I.7Речь, диалоги и встречи

pyannote/speaker-diarization-3.0 — открытый конвейер для автоматической диаризации речи, разработанный Séverin Baroudi с использованием pyannote.audio 3.0.0. Модель определяет временные интервалы речи и связывает их с отдельными говорящими, формируя разметку Annotation. Она предназначена для анализа разговоров, встреч, интервью, совещаний и других многоголосых аудиозаписей, в том числе как этап подготовки данных для автоматического распознавания речи. Конвейер принимает монофонический звук с частотой 16 кГц; стерео- и многоканальные записи автоматически сводятся в моно, а аудио с другой частотой дискретизации пересчитывается в 16 кГц. В состав входят автоматическое обнаружение речи, обнаружение смены говорящего и обработка перекрывающейся речи. Количество говорящих обычно определяется автоматически, но его можно задать или ограничить параметрами min_speakers и max_speakers. Обучение проводилось на комбинации наборов AISHELL, AliMeeting, AMI, AVA-AVD, DIHARD, Ego4D, MSDWild, REPERE и VoxConverse. Сильные стороны модели — полностью автоматическая обработка без ручного VAD и обязательного указания числа говорящих, поддержка перекрывающейся речи и возможность ускорения на GPU. В README указано, что на Nvidia Tesla V100 и Intel Cascade Lake обработка занимает примерно 1,5 минуты на час разговора. Ограничения включают необходимость работы через pyannote.audio 3.0, использование токена Hugging Face и принятие условий доступа для связанных моделей. Модель распространяется по лицензии MIT, однако для её использования требуется пройти gated-доступ на Hugging Face.

pyannote/speaker-diarization-3.1 — открытый аудиопайплайн, разработанный командой pyannote. Он предназначен для автоматической диаризации речи: определения участков речи и их принадлежности разным говорящим в аудиозаписях. Пайплайн также поддерживает обнаружение активности речи, смены говорящих и перекрывающейся речи, поэтому подходит для анализа совещаний, интервью, подкастов, телефонных разговоров и подготовки данных для автоматического распознавания речи. Модель принимает монофонический звук с частотой 16 кГц и возвращает результат диаризации в формате Annotation. Стерео- и многоканальные записи автоматически сводятся к моно, а записи с другой частотой дискретизации — преобразуются к 16 кГц. По сравнению с версией 3.0 в версии 3.1 устранено использование onnxruntime: сегментация говорящих и построение speaker embeddings выполняются в чистом PyTorch, что упрощает развертывание и потенциально ускоряет инференс. Пайплайн работает на CPU или GPU и позволяет задать точное, минимальное или максимальное число говорящих. К ограничениям относятся отсутствие указанных сведений о размере модели, поддерживаемых языках и максимальной длине контекста, а также зависимость от pyannote.audio версии 3.1 или выше. Для использования требуется принять условия доступа к связанным моделям pyannote/segmentation-3.0 и pyannote/speaker-diarization-3.1 и создать токен Hugging Face. Пайплайн распространяется по лицензии MIT.

TheWhisper-Large-V3-Turbo — квантованная версия openai/whisper-large-v3-turbo, разработанная TheStage AI на основе исходной модели OpenAI. Она предназначена для автоматического распознавания речи и оптимизирована для работы в реальном времени с низкой задержкой и энергопотреблением на NVIDIA GPU, а также на устройствах Apple Silicon через CoreML и Neural Engine. Модель поддерживает многоязычное распознавание, включая английский, арабский, болгарский, бенгальский, чешский, датский, немецкий, греческий, испанский, эстонский, финский, французский, хинди, венгерский, индонезийский, итальянский, литовский, латышский, нидерландский, польский, португальский, румынский, русский, словацкий, словенский, шведский, украинский и вьетнамский языки. Доступны пакетная транскрибация и потоковая обработка аудио; для поставляемых turbo-движков используется окно 10 секунд. Модель рассчитана на входной сигнал 16 кГц, моно, и может работать полностью на устройстве без сервера в контуре инференса. К сильным сторонам относятся поддержка NVIDIA GPU и Apple Silicon, режимы NPU, GPU и CPU, потоковая расшифровка и ориентация на on-device-сценарии. README не содержит точных сведений о числе параметров, архитектурных изменениях относительно исходной Whisper Large V3 Turbo или количественных результатах бенчмарков именно этой модели. Для Apple SDK требуется физическое устройство Apple Silicon, macOS 15 или iOS 18 и онлайн-проверка токена при инициализации; симулятор не поддерживается. Лицензия — CC BY 4.0.

