I.7Речь, диалоги и встречи

Qwen3-ForcedAligner-0.6B-GGUF — это GGUF-конверсия модели Qwen3-ForcedAligner-0.6B, разработанной командой Qwen. Модель предназначена для forced alignment: она принимает аудиозапись и готовую расшифровку и в одном проходе предсказывает временные метки для слов или токенов. Это позволяет получать пословные тайминги и субтитры с временным разрешением 80 мс, в том числе при использовании различных бэкендов автоматического распознавания речи через CrispASR. Архитектура включает 24-слойный аудиоэнкодер с d_model 1024, 28-слойное тело Qwen3 с d_model 1024, 16 attention heads и 8 KV heads, а также специализированную 5000-классовую голову для предсказания временных интервалов. В отличие от ASR-моделей, она не генерирует текст авторегрессивно, а обрабатывает всю пару «аудио, текст» одним прямым проходом. Доступны варианты F16, Q8_0, Q5_0 и Q4_K размером примерно от 0,53 до 1,84 ГБ. Поддерживаются китайский, английский, кантонский, французский, немецкий, итальянский, японский, корейский, португальский, русский и испанский языки. Сильные стороны модели — однопроходное выравнивание, широкая языковая поддержка, совместимость с разными транскрипционными бэкендами и наличие компактных квантованных вариантов. Ограничение текущей C++-обёртки — использование разбиения текста по пробелам, что менее эффективно для китайского и японского языков; для них предпочтительнее upstream-реализация с языково-специфической токенизацией. Модель распространяется по лицензии Apache-2.0.

ruT5-ASR — русскоязычная модель коррекции распознанной речи, обученная bond005 на основе ruT5-base. Она исправляет ошибки в тексте, полученном системами автоматического распознавания речи, в частности Wav2Vec2-Large-Ru-Golos, и может работать как отдельная модель преобразования последовательностей: на вход получает черновую транскрипцию и возвращает исправленный текст. Модель построена на архитектуре T5, содержит 123,8 млн параметров и имеет контекст до 512 токенов. Она обучалась на обучающей части набора SberDevices Golos; оценивалась на тестовых частях Golos, русской части Common Voice 6.0 и Russian Librispeech. В приведённом сравнении эффект коррекции различается по наборам данных: на SOVA RuDevices ошибка снизилась, а на Voxforge Ru и Russian Librispeech выросла. Модель предназначена для работы с русскими транскрипциями и не распознаёт аудио напрямую. Распространяется в формате PyTorch по лицензии Apache-2.0.

Vikhr Salt — мультимодальная модель, разработанная Ксенией Сычёвой, Константином Королёвым и Александром Николичем. Она дообучена на TinyLlama/TinyLlama_v1.1 и расширена аудиотокенами для распознавания речи и синтеза речи. Модель относится к семейству Llama, имеет около 1 млрд параметров и принимает текст и аудио, выдавая текст или аудио. В README описаны варианты кодирования аудио Encodec и SpeechTokenizer; метаданные указывают контекст 2048 токенов. Модель подходит для преобразования речи в текст и генерации речи из текста. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества, поэтому точность распознавания и естественность синтеза по этим данным определить нельзя.

SEW-D-mid — акустическая модель ASR от ASAPP Research, основанная на архитектуре SEW (Squeezed and Efficient Wav2vec), разработанной для повышения эффективности предобученных моделей распознавания речи. В репозитории находится вариант SEW-D с примерно 100,7 млн параметров и архитектурой SEWDForCTC; веса представлены в формате PyTorch. Модель предобучена на речевом аудио с частотой 16 кГц, поэтому входные записи следует приводить к этой частоте дискретизации. Модель предназначена для преобразования английской речи в текст. Карточка также отмечает, что базовая предобученная модель может быть дообучена для распознавания речи и смежных задач, например идентификации говорящего, классификации намерений и эмоций. В исследовании SEW показано ускорение инференса относительно wav2vec 2.0 при сопоставимом качестве; результаты зависят от размера модели и условий обучения. Лицензия репозитория — Apache-2.0. Карточка описывает предобученную базовую модель и рекомендует дообучение для целевой задачи, поэтому качество на конкретных данных может потребовать дополнительной настройки.

