I.7Речь, диалоги и встречи

SEW-D-tiny-100k-ft-ls100h — англоязычная модель распознавания речи от ASAPP Research на архитектуре SEW-D, представленная как вариант SEW-D-tiny. Она преобразует речь в текст и предназначена для транскрибирования аудио; в README также описана более широкая применимость базовой предварительно обученной модели после дообучения для задач идентификации говорящего, классификации намерений и распознавания эмоций. Модель содержит 28,3 млн параметров и принимает аудио с частотой дискретизации 16 кГц; её архитектура основана на идеях wav2vec 2.0 и рассчитана на эффективное распознавание речи. Карточка указывает датасет LibriSpeech ASR и лицензию Apache-2.0. README приводит результаты семейства SEW в исследовании, но не сообщает отдельные метрики именно для этого чекпойнта.

ctaguchi/ssc-led-mms-model — дообученная модель распознавания речи на базе facebook/mms-1b-all, разработанная автором репозитория ctaguchi. Она принимает аудио и преобразует речь в текст с помощью архитектуры wav2vec2 и CTC. Базовая модель поддерживает более тысячи языков, однако для этой версии язык и обучающий датасет не указаны. В README приведены результаты на оценочном наборе: CER 0,1094, WER 0,3057 и loss 0,4620. Эти показатели относятся к указанному набору и не позволяют оценить качество на других данных. Модель опубликована в формате safetensors и рассчитана на использование с Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

ssc-ttj-mms-model-mix-adapt-max — модель автоматического распознавания речи на архитектуре Wav2Vec2 с CTC-выходом. В метаданных указано 1,3 млрд параметров; модель опубликована в формате Safetensors и использует библиотеку Transformers. Она принимает аудио и предназначена для преобразования речи в текст. В README приведены результаты оценки: CER 0,0697 и WER 0,3887 при loss 0,1838. Модель обучена с нуля на неизвестном наборе данных, поэтому нельзя определить поддерживаемые языки и области применения. Условия лицензии в предоставленных данных не указаны.

Это англоязычная модель автоматического распознавания речи (ASR) в формате GGUF, преобразованная для использования с CrispASR на основе модели nvidia/stt_en_fastconformer_ctc_large, опубликованной NVIDIA. Репозиторий выполнил только конвертацию и/или квантизацию весов: обучение, дообучение, объединение моделей, дистилляция и изменение архитектуры или словаря не проводились. Модель предназначена для преобразования английской речи в текст, в том числе при локальном запуске через CrispASR. Архитектура включает 18-слойный NeMo FastConformer-энкодер и голову Conv1d CTC; используются d_model 512, 8 attention heads, словарь SentencePiece из 1024 элементов и 80 log-mel признаков. Размер модели составляет около 115 млн параметров. Доступны варианты F16 размером 222 МБ, Q8_0 размером 132 МБ, Q5_0 размером 95 МБ и Q4_K размером 83 МБ; Q4_K указан как рекомендуемый. К сильным сторонам относятся компактные квантизованные варианты, поддержка GGUF и адаптация для эффективного локального распознавания речи. Ограничения: модель поддерживает только английский язык, а сведения о точности, устойчивости к шуму, задержке и максимальной длительности контекста в карточке не указаны. Модель распространяется по лицензии CC BY 4.0; права и условия исходной модели NVIDIA сохраняются.

NVIDIA FastConformer-Hybrid Large (es) — модель автоматического распознавания испанской речи, разработанная NVIDIA и обученная с использованием инструментария NeMo. Она принимает монофоническое аудио WAV с частотой 16 кГц и возвращает расшифровку в виде текста с заглавными и строчными буквами, пробелами, точками, запятыми и испанскими вопросительными знаками. Модель основана на архитектуре FastConformer с уменьшением временной размерности свёрточными слоями в 8 раз. Это крупная модель примерно на 115 млн параметров с гибридным обучением по функциям потерь Transducer и CTC; доступны оба режима декодирования. Она обучалась на составном наборе испанской речи, включающем Fisher, MCV12, MLS и VoxPopuli, и предназначена для транскрибации речи общего назначения. Качество может снижаться на технической лексике, непривычных разговорных вариантах и акцентированной речи. Модель выводит ограниченный набор знаков препинания: точку, запятую и испанские вопросительные знаки. Лицензия — CC BY 4.0.