Это преобразованная сообществом mlx-community модель Microsoft VibeVoice-ASR-Streaming-7B для потокового распознавания речи с привязкой реплик к говорящим. Модель принимает аудио и по мере его поступления выдаёт транскрипцию с указанием говорящего; отдельный этап диаризации не требуется. Поддерживаются 10 языков: английский, китайский, французский, немецкий, итальянский, японский, корейский, португальский, русский и испанский. Для повышения точности распознавания заданных терминов предусмотрена настройка контекста ключевыми словами. Это плотная модель семейства VibeVoice в формате MLX и точности bfloat16; размер весов составляет 16,66 ГБ. По описанию, потоковая обработка использует чанки примерно по 2,93 секунды и упреждение около 0,53 секунды, поэтому минимальная задержка составляет примерно 3 секунды. На тесте AMI-IHM автор карточки приводит результаты для Apple M5 Max и отмечает, что точность эталонной реализации меняется между запусками. Модель распространяется по лицензии MIT. Для запуска нужны совместимые MLX и оборудование Apple Silicon; порт использует среднее распределения акустического VAE вместо случайной выборки эталонной реализации, а результаты 4-битной версии зависят от того, вычислялись ли масштабы квантования на CPU или GPU.

RedHatAI/Voxtral-Mini-3B-2507-FP8-dynamic — мультимодальная модель компании Mistral, созданная на базе Voxtral-Mini-3B-2507 и оптимизированная Red Hat в формате FP8. Она принимает аудио и текст, а генерирует текст; модель предназначена для автоматического распознавания речи, перевода речи, понимания аудио, ответов на вопросы по аудиозаписям и их суммаризации. Также заявлена поддержка вызова функций на основе голосовых намерений и сохранение возможностей текстового понимания базовой модели Ministral-3B. Модель имеет архитектуру VoxtralForConditionalGeneration, поддерживает контекст до 32 тысяч токенов и работает с аудио длительностью до 30 минут для транскрибации и до 40 минут для анализа. Она автоматически определяет язык речи и поддерживает английский, французский, испанский, португальский, хинди, немецкий, нидерландский и итальянский языки. Веса и активации линейных операторов в трансформерных блоках квантизированы в FP8: это примерно вдвое снижает требования к памяти и размер модели, а также может увеличить пропускную способность матричных умножений примерно в два раза. К сильным сторонам относятся сочетание распознавания речи и языкового анализа в одной модели, мультиязычность, обработка длинных аудиозаписей и возможность работы через vLLM. Ограничения включают зависимость качества от исходной Voxtral-модели и возможные потери точности из-за квантизации; конкретные показатели качества в README не приведены. Модель распространяется по лицензии Apache-2.0 и валидирована для RHOAI 2.25, RHAIIS 3.2.2 и vLLM 0.10.1.1.

mlx-community/Voxtral-Mini-4B-Realtime-6bit — конвертированная в формат MLX версия Voxtral-Mini-4B-Realtime-2602 от Mistral AI. Это мультиязычная модель для распознавания и потоковой транскрипции речи, предназначенная для обработки аудио с низкой задержкой. Репозиторий использует safetensors и библиотеку MLX; в названии указана 6-битная точность. Базовая модель связана с этой версией как дообученная. Модель распространяется по лицензии Apache-2.0.