UBC-NLP/Simba-S — модель распознавания речи из семейства Simba, разработанная UBC-NLP и дообученная на наборе SimbaBench. Она предназначена для преобразования речи в текст на африканских языках и поддерживает 43 языка, включая амхарский, арабский, хауса, суахили, йоруба, зулу, французский и португальский. Модель использует архитектуру SeamlessM4T-v2, содержит 664,9 млн параметров и рассчитана на контекст до 4096 токенов; для работы предусмотрена библиотека Transformers. Simba-S подходит для транскрибации речи в многоязычных приложениях и сценариях с языками, представленными в обучающих данных. В README семейство позиционируется как специализированное для африканских языков и сообщает о высоких результатах на SimbaBench, однако это утверждение не сопровождается в карточке численными метриками. Репозиторий распространяется по лицензии CC BY 4.0.

juanquivilla выпустил полноточную дообученную модель LiquidAI/LFM2.5-350M-Base для очистки текстов, полученных распознаванием речи. Она исправляет транскрипты, нормализует числа, удаляет речевые заполнители и рассчитана на постобработку результатов ASR, в том числе на локальном устройстве. Модель построена на плотной архитектуре LFM2 и содержит 444,6 млн параметров; контекст — до 128 000 токенов. Веса представляют собой усреднение двух дообученных чекпойнтов одной линии разработки. README приводит высокие показатели точности чисел и на тестах с трудными примерами, но они получены на ограниченных наборах оценки и не гарантируют такие же результаты для других языков или типов транскриптов. Модель рассчитана на английский язык, распространяется в формате safetensors по лицензии MIT; для запуска на Apple Silicon автор рекомендует отдельную 5-битную MLX-версию.

NVIDIA FastConformer-Hybrid Large (de) — модель распознавания немецкой речи, разработанная NVIDIA и обученная с помощью NeMo. Она принимает монофоническое аудио WAV с частотой 16 кГц и возвращает транскрипцию немецкой речи с заглавными и строчными буквами, пробелами, точками, запятыми и вопросительными знаками. Модель содержит около 115 млн параметров и использует архитектуру FastConformer с гибридным обучением на функциях потерь Transducer и CTC. Декодирование доступно в обоих режимах. Модель обучена на суммарно 2500 часах немецкой речи из MCV12, MLS и VoxPopuli; карточка приводит оценки WER для этих наборов данных. Модель подходит для транскрибирования немецких аудиозаписей и может использоваться как готовый чекпойнт для вывода или дообучения на других данных. Качество может снижаться на технической лексике, незнакомой разговорной речи и акцентированной речи. Модель выводит только точку, запятую и вопросительный знак. Лицензия — CC-BY-4.0.

TEMA Qwen2.5-Omni-7B SFT — дообученная модель на базе Qwen2.5-Omni-7B от команды bluesky7 для диалоговых вопросов по нескольким аудиозаписям. Она анализирует аудио в контексте нескольких ходов диалога и формирует ответы по схеме Route, Span, Reason и Answer: определяет подходящий фрагмент, указывает временной интервал, обосновывает вывод и отвечает. Дообучение выполнено на 40 704 диалогах, охватывающих 198 195 ходов; в карточке приведены результаты оценки на TEMA-Bench. Модель использует плотную архитектуру Qwen2.5-Omni с 7 млрд параметров и представлена в формате safetensors. Репозиторий содержит объединённые веса и адаптер; для текстовых ответов README рекомендует отключить возврат аудио. Базовая модель поддерживает текст, изображения, аудио и видео, однако заявленная задача этой производной модели — text-to-audio, а возможности анализа нескольких аудиозаписей описаны в README. Лицензия — Apache-2.0. Результаты приведены на ограниченном наборе из 253 диалогов и 1 239 вопросов, поэтому они не гарантируют аналогичное качество в других сценариях.

