I.7Речь, диалоги и встречи

LLMLingua-2-Bert-base-Multilingual-Cased-MeetingBank — модель Microsoft на базе BERT multilingual base cased, дообученная для токенной классификации и сжатия промптов без привязки к конкретной задаче. Она оценивает вероятность сохранения каждого токена и помогает сокращать текст, сохраняя важную для задачи информацию. Модель обучена на данных, подготовленных по методике LLMLingua-2, с примерами из MeetingBank. Модель рассчитана на сжатие текстовых промптов и стенограмм встреч; сжатый текст можно использовать, например, для ответов на вопросы и суммаризации. Архитектура — BertForTokenClassification, размер — 205,1 млн параметров, контекст — до 512 токенов. Указана лицензия Apache-2.0.

mesolitica/malaysian-whisper-small-v2 — это дообученная модель распознавания речи на базе Whisper Small, опубликованная разработчиком mesolitica. Она предназначена для преобразования аудио в текст на малайском и английском языках, включая местные варианты малайского и разговорный английский Manglish. Модель имеет архитектуру Whisper с примерно 153,1 млн параметров. При обучении использовались наборы IMDA STT, Malay Conversational Speech Corpus, синтетические и псевдоразмеченные аудиоданные, включая малайские видео и аудиокниги. Для обработки аудио длиннее 30 секунд автор рекомендует разбивать его на фрагменты и распознавать каждый отдельно. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных сведениях не указана.

knkarthick/meeting-summary-samsum — модель семейства BART, дообученная на наборе SAMSum на основе facebook/bart-large-xsum. Она предназначена для суммаризации текстовых стенограмм встреч и диалогов, в том числе для подготовки краткого пересказа разговора. Модель содержит 252,8 млн параметров, использует архитектуру BartForConditionalGeneration и принимает контекст до 1024 токенов. Модель работает с текстом на английском языке. Опубликована в формате PyTorch под лицензией Apache-2.0. Ее специализация на диалогах SAMSum делает ее подходящей для кратких сводок разговоров; качество за пределами этой задачи не подтверждено.

Модель Vkt/model-960hfacebook-2022.06.08 — версия Wav2Vec2, дообученная на наборе Common Voice на базе facebook/wav2vec2-large-960h-lv60-self. Она предназначена для автоматического распознавания речи: принимает аудио и преобразует его в текст. В карточке приведены результаты на оценочном наборе: loss 0,2907 и WER 0,1804. Модель содержит 402,7 млн параметров и распространяется в формате PyTorch. Лицензия — Apache-2.0. Карточка не уточняет языки распознавания и практические ограничения модели.

onnx-community/moonshine-base-ONNX — ONNX-версия модели Moonshine base, разработанной UsefulSensors и подготовленной сообществом onnx-community для запуска через Transformers.js и ONNX Runtime. Модель предназначена для автоматического распознавания речи и преобразования аудиозаписей в текст, включая использование непосредственно в JavaScript-приложениях и локальный инференс через ONNX Runtime. Архитектура описана как encoder-decoder с отдельными ONNX-сессиями для энкодера и декодера; доступны квантованные файлы encoder_model_quantized.onnx и decoder_model_merged_quantized.onnx. В README не указаны точный размер модели, поддерживаемые языки, набор модальностей помимо аудио и максимальная длина контекста. Для ограничения генерации приведён ориентир до шести токенов на секунду аудио. Сильной стороной является совместимость с Transformers.js и ONNX Runtime, включая использование в браузерных или локальных сценариях; ограничения и показатели качества в README не описаны. Модель распространяется по лицензии MIT.

Moonshine Tiny PT v05 — дообученная модель распознавания речи на базе aomocelin/moonshine_tiny_pt_v04, разработанная автором репозитория. Она принимает аудио и генерирует текстовую транскрипцию; в метаданных указаны архитектура Moonshine и библиотека Transformers. Для модели приведён результат оценки на тестовом наборе: WER 0,2474 и loss 11,9352, однако сведения о наборе данных и условиях оценки отсутствуют. Контекст составляет 194 токена. Модель распространяется по лицензии MIT.