Карточка модели Jinstudio/whisper-base.en на Hugging Face совпадает с карточкой openai/whisper-base.en, поэтому описание составлено по ней. Whisper base.en — англоязычная модель автоматического распознавания речи, разработанная OpenAI. Это плотная модель Transformer типа encoder-decoder с архитектурой WhisperForConditionalGeneration; в репозитории указано 51,7 млн параметров. Она преобразует английскую речь в текст и предназначена для расшифровки аудио, в том числе длинных записей: базовая обработка рассчитана на фрагменты до 30 секунд, а конвейер Transformers с разбиением на фрагменты позволяет работать с более длинными записями и получать временные метки. Модель обучена на больших массивах аудио с транскрипциями и рассчитана на распознавание английской речи. Она показывает устойчивость к акцентам, шуму и специализированной лексике, но может добавлять слова, которых нет в аудио, повторять фрагменты и ошибаться на отдельных голосах и условиях записи. Лицензия — Apache 2.0.

whisper-base-fp16-ov — модель OpenAI Whisper Base, преобразованная в формат OpenVINO IR с весами в FP16. Она предназначена для автоматического распознавания речи и совместима с OpenVINO 2025.2.0 и новее, а также с Optimum Intel 1.23.0 и новее. Модель поддерживает распознавание речи на множестве языков, включая английский, русский, китайский, немецкий, испанский, французский, японский и другие. Размер модели составляет около 51,7 млн параметров. Формат OpenVINO IR и FP16-компрессия ориентированы на эффективный запуск через OpenVINO GenAI или Optimum Intel, в том числе на CPU. Модель подходит для транскрибации аудиозаписей, голосовых сообщений, звонков и других речевых данных. Ограничения соответствуют исходной модели Whisper Base и описаны в её оригинальной карточке. Модель распространяется по лицензии Apache-2.0.

OpenVINO/whisper-base-int8-ov — модель автоматического распознавания речи, разработанная на основе whisper-base от OpenAI и конвертированная в формат OpenVINO IR. Веса сжаты до INT8 с использованием NNCF, что предназначено для эффективного запуска инференса через OpenVINO. Модель работает с аудиоданными и поддерживает распознавание речи на множестве языков, включая английский, китайский, немецкий, испанский, русский, французский, японский и другие языки, указанные в карточке модели. Модель подходит для транскрибирования аудиозаписей и других задач автоматического распознавания речи. Она совместима с OpenVINO 2025.2.0 и новее, а также с Optimum Intel 1.23.0 и новее; в примерах предусмотрен запуск на CPU через OpenVINO GenAI. Для использования требуются соответствующие библиотеки OpenVINO, Optimum Intel или OpenVINO GenAI. Конкретные размер модели, длина контекста и архитектурные параметры в карточке не указаны. Ключевые характеристики оптимизации — асимметричное INT8-сжатие весов с размером группы 128 и представление OpenVINO IR. Это может снизить требования к ресурсам и упростить развертывание, однако возможны компромиссы между эффективностью и качеством по сравнению с исходной моделью. Ограничения следует уточнять в оригинальной карточке whisper-base от OpenAI. Модель распространяется под лицензией Apache-2.0.

OpenASR/whisper-large-v3 — это версия мультиязычной модели Whisper Large v3, разработанной OpenAI и адаптированной проектом OpenASR для нативного запуска в формате .oasr. Модель предназначена для автоматического распознавания речи и перевода речи на английский язык, включая сценарии локальной транскрипции аудиозаписей на CPU и GPU без использования Python во время инференса. Модель построена на стандартной encoder-decoder архитектуре Whisper и содержит 1,55 млрд параметров. Версия v3 обучена на более крупном и разнообразном размеченном корпусе и использует 128 mel-частотных каналов, что повышает устойчивость распознавания в разных языках и акустических условиях. Доступны сборки fp16, q8_0 и q4_k с различными требованиями к размеру файлов и оперативной памяти; q8_0 рекомендуется как вариант, близкий по качеству к fp16, но более компактный. Сильными сторонами модели являются высокая точность среди моделей семейства Whisper, поддержка множества языков, возможность speech-to-text и speech translation, а также оптимизация OpenASR для локального запуска и сниженного потребления памяти. Ограничения включают значительный размер полной модели и повышенные требования к ресурсам по сравнению с дистиллированными или меньшими вариантами; для q4_k в README не приведены показатели скорости и изменения качества. Пакеты распространяются по лицензии Apache-2.0, унаследованной от исходной модели OpenAI; OpenASR выполняет преобразование формата и квантование весов.