Voxtral-Mini-4B-Realtime-2602-GGUF — это квантованные GGUF-конверсии мультимодальной аудиотекстовой модели Voxtral Mini 4B Realtime 2602, разработанной Mistral AI и адаптированной для transcribe.cpp проектом handy-computer. Модель предназначена для автоматического распознавания речи в реальном времени и офлайн-транскрипции, включая голосовых ассистентов, живые субтитры и другие сценарии потоковой обработки аудио. Архитектура включает аудиоэнкодер примерно на 970 млн параметров с причинными свёртками и 32-слойным трансформером со скользящим окном, проектор и декодер Ministral примерно на 3,4 млрд параметров с 26 слоями и GQA 32/8. Модель принимает монофонический WAV с частотой 16 кГц, поддерживает потоковую обработку с настраиваемой задержкой, автоматическое определение языка и 13 языков: английский, французский, испанский, немецкий, русский, китайский, японский, итальянский, португальский, нидерландский, арабский, хинди и корейский. Перевод речи и временные метки не поддерживаются. Доступны варианты BF16, F16 и квантования Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 2,83 до 8,88 ГБ. На LibriSpeech test-clean заявленная частота ошибок слов составляет 2,07–2,09%, причём все опубликованные варианты квантования показали сопоставимое качество. Эти результаты относятся к английской офлайн-транскрипции и не характеризуют качество на остальных языках. Для работы требуется transcribe.cpp; входные аудиофайлы должны быть приведены к формату 16 кГц, моно WAV. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

sanchit-gandhi/wav2vec2-2-bart-large-cnn — модель распознавания речи на архитектуре SpeechEncoderDecoderModel, обученная с нуля на наборе LibriSpeech ASR. Она преобразует аудио в текст и предназначена для автоматической транскрипции речи. В карточке приведён результат на оценочной выборке: WER 0,1042 и loss 0,3524. Модель опубликована в формате PyTorch. Лицензия и подробности об ограничениях в доступных данных не указаны.

emon1521/wav2vec2-base — дообученная модель распознавания речи на архитектуре Wav2Vec2 с примерно 113,3 млн параметров. Она принимает аудио и предназначена для преобразования речи в текст. В карточке указана оценка WER 1,0 на тестовом наборе; обучающий датасет обозначен как None, поэтому оценить качество на конкретных языках и типах речи по этим сведениям нельзя. Модель опубликована в формате PyTorch под лицензией Apache-2.0. Карточка не приводит подробностей об используемых языках, условиях обучения или рекомендуемых сценариях применения.

Модель oliverguhr/wav2vec2-base-german-cv9 — акустическая модель распознавания немецкой речи, разработанная на основе facebook/wav2vec2-base и дообученная на немецкой части набора Mozilla Common Voice 9.0. Это архитектура Wav2Vec2 с CTC-декодированием, содержащая 113,3 млн параметров; веса доступны в форматах PyTorch и Safetensors. Модель предназначена для преобразования аудиозаписей немецкой речи в текст. На оценочной выборке указаны loss 0,1742 и WER 0,1209. Лицензия — MIT. Карточка не описывает условия записи аудио и возможные различия качества для акцентов, шумных записей и других условий, поэтому результаты могут отличаться на данных вне обучающего набора.

Nachuwu/wav2vec2-fleur-mms-batch6-epoch16 — модель автоматического распознавания речи на архитектуре Wav2Vec2, дообученная на базе facebook/mms-1b-FL102 на наборе данных audiofolder. Модель принимает аудио и выдаёт распознанный текст; карточка сообщает о размере 1,3 млрд параметров. На оценочной выборке указаны loss 0,9813 и WER 0,4603. Эти значения описывают только приведённую оценку и не гарантируют качество на других данных. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

wav2vec2-fleur-mms-batch6-epoch24-finetunning-3 — модель распознавания речи на базе архитектуры Wav2Vec2ForCTC, дообученная Nachuwu от Nachuwu/wav2vec2-fleur-mms-batch6-epoch16 на датасете audiofolder. Модель принимает аудио и преобразует речь в текст; в метаданных указано 1,3 млрд параметров. В README приведены результаты оценки: loss 1,3000 и WER 0,6017. Модель может применяться для транскрибирования аудиозаписей. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/wav2vec2-large-xlsr-53-polish — модель распознавания польской речи, разработанная Facebook. Она основана на архитектуре Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; в карточке приведена оценка 24,6% на тестовой части Common Voice PL. Модель подходит для транскрибации польской речи, в том числе записей, похожих на тестовые данные Common Voice. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0.