Nemotron 3 Diarization MLX INT8 — экспорт модели NVIDIA Nemotron-3-Diarization, подготовленный aufklarer для запуска через MLX на Apple Silicon. Модель выдаёт вероятности активности до восьми говорящих на уровне аудиокадров, поддерживая потоковую и офлайн-диаризацию. Она не распознаёт речь и не устанавливает личности говорящих. Экспорт содержит 113,8 млн параметров по метаданным; в README указано 99,2 млн параметров исходной модели. Веса квантованы в INT8 affine с размером группы 64, остальные тензоры хранятся в FP16; формат файлов — MLX safetensors. Для низкоуровневого запуска подаются предварительно рассчитанные лог-мел-признаки с 128 полосами, совместимые с препроцессором исходной модели. Модель заявлена как мультиязычная. В README приведены результаты проверки численного соответствия исходному чекпойнту после квантования и показатель DER 10,98% для полного конвейера speech-swift на 132 внутренних записях на восьми языках. Эти результаты относятся к указанному оборудованию и программному конвейеру и не являются независимым сравнительным тестом самого экспорта. Для сохранения меток говорящих между потоковыми чанками другим средам необходимо воспроизвести алгоритм обновления кэша и FIFO исходной модели. Лицензия — OpenMDW 1.1.

Nemotron Speech Streaming EN 0.6B GGUF — конверсия модели NVIDIA nemotron-speech-streaming-en-0.6b, подготовленная handy-computer для работы с transcribe.cpp. Это англоязычная модель автоматического распознавания речи, предназначенная для преобразования аудио в текст в офлайн- и потоковом режимах, включая сценарии с низкой задержкой и пакетной обработкой. Модель поддерживает пунктуацию и капитализацию. В основе лежит примерно 600 млн параметров, архитектура cache-aware FastConformer с RNN-T-декодером и потоковым механизмом внимания. Поддерживается английский язык; модель работает с аудио и генерирует текст, но не поддерживает перевод и автоматическое определение языка. Реализована потоковая обработка с сохранением контекста внимания до 1,12 секунды. Доступны варианты GGUF от F32 и F16 до квантованных Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 475 МБ до 2,47 ГБ. Заявленная WER на LibriSpeech test-clean составляет 2,29–2,38% в зависимости от квантования. Сильные стороны модели — поддержка потокового распознавания, хорошее качество английской транскрипции, пунктуация и капитализация, а также несколько вариантов квантования для различного баланса качества и требований к памяти. Ограничения — специализация только на английской речи, отсутствие перевода и определения языка; в README не приведены сведения о поддерживаемой длине контекста, устойчивости к шуму и качестве на других языках или доменах. Модель распространяется по NVIDIA Open Model License; условия следует уточнять в полном тексте лицензии NVIDIA.

NVIDIA Nemotron 3 Nano Omni — мультимодальная большая языковая модель, разработанная NVIDIA в рамках семейства Nemotron. Эта версия распространяется в формате GGUF и предназначена для понимания видео, аудио, изображений и текста с применением в корпоративных системах: вопросно-ответных сервисах, суммаризации, транскрипции, анализе документов и интеллектуальной автоматизации графического интерфейса. Модель использует гибридную архитектуру Mamba2-Transformer с Mixture of Experts (MoE), включает языковую модель Nemotron 3 Nano LLM 30B A3B, визуальный энкодер CRADIO v4-H и речевой энкодер Parakeet. Общее число параметров — около 31 млрд (30B A3B). Поддерживаются видео MP4 длительностью до 2 минут, аудиофайлы WAV и MP3 длительностью до 1 часа, изображения JPEG и PNG, а также текст. Заявлена максимальная длина контекста до 256 тысяч токенов. Хотя в метаданных перечислены английский, французский, испанский, итальянский, немецкий, японский и китайский языки, в описании входных данных явно указана поддержка только английского языка. Модель подходит для анализа видеозаписей и речи, поиска и суммаризации медиаконтента, обработки контрактов и финансовых документов, OCR, GUI-автоматизации и агентных сценариев. Она поддерживает JSON-вывод, вызов инструментов, рассуждения и временные метки слов при транскрипции. Основные ограничения — ориентация на NVIDIA GPU и Linux, а также заявленная поддержка только аппаратуры NVIDIA и английского языка. Для работы указаны vLLM, NeMo, Megatron и NeMo-RL. Использование регулируется NVIDIA Open Model Agreement; в README также указана возможность коммерческого применения.