Whisper Large v3 FP16 OpenVINO — это модель автоматического распознавания речи, разработанная OpenAI и преобразованная в формат OpenVINO IR с весами в формате FP16. Модель предназначена для преобразования аудиозаписей в текст и совместима с библиотеками OpenVINO и Optimum Intel. Модель содержит около 905,2 млн параметров и поддерживает распознавание речи на широком наборе языков, включая русский, английский, китайский, немецкий, испанский, французский, японский и многие другие. Она рассчитана на запуск через OpenVINO 2025.2.0 или новее и Optimum Intel 1.23.0 или новее, включая выполнение на CPU через OpenVINO GenAI. Модель подходит для транскрибации аудиозаписей, голосовых сообщений, звонков и другого речевого контента. FP16-представление и формат OpenVINO IR ориентированы на эффективное выполнение на поддерживаемом оборудовании, однако ограничения исходной модели Whisper Large v3 распространяются и на эту конвертированную версию. Модель распространяется по лицензии Apache-2.0.

handy-computer/whisper-large-v3-gguf — это конвертация мультиязычной модели распознавания речи OpenAI Whisper large-v3 в формат GGUF для использования с transcribe.cpp. Модель предназначена для автоматического преобразования речи в текст, определения языка и перевода речи с любого поддерживаемого языка на английский. Поддерживаются десятки языков, включая русский, английский, китайский, японский, корейский, арабский, испанский, французский и кантонский (yue). Модель использует архитектуру encoder-decoder Transformer, обрабатывает аудио через 128-канальный mel-вход и выполняет декодирование длинных записей блоками с окнами по 30 секунд. Доступны варианты F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 997 МБ до 3,11 ГБ. В тесте LibriSpeech test-clean показатель WER составил от 1,81% для F16 до 1,86% для Q4_K_M, что указывает на небольшую потерю качества при квантовании. Поддерживаются сегментные временные метки и потоковая обработка не поддерживается. Сильные стороны модели — широкая языковая поддержка, распознавание, определение языка и перевод речи, а также возможность выбора между качеством и требованиями к памяти благодаря нескольким вариантам квантования. Качество заметно зависит от языка: приведённые значения WER на наборе FLEURS существенно различаются, поэтому для менее распространённых языков необходима отдельная проверка. Модель распространяется по лицензии Apache-2.0.

OllmOne/whisper-large-v3-GGUF — это GGUF-версия модели Whisper large-v3, разработанной OpenAI и опубликованной пользователем OllmOne на Hugging Face. Модель предназначена для автоматического распознавания речи и перевода речи на английский язык; она обрабатывает аудио и генерирует текст. В карточке Hugging Face указаны задача automatic-speech-recognition, библиотека Transformers, формат GGUF, около 905,2 млн параметров и лицензия Apache-2.0. Whisper использует архитектуру encoder-decoder Transformer и обучен для многоязычного распознавания речи, речевого перевода и определения языка. Large-v3 отличается устойчивостью к акцентам, фоновой шумовой обстановке и технической лексике, а также улучшенной точностью по сравнению с large-v2. Модель требует проверки на конкретных данных перед промышленным использованием; возможны ошибки распознавания, особенно при низком качестве аудио, перекрывающейся речи или нестандартных условиях записи.

