I.7Речь, диалоги и встречи

sadrasa97/whisper-large-v3-turbo-fa — модель автоматического распознавания речи, созданная дообучением OpenAI Whisper Large V3 Turbo на персидском языке (фарси). Она принимает аудио и преобразует речь в текст; архитектура — WhisperForConditionalGeneration, библиотека — Transformers. В метаданных также указана поддержка английского языка. Модель предназначена для транскрибации персидской речи и может применяться в системах преобразования аудиозаписей в текст. Базовая модель Whisper Large V3 Turbo — ускоренная мультиязычная модель распознавания речи. Модель распространяется по лицензии Apache-2.0.

bofenghuang/whisper-medium-french — модель распознавания французской речи, полученная дообучением openai/whisper-medium. Она предназначена для преобразования аудиозаписей на французском языке в текст и обучена на составном наборе данных с более чем 2200 часами речи, включая Common Voice, Multilingual LibriSpeech, VoxPopuli, Fleurs, Multilingual TEDx, MediaSpeech и African Accented French. Модель построена на архитектуре Whisper и содержит около 455,8 млн параметров; для входного аудио требуется частота дискретизации 16 кГц. В README приведены результаты оценки на французских поднаборах Common Voice 11.0, Multilingual LibriSpeech, VoxPopuli и Fleurs. Модель не предсказывает регистр букв и пунктуацию, а опубликованные оценки рассчитаны на предварительно отфильтрованных данных. Репозиторий распространяется под лицензией Apache-2.0.

robello2/whisper-medium-full-clinical-r16 — дообученная модель OpenAI Whisper Medium для автоматического распознавания речи. Она принимает аудио и преобразует речь в текст; дообучение выполнено на наборе данных afrispeech-200. Модель построена на архитектуре Whisper и содержит около 455,8 млн параметров согласно описанию базовой модели. В карточке приведены результаты оценки: Loss 0,7557, WER 22,4040 и CER 8,9223. Эти показатели относятся к указанному набору оценки и сами по себе не гарантируют качество на других данных. Модель распространяется по лицензии Apache-2.0.

cahya/whisper-medium-id — модель распознавания речи на индонезийском языке, созданная дообучением openai/whisper-medium на датасетах Common Voice 11, MagicData, TITML и Google Fleurs. Она использует архитектуру Whisper и содержит 455,8 млн параметров; для работы доступна в формате PyTorch через Transformers. Модель предназначена для преобразования индонезийской речи в текст. В карточке приведён пример транскрибации аудиофайла с настройкой языка распознавания. На тестовых выборках указана частота ошибок слов (WER) 3,83 на Common Voice 11 и 9,74 на Google Fleurs; на Common Voice результат базовой Whisper Medium в той же оценке составил 12,62. Модель распространяется по лицензии Apache-2.0. Описание не приводит сведений о длине контекста или подробных ограничениях; приведённые оценки относятся к конкретным тестовым выборкам и не гарантируют аналогичное качество на других типах аудио.

HHoofs разработал whisper-nl-noise — модель распознавания речи, дообученную на базе OpenAI Whisper medium. Она содержит 455,8 млн параметров и предназначена для транскрибации нидерландской речи в аудио с фоновым шумом. Для обучения использовался нидерландский раздел Mozilla Common Voice 11.0, дополненный шумами из записей Pixabay и фрагментов музыкальных треков. Модель рассчитана на шумные записи и может хуже работать на чистом аудио. Устойчивость к шуму зависит от его типа и контекста: модель не гарантирует одинакового качества при любых автомобильных и других фоновых шумах. Доступна по лицензии Apache-2.0.

