I.7Речь, диалоги и встречи

IndicConformer — модель автоматического распознавания речи на хинди, разработанная AI4Bharat. Она принимает монофоническое аудио WAV с частотой дискретизации 16 кГц и возвращает распознанную речь в виде текста. Модель построена на архитектуре Conformer-Large: энкодер содержит 17 блоков и около 120 млн параметров, а декодер использует гибридный подход CTC-RNNT. Для инференса предусмотрен выбор CTC- или RNNT-декодера. Модель работает на хинди и распространяется по лицензии MIT; для работы используется библиотека AI4Bharat NeMo.

Sanat-agrwl/indic-whisper-ctc-timestamps — модель Саната Кумара Агравала и Шриканта Раджа Четупатли для распознавания речи на хинди с временными метками слов. Это Whisper large-v2, дообученная для хинди и дополненная символьной CTC-головой, которая использует то же представление аудио, что и декодер транскрипции. Модель выполняет один проход энкодера: декодер формирует текст, а CTC-голова оценивает границы слов с разрешением 20 мс. Модель подходит для транскрибирования хинди-речи и автоматической разметки начала и конца каждого слова. В тесте IndicVoices-R для хинди указана WER 14,6%; среднее расхождение границ с внешним выравнивателем составляет 20,8 мс, однако это согласие между системами, а не точность относительно человеческой разметки. По README, калибровка уменьшает среднюю ошибку относительно человеческой разметки с 74,5 до 43,0 мс. Распространяется по лицензии Apache-2.0.

nileq/kazakh-omni-asr-ctc — модель автоматического распознавания казахской речи, разработанная Nileq на базе OmniASR wav2vec2.5 large и дообученная с функцией потерь CTC. Она использует архитектуру Wav2Vec2ForCTC с 24 слоями энкодера, размером скрытого состояния 1024 и 16 головами внимания; словарь SentencePiece содержит 9812 токенов. Модель принимает монофоническое аудио с частотой дискретизации 16 кГц и преобразует речь в текст. Вес модели составляет 412,7 млн параметров; файлы опубликованы в формате safetensors. Модель предназначена для транскрибации казахской речи и интеграции в системы распознавания аудио. Указанная лицензия — Apache-2.0. Карточка сообщает о 20 000 шагах обучения; качество на реальных записях и устойчивость к шуму отдельно не охарактеризованы.

Kotoba-Whisper-v1.1 — японская модель распознавания речи на базе kotoba-tech/kotoba-whisper-v1.0, разработанная Kotoba Technologies в сотрудничестве с Asahi Ushio. Она использует архитектуру Whisper и насчитывает около 905 млн параметров. Модель принимает аудио и выдаёт японскую транскрипцию; встроенный конвейер добавляет пунктуацию и улучшает временные метки с помощью Stable-ts. Модель предназначена для транскрибирования японской речи, в том числе длинных аудиозаписей, и поддерживает подсказки при распознавании. В README приведено сравнение скорости на 50 минутах речи: версия 1.1 с пунктуацией и временными метками работает медленнее версии 1.0 с отключёнными временными метками. Для использования нужны Transformers версии 4.39 или новее, а также Stable-ts и punctuators. Лицензия — Apache-2.0.

LongCat-Next — мультимодальная авторегрессионная модель, разработанная Meituan и построенная на базе MoE-модели LongCat-Flash-Lite. Она обучается предсказывать единый поток дискретных токенов для текста, изображений и аудио. В репозитории указано 3B параметров, а контекст составляет 131 072 токена. Модель предназначена для чата, понимания и генерации изображений, понимания речи, голосового общения с низкой задержкой и клонирования голоса. Также заявлена конкурентоспособность на мультимодальных задачах и качество генерации изображений при сильном сжатии представления. Поддерживаются интерфейс вызова инструментов и работа с Transformers; для запуска README рекомендует не менее трёх GPU с 80 ГБ видеопамяти каждый. Модель распространяется по лицензии MIT. Разработчики отмечают, что её не проектировали и всесторонне не оценивали для всех возможных прикладных сценариев.