omniASR-CTC-300M-v2-Zulu-Baseline — модель распознавания речи на базе Wav2Vec2 CTC, преобразованная командой uctnlp из чекпойнта fairseq2 OmniLingual omniASR_CTC_300M_v2. Модель принимает аудио и выдаёт текстовую транскрипцию через CTC-логиты по словарю SentencePiece. В метаданных указано 413,2 млн параметров; архитектура включает 24 слоя энкодера с размером скрытого состояния 1024. Модель предназначена для автоматической транскрибации речи, включая зулу; README также указывает на поддержку нескольких языков. Численная эквивалентность исходному чекпойнту fairseq2 проверена на одном отложенном аудиопримере с допуском atol=1e-4. Сведения о лицензии и ограничениях точности в предоставленных данных отсутствуют.

jadasdn/open-ai-small-2 — дообученная модель распознавания речи на архитектуре Whisper, разработанная на основе jadasdn/open-ai-small-1. Она предназначена для преобразования входящей речи в текст; в карточке указаны 153,1 млн параметров и результат оценки WER 21,4497. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка сообщает о дообучении на наборе данных, обозначенном как None, но не описывает его состав, языки, условия оценки или ограничения. Поэтому качество распознавания для конкретных языков и аудиосценариев по приведённым данным определить нельзя.

pyannote/overlapped-speech-detection — открытая модель для обнаружения участков аудиозаписи, в которых одновременно говорят два или более человека. Она разработана для экосистемы pyannote.audio; среди авторов и разработчиков указаны Hervé Bredin, Antoine Laurent и участники команды pyannote.audio. Модель предназначена для анализа многоголосой речи и может использоваться как компонент систем автоматической диаризации, распознавания речи и обработки записей встреч, разговоров и других аудиоданных с перекрывающейся речью. Результатом работы является временная шкала интервалов, в которых обнаружена одновременная активность нескольких говорящих. Модель работает с аудио; сведения о поддерживаемых языках, размере, точной архитектуре и максимальной длине контекста в README не указаны. Pipeline основан на pyannote.audio 2.1 и обучался или оценивался с использованием данных AMI, DIHARD и VoxConverse. Сильная сторона модели — специализированное обнаружение перекрывающейся речи, полезное для последующей overlap-aware resegmentation и повышения качества анализа многоголосых записей. Ограничения включают отсутствие в README подробных количественных метрик, информации о языковой универсальности, вычислительных требованиях и гарантируемой производительности в конкретных условиях. Модель распространяется под лицензией MIT, однако для использования через указанный pipeline требуется принять условия доступа к модели pyannote/segmentation на Hugging Face и применить токен доступа.

LiteRT Community Parakeet CTC 0.6B — модель автоматического распознавания речи, основанная на nvidia/parakeet-ctc-0.6b. Она предназначена для преобразования речи в текст в сценариях automatic speech recognition. Из доступных данных известно, что модель относится к семейству Parakeet CTC и имеет размер около 0,6 млрд параметров. Архитектура, поддерживаемые языки, аудиомодальности, максимальная длина контекста, точность и требования к ресурсам в карточке не указаны, поэтому оценить её сильные стороны и ограничения подробнее невозможно. Модель распространяется по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0), которая обычно требует указания авторства в соответствии с условиями лицензии.