Whisper-small-ar — модель распознавания арабской речи, разработанная на основе архитектуры Whisper и дообученная на арабских данных Mozilla Common Voice 11.0. Она принимает аудио и преобразует произнесённую речь в текст; предназначена для транскрибирования записей, подкастов, видео и разговоров, а также для интеграции в голосовые интерфейсы и приложения на базе Hugging Face Transformers. Модель использует архитектуру Transformer encoder-decoder и содержит 153,1 млн параметров. В карточке заявлена поддержка арабских диалектов и акцентов. Модель распространяется по лицензии Apache-2.0. Ее ограничения: качество может различаться между диалектами, акцентами и условиями записи; численные оценки качества в карточке не приведены.

bofenghuang/whisper-small-cv11-french — модель автоматического распознавания речи, полученная дообучением openai/whisper-small на французской части набора Mozilla Common Voice 11.0. Она принимает аудио и выдаёт расшифровку на французском языке, включая регистр букв и пунктуацию. Для распознавания входную речь следует подавать с частотой дискретизации 16 кГц. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. В карточке приведены результаты WER для Common Voice 11.0, Multilingual LibriSpeech, VoxPopuli и Fleurs; тестовые данные были отфильтрованы и предобработаны, поэтому эти оценки не обязательно отражают качество на произвольной речи. Модель распространяется по лицензии Apache-2.0.

anggiatm/whisper-small-id — модель автоматического распознавания речи, дообученная автором anggiatm на базе openai/whisper-small с использованием набора Common Voice 17.0. Она преобразует индонезийскую речь в текст; размер модели — 153,1 млн параметров, архитектура — WhisperForConditionalGeneration. В оценке на тестовом наборе указаны loss 0,0931 и WER 6,5965. Модель предназначена для транскрибирования индонезийской речи. Распространяется по лицензии Apache-2.0.

Whisper ASR for Kyrgyz Language — модель распознавания речи на кыргызском языке, опубликованная Национальной комиссией по государственному языку и языковой политике при Президенте Кыргызской Республики. Она основана на предварительно обученном Whisper и дообучена с адаптацией к фонетическим особенностям кыргызской речи. Модель принимает аудио и преобразует кыргызскую речь в текст. Её можно использовать для расшифровки записей и живой речи с микрофона; пример демонстрационного приложения построен на Transformers и Gradio. Архитектура — WhisperForConditionalGeneration, число параметров — около 153,1 млн.

yuriyvnv/whisper-small-mixed-cv-nl — дообученная Yuriyvnv модель OpenAI Whisper Small для распознавания речи на нидерландском языке. Она принимает аудио и генерирует текстовую транскрипцию; модель построена на архитектуре WhisperForConditionalGeneration, содержит 153,1 млн параметров и распространяется в формате safetensors через Transformers. Модель обучена на смеси 34 952 реальных аудиозаписей Common Voice 17.0 и 30 182 синтетических примеров на нидерландском языке, отфильтрованных по качеству выравнивания аудио и текста. В карточке указаны WER 8,73% на валидации и 10,86% на тестовой выборке Common Voice, а также результаты на MLS; эти показатели относятся к описанным наборам и не гарантируют аналогичное качество на других данных. Модель предназначена для транскрибации чистой нидерландской речи общего назначения. Она может хуже работать с технической лексикой, шумным аудио и региональными вариантами нидерландского. Лицензия — Apache-2.0.

FutureProofGlitch/whisper-small-v2 — дообученная разработчиком FutureProofGlitch модель распознавания речи на базе Whisper Small. Она предназначена для преобразования англоязычной речи в текст; для оценки указаны результаты на тестовой выборке GigaSpeech: WER 16,4524 и нормализованный WER 28,4362. Модель содержит 153,1 млн параметров и распространяется в формате safetensors. Модель подходит для транскрибирования англоязычных записей и аудио, включая материалы из домена GigaSpeech. Лицензия — Apache-2.0. README не приводит дополнительных сведений о сценариях применения или ограничениях качества.

safecantonese/whisper-small-yue-full — модель распознавания речи семейства Whisper, дообученная для преобразования аудио в текст. Она подходит для сценариев автоматической транскрипции; в оценке указаны Loss 0,0362 и CER 6,1457. Модель содержит 153,1 млн параметров и распространяется в формате safetensors. README не сообщает подробностей о языках, данных обучения и условиях использования, поэтому их нельзя уточнить по доступным сведениям.