BuzzASR/uzbek — одноязычная модель автоматического распознавания речи на узбекском языке, разработанная как часть набора BuzzASR. Она дообучена методом простого ASR fine-tuning на openai/whisper-large-v3 с исходным токенизатором Whisper. Модель содержит около 905,2 млн параметров и принимает аудио, выдавая текстовую транскрипцию; в конфигурации генерации уже задан языковой и задачный prompt. Модель предназначена для транскрибации узбекской речи. В тестах FLEURS и Common Voice Corpus 25.0 авторы сообщают CER 6,6% и 2,68% соответственно, а на объединённом наборе — CER 3,86% и WER 16,0%. По заявлению авторов, результаты на объединённом тесте превосходят сравниваемые открытые системы; качество на других данных может отличаться. Модель распространяется по лицензии MIT.

VoiceInk Refine V1 — компактная специализированная модель, разработанная для VoiceInk компанией Beingpax. Это дообученная версия Qwen3.5-2B, предназначенная для очистки и форматирования сырых результатов автоматического распознавания речи (ASR) и их преобразования в ясный, готовый к использованию письменный текст с сохранением смысла и тона говорящего. Модель обрабатывает пунктуацию и регистр, удаляет слова-паразиты и повторы, распознаёт устные команды форматирования, а также оформляет списки и абзацы в стиле электронных писем. В README указано, что используется 4-битная посттренировочная квантизация весов; другие характеристики, включая размер контекста, поддерживаемые языки и модальности, не уточняются. Пример показывает обработку англоязычной расшифровки речи. Сильная сторона модели — узкая специализация на приведении ASR-транскрипций к читаемому виду при небольшом размере базовой модели. Ограничения связаны с её целевым сценарием: README не подтверждает пригодность для общих задач генерации текста или других языков. Модель предоставляется для использования с VoiceInk; лицензия обозначена как other, а подробные условия приведены в файле LICENSE.md.

Модель CLEAR-Global/w2v-bert-2.0-chichewa_34_307h — версия facebook/w2v-bert-2.0, дообученная CLEAR Global для автоматического распознавания речи на языке чичева. Она использует архитектуру Wav2Vec2BertForCTC и содержит около 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст; обучение проводилось на наборе CLEAR-GLOBAL/CHICHEWA_34_307H - NA. В README приведены результаты оценки: WER 0,3856 и CER 0,1100. Модель распространяется по лицензии MIT.

GodwillN/w2vbert-waxal — дообученная модель распознавания речи на архитектуре Wav2Vec2-BERT, основанная на facebook/w2v-bert-2.0. Она принимает аудио и преобразует речь в текст; число параметров — около 402,7 млн. Модель распространяется в формате Safetensors по лицензии MIT. В README приведены результаты оценки: WER 0,4034, CER 0,2183 и loss 0,8908. Датасет обучения, поддерживаемые языки и предполагаемые сценарии использования не описаны, поэтому качество распознавания для конкретного языка или типа аудио по этим данным определить нельзя.

Wav2Vec2-Base-VoxPopuli-Finetuned — модель распознавания речи, разработанная Facebook AI. Она основана на архитектуре Wav2Vec2 Base: предварительно обучена на 10 тысячах часов неразмеченной речи из корпуса VoxPopuli, а затем дообучена на расшифрованных англоязычных данных. Модель преобразует аудиозапись на английском языке в текст и предназначена для автоматической транскрибации речи, в том числе записей, подобных материалам Common Voice. Она содержит 113,3 млн параметров и использует архитектуру Wav2Vec2ForCTC. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не приводит оценки точности и подробных ограничений качества; применимость к языкам, отличным от английского, не заявлена.

