I.7Речь, диалоги и встречи

IndicWav2Vec-Hindi — модель распознавания речи на основе архитектуры Wav2Vec2, разработанная AI4Bharat. Она предназначена для преобразования аудиоречи на хинди в текст и подходит для сценариев автоматической транскрибации. Модель обучена в fairseq и перенесена в формат Hugging Face; репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель распознаёт речь на хинди. Для неё отмечено ограничение: вывод при инференсе с языковой моделью не поддерживается, что может ограничивать улучшение транскрипции с помощью языкового декодирования.

Karasu-Mixtral-8x22B-v0.1 — чат-модель, созданная разработчиками lightblue дообучением Mixtral-8x22B-v0.1 на многоязычных диалогах пользователей с GPT-4. Она предназначена для общения, ответов на вопросы и диалоговых сценариев; в карточке отмечены хорошее воспроизведение фактов и уверенная работа на английском, но также возможность ошибок в логических задачах. Модель использует архитектуру Mixtral с разреженной смесью экспертов (MoE), содержит 22 млрд параметров и поддерживает контекст до 65 536 токенов. README рекомендует запуск через vLLM и описывает тестирование на четырёх GPU A100 с ограничением длины генерации до 1 024 токенов. Веса опубликованы в формате safetensors, лицензия — Apache-2.0.

KSSDS — модель на архитектуре T5, разработанная на основе энкодера lcw99/t5-base-korean-text-summary и дообученная на данных AI Hub для разделения корейского текста на предложения в диалоговых системах. Она предназначена, в частности, для сегментации текста на корейском языке, полученного от систем распознавания речи, таких как Whisper. Модель содержит 137,8 млн параметров; в репозитории представлены веса PyTorch и Safetensors. В карточке указана лицензия MIT. README отмечает, что вариант KSSDS_NO_LF обучен без Length Filter для абляционного исследования и менее точно разделяет длинные тексты; это описание относится к отдельному варианту, а не подтверждает ограничение KSSDS.

kstunlp/kstu-asr — модель автоматического распознавания кыргызской речи, созданная KSTU NLP как полное дообучение facebook/mms-1b-all. Это модель на базе Wav2Vec2 с архитектурой CTC и примерно 1 млрд параметров; она принимает аудио и выдаёт распознанный текст на кыргызском языке. Для декодирования в примере используется жадный CTC-декодер с целевым языком kir. Модель обучали на кыргызских речевых данных KSTU NLP, Common Voice 21 и FLEURS-ky, дополнив их синтетическими данными. В приведённых испытаниях она показала WER 12,93% на тестовой выборке FLEURS-ky и 16,17% на отдельной разговорной выборке; эти результаты относятся к описанным наборам и нормализации текста. Для использования указаны Transformers и аудио 16 кГц, моно. Лицензия в метаданных обозначена как other, поэтому конкретные условия распространения следует сверить с репозиторием.

mesolitica/malaysian-whisper-tiny — дообученная компанией Mesolitica модель Whisper Tiny для распознавания малайской и английской речи. Она предназначена для транскрибирования стандартного и местного вариантов малайского языка, а также стандартного английского и Manglish — разговорной смеси малайского и английского. В карточке перечислены обучающие данные IMDA STT, корпуса малайской разговорной речи, псевдоразметка видео и аудиокниг, а также частный набор Haqkiem TTS Dataset. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 29,4 млн параметров и принимает аудио, выдавая распознанный текст. Для аудио длиннее 30 секунд README рекомендует разбивать запись на фрагменты и распознавать их отдельно. Модель опубликована в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

mend-flan-t5-small — модель на базе T5, разработанная daltonoscar0 и дообученная на google/flan-t5-small для преобразования диктовки в связный письменный текст. Она удаляет слова-паразиты и заполненные паузы, разрешает самопоправки, восстанавливает заглавные буквы и пунктуацию. Для вызова требуется префикс «clean up: »; вход рекомендуется подавать в нижнем регистре и без знаков пунктуации по краям. Модель содержит 45,8 млн параметров, использует библиотеку Transformers и формат safetensors; максимальный контекст — 512 токенов. Она обучалась на синтетических примерах и реальных англоязычных репликах Switchboard. В оценке на отложенных разговорах показала точность полного совпадения 0,616 и F1 удаления слов-паразитов 0,955. Модель предназначена для постобработки текстовых транскриптов диктовки и разговорной речи. Она не принимает аудио и не исправляет ошибки распознавания речи; качество может снижаться при отличающихся от Switchboard правилах транскрибирования. Около половины реальных самопоправок остаются неразрешёнными, а оборванные слова модель не обрабатывает. Лицензия — MIT.