Whisper-Tiny-CV11 — модель распознавания речи, разработанная Burak Aydın и дообученная на базе openai/whisper-tiny на 11 языках корпуса Whispered с лицензией CC0. Это контрольная версия со стандартной архитектурой Whisper без преобразования MHA→MLA; модель принимает аудио и генерирует текстовую транскрипцию. Она предназначена для многоязычной транскрибации и воспроизводимой оценки влияния такого преобразования архитектуры. Модель содержит 29,4 млн параметров, использует архитектуру WhisperForConditionalGeneration и загружается через Transformers без trust_remote_code. В README приведены результаты оценки на CommonVoice-17 для английского, немецкого и испанского; качество зависит от языка и может немного отличаться при повторной оценке. Модель распространяется по лицензии Apache-2.0.

wrice/whisper-tiny-grpo — модель распознавания речи, созданная дообучением openai/whisper-tiny методом GRPO (Group Relative Policy Optimization). Во время обучения кандидаты транскрипции оценивались по ошибке слов (WER), а обновления модели ограничивались KL-регуляризацией относительно исходной модели. Модель использует архитектуру Whisper и библиотеку Transformers; веса доступны в формате safetensors. Базовая модель компактная и многоязычная. Модель предназначена для преобразования аудиозаписей в текст на разных языках, включая сценарии с языками и локалями Common Voice. На тестовой выборке Common Voice 26.0 авторы сообщают о снижении общей WER с 0,9718 до 0,6226 относительно исходной Whisper tiny и улучшении в 69 из 81 локалей. В то же время в 11 локалях качество ухудшилось; среди указанных примеров — корейский, малайский и арабский. Для японского, тайского и китайского авторы считают CER более показательным, чем WER. Оценка охватывает около 59 аудиоклипов на локаль, поэтому результаты отдельных малоресурсных языков могут быть нестабильными. Модель сравнивали с исходной Whisper tiny, но не с supervised fine-tuning на тех же данных; лучший из трёх чекпойнтов выбирался по тестовым результатам. Лицензия — MIT.

Это дообученная на неизвестном наборе данных модель OpenAI Whisper large-v3-turbo для автоматического распознавания речи. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и представлена в формате safetensors; библиотека для работы с ней — Transformers. Модель принимает аудио и преобразует речь в текст. В карточке приведены результаты оценки: loss 0,3081 и глобальный WER 46,6495. Данных о целевых языках, сценариях обучения и ограничениях применения в README нет. Лицензия — MIT.

X-AuT-14layer — модель распознавания речи от XPeng, созданная на основе Qwen3-ASR-0.6B. В аудиокодировщике удалены 4 из 18 Transformer-блоков: его размер сокращён со 186,376 млн до 147,794 млн параметров, то есть на 20,70%. Языковая модель сохранена, а released checkpoint поставляется как полная дообученная модель в формате safetensors и загружается без отдельной загрузки базовой модели или ручного удаления слоёв. Модель предназначена для транскрибации речи на китайском и английском языках. В описанных тестах на десяти публичных бенчмарках 14-слойная версия показывает компромисс между точностью и эффективностью: средняя ошибка выше базовой на 2,5% относительно, зато задержка аудиокодировщика ниже на 21,4% на автомобильном PPU и на 11,4% на H800. Это результаты одиночных запусков; статистическая значимость не установлена. Для модели указана лицензия CC BY-NC 4.0, ограничивающая коммерческое использование.

Модель разработана пользователем anton-l и дообучена на базе facebook/wav2vec2-xls-r-300m на датасете GOOGLE/XTREME_S — FLEURS.ALL. Это модель распознавания речи на архитектуре Wav2Vec2 с CTC-декодированием, содержащая около 402,8 млн параметров. Модель преобразует аудио в текст и предназначена для автоматического распознавания речи на языках Западной Европы, представленных в FLEURS. В README приведены результаты оценки на 20 043 примерах: общий CER составляет 0,2484, а показатели заметно различаются по языкам; например, CER для немецкого — 0,1287, для греческого — 0,6020. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Результаты оценки указывают на неодинаковое качество между языками, поэтому перед применением следует проверить точность для нужного языка и условий записи.

Aero-1-Audio — компактная аудиомодель от LMMs-Lab на основе Qwen2.5-1.5B-Instruct. Она сочетает языковую модель с аудиокодировщиком и предназначена для распознавания речи, понимания аудиозаписей и выполнения инструкций по аудио. Модель поддерживает непрерывные аудиовходы длительностью до 15 минут. По заявлению разработчиков, она показывает конкурентные результаты на нескольких аудиобенчмарках при обучении примерно на 50 тысячах часов аудио из открытых наборов данных. Основной язык, указанный в карточке, — английский. Модель распространяется под лицензией MIT. В карточке заявлены возможности распознавания речи и понимания аудио, но подробные ограничения и оценка качества для отдельных языков или сценариев не приведены.