Kkonjeong/wav2vec2-base-korean — модель распознавания корейской речи, разработанная Чонхёном Парком и Джеёном Кимом. Это дообученная версия facebook/wav2vec2-base с архитектурой Wav2Vec2ForCTC, содержащая 113,3 млн параметров. Модель обучена на Zeroth-Korean и преобразует аудиозаписи корейской речи в текст, используя для распознавания корейские джамо.

Pinwheel/wav2vec2-large-xls-r-1b-hindi — модель автоматического распознавания речи, разработанная организацией Pinwheel на базе архитектуры Wav2Vec2-XLS-R компании Meta. Она преобразует аудиосигнал в текст и предназначена прежде всего для распознавания речи на хинди. Модель совместима с Transformers и PyTorch, использует архитектуру Wav2Vec2ForCTC и содержит около 1,3 млрд параметров. Конфигурация включает 48 скрытых слоёв, размер скрытого представления 1280 и словарь из 72 токенов.

wav2vec2-large-xls-r-300m-spanish-small — модель распознавания речи, разработанная на основе jhonparra18/wav2vec2-large-xls-r-300m-spanish-custom и дообученная на Common Voice. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; карточка сообщает значение WER 0,1791 на оценочном наборе. Подходит для автоматической транскрипции испанской речи и экспериментов с распознаванием речи на данных Common Voice. В репозитории указаны веса PyTorch. Лицензия и подробные ограничения применения в предоставленных данных не описаны.

facebook/wav2vec2-large-xlsr-53-dutch — модель распознавания речи на основе архитектуры wav2vec 2.0, опубликованная Facebook. Она предназначена для преобразования нидерландской речи в текст и оценена на тестовой части Common Voice NL; в карточке приведён результат 21,1% без пояснения метрики. Модель содержит 402,7 млн параметров и доступна в форматах PyTorch и Flax. Модель принимает аудио и выдаёт текстовую транскрипцию. В метаданных указан нидерландский язык, а лицензия — Apache 2.0. Карточка не уточняет метрику оценки и условия записи аудио, поэтому приведённый результат нельзя напрямую сопоставлять с результатами других моделей.

fathyy разработал wav2vec2-large-xlsr-53-fourth-train как дообученную версию fathyy/wav2vec2-large-xlsr-53-third-train для автоматического распознавания речи. Модель построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров; для работы используется библиотека Transformers. В карточке приведены результаты оценки: loss 1,3589 и WER 0,7930. Датасет обучения и целевые языки не определены в доступных сведениях, поэтому применимость к конкретному языку или сценарию подтвердить нельзя. Модель распространяется под лицензией Apache-2.0.

Ilyes разработал модель распознавания французской речи на базе wav2vec2-large-xlsr-53. Это плотная модель с архитектурой Wav2Vec2ForCTC и 402,7 млн параметров, принимающая аудио и преобразующая речь в текст. Модель дообучена и оценена на французской части Common Voice; в карточке указаны WER 12,82% и CER 4,40% на тестовой выборке Common Voice FR. Модель подходит для транскрибации французской речи, например записей и аудиоматериалов. Она распространяется под лицензией Apache-2.0.

jonatasgrosman/wav2vec2-large-xlsr-53-german — модель распознавания речи на немецком языке, созданная Jonatas Grosman путём дообучения facebook/wav2vec2-large-xlsr-53 на обучающей и валидационной выборках Common Voice 6.1. Это архитектура Wav2Vec2 с CTC-декодированием, содержащая 402,7 млн параметров. Модель преобразует аудиозапись немецкой речи в текст и рассчитана на сценарии автоматической транскрипции. Для входной речи требуется частота дискретизации 16 кГц; README описывает использование без языковой модели. Репозиторий содержит веса PyTorch и Flax. Модель распространяется по лицензии Apache-2.0. Карточка не приводит сведений о точности или подробных ограничениях распознавания, поэтому качество на шумной речи и за пределами немецкого языка не следует считать установленным.