primeline/parakeet-primeline — модель автоматического распознавания речи, представленная Primeline и предназначенная прежде всего для точной транскрипции немецкой речи. Она основана на архитектуре NVIDIA Parakeet TDT 0.6B v3 и использует FastConformer-энкодер с Token-and-Duration Transducer-декодером; в карточке указано около 600 млн параметров. Модель принимает монофонический звук с частотой 16 кГц и выдаёт текст с пунктуацией и заглавными буквами, а также поддерживает временные метки слов. Модель рассчитана на транскрибирование немецкой речи, включая дикторскую речь и разговоры, создание субтитров, расшифровку встреч и анализ звонков. В README также заявлена поддержка длинных аудиозаписей и адаптации словаря через внешние KenLM n-граммные языковые модели. Метаданные указывают немецкий язык и задачу automatic-speech-recognition; README называет модель мультиязычной на базе Parakeet, но основной акцент делает на немецком. Карточка сообщает о более низком WER на приведённых тестах по сравнению с базовой моделью и Whisper large v3, однако результаты представлены самим автором и зависят от набора данных и условий записи. Распознавание может ухудшаться при шуме, сильных акцентах и редкой специализированной лексике. Модель доступна по лицензии CC BY 4.0.

parakeet-primeline-gguf — это квантизированная GGUF-версия модели primeLine/parakeet-primeline, подготовленная handy-computer для работы с transcribe.cpp. Модель основана на NVIDIA parakeet-tdt-0.6b-v3 и предназначена для автоматического распознавания речи с преобразованием аудио в текст. Модель содержит около 0,6 млрд параметров и использует архитектуру FastConformer с декодером TDT/RNNT. Она принимает монофонический WAV со частотой 16 кГц и возвращает расставленный по регистру и пунктуации текст, при необходимости — токенизированные временные метки. Поддерживаются 25 языков, включая английский, немецкий, русский, украинский, французский, испанский, итальянский и другие европейские языки. Модель особенно настроена на немецкий, но сохраняет многоязычные возможности базовой версии; также доступно автоматическое определение языка. Сильными сторонами являются локальная работа через transcribe.cpp, несколько вариантов квантизации размером примерно от 485 МБ до 2,51 ГБ и близкие результаты различных вариантов по качеству. На тесте FLEURS для немецкого заявлен WER около 6%, для LibriSpeech test-clean — около 2,2%, для русского — 7,81%. Модель не поддерживает потоковое распознавание и перевод, а немецкий вывод может использовать написание ss вместо ß, что влияет на оценку качества. Модель распространяется по лицензии CC-BY-4.0, унаследованной от базовой модели. Для использования требуется transcribe.cpp; аудио при необходимости нужно предварительно привести к формату моно WAV 16 кГц.

Это конвертированная в формат Hugging Face Transformers версия англоязычной модели NVIDIA Parakeet-TDT 0.6B v2 для транскрибации речи. Автор репозитория сообщает, что веса взяты из официального чекпойнта NeMo и сверены с эталонной реализацией; для корректной работы конвертации внесены исправления скрипта, включая поправку идентификатора blank-токена. Архитектура — Parakeet TDT с плотными весами; модель использует 128-мел-спектральный вход и словарь размером 1025 идентификаторов. Модель принимает аудио и выдаёт текстовую расшифровку на английском языке. Она предназначена для распознавания речи и транскрибации записей; в README отмечена как сильная модель семейства Parakeet для английской транскрибации. Репозиторий содержит веса Safetensors и рассчитан на использование через Transformers. Лицензия — CC-BY-4.0. Качество зависит от разборчивости речи и условий записи. Модель ориентирована на английский язык, поэтому её не следует считать мультиязычной; README также описывает конвертацию и проверку, но не устанавливает универсальных гарантий производительности на разных устройствах.

Это неофициальная конверсия англоязычной модели NVIDIA Parakeet-TDT 0.6B v2 в формат Hugging Face Transformers. Веса идентичны исходной модели nvidia/parakeet-tdt-0.6b-v2; изменена только упаковка. Архитектура — ParakeetForTDT на основе FastConformer с декодированием Token-and-Duration Transducer (TDT), размер — 0,6 млрд параметров. Модель предназначена для автоматического распознавания английской речи и её транскрибации в текст. Для загрузки карточка указывает Transformers версии 5.8.dev или новее и классы AutoModelForTDT и AutoProcessor. Репозиторий распространяется по лицензии CC BY 4.0. Это конверсия для совместимости с Transformers; она не добавляет новых возможностей по сравнению с исходной моделью.