OpenMOSS-Team/AnyGPT-chat — чат-модель AnyGPT от команды OpenMOSS, построенная на плотной архитектуре LLaMA и содержащая 6,7 млрд параметров. Она представляет речь, текст, изображения и музыку дискретными токенами, чтобы обрабатывать их в общей последовательности и выполнять преобразования между модальностями. Для обработки речи, изображений и музыки используются отдельные токенизаторы и модули восстановления. Модель предназначена для мультимодального диалога и генерации: она может создавать изображения по тексту, описывать изображения и музыку, распознавать речь, синтезировать речь, в том числе с голосовым образцом, и создавать музыку по текстовому описанию. Веса доступны в формате PyTorch; базовая конфигурация имеет контекст 2048 токенов. В README не указаны языки, на которые специально рассчитаны мультимодальные возможности. Авторы предупреждают, что из-за ограничений данных и вычислительных ресурсов генерация может быть нестабильной; результаты могут потребовать повторных запусков или настройки декодирования. README указывает лицензию исходной LLaMA 2, а метаданные Hugging Face — Apache-2.0; это расхождение не позволяет однозначно установить условия использования по доступным сведениям.

Audar-ASR-V1-Flash — генеративная модель автоматического распознавания речи, разработанная AudarAI. Это облегчённая edge-версия семейства Audar-ASR-V1, ориентированная прежде всего на арабскую речь и работу в реальном времени на устройствах с ограниченными ресурсами. Модель преобразует аудио в текст с помощью аудиоэнкодера и языкового декодера, а не CTC или transducer-подхода. Модель содержит около 0,78 млрд параметров: 0,19 млрд в аудиоэнкодере и 0,60 млрд в декодере. Она принимает монофонический звук с частотой 16 кГц и обрабатывает контекст до 30 секунд, а более длинные записи поддерживает через разбиение на фрагменты или потоковую обработку. Заявлена поддержка 30 языков, включая литературный арабский, основные арабские диалекты, английский и ещё 28 языков; предусмотрено распознавание арабско-английского переключения кодов. Модель доступна через Transformers, GGUF/llama.cpp и vLLM, работает на CPU, GPU и edge-устройствах. К сильным сторонам относятся специализация на арабской речи, диалектах и код-свитчинге, поддержка потокового распознавания, относительно небольшой размер и возможность локального запуска. По данным README, модель обучалась на более чем 300 000 часах размеченного двуязычного аудио, прошла диалектно-ориентированное дообучение и KTO-выравнивание с участием носителей арабского языка; заявленный средний WER на Open Universal Arabic ASR Leaderboard составляет 32,0%. Ограничениями являются контекст 30 секунд и более низкая точность на наиболее сложной диалектной речи по сравнению с более крупной версией Audar-ASR-V1-Turbo. Модель распространяется по лицензии AudarAI Open License v1.0.

AudioX-South — модель распознавания речи из семейства AudioX, разработанного Jivi AI. Это вариант для южноиндийских языков, дообученный методом supervised learning на открытой модели распознавания речи с использованием языковой балансировки, адаптации к домену и аугментации шумом. Модель принимает аудио и преобразует речь в текст на тамильском, телугу, каннада и малаялам. Она предназначена для транскрибации, голосовых помощников, автоматизации клиентской поддержки и создания многоязычного контента; карточка сообщает об устойчивости к региональным акцентам и разному качеству записи. В примере запуска используется архитектура Whisper через Transformers. В README приведены результаты сравнения на Vistaar Benchmark; для AudioX указано среднее значение WER 20,1 по семи языкам семейства. Обучение включало открытые многоязычные ASR-корпуса и закрытые медицинские аудиоданные. Модель распространяется по лицензии Apache-2.0. Заявления о превосходстве в бенчмарках приведены авторами; отдельные ограничения качества в карточке не описаны.