jonatasgrosman/wav2vec2-xls-r-1b-dutch — модель распознавания голландской речи, созданная Jonatas Grosman путём дообучения facebook/wav2vec2-xls-r-1b. Она использует архитектуру wav2vec2 с декодером CTC и предназначена для преобразования аудиозаписей на нидерландском языке в текст. Модель обучалась на обучающей и валидационной выборках Common Voice 8.0, Multilingual LibriSpeech и VoxPopuli; для входной речи требуется частота дискретизации 16 кГц. Размер модели — 1,3 млрд параметров. Модель подходит для транскрибации нидерландской речи в записях и речевых приложениях. Она принимает аудио и выдаёт текст, а для работы с ней README предлагает библиотеку HuggingSound. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache 2.0.

Модель itaihay/wav2vec_asr_swbd — дообученная версия facebook/wav2vec2-large-robust-ft-swbd-300h для автоматического распознавания речи. Она использует архитектуру Wav2Vec2ForCTC, содержит 402,7 млн параметров и принимает аудио, выдавая распознанный текст. В карточке приведён результат оценки: WER 0,5302 и loss 0,3052. README не описывает набор данных для дообучения и сценарии применения, поэтому качество на других данных и языках по этим результатам оценить нельзя. Модель распространяется по лицензии Apache-2.0.

Akaash1/wav2vec-khmer-english-medium — модель распознавания речи на базе Wav2Vec2, дообученная на facebook/wav2vec2-xls-r-300m на данных OpenSLR и S4E16_Podcast. Она принимает аудио и преобразует речь в текст; в карточке указано значение WER 0,2868 на оценочном наборе. Модель содержит 402,8 млн параметров и использует архитектуру Wav2Vec2ForCTC. Модель подходит для распознавания речи на кхмерском и английском языках, в том числе в подкастах. Распознавание основано на CTC. Распространяется по лицензии Apache-2.0.

WAXALamh_asr-w2v-bert-2.0 — модель автоматического распознавания речи, дообученная на основе facebook/w2v-bert-2.0. Она использует архитектуру Wav2Vec2BertForCTC и принимает аудио, чтобы преобразовывать речь в текст. Размер модели — около 402,9 млн параметров; для работы с весами используется библиотека Transformers, файлы представлены в формате safetensors. В карточке приведены метрики оценки: loss 3,8336 и CER 0,3028. Датасет, языки и сценарии обучения не описаны, поэтому применимость к конкретному языку или акустическим условиям по этим данным определить нельзя. Модель распространяется по лицензии MIT.

WAXAL-wal_asr-w2v-bert-2.0 — модель автоматического распознавания речи, созданная дообучением facebook/w2v-bert-2.0; в метаданных её архитектура указана как Wav2Vec2BertForCTC. Модель принимает аудио и преобразует речь в текст. В README приведены результаты оценки: loss 1.1595 и CER 0.2217. Модель содержит 402,7 млн параметров, использует библиотеку Transformers и сохранена в формате safetensors. Датасет обучения не назван, поэтому сведения о языках и области применения уточнить нельзя. Лицензия — MIT.

onnx-community/whisper-base — веб-совместимая версия модели openai/whisper-base, подготовленная сообществом ONNX Community. Репозиторий содержит ONNX-веса для работы с библиотекой Transformers.js и ориентирован на запуск модели в веб-среде и других сценариях, поддерживаемых этой библиотекой. Исходная модель Whisper предназначена для задач автоматического распознавания речи; однако в представленном README не указаны подробности об архитектуре, размере, поддерживаемых языках, модальностях и максимальной длине контекста именно этой версии. Ключевое преимущество модели — наличие ONNX-весов, упрощающих использование Whisper в JavaScript- и веб-приложениях. Ограничения и требования к производительности в README не описаны. Лицензия также не указана.