mesolitica/malaysian-whisper-medium — модель распознавания речи, созданная Mesolitica путём дообучения Whisper Medium на данных малайской речи. Она предназначена для преобразования аудио в текст на малайском языке, включая стандартную и местную речь, а также на английском, включая Manglish. Модель основана на архитектуре Whisper и содержит 455,8 млн параметров; в репозитории представлены веса Safetensors. Модель подходит для транскрибации разговоров и видео на малайском и английском языках. Для обработки аудио длиннее 30 секунд автор рекомендует разбивать запись на фрагменты такой длительности и распознавать их отдельно. Данные для дообучения включают наборы IMDA STT, Malay Conversational Speech Corpus, псевдоразметку малайских видео и аудиокниг, а также частный датасет Haqkiem TTS. Условия лицензии в предоставленных данных не описаны.

MasriSwitch-Gemma3n-Transcriber-v1 — модель автоматического распознавания речи, разработанная oddadmix на архитектуре условной генерации Gemma 3n и дообученная на египетском арабском и речи с переключением между арабским и английским. Она предназначена для преобразования коротких и средних аудиозаписей в текст, в том числе голосовых заметок, звонков поддержки, встреч, интервью и материалов для соцсетей. В карточке указаны датасет арабско-английской речи с переключением языков и частный набор разговорных египетских записей. Модель принимает аудио и выдаёт текст; форматы весов — safetensors. Лицензия — Apache-2.0. Модель ориентирована на египетский диалект и естественное переключение арабского и английского в одной фразе. Для длинных записей рекомендуется разбивать аудио на отрезки примерно по 20–30 секунд. Лучше всего работает с чистой речью одного говорящего; качество может снижаться при сильном шуме, одновременной речи и быстром темпе. Она не оптимизирована для диалектов Персидского залива и Леванта или только литературного арабского; транскрипции чувствительных записей требуют осторожного обращения и проверки человеком.

MEMORYDistillPL-1.5b — польская языковая модель, дообученная автором на базе Qwen/Qwen2.5-1.5B-Instruct методом QLoRA. Она преобразует польские стенограммы разговоров в краткие структурированные заметки для долговременного хранения: суммирует обсуждение и извлекает упомянутые сущности, включая людей, организации, решения и факты. Модель построена на плотной архитектуре Qwen2, содержит 1,5 млрд параметров и имеет контекстное окно 32 768 токенов. Она рассчитана на узкую задачу суммаризации и извлечения сведений, а не на свободный чат. В README описана оценка на 82 польских стенограммах длиной до 8 тысяч токенов; в этом сравнении ответы модели чаще предпочитались ответам базовой Qwen2.5-7B-Instruct. Модель иногда пропускает сущности и может придумывать расшифровки польских сокращений. Работа на других языках и длинных входах не проверялась; для важных решений результаты нужно сверять с исходником. Лицензия — Apache 2.0. В репозитории есть веса для Transformers, LoRA-адаптер и варианты GGUF; низкая квантизация может заметнее снижать качество.

Карточка модели anas89ji/Ming-flash-omni-Preview на Hugging Face совпадает с карточкой inclusionAI/Ming-flash-omni-Preview, поэтому описание составлено по ней. Ming-flash-omni Preview — предварительная мультимодальная модель компании inclusionAI, дообученная на основе Ling-flash-2.0. Это разреженная MoE-модель с 100 млрд параметров, из которых активны 6 млрд на токен; архитектура указана как BailingMM2NativeForConditionalGeneration. Модель принимает текст, изображения, аудио и видео и может выдавать текст, изображения и аудио. Модель предназначена для мультимодального диалога: понимания изображений и видео, распознавания речи с учётом контекста и китайских диалектов, синтеза речи, генерации и редактирования изображений. Среди заявленных возможностей — генеративная сегментация, улучшенное сохранение сцены и идентичности при редактировании, а также отрисовка текста внутри изображений. Разработчик сообщает о сильных результатах на мультимодальных тестах, включая контекстное распознавание речи и распознавание 15 китайских диалектов. Модель опубликована под лицензией MIT. Это Preview-версия; карточка не приводит длину контекста и подробные требования к оборудованию. Для практического применения следует учитывать большой общий размер модели и проверять качество на целевых задачах.