OpenVINO/whisper-large-v3-int8-ov — это модель автоматического распознавания речи, основанная на Whisper large-v3, разработанном OpenAI. Модель преобразована в формат OpenVINO IR, а её веса сжаты до INT8 с использованием NNCF. Она предназначена для преобразования аудиозаписей в текст и поддерживает широкий набор языков, включая английский, китайский, немецкий, испанский, русский, французский, японский, арабский, украинский и многие другие. Ключевые особенности модели — совместимость с OpenVINO и возможность запуска через Optimum Intel, OpenVINO GenAI или OpenVINO Model Server, в том числе на CPU и совместимом GPU. Квантизация INT8_ASYM с размером группы 128 снижает требования к памяти и может повысить эффективность инференса, однако README не содержит количественных данных о точности, скорости или влиянии сжатия на качество распознавания. Для работы требуется OpenVINO версии 2025.2.0 или новее и Optimum Intel версии 1.23.0 или новее. Модель распространяется по лицензии Apache-2.0; ограничения следует дополнительно учитывать по оригинальной карточке Whisper large-v3.

unsloth/whisper-large-v3-turbo — мультиязычная модель распознавания речи семейства Whisper, опубликованная Unsloth в формате Transformers и Safetensors. Это Transformer-энкодер-декодер с 905,2 млн параметров, производный от openai/whisper-large-v3-turbo и openai/whisper-large-v3. В turbo-версии число слоёв декодера сокращено с 32 до 4, что ускоряет работу и снижает потребление памяти при небольшом ухудшении качества. Модель принимает аудио и преобразует речь в текст на том же языке; также семейство Whisper поддерживает перевод речи между языками. Она рассчитана на многоязычную транскрибацию, в том числе аудио на русском, английском, китайском, немецком, испанском, французском и других языках. Для аудио длиннее 30 секунд README рекомендует использовать последовательную или пакетную обработку фрагментами. Модель может быть полезна для расшифровки записей, диктовки и транскрибации аудио с разными акцентами и фоновым шумом. Возможны галлюцинации, повторы и неодинаковая точность для разных языков, акцентов и диалектов; качество может быть ниже для языков с малым объёмом обучающих данных. Лицензия — MIT.

mlx-community/whisper-large-v3-turbo-4bit — мультиязычная модель распознавания речи на базе OpenAI Whisper large-v3-turbo, преобразованная сообществом mlx-community в формат MLX с 4-битным представлением. Она предназначена для преобразования аудиозаписей в текст и запуска на устройствах Apple через библиотеку mlx-audio-plus. Модель принимает аудио и выдаёт текст; исходная модель также поддерживает перевод речи в текст. Репозиторий распространяется по лицензии Apache-2.0.

Модель OpenVINO/whisper-large-v3-turbo-fp16-ov подготовлена OpenAI на основе Whisper large-v3-turbo и преобразована в формат OpenVINO IR с весами FP16. Архитектура Whisper имеет около 905 млн параметров; в варианте large-v3-turbo число слоёв декодера сокращено с 32 до 4, что ускоряет распознавание при небольшом снижении качества. Модель предназначена для преобразования речи в текст на многих языках. Её можно использовать для расшифровки аудиозаписей и транскрибирования речи в приложениях на базе OpenVINO; совместимость указана для OpenVINO 2026.1.0 и выше и Optimum Intel 1.27.0 и выше. Модель принимает аудио и выдаёт текст. Поддерживает русский, английский и множество других языков. Распространяется по лицензии MIT. В README отмечено, что качество может быть несколько ниже, чем у полной Whisper large-v3; прочие ограничения отсылают к карточке исходной модели.

Whisper large-v3-turbo-gguf — это GGUF-версия модели Whisper large-v3-turbo, разработанной OpenAI и представленной в экосистеме Hugging Face. Модель предназначена для автоматического распознавания речи и перевода речи в текст, включая работу в режиме zero-shot. Она обучалась на более чем 5 млн часов размеченных аудиоданных и поддерживает широкий набор языков, в том числе русский, английский, китайский, немецкий, испанский, французский, японский и многие другие. Модель является дообученной и сокращённой версией Whisper large-v3: число слоёв декодера уменьшено с 32 до 4. Благодаря этому она работает значительно быстрее исходной large-v3, хотя может немного уступать ей по качеству. Поддерживаются автоматическое определение языка, транскрибация с сохранением языка исходной речи, перевод речи на английский, а также временные метки на уровне предложений и слов. README не указывает размер модели, точную архитектуру GGUF-квантизации или максимальную длину контекста. Модель подходит для транскрибации аудиофайлов, пакетной обработки записей и приложений, которым важны скорость и мультиязычность. Ограничениями являются возможное небольшое снижение качества по сравнению с Whisper large-v3 и отсутствие в карточке подробностей о конкретной GGUF-квантизации и требованиях к ресурсам. Лицензия — MIT.

