I.7Речь, диалоги и встречи

Whisper Base DE v2 — модель распознавания речи на базе Whisper, дообученная Алаа Альбашей на датасете ASR German Mixed. Она принимает аудио и преобразует немецкую речь в текст; архитектура реализована классом WhisperForConditionalGeneration, веса опубликованы в формате safetensors. В README указаны результаты оценки на тестовой выборке: loss 0,2225 и WER 14,1615. Модель подходит для транскрибации немецкой речи в аудиозаписях. Репозиторий использует Transformers, лицензия — Apache-2.0. Сведения о длине аудиозаписей и ограничениях применения в карточке не приведены.

onnx-community/whisper-base.en_timestamped — модель на базе openai/whisper-base.en, подготовленная в формате ONNX для совместимости с библиотекой Transformers.js. Разработчиком исходной модели является OpenAI, а данный репозиторий предоставляет её ONNX-веса. Модель предназначена для использования в приложениях, поддерживающих Transformers.js, включая веб-сценарии и среды, где требуется запуск моделей с ONNX-весами. README не содержит подробных сведений о задачах, архитектуре, размере, языках, модальностях, длине контекста или точных возможностях временной разметки, поэтому эти характеристики нельзя достоверно уточнить по имеющимся данным. Ключевое преимущество — адаптация весов к ONNX и возможность интеграции с Transformers.js. Решение является временным форматом распространения до более широкого внедрения WebML. Лицензия в README не указана.

Whisper-Base-MLA — модель распознавания речи от burakaydinofficial, созданная на основе OpenAI Whisper Base. В ней декодерное self-attention преобразовано из MHA в MLA, что сокращает KV-кэш декодирования на 62,5%; размер модели — 51,7 млн параметров. Модель дообучена для восстановления качества после преобразования на 11 языках корпуса Whispered и рассчитана на сценарии с ограниченной памятью, где важен размер кэша при генерации и параллельной обработке аудио. Модель предназначена для автоматической транскрипции речи. В README приведены результаты для английского, немецкого и испанского на CommonVoice-17, а также оценки на FLEURS; тесты описаны для записей речи с потребительских микрофонов и фонового шума. Преобразование MLA связано с медианным ухудшением WER примерно на 1 пункт относительно сопоставимого необработанного варианта Whisper Base. Для загрузки требуются transformers версии 4.46.x и trust_remote_code=True; модель несовместима с whisper.cpp, faster-whisper и CTranslate2. Заявленная языковая область ограничена 11 языками обучения, а на невиданных письменностях качество снижается. KV-кэш cross-attention и память энкодера не сжимаются, поэтому экономия общей памяти при одном потоке может быть скромной. Лицензия — Apache-2.0.

onnx-community/whisper-base_timestamped — это веб-совместимая версия модели openai/whisper-base, подготовленная сообществом onnx-community. Репозиторий содержит веса в формате ONNX для использования с библиотекой Transformers.js. Модель предназначена для задач автоматического распознавания речи и, судя по идентификатору, может предоставлять результаты с временными метками. Архитектура, размер, поддерживаемые языки, максимальная длина контекста и точные характеристики временных меток в README не указаны. Известно, что исходная модель Whisper разработана OpenAI, однако сведения о конкретных параметрах и возможностях этой версии отсутствуют. Ключевое преимущество модели — возможность запуска в средах, совместимых с Transformers.js, благодаря ONNX-весам. Ограничения, требования к ресурсам, условия лицензирования и дополнительные сценарии использования в предоставленных данных не указаны.

Карточка модели aidsoid/whisperkit-coreml на Hugging Face совпадает с карточкой argmaxinc/whisperkit-coreml, поэтому описание составлено по ней. argmaxinc/whisperkit-coreml — репозиторий Argmax с моделями Whisper в формате Core ML для WhisperKit, SDK распознавания речи на устройствах Apple Silicon. Модель предназначена для преобразования аудио в текст, включая локальную транскрибацию на устройствах Apple. Репозиторий использует библиотеку WhisperKit и содержит файлы Core ML. В карточке указана лицензия MIT. README упоминает отдельный платный SDK Argmax Pro для транскрибации в реальном времени с разделением по говорящим и пользовательским словарём; эти возможности не заявлены для данной модели.