MiniCPM-o-2_6-GGUF — квантованная в формате GGUF версия мультимодальной модели MiniCPM-o-2_6, разработанной командой OpenBMB. Квантизацию выполнил bartowski на основе llama.cpp версии b4585. Модель предназначена для мультимодального взаимодействия, включая анализ изображений, оптическое распознавание текста, работу с несколькими изображениями и видео, а также задачи, связанные с речью и аудио: распознавание речи, синтез речи, клонирование голоса и потоковые голосовые диалоги в реальном времени. Модель поддерживает изображения с произвольным соотношением сторон объёмом до 1,8 млн пикселей, например 1344×1344. Она заявлена как end-to-end omni-модальная и мультиязычная; README также указывает поддержку vision, audio и speech, но не перечисляет конкретные языки, размер модели, точную архитектуру или максимальную длину текстового контекста. Формат GGUF и совместимость с llama.cpp делают модель ориентированной на локальный запуск, включая сценарии на мобильных устройствах, однако требования к памяти и производительность зависят от варианта квантизации и оборудования. Сильными сторонами являются сочетание обработки изображений, видео, аудио и речи, поддержка потокового мультимодального взаимодействия и работа с изображениями высокого разрешения. Возможные ограничения — зависимость качества и скорости от квантизации и локальной инфраструктуры, а также риск неточных или неподходящих ответов, характерный для мультимодальных моделей. В README не указана лицензия модели, поэтому условия её использования следует уточнять в документации оригинальной модели MiniCPM-o-2_6 и соответствующего GGUF-файла.

Moonshine Base Korean — модель распознавания речи, разработанная Useful Sensors и предназначенная для транскрибации корейской речи. Она относится к семейству Moonshine и использует архитектуру последовательность-в-последовательность с условной генерацией; в репозитории указаны веса в формате Safetensors. Метаданные относят модель к корейскому языку и задаче автоматического распознавания речи. В карточке семейства Moonshine описаны модели компактного размера для транскрибации в условиях ограниченных ресурсов, однако приведённые там параметры относятся к английским моделям и не подтверждают размер этой корейской версии. Модель принимает аудио и выдаёт текстовую расшифровку. Она подходит для создания корейских субтитров, расшифровки записей и приложений транскрибации речи в реальном времени. Карточка предупреждает, что генерация может содержать слова, которых не было в аудио, а также повторяющийся текст; особенно это возможно на коротких фрагментах и при обрезанных словах. Перед внедрением требуется оценка качества на целевых данных. Лицензия указана как other, без уточнения условий в предоставленных сведениях.

aomocelin/moonshine_tiny_pt_v06 — дообученная модель семейства Moonshine для автоматического распознавания речи. Она принимает аудио и выдаёт текст; в README указано, что модель дообучена на основе aomocelin/moonshine_tiny_pt_v05, но обучающий набор данных не раскрыт. Модель построена на архитектуре MoonshineForConditionalGeneration и распространяется в формате safetensors для библиотеки Transformers. Лицензия — MIT. В README приведены результаты оценки: Loss 11.9592 и WER 2.9991; без описания набора данных и протокола оценки эти значения сложно интерпретировать. Метаданные указывают контекст в 194 токена. Язык распознавания из доступных сведений установить нельзя.

Moonshine Tiny PT v08 — дообученная модель распознавания речи на базе aomocelin/moonshine_tiny_pt_v05. Она предназначена для преобразования аудио в текст; архитектура — MoonshineForConditionalGeneration, файлы модели представлены в формате safetensors. В README приведены результаты оценки: loss 0,4744 и WER 5,8564, однако описание набора данных и условий оценки отсутствует. Контекст модели составляет 194 токена. Модель распространяется по лицензии MIT.

MoulSot v0.3 — модель автоматического распознавания речи, разработанная Atlasia для транскрибации марокканского дариджа. Это дообученная версия Qwen/Qwen3-ASR-1.7B; модель принимает аудио и выдаёт текст. В README заявлена тренировка на наборе MoulSot-Full: около 1 500 часов аудио и 80 часов эталонных транскрипций. Модель рассчитана на разговорную речь, аудио из медиа и пользовательский контент. Её отличительная особенность — распознавание смешанной речи с переключением между дариджа, арабским, французским и английским; разработчик также заявляет устойчивость к неформальной речи и шуму. Для v0.3 приведены WER 38,99 и CER 12,58, однако подробности протокола оценки и бенчмарков ограничены. Качество может снижаться на очень шумных записях, редких диалектных вариантах и специализированной лексике; распознавание переключения языков не безошибочно. Для критически важных решений требуется проверка транскрипции человеком. Лицензия — Apache-2.0.