Это модель автоматического распознавания испанской речи на базе Wav2Vec2-Large-XLSR-53 с поддержкой языковой модели. Её подготовил Patrick von Platen как демонстрацию интеграции pyctcdecode с Transformers; в README описана замена стандартного Wav2Vec2Processor на Wav2Vec2WithLMProcessor. Модель предназначена для преобразования аудиозаписей на испанском языке в текст. В сравнении на 512 образцах тестовой части Spanish Common Voice она показала WER 8,44% и CER 2,93%, против 10,20% и 3,24% у указанной базовой модели без языковой модели. Доступны веса PyTorch, TensorFlow и Flax; размер модели — около 402,7 млн параметров. Репозиторий распространяется по лицензии Apache-2.0. Результаты оценки относятся к указанной выборке Common Voice; качество на других типах речи и в иных акустических условиях в карточке не измеряется.

ceyda/wav2vec2-large-xlsr-53-turkish — модель распознавания речи, дообученная на турецком языке разработчиком карточки на основе facebook/wav2vec2-large-xlsr-53 с использованием данных Common Voice. Она преобразует аудиозапись речи в текст и предназначена для распознавания турецкой речи; входной сигнал должен иметь частоту дискретизации 16 кГц. Модель использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Доступны веса PyTorch и Flax. В README приведён результат 27,59 % на тестовых данных Common Voice, однако метрика не названа, поэтому напрямую интерпретировать её качество нельзя. Модель распространяется по лицензии Apache-2.0.

vumichien/wav2vec2-large-xlsr-japanese — модель распознавания японской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice и корпуса JSUT лаборатории Saruwatari Токийского университета. Это акустическая модель Wav2Vec2 с архитектурой Wav2Vec2ForCTC и 405,4 млн параметров; принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст на японском языке. Модель предназначена для автоматической расшифровки японской речи. В карточке приведены результаты на японской тестовой выборке Common Voice: WER 30,84% и CER 17,85%. Лицензия — Apache-2.0.

aware-ai/wav2vec2-xls-r-1b-german — модель автоматического распознавания речи, созданная дообучением архитектуры wav2vec2 XLS-R с 1,3 млрд параметров на немецкой части датасета Mozilla Common Voice 10.0. Она принимает аудио и выдаёт распознанный текст на немецком языке. Модель подходит для транскрибации немецкой речи, в том числе записей, похожих по условиям на данные Common Voice. В README приведены результаты оценки на тестовой выборке: WER 0,2931 и loss 0,3513. Используются веса PyTorch и Safetensors. В карточке не описаны ограничения, лицензия и подробности обучения; поэтому условия использования и пригодность для конкретных акустических условий по доступным данным оценить нельзя.

Модель mpoyraz/wav2vec2-xls-r-300m-cv6-turkish разработана как дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на турецком языке. Это плотная модель семейства wav2vec2 с архитектурой Wav2Vec2ForCTC и примерно 402,7 млн параметров; она принимает аудио и выдаёт распознанный текст. Для обучения использовались проверенная часть Common Voice 6.1 TR, кроме тестовой выборки, и MediaSpeech. В README также описана отдельная n-граммная языковая модель KenLM, обученная на статьях турецкой Википедии. Модель подходит для транскрибирования турецкой речи и оценки систем распознавания на наборах Common Voice и Speech Recognition Community. В README приведены результаты: WER 8,83 и CER 2,37 на тестовой выборке Common Voice 6.1 TR, а также WER 32,81 и CER 11,22 на dev-наборе Speech Recognition Community. Модель распространяется по лицензии Apache-2.0.