Whisper-Large-V3-French — модель распознавания речи, разработанная дообучением openai/whisper-large-v3 для повышения качества транскрипции на французском языке. Она принимает аудио и генерирует текст с восстановленными регистрами, пунктуацией и числительными; подходит для коротких и длинных записей, включая разговоры с фоновым шумом и специализированной лексикой, например звонки в контакт-центр. Модель основана на архитектуре Whisper и содержит 905,2 млн параметров. Для длинных записей README описывает разбиение на сегменты по 30 секунд; такой режим может немного уступать последовательному декодированию по качеству, но обеспечивает более быструю обработку. В репозитории указаны веса safetensors и поддержка Transformers; README также описывает варианты использования в других реализациях Whisper. Модель выпущена под лицензией MIT. Её специализация — французская речь, поэтому качество для других языков не установлено приведёнными данными; результаты распознавания могут зависеть от шума, акцента и предметной лексики.

mlx-community/whisper-large-v3-turbo — модель автоматического распознавания речи, преобразованная в формат MLX из large-v3-turbo. Разработчик исходной модели в README не указан, как и подробности об архитектуре, размере, поддерживаемых языках и длине контекста. Модель предназначена для транскрибирования аудиофайлов в текст с использованием библиотеки mlx-whisper и может применяться в сценариях автоматического распознавания речи на совместимом с MLX оборудовании. Сильной стороной является адаптация к экосистеме MLX, однако доступные данные не позволяют оценить точность, производительность, языковое покрытие и ограничения модели. Лицензия в README не указана.

Модель TalTechNLP/whisper-large-v3-turbo-et-verbatim — дообученная командой TalTechNLP мультиязычная модель Whisper large-v3-turbo для автоматического распознавания речи. Её обучили на 1400 часах аудио с вручную подготовленными дословными транскрипциями из набора TalTech Estonian Speech Dataset 1.0. Модель принимает аудио и выдаёт текст. Она подходит для дословной транскрибации эстонской речи; архитектура — WhisperForConditionalGeneration, размер — 905,2 млн параметров. Модель доступна в формате safetensors и рассчитана на работу через Transformers. Лицензия — MIT.

aiola/whisper-ner-tag-and-mask-v1 — модель на архитектуре Whisper для совместной транскрипции речи и распознавания именованных сущностей. Она предназначена для автоматического распознавания речи с разметкой сущностей открытого типа, включая категории, заданные при использовании модели. Модель также может маскировать распознанные сущности прямо в транскрипте. Модель содержит около 905,2 млн параметров и принимает аудио, выдавая текст. Карточка указывает английский язык. Модель опубликована под лицензией MIT и подходит как основа для последующего дообучения под конкретные наборы данных и сценарии ASR с распознаванием сущностей.

burakaydinofficial/whisper-small-24lang — мультиязычная модель распознавания речи, созданная дообучением стандартной архитектуры OpenAI Whisper Small на 24 языках корпуса Whispered с лицензией CC0. Она предназначена для транскрибирования аудио и служит научным контрольным вариантом для сравнения с моделью, преобразованной из MHA в MLA. Модель содержит 153,1 млн параметров, использует архитектуру WhisperForConditionalGeneration и доступна в формате safetensors; она загружается через Transformers без trust_remote_code. Модель обучена для распознавания чтённой речи; в README приведены результаты оценки на CommonVoice-17, включая WER для английского, немецкого и испанского. Стандартную архитектуру Whisper можно конвертировать стандартными инструментами для faster-whisper, CTranslate2 и whisper.cpp. Для использования весов применяется лицензия Apache-2.0; обучающий корпус Whispered указан как CC0.