Это мультиязычная модель распознавания речи Whisper large-v3-turbo, представленная Intel в формате OpenVINO IR с весами, сжатыми до INT4. Она преобразует аудио в текст и подходит для локального инференса через OpenVINO и Optimum Intel; совместимость заявлена с OpenVINO 2026.1.0 и новее и Optimum Intel 1.27.0 и новее. Модель основана на OpenAI/whisper-large-v3-turbo и содержит около 905,2 млн параметров. В исходной архитектуре Whisper large-v3-turbo число слоёв декодера сокращено с 32 до 4, что ускоряет распознавание с небольшим снижением качества; дополнительное сжатие весов выполнено в режиме INT4_ASYM с размером группы 128. Поддерживаются многие языки, включая русский и английский. Модель распространяется по лицензии MIT.

Модель dvislobokov/whisper-large-v3-turbo-russian — дообученная русскоязычная версия Whisper large-v3-turbo, созданная dvislobokov на базе openai/whisper-large-v3-turbo. Она предназначена для автоматического распознавания русской речи и преобразования аудио в текст. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 905,2 млн параметров и принимает аудио.

Карточка модели binant/whisper-small на Hugging Face совпадает с карточкой openai/whisper-small, поэтому описание составлено по ней. Whisper Small — модель распознавания речи семейства Whisper, разработанная OpenAI. Это мультиязычная модель Transformer типа encoder-decoder с 153,1 млн параметров, обученная на размеченных аудиоданных. Она преобразует речь в текст на языке исходного аудио и может переводить речь с разных языков на английский. Для обработки аудио в Transformers используется вместе с WhisperProcessor. Модель подходит для транскрибирования записей, в том числе длинных: базовая обработка рассчитана на фрагменты до 30 секунд, а разбиение на фрагменты позволяет обрабатывать аудио произвольной длины и получать временные метки. Whisper демонстрирует устойчивость к акцентам, фоновому шуму и технической лексике, но точность различается между языками, диалектами и группами говорящих. Возможны галлюцинации, повторы и ошибки распознавания. Модель распространяется по лицензии Apache-2.0.

Карточка модели ltopaiman4/whisper-small на Hugging Face совпадает с карточкой openai/whisper-small, поэтому описание составлено по ней. Whisper Small — модель распознавания речи семейства Whisper, разработанная OpenAI. Это мультиязычная модель Transformer типа encoder-decoder с 153,1 млн параметров, обученная на размеченных аудиоданных. Она преобразует речь в текст на языке исходного аудио и может переводить речь с разных языков на английский. Для обработки аудио в Transformers используется вместе с WhisperProcessor. Модель подходит для транскрибирования записей, в том числе длинных: базовая обработка рассчитана на фрагменты до 30 секунд, а разбиение на фрагменты позволяет обрабатывать аудио произвольной длины и получать временные метки. Whisper демонстрирует устойчивость к акцентам, фоновому шуму и технической лексике, но точность различается между языками, диалектами и группами говорящих. Возможны галлюцинации, повторы и ошибки распознавания. Модель распространяется по лицензии Apache-2.0.