Это 8-битная MLX-квантизированная версия модели NVIDIA Parakeet TDT 0.6B v2, подготовленная Spoke для локальной диктовки. Модель предназначена для автоматического распознавания английской речи и её транскрибации в текст. Квантованы слои nn.Linear и nn.Embedding с group_size 64; свёрточные слои, BatchNorm и LSTM предсказателя TDT оставлены в bf16. В тесте LibriSpeech test-clean на 250 примерах для M4 указаны WER 1,91%, RTF 0,024 и пиковое потребление памяти MLX 1,26 ГБ. Для загрузки требуется сначала применить к дереву модулей конфигурацию квантования, затем загрузить веса; одного вызова parakeet_mlx.from_pretrained недостаточно. Лицензия — CC BY 4.0.

Parakeet TDT 0.6B V3 GGUF — квантованная сборка модели автоматического распознавания речи NVIDIA Parakeet TDT 0.6B V3, подготовленная в формате GGUF Q4_K_M. Модель предназначена для преобразования речи в текст и использования в приложении Vibe, где она работает совместно с Silero VAD для транскрибации ограниченных по длительности и длинных аудиозаписей. В README указано, что это модель размером 0,6 млрд параметров в GGUF-представлении; сведения о поддерживаемых языках, точной архитектуре, максимальном контексте, модальностях и показателях качества не приведены. Ключевое преимущество — адаптация для локального использования через Vibe и совместимость с механизмом определения речевой активности. Ограничения по качеству, производительности и аппаратным требованиям не описаны. Для исходной модели указана лицензия CC-BY-4.0; перед использованием следует ознакомиться с условиями этой лицензии.

ONNX-конверсия мультиязычной модели автоматического распознавания речи NVIDIA Parakeet TDT 0.6B V3. Исходную модель разработала NVIDIA, а конверсию для ONNX и интеграцию с библиотекой onnx-asr подготовил istupakov. Модель предназначена для преобразования речи из аудиофайлов в текст и может использоваться в приложениях транскрибации и других сценариях ASR. Модель имеет размер 0,6 млрд параметров и работает с аудио на входе, возвращая распознанный текст. В README заявлена поддержка английского, испанского, французского, немецкого, болгарского, хорватского, чешского, датского, нидерландского, эстонского, финского, греческого, венгерского, итальянского, латышского, литовского, мальтийского, польского, португальского, румынского, словацкого, словенского, шведского, русского и украинского языков. Формат ONNX позволяет использовать модель через onnx-asr, в том числе с CPU. К сильным сторонам относятся мультиязычность и возможность запуска в ONNX-совместимой инфраструктуре. README не содержит сведений о точности, ограничениях по длительности аудио, требованиях к ресурсам или поддерживаемых форматах помимо примера с WAV-файлом. Модель распространяется по лицензии CC BY 4.0.

mlx-community/parakeet-tdt-1.1b — версия модели NVIDIA Parakeet-TDT-1.1B, подготовленная сообществом mlx-community для библиотеки MLX. Она преобразует английскую речь в текст и предназначена для автоматической транскрипции аудио. В метаданных указана архитектура семейства FastConformer/Conformer и формат safetensors; базовая модель разработана NVIDIA NeMo и Suno.ai. Модель подходит для расшифровки записей и речевых потоков на английском языке. Карточка сообщества отсылает за подробностями к карточке исходной модели, поэтому дополнительные характеристики и ограничения исходной модели здесь не подтверждены. Лицензия — CC BY 4.0.