burakaydinofficial/whisper-base-24lang — мультиязычная модель распознавания речи, созданная дообучением OpenAI Whisper Base. Она предназначена для транскрибирования аудио на 24 языках; карточка описывает её как контрольный вариант со стандартной архитектурой Whisper, сопоставимый с вариантом, преобразованным из MHA в MLA. Модель содержит 51,7 млн параметров и загружается через Transformers без пользовательского кода. Модель дообучали 15 000 шагов на корпусе Whispered, с замороженным энкодером и режимом чтения речи. В карточке приведены восстановленные оценки для части языков на CommonVoice-17; авторы предупреждают, что они получены вычитанием измеренной стоимости преобразования из результатов связанной MLA-модели, а не отдельным тестированием этого чекпойнта. Лицензия — Apache-2.0.

onnx-community/whisper-base.en — версия модели openai/whisper-base.en, подготовленная сообществом onnx-community в формате ONNX для совместимости с библиотекой Transformers.js. Репозиторий содержит веса ONNX и предназначен для использования модели в веб-средах и приложениях, поддерживающих Transformers.js. README не указывает архитектуру, размер, длину контекста, набор модальностей, точные языковые возможности, результаты тестирования или дополнительные сценарии применения. Ключевое преимущество модели — готовность к интеграции через Transformers.js; ограничение заключается в том, что для полноценной оценки характеристик необходимо обратиться к документации базовой модели openai/whisper-base.en. Лицензия в предоставленных данных не указана.

zuazo/whisper-base-es — дообученная модель распознавания речи, созданная на основе openai/whisper-base и набора данных Mozilla Common Voice 13.0 для испанского языка. Она использует архитектуру Whisper с 51,7 млн параметров и принимает аудио, выдавая распознанный текст. Модель предназначена для автоматической транскрипции испанской речи, например аудиозаписей и голосовых сообщений. На оценочной выборке указана WER 13,5312 и loss 0,3281. Базовая Whisper также умеет переводить речь на английский, но для этой версии карточка подтверждает дообучение именно для распознавания испанской речи. Модель распространяется по лицензии Apache-2.0, которая разрешает использование, изменение и распространение с указанием авторов. Результаты могут зависеть от акцента, качества записи и состава данных; карточка не приводит дополнительных ограничений или подробностей об оценочном протоколе.

Whisper Dutch - RTL — модель распознавания речи на нидерландском языке, созданная дообучением openai/whisper-small на наборе Common Voice 11.0. Она принимает аудио и преобразует речь в текст; архитектура основана на Whisper и содержит 153,1 млн параметров. На оценочной выборке указаны Loss 0,1895 и WER 24,9245. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Whisper-Hindi2Hinglish-Prime — дообученная Oriserve модель распознавания речи на архитектуре Whisper large-v3 от OpenAI. Она преобразует аудио с индийским произношением хинди в транскрипцию на хинглиш — разговорную смесь хинди и английского, записанную латиницей. Модель построена для работы с Transformers и имеет около 905 млн параметров. Для дообучения использовали примерно 550 часов шумных аудиозаписей на хинди с индийским акцентом; набор данных был специально собран и размечен с помощью автоматической транскрибации и последующей правки человеком. По данным README, модель снижает ошибки распознавания на тестах Common Voice, FLEURS и Indic-Voices относительно исходной Whisper large-v3 и предназначена для аудио с фоновым шумом. README также сообщает о снижении ложных транскрипций на записях с одним шумом. Модель подходит для транскрибации разговорной речи на хинглиш, в том числе в шумной обстановке. В README указано, что доступна более новая версия Whisper-Hindi2Hinglish-Apex. Лицензия — Apache-2.0.

Whisper Hinglish Preview — модель распознавания речи на основе Whisper large-v3, разработанная Trelis и специализированная для хинглиша: речи с переключением между хинди и английским. Она также предназначена для транскрибации преимущественно хинди и английской речи; архитектура — WhisperForConditionalGeneration, размер — 905,3 млн параметров. Модель принимает аудио и выдаёт текст. Для заявленного качества автор рекомендует явно задавать язык распознавания в стандартном интерфейсе Whisper. Внутренние оценки автора показывают улучшение относительно исходных Whisper large-v3 и Vaani на ряде тестов хинглиша и хинди, но не лидерство на всех наборах; результаты получены по собственному протоколу нормализации и сопоставления. Это исследовательская предварительная версия, и веса или результаты могут измениться. Модель распространяется по лицензии Apache-2.0.