Это дообученная модель распознавания речи Nemotron 3.5 ASR для вьетнамского и английского языков, подготовленная автором репозитория на основе чекпойнта NVIDIA nvidia/nemotron-3.5-asr-streaming-0.6b. Она объединяет акустический энкодер FastConformer, сеть предсказаний RNNT, joint-сеть, токенизатор и процессор; веса представлены в формате safetensors и загружаются через AutoProcessor и AutoModelForRNNT в Transformers. Модель предназначена для преобразования речи во вьетнамскую или английскую транскрипцию, включая потоковые сценарии. В README приведены оценки на наборах PW733 и LSVSC: после дообучения ошибка распознавания на PW733 заметно снизилась относительно базовой модели. Результаты зависят от набора данных, нормализации и параметров lookahead; приведённая оценка английского языка получена на локальной выборке и напрямую не сопоставима с удалённой валидацией. Репозиторий распространяется по лицензии Apache-2.0. Для использования требуется аудиовход; карточка не сообщает длительность аудио или ограничения контекста.

OutcomesAI-Whisper-tiny-v1.1 — дообученная модель семейства Whisper, разработанная на основе piyushmaharana/outcomes-whisper-tiny-v1 и датасета big-transcript-pronounce. Она предназначена для автоматического распознавания речи и преобразования английской речи в текст. Модель содержит 29,4 млн параметров; веса представлены в формате Safetensors. В README приведены результаты оценки: loss 0,0602 и WER 2,82, однако описание методики оценки и ограничений отсутствует. Модель распространяется по лицензии Apache-2.0.

Paraformer-zh — модель распознавания речи из экосистемы FunASR, разработанная командой FunASR. Это сквозная нерегрессионная ASR-модель с параллельной генерацией результата; в карточке указано 220 млн параметров. Модель предназначена прежде всего для распознавания мандаринского китайского языка, в том числе речи со смешением китайского и английского. Заявлена скорость до 120-кратного реального времени на GPU. Модель принимает аудио и возвращает текст. Для длинных записей можно использовать встроенный VAD; потоковый и пакетный режимы, восстановление пунктуации и диаризация доступны в составе полного конвейера FunASR с дополнительными компонентами. Репозиторий содержит веса PyTorch, библиотека для работы — FunASR. Лицензия — Apache-2.0.

mudler/parakeet-cpp-gguf — набор моделей автоматического распознавания речи в формате GGUF для C++/ggml-библиотеки parakeet.cpp. Репозиторий поддерживает конвертированные модели NVIDIA NeMo Parakeet и предназначен для локального запуска ASR на CPU, включая сценарии офлайн-распознавания и потоковой транскрипции. Указано, что результаты на CPU сопоставимы с исходными моделями PyTorch. В набор входят варианты размером от 110M до 1.1B параметров с архитектурой FastConformer и головами CTC, RNNT, TDT либо гибридом TDT+CTC. Для realtime_eou_120m-v1 заявлена потоковая cache-aware RNNT-архитектура с поддержкой EOU/EOB. Доступны варианты F16, Q8_0, Q6_K, Q5_K и Q4_K; F16 рекомендован как обеспечивающий точность F32 при меньшем размере и обычно наиболее высокую скорость на современных CPU. Размер файлов зависит от модели и квантизации: примерно от 129 МБ до 2,4 ГБ. Языки, максимальная длина контекста и точный набор поддерживаемых аудиоформатов в README не указаны. Сильными сторонами являются широкий выбор архитектур и уровней квантизации, возможность запуска через C++/ggml и наличие моделей для потокового распознавания. Для ряда F16, Q8_0 и Q4_K указано нулевое различие WER по сравнению с NeMo в приведённом сравнении, однако для других вариантов измерения не проводились. Лицензия набора — CC BY 4.0.