HiTZ/cap-punct-es — модель центра HiTZ при Университете Страны Басков UPV/EHU для восстановления заглавных букв и пунктуации в испанском тексте. Она обучена с нуля на базе Marian NMT на корпусе примерно из 9,8 млн предложений. Архитектура — MarianMTModel, размер — 41,6 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст без регистра и пунктуации и возвращает восстановленный текст. Модель предназначена для обработки испанских предложений, в том числе распознанной речи и текста, в котором при подготовке удалили регистр и знаки препинания. В оценках на подвыборках FLORES-101 и Common Voice модель снизила WER с 19,55% до 5,99% и с 22,42% до 5,75% соответственно. Лицензия — Apache 2.0. Результаты зависят от соответствия входного текста обработке, использованной при обучении; разработчики также отмечают возможные смещения и нежелательные искажения.

FL33TW00D-HF/distil-whisper-large-v3 — это конвертация модели distil-whisper/distil-large-v3-ggml из формата GGML в пользовательский формат Ratchet. Разработчик и автор конвертации в карточке обозначены как FL33TW00D-HF; исходная модель связана с проектом distil-whisper. README не содержит подробных сведений об архитектуре, размере, модальностях, языках, длине контекста, назначении, сильных сторонах или ограничениях модели. Из названия и ссылки можно предположить принадлежность к семейству Distil-Whisper, однако конкретные характеристики этой версии в карточке не подтверждены. Модель распространяется по лицензии Apache-2.0.

Dolphin CN-Dialect Small — модель автоматического распознавания речи от DataoceanAI, переупакованная проектом OpenASR в формат .oasr. Она предназначена для преобразования китайской речи в текст, особенно региональных вариантов китайского языка и речи с выраженным акцентом. Модель ориентирована на сценарии локальной транскрипции на CPU и GPU без Python во время инференса, включая работу с диалектной речью и смешанной речью с китайским языком. Модель построена по рецепту Dolphin и WeNet: использует энкодер E-Branchformer, Transformer-декодер и совместную objective CTC и attention с последующим attention rescoring. Это компактный checkpoint small.cn с посимвольным китайским словарём. Поддерживаются 22 китайских диалекта, включая сычуаньский, уский, кантонский, миньнаньский и шанхайский; заявлена также сохранённая эффективность для стандартного мандаринского языка. Доступны сборки fp16, q8_0 и q4_k размером примерно от 298 МБ до 860 МБ; fp16 рекомендована для максимального соответствия исходным результатам, а q4_k уменьшает размер ценой некоторого ухудшения CER. Контекстная длина и точные абсолютные метрики качества в карточке не указаны. Ограничением является отсутствие пунктуации: модель выдаёт обычный непунктуированный текст, поскольку обучающий корпус не содержал знаков препинания. Лицензия Apache-2.0 унаследована от исходной модели DataoceanAI1/dolphi-cn-dialect-small; OpenASR выполняет только конвертацию формата и квантование.

IbrahimAmin/egyptian-arabic-wav2vec2-xlsr-53 — модель распознавания речи на базе wav2vec2-large-xlsr-53, дообученная Ibrahim Amin на арабских речевых данных. Она предназначена для преобразования аудио в текст, в первую очередь для египетского разговорного арабского, а также для современного литературного арабского и диалектов Персидского залива и Леванта. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров; модель работает с аудио и выдаёт текст. В обучении использованы записи YouTube, MASC, Common Voice 15, MGB-3 и Arabic Speech Corpus; в карточке также приведено сравнение на тестовой выборке Common Voice 17 для арабского языка. Модель можно применять для транскрибации разговоров и вещательной речи. Распространяется по лицензии Apache-2.0. README не сообщает длину входных записей или ограничения по условиям записи; качество распознавания может различаться между диалектами и акустическими условиями.

