты на FFASR, VOiCES, CHiME-4 и открытых тестовых наборах распознавания речи. Модель использует архитектуру Qwen3-ASR плотного типа с тем же числом параметров, что и база Qwen3-ASR-1.7B, и опубликована в формате safetensors с точностью bf16. Метаданные и карточка указывают английский язык. Лицензия — Apache-2.0. README сообщает о лучшем среднем результате на FFASR, но на ближней речи базовая модель немного лучше; результаты отдельных тестов не гарантируют такое же качество на других аудиозаписях.

RinggAI разработала компактную языковую модель для аналитики расшифровок телефонных звонков. Это дообученная на базе unsloth/Qwen2.5-1.5B-Instruct плотная модель Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов. Она принимает текстовые транскрипты на английском, хинди и смешанном хинглише, в том числе шумные, и генерирует текстовые результаты: классификации по заданным значениям, сводки разговоров и список действий или последующих шагов. Модель предназначена для автоматизации постзвонковой обработки в системах телефонии и голосового ИИ. В репозитории указана лицензия Apache-2.0. Карточка не приводит численных оценок качества или подробностей о поведении на разных типах шумных транскриптов, поэтому результаты стоит проверять для конкретного сценария.

ISTNetworks объединила Ultravox v0.6 с языковой моделью Qwen3-32B и аудиокодировщиком Whisper-large-v3-turbo, адаптированным для диалектного арабского языка. Модель принимает аудио в сообщении пользователя и формирует текстовый ответ; карточка указывает поддержку арабского и английского языков, а архитектура относится к семейству Ultravox. Модель предназначена для диалоговых сценариев с аудио на диалектном арабском, включая распознавание речи и ответы на её содержание. В состав входят языковая модель, аудиокодировщик, мультимодальный проектор, токенизатор и экстрактор признаков Whisper. Для запуска весов bf16 требуется около 67 ГБ памяти; README приводит варианты с двумя GPU по 80 ГБ или одной такой GPU с квантизацией либо выгрузкой части вычислений на CPU. Лицензия — MIT.

USTM (Unified Speech-Text Model) — модель Naver AI, полученная дополнительным обучением Mistral-7B-v0.1 по методике унифицированного предварительного обучения речи и текста. Это плотная авторегрессионная архитектура Mistral с 7,2 млрд параметров и контекстом до 32 768 токенов, представленная в формате safetensors и работающая через Transformers. Модель предназначена для совместной обработки речи и текста и естественного разговорного взаимодействия с учётом паралингвистических характеристик речи. В качестве обучающих данных указаны многоязычные речевые наборы, включая Multilingual LibriSpeech, GigaSpeech, Common Voice 15.0, VoxPopuli и People's Speech. В метаданных указан английский язык; точный перечень поддерживаемых языков из карточки не следует. Модель лицензирована по Apache-2.0. Доступные сведения не описывают конкретные ограничения качества или сценарии, в которых модель не подходит.

Это независимая экспериментальная сборка потоковой модели распознавания речи VibeVoice-ASR-Streaming-7B, подготовленная schift-io на основе чекпойнта Microsoft. В ней декодер Qwen2 и выходной слой смешанно квантованы в GGUF примерно до 6 ГБ; акустический и семантический токенизаторы и соединительные слои сохранены в bf16. Полная сборка занимает около 8,4 ГБ и включает компоненты для запуска без отдельной загрузки исходных весов. Модель предназначена для потоковой транскрипции аудио с разметкой говорящих, в том числе в многоязычных разговорных сценариях. В README приведена проверка на 20 фрагментах корейских дискуссий: качество транскрипции и совместная метрика транскрипции с диаризацией оказались близки к исходному bf16-чекпойнту. Испытание небольшое, поэтому результаты не гарантируют качество на других данных. Для диаризации унаследовано ограничение исходной модели: в половине проверенных фрагментов она неверно определяла число говорящих, что заметно ухудшало результат. Сборка является независимым экспериментом и официально Microsoft не поддерживается. Лицензия — MIT.

artoowang/w2v-bert-2.0-en-colab-CV16.0 — дообученная модель распознавания речи на базе facebook/w2v-bert-2.0. Она использует архитектуру Wav2Vec2BertForCTC и принимает аудио, преобразуя речь в текст. В README приведены результаты оценки: loss 0,3282 и WER 0,1287; набор данных указан как None. Модель содержит 402,7 млн параметров и доступна в формате safetensors для библиотеки Transformers. По названию репозитория она ориентирована на английскую речь, однако README не уточняет языковое покрытие, условия оценки и предполагаемые сценарии применения. Лицензия — MIT.