Parakeet-TDT-CTC-110M CoreML — модель автоматического распознавания речи, разработанная NVIDIA и преобразованная в формат CoreML для эффективного вывода на Apple Silicon. Она предназначена для транскрибации аудиофайлов и быстрого распознавания ключевых слов на устройствах Mac с процессорами M1–M4. Модель использует общий Conformer-энкодер и две декодирующие ветви: CTC для быстрого жадного декодирования и сценариев keyword spotting, а также TDT (Token-Duration Transducer) с LSTM-сетью предсказаний и совместной сетью для более качественной транскрибации. Общий размер компонентов составляет около 436 МБ, словарь содержит 1024 токена. В карточке указан английский язык; модель обучалась и оценивалась на наборах LibriSpeech, Fisher Corpus, Common Voice, VoxPopuli и других англоязычных и многоязычных корпусах. На Earnings22 заявлены WER 17,97%, стопроцентное распознавание тестовых ключевых слов и скорость до 358× реального времени на M4 Pro. Сильные стороны модели — высокая скорость локального вывода, поддержка двух режимов декодирования и возможность работы без облачной инфраструктуры. Ограничения включают специализацию на английской речи, необходимость macOS 13 или новее, Python 3.10+ и устройства Apple Silicon; приведенные показатели зависят от набора данных и условий тестирования. Лицензия — CC BY 4.0.

Parakeet Realtime EOU 120M — CoreML — это конвертированная в формат CoreML потоковая модель автоматического распознавания речи с определением конца высказывания (EOU). Она разработана на основе nvidia/parakeet_realtime_eou_120m-v1 и предназначена для работы на устройствах Apple Silicon, в том числе в FluidAudio, для транскрибации речи в реальном времени и голосовых агентов. Модель содержит около 120 млн параметров и реализует архитектуру RNNT: 17-слойный FastConformer-энкодер с кэшированием состояния для потоковой обработки, однослойный LSTM-декодер с 640 скрытыми единицами и joint-сеть для предсказания токенов и EOU. RNNT-пайплайн разделён на три CoreML-модели: streaming_encoder, decoder и joint_decision. Поддерживаются варианты с размером аудиочанка 160 и 320 мс. На Apple M2 показатель WER на LibriSpeech test-clean составляет соответственно 8,29% и 4,87%, а RTFx — 4,78x и 12,48x. В README указан английский язык. Сильные стороны модели — потоковая обработка с сохранением контекста между чанками, низкая задержка, высокая скорость на Apple Silicon и встроенное определение завершения высказывания. Ограничения включают привязку к CoreML и Apple Silicon, а также различие между задержкой и точностью в зависимости от размера чанка; приведённые метрики относятся только к LibriSpeech test-clean. Модель распространяется по NVIDIA Open Model License; подробные условия доступны по ссылке NVIDIA.

Pathumma-whisper-th-medium — модель распознавания речи команды Pathumma Audio Team, дообученная на основе openai/whisper-medium. Она предназначена для преобразования аудиозаписей в текст и запускается через библиотеку Transformers. Модель содержит 455,8 млн параметров и распространяется в формате safetensors. В метаданных указаны тайский и английский языки; отдельные сценарии применения и результаты оценки в карточке не описаны. Лицензия — Apache-2.0.

Это дообученный чекпойнт BigBird-Pegasus от Immich для суммаризации диалогов и встреч. Модель обучена на подходящем для эксперимента подмножестве AMI Meeting Corpus с seed 17; она служит каноническим запуском для качественных примеров в статье и относится к варианту pipeline, где сравниваются суммаризация полной встречи и иерархический процесс сегментации, извлечения и генерации. Модель содержит 366,8 млн параметров, принимает текст и выдаёт текстовые резюме. Архитектура — BigBirdPegasusForConditionalGeneration; длина контекста составляет 4096 токенов. Лицензия — MIT. Чекпойнт предназначен для экспериментов с суммаризацией встреч и диалогов, а не подтверждает качество на других корпусах или языках.