onnx-community/whisper-small.en_timestamped — модель распознавания речи на основе openai/whisper-small.en, подготовленная сообществом ONNX Community. Репозиторий содержит веса в формате ONNX, совместимые с библиотекой Transformers.js, и предназначен для использования в веб-приложениях и других средах, поддерживающих этот формат. Суффикс timestamped указывает на вариант модели с временными метками, однако подробности о формате и точности этих меток в README не приведены. Модель ориентирована на транскрибацию англоязычной речи. Архитектура, количество параметров, поддерживаемые модальности, размер контекста, точные требования к вычислительным ресурсам и дополнительные характеристики в README не указаны; по названию базовой модели можно определить только принадлежность к варианту Whisper small.en. Лицензия для данного репозитория отдельно не указана. ONNX-веса описаны как временное решение до более широкого распространения WebML; для подготовки веб-совместимых моделей рекомендуется использовать Optimum.

amirsz8203/whisper-small-fa-finetuned — версия Whisper Small, дообученная автором репозитория для автоматического распознавания речи. Модель принимает аудио и генерирует текстовую транскрипцию; карточка указывает оценку WER 24,1495 на наборе оценки, но не описывает сам набор данных и условия измерения. Модель использует архитектуру Whisper и библиотеку Transformers, веса представлены в формате safetensors. Лицензия — Apache 2.0. Поддерживаемый язык в карточке не подтверждён.

Whisper Small Fine-Tuned for Indian Speech — дообученная RakshithFury модель на базе openai/whisper-small для автоматического распознавания речи. Она предназначена для транскрибации индийской речи, в том числе на хинди и каннада, а также английской речи; в обучении использованы наборы Shrutilipi, IndicVoices-R и FLEURS English. Модель обучалась на последовательностной задаче транскрибации Whisper и рассчитана на работу с разборчивой речью, включая записи с некоторым фоновым шумом и быстрой речью. Обучающая выборка включала около 9 000 аудиофрагментов длительностью от 5 до 15 секунд. Качество может зависеть от языка, акцента, шума, скорости речи, предметной лексики и смешения языков; возможны ошибки, пропуски и галлюцинации, особенно в неразборчивом аудио. Карточка не приводит результаты оценки WER или CER. Лицензия в метаданных не указана.

Whisper Small PL — дообученная модель распознавания речи на основе openai/whisper-small, созданная для транскрибирования польской речи. Она использует архитектуру Whisper и содержит 153,1 млн параметров. Обучение проводилось на наборах Common Voice 11.0 и FLEURS; в README для оценочной выборки указана WER 14,8004. Модель принимает аудио и выдаёт текстовую транскрипцию. Она подходит для преобразования записей польской речи в текст. Репозиторий распространяется в формате PyTorch по лицензии Apache-2.0.

Whisper-squeezeformer-v9_train_CM — дообученная на Common Voice модель распознавания речи на основе Whisper-small от OpenAI. Она предназначена для преобразования аудио в текст; в README приведён результат оценки на тестовом наборе: WER 16,4239 и loss 0,4028. Модель содержит 153,1 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors. Метаданные указывают английский язык. Лицензия — Apache-2.0. Подробности о целевом варианте английского языка, настройках обучения и ограничениях применения в карточке не приведены.

NaufalAqil18/whisper-tiny-id — дообученная модель распознавания речи на базе openai/whisper-tiny, созданная на датасете generator. Она преобразует аудио в текст и предназначена для автоматической транскрибации. Модель построена на архитектуре Whisper, содержит 29,4 млн параметров и доступна в форматах PyTorch и Safetensors для библиотеки Transformers. В README приведены результаты оценки: WER 28,84 и CER 12,57; описание не уточняет условия тестирования и языковой состав данных. Модель распространяется по лицензии Apache-2.0.

Whisper-Tiny-MLA — компактная модель распознавания речи, разработанная Burak Aydin на базе OpenAI Whisper-Tiny. Декодерная self-attention преобразована из MHA в MLA, а модель дообучена для восстановления качества на 11 языках корпуса Whispered. Веса содержат 29,4 млн параметров и распространяются в формате safetensors; лицензия — Apache-2.0. Модель предназначена для транскрибации речи в текст, особенно в сценариях с ограниченной памятью и параллельной обработкой записей: сжатие KV-кэша декодера составляет 62,5%. Поддерживаются английский, немецкий, испанский, французский, русский, турецкий, арабский, валлийский, грузинский, тайский и китайский языки. Для загрузки требуются transformers 4.46.x и trust_remote_code=True. Компромисс за сокращение кэша — ухудшение качества распознавания: автор сообщает о медианном росте WER примерно на 1,9 пункта относительно аналогично обученной модели без преобразования. Экономия относится к KV-кэшу self-attention декодера; память энкодера и cross-attention не сжимается, поэтому выигрыш для одиночной короткой записи может быть небольшим. Модель проверялась на read-speech; качество на телефонной речи, дальней дистанции и перекрывающейся речи не оценено. Грузинский обозначен как нижний предел качества этого класса модели, а незнакомые письменности распознаются хуже.