Whisper Small — модель распознавания речи семейства Whisper, разработанная OpenAI. Это мультиязычная модель Transformer типа encoder-decoder с 153,1 млн параметров, обученная на размеченных аудиоданных. Она преобразует речь в текст на языке исходного аудио и может переводить речь с разных языков на английский. Для обработки аудио в Transformers используется вместе с WhisperProcessor. Модель подходит для транскрибирования записей, в том числе длинных: базовая обработка рассчитана на фрагменты до 30 секунд, а разбиение на фрагменты позволяет обрабатывать аудио произвольной длины и получать временные метки. Whisper демонстрирует устойчивость к акцентам, фоновому шуму и технической лексике, но точность различается между языками, диалектами и группами говорящих. Возможны галлюцинации, повторы и ошибки распознавания. Модель распространяется по лицензии Apache-2.0.

Карточка модели unsloth/whisper-small на Hugging Face совпадает с карточкой openai/whisper-small, поэтому описание составлено по ней. Whisper Small — модель распознавания речи семейства Whisper, разработанная OpenAI. Это мультиязычная модель Transformer типа encoder-decoder с 153,1 млн параметров, обученная на размеченных аудиоданных. Она преобразует речь в текст на языке исходного аудио и может переводить речь с разных языков на английский. Для обработки аудио в Transformers используется вместе с WhisperProcessor. Модель подходит для транскрибирования записей, в том числе длинных: базовая обработка рассчитана на фрагменты до 30 секунд, а разбиение на фрагменты позволяет обрабатывать аудио произвольной длины и получать временные метки. Whisper демонстрирует устойчивость к акцентам, фоновому шуму и технической лексике, но точность различается между языками, диалектами и группами говорящих. Возможны галлюцинации, повторы и ошибки распознавания. Модель распространяется по лицензии Apache-2.0.

FastFlowLM/Whisper-V3-Turbo-NPU2 — модель автоматического распознавания речи и перевода речи в текст, основанная на openai/whisper-large-v3-turbo. Архитектура Whisper разработана OpenAI и обучена на более чем 5 млн часов размеченных аудиоданных. В представленной карточке не указаны отдельные сведения о разработчике или изменениях, специфичных для варианта NPU2. Модель предназначена для транскрибации аудиофайлов произвольной длительности, пакетной обработки записей, автоматического определения языка и перевода речи на английский язык. Поддерживаются временные метки на уровне предложений и отдельных слов, а также различные стратегии декодирования. Заявлена поддержка широкого набора языков, включая английский, китайский, немецкий, испанский, русский, корейский, французский, японский и многие другие. Whisper large-v3-turbo является оптимизированной версией Whisper large-v3: число декодирующих слоёв сокращено с 32 до 4, благодаря чему модель работает значительно быстрее, но может немного уступать исходной версии по качеству. Конкретный размер модели, длина контекста, требования к оборудованию и преимущества использования NPU в README не указаны. Модель распространяется по лицензии MIT.

ARK-ASR-0.6B — многоязычная модель распознавания речи от Edge0, обученная по рецепту адаптации на данных учителя и онлайн-дистилляции политики из проекта open-audio-opd. Она преобразует аудио в текстовые транскрипты и подходит для расшифровки записей и потоковой речи на поддерживаемых языках. Архитектура включает декодерный Transformer с 504,7 млн параметров, отдельный аудиоэнкодер в стиле Whisper и MLP-адаптер; аудиопризнаки передаются декодеру для авторегрессионной генерации текста. Указанный в метаданных контекст — 32 768 токенов. Модель принимает аудио с частотой дискретизации 16 кГц и распознаёт китайский, английский, немецкий, японский, французский, корейский, испанский, польский, итальянский, румынский, венгерский, чешский, нидерландский, финский, хорватский, словацкий, словенский, эстонский и литовский языки. В опубликованных оценках модель показывает качество, сопоставимое с Qwen3-ASR-0.6B на английских и китайских наборах, хотя результаты зависят от языка и набора данных. Для запуска рекомендуется официальный скрипт проекта с обработчиком аудио и настройкой trust_remote_code=True. Модель опубликована в формате safetensors под лицензией Apache-2.0.