Parakeet TDT 1.1B GGUF — это преобразованная в формат GGUF и количественно сжатая версия модели automatic speech recognition nvidia/parakeet-tdt-1.1b. Оригинальную модель разработала команда NVIDIA NeMo, а конвертацию и поддержку запуска через ggml-совместимый CrispASR выполнил CrispStrobe. Репозиторий содержит варианты F16, Q8_0 и Q4_K; последний рекомендован как вариант по умолчанию и занимает около 808 МБ. Модель предназначена для транскрибации англоязычной речи из монофонического аудио с частотой 16 кГц, включая обработку длинных фрагментов и распознавание редкой или специализированной английской лексики. Она использует 42-слойный FastConformer-энкодер примерно на 1,1 млрд параметров, 2-слойный LSTM-предиктор и TDT-декодер с пятью длительностями. Поддерживаются встроенные временные метки на уровне слов и английский словарь из 1024 SentencePiece-токенов. Сильными сторонами являются высокое качество распознавания английской речи, особенно для редкой лексики, встроенные временные метки и несколько вариантов квантования с компромиссом между размером и точностью. Ограничения — поддержка только английского языка, вывод в нижнем регистре без пунктуации и более высокие вычислительные требования по сравнению с версией 0.6B; для восстановления регистра и пунктуации нужен отдельный постпроцессор. Модель распространяется по лицензии CC-BY-4.0.

Parakeet-unified-en-0.6b-gguf — это GGUF-порт модели nvidia/parakeet-unified-en-0.6b, подготовленный проектом handy-computer для работы с transcribe.cpp. Модель предназначена для автоматического распознавания английской речи и преобразования её в текст с пунктуацией и капитализацией. Она поддерживает офлайн-распознавание и буферизованный потоковый режим, включая сценарии голосовых ассистентов, субтитров в реальном времени и conversational AI. Архитектура включает 0,6 млрд параметров, encoder FastConformer и RNN-T transducer decoder. Это унифицированная модель для офлайн- и streaming-инференса с настраиваемой задержкой от 160 мс; поддерживаются токеновые временные метки. Модель обучалась преимущественно на англоязычной части датасета Granary объёмом около 250 000 часов речи en-US в различных акустических условиях. Поддерживается только английский язык; перевод и автоматическое определение языка отсутствуют. Сильными сторонами являются высокая точность распознавания, единая архитектура для потоковой и офлайн-обработки, встроенные пунктуация и капитализация, а также несколько вариантов квантования размером примерно от 477 МБ до 2,47 ГБ. Ограничения включают англоязычную специализацию, отсутствие перевода и необходимость использования transcribe.cpp; текущий streaming-инференс является буферизованным. Лицензия — CC-BY-4.0, унаследованная от базовой модели.

mhmdrza9789/pegasus-samsum-summarizer — модель на архитектуре Pegasus, дообученная на наборе SAMSum на базе google/pegasus-cnn_dailymail. Она предназначена для создания кратких сводок повседневных диалогов на английском языке. Модель решает задачу суммаризации текста и доступна в формате safetensors; окно контекста составляет 1024 токена. Лицензия — MIT.

Это контрольный чекпойнт Immich на базе LED-base для суммаризации диалогов и совещаний. Модель обучена на подходящей подвыборке AMI Meeting Corpus; seed 17 обозначена как каноническая для качественных примеров в статье. В карточке упомянуты два сценария: суммаризация полной встречи и иерархический конвейер с сегментацией, извлечением информации и генерацией итогового текста. Модель имеет архитектуру LEDForConditionalGeneration и содержит 95,2 млн параметров. Она принимает текст и генерирует текстовое резюме; данные об основном языке и длине контекста не приведены. Репозиторий содержит веса safetensors. Лицензия — MIT. Это обученный вариант LED-base, предназначенный для экспериментов и суммаризации встреч; заявлений о качестве за пределами описанного набора данных карточка не содержит.