Rolv-Arild/xls-r-300m-npsc-seq2seq — модель распознавания речи на основе архитектуры SpeechEncoderDecoderModel. Она принимает аудио и предназначена для преобразования речи в текст. В карточке указано, что модель обучалась с нуля; размер 300 млн параметров следует из идентификатора, а валидационная WER составляет 0,3144, loss — 0,2965. Карточка не описывает набор данных, поддерживаемые языки, контекст или целевые сценарии. Модель опубликована в формате PyTorch и помечена как использующая Transformers. Условия лицензии в предоставленных данных не указаны.

Iskaj/300m_cv8.0_nl_base — модель автоматического распознавания речи, опубликованная пользователем Iskaj на Hugging Face. Она предназначена для преобразования аудиозаписей с речью в текст и относится к семейству wav2vec2; в карточке Hugging Face указана библиотека Transformers и задача automatic-speech-recognition. Модель содержит около 402,7 млн параметров и ориентирована на нидерландский язык: это следует из идентификатора nl и связанных моделей Iskaj, обученных на нидерландской конфигурации Common Voice 8.0. Модель поддерживает обработку речи как аудиомодальность и предназначена для задач транскрибации на нидерландском языке. В открытых данных для этой модели не удалось надёжно установить точную лицензию, длину контекста, детальные показатели качества и дополнительные ограничения использования.

futo-org/acft-whisper-small — дообученная FUTO версия OpenAI Whisper Small для распознавания речи с повышенной устойчивостью при изменении аудиоконтекста. Метод дообучения рассчитан на более эффективную работу с короткими аудиофрагментами. Модель содержит 153,1 млн параметров и использует архитектуру Whisper для генерации текста по входному аудио. Модель предназначена для автоматической транскрибации коротких речевых записей. По README, сама по себе она не работает с настройками стандартного runtime Whisper; для проверки разных размеров аудиоконтекста авторы рекомендуют whisper.cpp с параметром --audio-context. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Языковая поддержка в предоставленных данных не перечислена.

Это модель автоматического распознавания речи на базе архитектуры Wav2Vec2ForCTC с 113,3 млн параметров, разработанная автором gary109. Она дообучена на наборе GARY109/AI_LIGHT_DANCE — ONSET-IDMT-MDB-ENST-2, поверх gary109/ai-light-dance_drums_ft_pretrain_wav2vec2-base-new_onset-idmt-mdb-2. Репозиторий содержит веса PyTorch. Модель принимает аудио и предназначена для преобразования речи в текст. В README приведены результаты оценки: loss 0,6379 и WER 0,3792. Язык распознавания, рекомендуемые сценарии и ограничения применения в карточке не описаны. Лицензия в предоставленных данных не указана.

Модель maherghanem86/arabic_speech_to_text разработана и обучена инженером Махером Бассамом Ганемом для автоматического распознавания арабской речи. Это плотная модель семейства wav2vec2 с архитектурой Wav2Vec2ForCTC и примерно 402,7 млн параметров; репозиторий содержит веса PyTorch и SafeTensors. Модель предназначена для преобразования аудиозаписей на арабском языке в текст; карточка сообщает о тестировании на Common Voice 8.0 и показателе WER 22,26%.