ARK-ASR-3B — мультиязычная модель распознавания речи, представленная разработчиками проекта AutoArk. Она предназначена для преобразования речи в текст и может использоваться для транскрибации аудио и развёртывания сервиса распознавания через Transformers или vLLM. По карточке модели, в тестах Open ASR Leaderboard она показала средний WER 5,04% на англоязычном коротком аудио и CER 1,80% на AISHELL-1 для китайского языка. Модель содержит около 3,1 млрд параметров и использует авторегрессионную архитектуру Transformers: аудиоэнкодер в стиле Whisper, MLP-адаптер и декодер Qwen. Она принимает аудио с частотой дискретизации 16 кГц и генерирует текст; нативный контекст составляет 32 768 токенов. Заявлена поддержка китайского, английского, немецкого, японского, французского, корейского, испанского, польского, итальянского, румынского, венгерского, чешского, нидерландского, финского, хорватского, словацкого, словенского, эстонского и литовского языков. Веса представлены в формате safetensors, для загрузки используются Transformers и пользовательский код архитектуры arkasr; лицензия — Apache-2.0. Для запуска по инструкции карточки требуется включить trust_remote_code=True. Приведённые показатели относятся к указанным тестовым наборам и сами по себе не гарантируют аналогичное качество на других аудио, акцентах и условиях записи.

Cohere Transcribe 03-2026 — открытая модель автоматического распознавания речи, разработанная Cohere и Cohere Labs. Данная версия распространяется в формате .oasr для нативного запуска в среде OpenASR без Python во время инференса, с поддержкой CPU и GPU. Модель предназначена для преобразования аудио в текст и подходит для транскрибации записей, речи и других аудиоданных. Она поддерживает 14 языков, включая английский, основные европейские языки, арабский, китайский, японский, корейский и вьетнамский. Архитектура представляет собой Conformer-энкодер для обработки акустических признаков и облегчённый Transformer-декодер; размер модели составляет около 2 млрд параметров. К сильным сторонам относятся специализированная архитектура для распознавания речи, локальный запуск, поддержка CPU и GPU, а также варианты квантования, уменьшающие требования к памяти. Доступны сборки fp16, q8_0 и q4_k размером примерно от 1,51 до 4,14 ГБ; q8_0 рекомендуется как вариант с близким к fp16 качеством и меньшим размером, а q4_k — для более ограниченных по памяти систем. Абсолютная точность распознавания и ограничения по длине контекста в README не указаны. Модель и упаковки распространяются по лицензии Apache-2.0.

CrisperWhisper 2.0 medium — модель распознавания речи от Nyra Labs на архитектуре Whisper, содержащая 455,8 млн параметров. Она преобразует аудио в текст и позволяет выбирать режим транскрипции: verbatim сохраняет произнесённые заполнители пауз, повторы, обрывы слов и вокальные события, а intended выдаёт отредактированный текст с привычным форматированием чисел и дат. Модель также поддерживает временные метки для отдельных слов и транскрипцию длинных записей с продолжением между аудиофрагментами. Модель предназначена для подготовки точных расшифровок разговорной и дикторской речи, анализа речевых особенностей и создания текстовых данных для обучения. В README заявлена многоязычная работа для большинства языков, поддерживаемых Whisper; метаданные карточки отдельно отмечают английский и немецкий. Для запуска предусмотрена библиотека crisperwhisper, включая варианты исполнения на PyTorch и CTranslate2. В README для стандартных моделей указана лицензия на некоммерческие исследования с возможностью получить коммерческую лицензию. Заявленные показатели точности и таймингов приведены разработчиком на его бенчмарках и тестовых наборах; результаты могут отличаться на других аудиозаписях и языках.

Это конверсия модели распознавания речи Whisper large-v2 от OpenAI в формат CTranslate2, подготовленная для запуска в CTranslate2 и проектах на его основе, включая faster-whisper. Она принимает аудио и предназначена для распознавания речи; веса сохранены в FP16, а при загрузке тип вычислений можно выбрать через параметр compute_type. Модель поддерживает много языков, включая русский, английский, китайский, немецкий, испанский и французский. Репозиторий распространяется по лицензии MIT.