Polyglot-Lion-1.7B — модель автоматического распознавания речи, разработанная Quy-Anh Dang и Chris Ngo из Knovel Engineering. Она создана дообучением Qwen/Qwen3-ASR-1.7B на общедоступных речевых корпусах для четырёх официальных языков Сингапура: английского, мандаринского китайского, тамильского и малайского. Модель имеет плотную архитектуру Qwen3-ASR и 1,7 млрд параметров. Модель предназначена для транскрибации аудио и распознавания речи на этих языках, в том числе в сингапурском контексте. При обучении использовалась сбалансированная выборка по языкам; модель учится определять язык непосредственно по аудио без языковой метки на входе. В отчёте авторов указана средняя ошибка 14,85 на оценочных наборах и скорость около 0,10 секунды на образец на RTX PRO 4500. Модель принимает аудио и выдаёт распознанный текст. Опубликованные результаты зависят от языка и набора данных и не гарантируют одинакового качества на других акцентах, шумах или предметных областях. Репозиторий распространяется под лицензией MIT.

aufklarer/Pyannote-Segmentation-MLX — версия модели сегментации речи PyanNet, подготовленная для запуска на MLX. Она основана на pyannote/segmentation-3.0 и разработана для обнаружения активности речи и сегментации говорящих в аудиозаписях. Модель обрабатывает окна длительностью 10 секунд и выдаёт вероятности для семи классов: тишина или неречевая активность, отдельные говорящие из числа до трёх и их попарно перекрывающаяся речь. Архитектура включает SincNet, двунаправленную LSTM из четырёх слоёв и классификатор с двумя линейными слоями; размер — около 1,5 млн параметров. Веса преобразованы из официального чекпойнта PyTorch Lightning в формат для MLX, с предварительно вычисленными фильтрами SincNet. Репозиторий предназначен для использования с MLX и Swift на Apple Silicon. Лицензия — MIT.

Nampfiev1995/Qwen3.8-27B Nemotron VI+EN Mixed ASR + QA — дообученный аудио-языковой чекпойнт на базе unsloth/Qwen3.8-27B. Репозиторий содержит два варианта: выбранный по валидации чекпойнт best на шаге 250 и последний чекпойнт latest на шаге 3500. В рецепте смешаны задачи транскрибирования речи и ответов на вопросы с системными инструкциями и без них. В модели заморожен энкодер Nemotron и обучен проектор размерности 1024 → 5120; для работы нужен базовый чекпойнт Qwen3.8-27B, загружаемый отдельно через AudioLLM loader. Для лучшего чекпойнта указана CER 0,0487. Метаданные указывают формат safetensors и задачу question-answering, тогда как README также описывает распознавание речи. Сведения о лицензии, размере контекста и условиях коммерческого использования в предоставленных данных отсутствуют.

RoBERTa TopSeg QMSUM — модель Sentence-Transformers на базе архитектуры RoBERTa, дообученная для кодирования предложений и абзацев в плотные векторы размерностью 768. Она обучалась на наборе QMSUM с расшифровками очных совещаний: фрагменты, относящиеся к одной теме, должны располагаться близко в векторном пространстве. Модель подходит для семантического поиска и кластеризации тематически связанных фрагментов стенограмм. Всего в модели 151,8 млн параметров; максимальный контекст — 514 токенов. Лицензия — CC BY 3.0.

Карточка модели Amircyoo/s1-mini на Hugging Face совпадает с карточкой superwhisper/s1-mini, поэтому описание составлено по ней. S1-mini — компактная причинно-следственная языковая модель Superwhisper, дообученная на базе Qwen/Qwen3-0.6B для нормализации английских транскриптов распознавания речи. Она преобразует сырой текст ASR в чистый письменный: удаляет слова-паразиты, исправляет повторы и самоисправления, расставляет пунктуацию и заглавные буквы, а также записывает числа, даты, время, валюты и адреса электронной почты в подходящем письменном виде. Модель содержит около 508 млн параметров по метаданным (README указывает 596 млн уникальных параметров) и поддерживает контекст до 40 960 токенов. Она возвращает только отредактированный текст; стиль, оформление списков и формат письма задаются управляющей строкой во входе. На тестовом наборе из 7 519 английских примеров автор сообщает точность по токенам 94,8%. Модель рассчитана только на английский язык и не предназначена для диалога или выполнения общих инструкций. Для корректной работы нужно точно соблюдать описанный в README формат системного промпта и управляющей строки. Лицензия указана как other; перед использованием следует проверить её условия.