Edge0/Audio8-ASR-0.1B-iOS-ANE — пакет модели распознавания речи Audio8-ASR-0.1B, подготовленный для локальной работы на iPhone. Он предназначен для преобразования речи в текст в iOS-приложениях и включает Swift SDK, демонстрационное приложение и готовые файлы модели. Размер базовой модели в идентификаторе указан как 0,1 млрд параметров; в метаданных размер не приведён. Аудиобашня выполняется через Core ML на Apple Neural Engine, а декодер языковой модели — через ONNX Runtime на CPU с весами int4. Пакет поддерживает английский, китайский, кантонский, французский, немецкий, японский и корейский языки. Обработка аудио выполняется локально и не требует сетевого запроса. Для Swift-пакета требуются iOS 18 или macOS 15; README рекомендует Apple Silicon Mac для разработки. Модель ориентирована на компактное офлайн-распознавание на устройстве; заявленная демонстрационная нагрузка памяти составляет около 200 МБ и зависит от устройства и условий измерения. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

Карточка модели baichuan-inc/Baichuan-Omni-1d5-Base на Hugging Face совпадает с карточкой baichuan-inc/Baichuan-Omni-1d5, поэтому описание составлено по ней. Baichuan-Omni-1.5 — открытая мультимодальная модель команды Baichuan, представленная в карточке репозитория baichuan-inc/Baichuan-Omni-1d5. Это плотная модель с 7,1 млрд параметров и контекстом 65 536 токенов, предназначенная для диалогов и взаимодействия с текстом, изображениями, видео и аудио. Модель принимает эти четыре типа входных данных и формирует текстовые и аудиовыходы; заявлены потоковая обработка аудио и видео и голосовое общение в реальном времени. Модель рассчитана на понимание изображений и видео, распознавание и понимание речи, генерацию речи, а также мультимодальные диалоги. В README отдельно отмечены двуязычные голосовые сценарии на китайском и английском, управление стилем голоса и понимание медицинских изображений. Заявления о сравнительных результатах приведены разработчиками и здесь не подтверждены независимой проверкой. Репозиторий содержит веса в формате safetensors; метаданные указывают Apache-2.0. Для развёртывания и оценки медицинских выводов необходима отдельная проверка качества в целевом сценарии; README также предостерегает от использования в интернет-сервисах без соответствующих проверок и согласований.

philschmid/bart-large-cnn-samsum — англоязычная модель суммаризации на базе архитектуры BART, дообученная на датасете SAMSum. Она предназначена для создания кратких пересказов диалогов и сообщений; обучена с использованием Amazon SageMaker и контейнера Hugging Face Deep Learning. Модель содержит 252,8 млн параметров, принимает текст с контекстом до 1024 токенов и выдаёт текстовое резюме. В README приведены оценки ROUGE: ROUGE-1 — 42,621, ROUGE-2 — 21,9825, ROUGE-L — 33,034. Модель подходит для суммирования англоязычных переписок и диалогов. Автор указывает, что более новая версия philschmid/flan-t5-base-samsum превосходит её по ROUGE-1 на 6 пунктов и рекомендует использовать её вместо BART-варианта. Модель распространяется по лицензии MIT.

Модель felflare/bert-restore-punctuation — англоязычная BERT-base-uncased, дообученная Daulet Nurmanbetov на отзывах Yelp для восстановления пунктуации и заглавных букв в тексте, записанном строчными буквами. Она предсказывает пунктуацию и регистр слов; поддерживаемые знаки включают !, ?, ., , , -, :, ; и апостроф. Модель подходит для обработки результатов распознавания речи и другого текста, из которого удалены пунктуация и заглавные буквы, а также для дальнейшего дообучения на специализированных текстах. Обучение проводилось на 560 000 английских отзывов Yelp; для модели указаны точность 91% и общий F1 90% на 45 990 отложенных примерах. Архитектура — BertForTokenClassification, размер — 136,7 млн параметров, максимальный контекст — 512 токенов. Лицензия — MIT. Модель рассчитана на общий английский язык, но обучалась на отзывах, поэтому качество на других жанрах и предметных областях может отличаться. В приведённых метриках есть заметные различия между классами пунктуации; например, для восклицательного знака указаны precision 0,45 и recall 0,17.