Модель speech-transformer/whisper-large-processed_dataset-20250627-100p — дообученная версия Whisper large-v3 от OpenAI для автоматического распознавания речи и преобразования аудио в текст. Она содержит около 905,2 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors для библиотеки Transformers. На оценочном наборе указаны Loss 0,1988 и WER 9,8178; состав этого набора и условия оценки не описаны. Модель принимает аудио и выдаёт текст. README не сообщает, на каких данных и языках проводилось дообучение, поэтому нельзя определить её специализацию или качество на конкретных языках и типах записей. Базовая модель Whisper large-v3 мультиязычная, однако переносить все её языковые возможности на эту дообученную версию без данных о тренировке нельзя. Лицензия — Apache-2.0.

arbml/whisper-largev2-ar — дообученная модель распознавания речи на архитектуре Whisper large-v2, разработанная на основе openai/whisper-large-v2. Модель предназначена для преобразования аудио в текст; в карточке указана оценка WER 17,7875 на наборе оценки. Веса содержат около 905,2 млн параметров и опубликованы в формате PyTorch. Модель обучалась на наборе arbml/mgb2. В README не уточняются поддерживаемые диалекты, условия записи и сценарии применения, поэтому качество для конкретных типов аудио по имеющимся данным оценить нельзя. Указана лицензия Apache-2.0.

mikr/whisper-large-v3-czech-cv13 — дообученная модель семейства Whisper, основанная на openai/whisper-large-v3. Она предназначена для автоматического распознавания речи и преобразования аудио в текст; в README указана оценка на тестовой выборке: WER 0,0789 и loss 0,1283. Модель содержит 905,2 млн параметров и распространяется в формате Safetensors. Базовая Whisper large-v3 — мультиязычная модель OpenAI для транскрибации речи и перевода аудио в текст. Название указывает на ориентацию этой версии на чешскую речь, однако README не описывает обучающий набор данных, языковой охват или дополнительные сценарии применения. Лицензия — Apache-2.0.

Whisper Large-v3 MLX — модель автоматического распознавания речи, опубликованная сообществом mlx-community и предназначенная для использования с библиотекой mlx-whisper. Она преобразует аудиозаписи в текст и подходит для сценариев транскрибации речи. Модель основана на Whisper Large-v3, однако в README не указаны её точные архитектурные характеристики, количество параметров, поддерживаемые языки, модальности или размер контекста. Также не приведены сведения о сильных сторонах и ограничениях модели, поэтому их нельзя достоверно оценить по имеющимся данным. Модель распространяется по лицензии MIT и предназначена для запуска через mlx-whisper; в README приведён пример использования с репозиторием mlx-community/whisper-large-v3-mlx.

primeline/whisper-large-v3-turbo-german — модель распознавания речи на основе Whisper Large v3 Turbo, дообученная Флорианом Циммермайстером для немецкой речи. Она предназначена для транскрибации немецкого аудио, создания субтитров, голосового управления, поиска по голосовым запросам и диктовки. Модель использует архитектуру WhisperForConditionalGeneration и содержит 905,2 млн параметров по метаданным. Для обучения использовались немецкие речевые данные из нескольких источников; в карточке приведены оценки частоты ошибок слов на нескольких наборах данных. Модель принимает аудио и выдаёт текст, рассчитана на немецкий язык. Лицензия — Apache-2.0. Качество распознавания зависит от аудио и задачи: в приведённых оценках результаты различаются между наборами данных, а на некоторых тестах другие модели показывают меньшую частоту ошибок. Метаданные указывают на дообучение primeline/whisper-large-v3-german.

Это версия Whisper large-v3-turbo, преобразованная в формат CTranslate2 для использования с faster-whisper и квантованная до int8. Репозиторий подготовлен для быстрого вывода на CPU и распознавания речи на аудиозаписях. Указанный в метаданных язык модели — венгерский. Модель принимает аудио и выдаёт распознанный текст. Это преобразование и квантование модели OpenAI, а не самостоятельное дообучение. В карточке не приведены сведения о лицензии и конкретные ограничения точности; качество распознавания может зависеть от записи и языка аудио.