itayinbar/whisper-base-he — модель распознавания речи на иврите, разработанная на основе OpenAI Whisper Base. Авторы заменили исходный мультиязычный словарь Whisper на ивритский byte-level BPE из 8 192 токенов и дообучили модель на 3 112,7 часа человеческой расшифровки иврита. В README указано 50,2 млн параметров; в метаданных — 29,4 млн, поэтому размер модели указан в источниках по-разному. Модель преобразует аудиозаписи на иврите в текст. Она предназначена для расшифровки речи, в том числе длинных записей и аудио из собраний и сообщений. README приводит результаты оценки на нескольких наборах данных и сообщает о высокой скорости на RTX 5070 Laptop; эти показатели относятся к указанным тестам и оборудованию. Репозиторий содержит форматы ONNX и Safetensors, библиотека — Transformers. Лицензия Apache-2.0. Модель специализирована на иврите; характеристики распознавания других языков в карточке не заявлены.

itayinbar/whisper-he-100m — модель распознавания речи на иврите, созданная на основе OpenAI Whisper Base. Она предназначена для преобразования ивритской речи в текст и протестирована на наборах eval-d1, he_speech_kan и eval-whatsapp. В карточке указаны показатели WER 12,99%, 16,62% и 21,67% соответственно. Модель содержит 94,36 млн параметров; её архитектура Whisper расширена до 12 слоёв энкодера и 12 слоёв декодера. Вместо многоязычного словаря Whisper используется байтовый BPE-токенизатор на 8 192 токена для иврита. Модель обучена на 3 112,7 часах вручную транскрибированной речи. Метаданные указывают форматы ONNX и Safetensors и лицензию Apache-2.0. Модель подходит для расшифровки ивритской речи, в том числе записей заседаний, краудсорсинговых аудиозаписей и сообщений. По приведённым результатам она уступает ivrit.ai на перечисленных тестах; показатели относятся к конкретным наборам оценки и не гарантируют аналогичное качество на других аудиоисточниках.

bofenghuang/whisper-large-v2-cv11-french — модель автоматического распознавания речи, дообученная на базе openai/whisper-large-v2 на французской части датасета Mozilla Common Voice 11.0. Она преобразует французскую речь в текст и предсказывает регистр букв и пунктуацию. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и формат PyTorch. Для распознавания входное аудио следует подавать с частотой дискретизации 16 кГц. В README приведены результаты сравнения других вариантов Whisper, но отдельные показатели этой модели не указаны.

Модель oddadmix/whisper-large-v3-turbo-arabic-dialectal-v2 разработана oddadmix на основе openai/whisper-large-v3-turbo и дообучена для распознавания разговорной арабской речи разных диалектов. Это модель Whisper с архитектурой encoder-decoder, принимающая аудио и генерирующая текст; в README указано 809 млн параметров. Обучение проводилось на диалектно-сбалансированном наборе oddadmix/lahgtna-v3-small: 52 тыс. обучающих и 2,6 тыс. тестовых примеров. Выходной текст не содержит диакритических знаков. Модель предназначена для транскрибации арабской речи, в том числе диалектов стран Персидского залива и Леванта, египетского и иракского. На сбалансированной тестовой выборке указаны WER 0,3324 и CER 0,125; качество заметно различается между диалектами, причём магрибские варианты в README названы наиболее трудными. Репозиторий распространяется по лицензии Apache-2.0.

Это модель автоматического распознавания речи, созданная Мохаммедом Али тонкой настройкой openai/whisper-large-v3-turbo на наборе MohamedRashad/arabic-english-code-switching. Она преобразует аудио с египетской арабской речью в текст и при переключении на английский старается записывать английские слова латиницей, а не арабским письмом. Модель основана на архитектуре Whisper и содержит 809 млн параметров. Модель предназначена для расшифровки речи с переключением между египетским арабским и английским, например разговоров с распространёнными английскими терминами. Лицензия — MIT. Для лучшего распознавания рекомендуется монофоническое аудио с частотой 16 кГц; максимальная длина сегмента — 30 секунд.