canary-1b-flash-gguf — это GGUF-конверсия модели NVIDIA Canary 1B Flash, подготовленная handy-computer для использования с transcribe.cpp. Модель предназначена для офлайн-распознавания речи и перевода аудио в текст. Она принимает монофонические WAV-файлы с частотой 16 кГц и поддерживает автоматическое распознавание речи на английском, немецком, испанском и французском языках, а также двунаправленный перевод между английским и немецким, испанским или французским языком. Модель содержит около 883 млн параметров и использует архитектуру encoder-decoder: 32-слойный энкодер FastConformer и 4-слойный Transformer-декодер. Доступны варианты с квантованием F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 677 МБ до 3,56 ГБ. На тесте LibriSpeech test-clean заявленная WER составляет около 1,59–1,65% в зависимости от варианта. Модель поддерживает перевод, но не работает в потоковом режиме; в данной версии временные метки слов и сегментов недоступны, а автоматическое определение языка не поддерживается. Модель подходит для локальных и ресурсоограниченных сценариев распознавания речи и перевода без внешнего языкового сервиса. Квантованные варианты снижают требования к памяти при небольшом изменении качества, однако фактическая скорость зависит от оборудования и используемого backend. Распространяется по лицензии CC-BY-4.0, унаследованной от базовой модели, и допускает коммерческое использование согласно указанным условиям.

CKHO/cohere-asr-ja-GGUF — это квантованная версия модели efwkjn/cohere-asr-ja для автоматического распознавания речи на японском языке. Модель предназначена для преобразования японской речи в текст, включая диалоги, вокал и аудио в стиле ASMR. Для работы используется backend cohere в CrispASR. Модель распространяется в формате GGUF и доступна в вариантах F16, Q8_0, Q6_K, Q5_0 и Q4_K размером от 1,51 до 4,14 ГБ. По неформальным локальным тестам на системе с RTX 3080 вариант F16 показал эталонное качество, Q8_0 — почти такое же качество при меньшем размере, а Q6_K предлагает наиболее сбалансированное сочетание качества и размера. Более сильное квантование уменьшает требования к диску, но может снижать точность распознавания. Модель рассчитана на использование с CrispASR; generic llama.cpp runtimes не поддерживают архитектуру cohere_asr. В README указана лицензия Apache-2.0. Контекст, дополнительные языки, архитектурные детали исходной модели и ограничения качества, не отражённые в локальных тестах, не указаны.

Карточка модели Newmetrics/cohere-transcribe-arabic-07-2026 на Hugging Face совпадает с карточкой CohereLabs/cohere-transcribe-arabic-07-2026, поэтому описание составлено по ней. Cohere Transcribe Arabic — открытая модель распознавания речи на 2 млрд параметров, разработанная Cohere и Cohere Labs. Она предназначена для преобразования аудио в текст и оптимизирована для арабского языка, его диалектов и английской речи; также заявлена поддержка арабско-английской речи со смешением языков. В основе — архитектура Conformer encoder-decoder, модель поддерживается библиотекой Transformers и подходит для офлайн-инференса и обслуживания запросов через vLLM. Модель применима для транскрибации арабских аудиозаписей, распознавания диалектной речи и транскрибации английского аудио. Разработчики отмечают высокую точность на арабском и английском и эффективный инференс. Лицензия Apache-2.0. Модель лучше работает с одним заранее выбранным языком; автоматического определения языка нет, а качество на смешанной арабско-английской речи может быть нестабильным. Она не выдаёт временные метки и не выполняет диаризацию говорящих. На тишине и фоновых шумах может генерировать текст, поэтому перед распознаванием полезны шумовой фильтр или VAD.

combinedwhispersanlishlr2e5 — дообученная модель распознавания речи на базе openai/whisper-small, подготовленная разработчиком thunderboltc. Она принимает аудио и преобразует речь в текст; в метаданных указаны архитектура WhisperForConditionalGeneration и библиотека Transformers. README приводит результаты оценки: WER 33,4213 и CER 8,1594; сведений о языке и составе обучающих данных нет. Модель подходит для транскрибирования аудиозаписей в сценариях, соответствующих данным её дообучения. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. README не описывает назначение дообучения и ограничения качества, поэтому область применения по языкам и типам аудио определить нельзя.