EmoBERTa-base — текстовая модель классификации эмоций в репликах диалога, опубликованная Taewoon Kim. Она основана на RoBERTa-base и дообучена на MELD и IEMOCAP; архитектура — RoBERTa для классификации последовательностей, размер — 151,8 млн параметров, контекст — до 514 токенов. Модель принимает одну реплику за раз и предсказывает её эмоциональную категорию. Она рассчитана на распознавание эмоций в разговорном тексте и может использоваться, например, для анализа диалогов. Опубликованный чекпойнт не учитывает говорящего и соседние реплики, хотя эксперименты обучения на MELD и IEMOCAP исследовали также контекст прошлых и будущих реплик. Поддерживается английский язык. Лицензия — MIT.

mkrausio/EmoWhisper-AnS-Small-v0.1 — модель распознавания речи семейства Whisper, опубликованная Maurice Kraus (mkrausio) на Hugging Face. Карточка репозитория автоматически сгенерирована и не описывает отдельно обучение или назначение варианта AnS; она показывает загрузку через Transformers для задачи automatic speech recognition. Внешнее описание производной модели указывает, что EmoWhisper используется для получения аудиоэмбеддингов в системах анализа эмоций и характеристик голоса. Модель имеет архитектуру WhisperForConditionalGeneration и около 153,1 млн параметров; принимает аудио и выдаёт текстовую транскрипцию. Языки, контекстное окно, лицензия, обучающие данные и сравнительные показатели качества в доступных материалах не установлены. Ограничения включают недостаток документированных сведений о целевой настройке и качестве. Происхождение от базовой модели Whisper следует из семейства и внешнего описания, но конкретный идентификатор базы не подтверждён в карточке; условия лицензии также не указаны.

Necklace/faster-nb-whisper-large — конверсия модели NbAiLab/nb-whisper-large в формат CTranslate2 для запуска через CTranslate2 и проекты на его основе, например faster-whisper. Модель предназначена для автоматического распознавания речи; в карточке указана поддержка норвежского языка. Веса сохранены в FP16, а при загрузке можно выбрать другой compute_type в CTranslate2. Репозиторий распространяется по лицензии Apache-2.0.

stillerman/fdt-disfluency-tiny-4m — небольшая модель разметки слов для очистки расшифровок разговорной речи, разработанная Stillerman в рамках проекта FluencyAI. Она присваивает каждому слову один из тегов KEEP, DELETE, KEEP_STRIP_COMMA или KEEP_CAPITALIZE, после чего простое восстановление по тегам формирует очищенный текст. Модель предназначена для обработки транскриптов живой речи, в том числе с запуском в браузере через transformers.js и ONNX Runtime WebGPU. В основе — BERT L2/H128 с 4,4 млн параметров и контекстом до 512 токенов; доступны веса safetensors и квантованный ONNX int8. Валидационные показатели из карточки: exact match 0,5980 и DELETE-F1 0,8892. Разметка ограничена удалением дисфлюенций и простыми изменениями пунктуации и регистра: модель не перефразирует текст и не предназначена для общей коррекции транскрипции. Лицензия репозитория — Apache-2.0, однако обучение частично использовало DailyDialog по CC BY-NC-SA; автор рекомендует считать модель исследовательским артефактом и не применять её в коммерческих целях без отдельной проверки условий использования данных.

Fun-ASR-Nano-GGUF — версия модели автоматического распознавания речи Fun-ASR-Nano, разработанная командой FunAudioLLM. Она предназначена для преобразования аудио в текст, прежде всего для китайской и английской речи, а также для локального запуска на CPU и периферийных устройствах без Python через runtime FunASR на базе llama.cpp. Модель подходит для офлайн-распознавания, встраиваемых приложений и сценариев, где важны автономность и единый C++-бинарник. Архитектура включает аудиоэнкодер SenseVoice SAN-M, adaptor и декодер на базе Qwen3-0.6B. Распространяется в формате GGUF: энкодер имеет размер около 470 МБ, а LLM-декодер доступен в вариантах Q4_K_M примерно на 484 МБ, Q5_K_M на 551 МБ и Q8_0 на 805 МБ. Для работы необходимы как файл энкодера, так и файл декодера; в рекомендуемом сценарии также используется FSMN-VAD. В README не указаны размер контекста и дополнительные модальности. Сильными сторонами являются CPU-ориентированное развертывание, отсутствие зависимости от Python и несколько уровней квантования с небольшим различием в качестве. На указанном тесте из 184 китайских аудиофрагментов получен показатель CER от 8,25% до 8,35% в зависимости от квантования, однако это ограниченный бенчмарк, поэтому результаты не гарантируют такое же качество на других данных, языках и условиях записи. Более компактные варианты экономят память, но могут немного уступать по точности. Модель распространяется по лицензии Apache-2.0.