Polyglot-Lion-1.7B — модель распознавания речи, разработанная Quy-Anh Dang и Chris Ngo из Knovel Engineering. Она получена дообучением Qwen3-ASR-1.7B на общедоступных речевых корпусах четырёх официальных языков Сингапура: английском, китайском мандаринском, тамильском и малайском. Сбалансированная выборка уравнивает число обучающих высказываний по языкам, а модель учится определять язык по аудио без языковых меток в запросе. Модель предназначена для транскрибации речи, в том числе аудио на сингапурских вариантах этих языков. В версии 1.5 обучение повторено без удаления пунктуации, чтобы улучшить распознавание пауз и границ предложений. В карточке сообщается средняя ошибка 14,85 на приведённых тестах; результаты зависят от языка и набора данных. Для работы используется пакет qwen-asr; упомянуты сценарии пакетной обработки, временных меток, потоковой обработки и развёртывания сервера. Модель содержит 1,7 млрд параметров, использует плотную архитектуру Qwen3-ASR и распространяется в формате safetensors. Лицензия — MIT. Она специализирована на четырёх указанных языках и может уступать моделям, обученным на более широком наборе языков или иных речевых доменах; приведённые метрики не гарантируют качество на произвольных записях.

cstr/pyannote-v3-segmentation-GGUF — это перенос модели сегментации речи pyannote/segmentation-3.0 в формат GGUF. Модель использует архитектуру SincNet, четыре двунаправленных LSTM-слоя и выходной слой Linear с LogSoftmax; веса сохранены в точности F32. Размер файла — 5,7 МБ. Модель обрабатывает короткие аудиофрагменты и совместно определяет активность речи, сегменты говорящих и перекрывающуюся речь. Её используют как компонент диаризации: последующая кластеризация объединяет сегменты и формирует разметку говорящих для всей записи. Репозиторий описывает интеграцию с CrispASR. Это конверсия исходного чекпойнта без обучения или изменения архитектуры и возможностей. Модель распространяется по лицензии MIT на условиях исходной модели pyannote; конвертация не предоставляет дополнительных прав.

Qwen2-Audio-7B — плотная аудиоязыковая модель семейства Qwen2-Audio, разработанная командой Qwen. Она принимает аудиосигнал и формирует текстовые ответы для голосового общения и анализа аудио по текстовым инструкциям. Модель содержит 7 млрд параметров и предназначена для сценариев, где нужно взаимодействовать с аудио напрямую или задавать к нему вопросы. В README отдельно описаны режим голосового чата без текстового ввода и анализ аудио с текстовой инструкцией. Для загрузки используется Transformers; веса доступны в формате safetensors. Поддерживаемый в карточке язык — английский. Это предварительно обученная базовая модель, а не вариант Instruct из той же линейки. Репозиторий распространяется по лицензии Apache-2.0. Для работы README советует использовать актуальную версию Transformers, собранную из исходного кода.

rubai-corrector-transcript-uz — модель Сардора Исломова и Даврона Иброхимова для нормализации текста после распознавания речи. Она построена на архитектуре ByT5 и дообучена на базе rubai-corrector-base, которая основана на google/byt5-small. Модель принимает текст с префиксом «correct: » и преобразует построчные результаты ASR в текст, удобный для чтения. Модель расставляет пунктуацию и прописные буквы, нормализует апострофы, исправляет отдельные ошибки ASR и OCR, восстанавливает русский текст, записанный латиницей, и обрабатывает смешанные узбекско-русские строки. Также она поддерживает отдельные шаблоны преобразования чисел. Предназначена прежде всего для результатов моделей islomov/rubaistt_v2_medium и Kotib/uzbek_stt_v1. Репозиторий содержит веса в формате safetensors, модель насчитывает 364,6 млн параметров. Сведения о лицензии и длине контекста отсутствуют в предоставленных данных. Модель лучше подходит для подготовки отображаемых транскриптов, чем для точного сохранения исходной расшифровки без правок: она может добавлять финальную точку, даже если в исходном тексте её не было. Она не оптимизирована для агрессивной денормализации или некоторых смешанных скриптовых форматов. Условия лицензии по имеющимся данным определить нельзя.

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.

S1-mini-GGUF — квантованные сборки модели s1-mini, разработанные Superwhisper для запуска через llama.cpp, Ollama, LM Studio и совместимые приложения. Это специализированная текстовая модель нормализации результатов автоматического распознавания речи, а не универсальный чат-бот: она преобразует сырой транскрипт в связный письменный текст. Модель удаляет слова-паразиты, обрабатывает оговорки и самокоррекции, расставляет пунктуацию и заглавные буквы, а также преобразует произносимые числа, даты, время, валюты и адреса электронной почты в письменный вид. Поддерживаются сценарии диктовки, постобработки ASR и подготовки обычного текста или электронной почты. Доступен выбор стиля, структуры и контекста через специальную управляющую строку. Поддерживается только английский язык. Архитектура — qwen3, 28 блоков и 311 тензоров; контекстное окно составляет 40 960 токенов. Уникальный размер модели — около 0,6 млрд параметров. Рекомендуемая сборка Q4_K_M занимает 462 МБ и рассчитана на комфортную работу на процессоре ноутбука; также доступна сборка F16 размером 1,4 ГБ. На тестовой выборке из 7 519 англоязычных примеров Q4_K_M достигла точности 94,8% по токенам. Модель эффективна и компактна для целевой задачи, однако чувствительна к формату входа: необходимо передавать заданный системный промпт и управляющую строку с допустимыми значениями параметров. Изменение формата может привести к галлюцинациям или некорректному выводу. Модель не предназначена для общего диалога и не следует произвольным инструкциям. Указана специальная лицензия s1-mini-license; условия следует проверить в файле LICENSE.

S1-mini-MLX-4bit — это 4-битная MLX-конверсия модели S1-mini от Superwhisper, выполненная сообществом mlx-community из исходных BF16-весов с помощью mlx-lm. Модель дообучена на базе Qwen3-0.6B и предназначена для одной задачи: преобразования необработанных расшифровок речи в аккуратный письменный текст. Модель удаляет слова-паразиты, исправляет обрывы и самокоррекции, добавляет пунктуацию и заглавные буквы, а также преобразует произнесённые числа, даты, время, валюты и адреса электронной почты в письменный вид. Она рассчитана на английский язык и сценарии speech-to-text, диктовки и последующей нормализации транскриптов. Управление стилем, структурой и контекстом выполняется специальной строкой в начале входа; модель не является универсальным чат-ботом и не предназначена для выполнения общих инструкций. Это каузальная языковая модель примерно на 596 млн уникальных параметров: 28 слоёв, 16 голов внимания для Q и 8 для KV с GQA. Рекомендуемый объём входа — до примерно 1000 токенов, более длинные транскрипты следует разбивать на части. 4-битный файл занимает около 462 МиБ и рассчитан на работу на CPU ноутбука. На отложенном наборе из 7519 английских примеров исходная модель достигла 94,8% точности по токенам, однако для MLX-версии приведена лишь небольшая проверка на шести случаях, поэтому её качество следует оценивать на собственных данных. В README указана лицензия Apache 2.0 с дополнительным условием о наименовании; метаданные репозитория также обозначают лицензию как s1-mini-license. Перед использованием, особенно в собственном приложении, необходимо ознакомиться с файлом LICENSE.

SEW-D-tiny — модель автоматического распознавания речи на основе архитектуры SEW (Squeezed and Efficient Wav2vec), разработанной исследовательской командой ASAPP Research. Представленная версия дообучена для распознавания английской речи на 100 часах набора LibriSpeech и использует выходной слой CTC. Модель работает с одноканальными речевыми аудиозаписями, оцифрованными с частотой 16 кГц. Модель предназначена для преобразования английской речи в текст и может применяться в сценариях транскрибации аудиозаписей и голосовых данных. На тестовой выборке LibriSpeech она достигает WER 10,47% для конфигурации clean и 22,73% для конфигурации other. SEW ориентирована на эффективный инференс: согласно описанию архитектуры, она обеспечивает более высокую скорость и выгодное соотношение производительности и вычислительных затрат по сравнению с wav2vec 2.0. Ограничения модели — поддержка только английской речи в данном чекпойнте, требование частоты дискретизации 16 кГц и чувствительность качества к акустическим условиям, отражённая разницей результатов на clean и other. Модель распространяется по лицензии Apache 2.0. Для использования необходимы совместимые процессор и модель SEWDForCTC; README не указывает размер модели, максимальную длину контекста или перечень дополнительных модальностей.