MiDashengLM-7B-1021 (FP8) — версия модели MiDashengLM с весами FP8, опубликованная MiSpeech. Это мультимодальная аудиоязыковая модель на архитектуре MiDashengLM; карточка указывает размер 7B и поддержку задач audio-text-to-text и text-generation. В метаданных перечислены английский, китайский, тайский, индонезийский и вьетнамский языки. Модель предназначена для обработки аудио с формированием текстового ответа. Версия FP8 рассчитана прежде всего на ускорители Hopper, включая H100 и более новые: на них она использует аппаратную поддержку FP8 для повышения производительности и сокращения расхода памяти. На более старых GPU выигрыш в скорости может быть небольшим, но формат может помочь экономить видеопамять и место на диске. Модель получена слиянием MiSpeech dasheng-0.6B и Qwen2.5-Omni-7B с последующим дообучением; репозиторий содержит веса в формате safetensors compressed-tensors. Лицензия — Apache-2.0. README показывает загрузку через Transformers с trust_remote_code=True; длина контекста и подробные ограничения на качество в предоставленных данных не описаны.

MiDashengLM-7B-1021-GGUF — аудиоязыковая модель MiSpeech, представленная в виде GGUF-сборок для локального запуска. Это производная модель, связанная с Qwen/Qwen2.5-Omni-7B и mispeech/dasheng-0.6B; README указывает на fp32-версию как источник конвертированных GGUF-файлов. Модель принимает аудио и текстовые инструкции и формирует текстовые ответы в диалоге. Модель предназначена для описания аудио, распознавания речи, классификации звуков и паралингвистических признаков, а также ответов на вопросы по аудио. В README приведены результаты на тестах музыкальных и звуковых подписей, ASR, классификации и аудиовопросов. Доступны варианты GGUF в точностях от BF16 и F32 до низкобитных квантований. Для запуска требуется форк llama.cpp разработчиков; лицензия репозитория — Apache-2.0.

GJATT/mms-pa_Sep27_152songs — модель распознавания речи на основе wav2vec2, дообученная разработчиком GJATT на базе facebook/mms-1b-all. Она преобразует входящее аудио в текст; карточка приводит результаты оценки: WER 0,3271 и CER 0,0971, а также loss 0,3949. Базовая модель поддерживает более тысячи языков, но язык и область применения именно этой версии в карточке не уточнены. Модель содержит 1,3 млрд параметров и распространяется в формате safetensors для библиотеки Transformers. README не описывает обучающий набор данных или предполагаемые сценарии использования. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Moonshine Streaming Tiny — модель автоматического распознавания речи, разработанная Useful Sensors для потоковой транскрипции на устройствах с ограниченными ресурсами. Она принимает аудио и генерирует текст на английском языке; модель предназначена для субсекундных задержек и работы примерно в пределах 0,1–1 TOPS и менее 1 ГБ памяти. Это последовательная encoder-decoder Transformer-модель: лёгкий аудиофронтенд формирует признаки с частотой 50 Гц, скользящий оконный энкодер использует локальное внимание, а авторегрессионный декодер выводит транскрипт. В карточке Tiny описана как вариант на 34 млн параметров с шестью слоями энкодера и декодера; метаданные репозитория указывают 20,3 млн параметров. Контекст в метаданных — 4096 токенов. Модель обучалась и оценивалась для английской речи. Основные сценарии — субтитры в реальном времени, голосовые команды и транскрипция на периферийных устройствах. Декодирование авторегрессионное, поэтому задержка полного вывода растёт с длиной транскрипта; реализация Transformers пока не обеспечивает полностью эффективную потоковую обработку. На коротких или шумных фрагментах возможны повторы и слова, отсутствующие в аудио. Лицензия — MIT. Разработчик не рекомендует применять модель для несогласованного наблюдения, идентификации говорящих и решений с высокими последствиями.

simran14/mr-val-f2 — дообученная модель распознавания речи на архитектуре Whisper, разработанная на базе simran14/mr-val-e. Она предназначена для преобразования аудиозаписей в текст; в метаданных указан датасет Common Voice 17.0. Модель содержит 153,1 млн параметров и распространяется в формате Safetensors. В README приведён результат оценки WER 0,5368 на тестовом наборе, однако подробности протокола оценки и условия применения не описаны. Лицензия в предоставленных данных не указана.

Barrymanalow/nb-whisper-coreml — это конвертация модели NbAiLab/nb-whisper-small из PyTorch в формат CoreML для запуска через WhisperKit на устройствах Apple Silicon. Нового обучения, дообучения или дистилляции не выполнялось: веса и поведение унаследованы от исходной модели NbAiLab. Модель предназначена для автоматического распознавания речи, включая диктовку и транскрибацию норвежской речи, в частности в приложениях для macOS. Модель относится к семейству Whisper и имеет размер small; точная архитектура в README не раскрыта. Поддерживаются норвежский, английский и другие языки исходной мультиязычной модели, при этом в метаданных указаны норвежские языковые варианты no, nb и nn. Содержимое включает компоненты MelSpectrogram, AudioEncoder и TextDecoder в виде скомпилированных CoreML-моделей, использующих активации Float16. Репозиторий рассчитан на WhisperKit и требует macOS 14 или новее на Apple Silicon; работа проверена с WhisperKit 0.9 на macOS 15. Сильная сторона модели — интеграция с CoreML и возможность использования Apple Neural Engine для локальной транскрибации. Модель сохраняет мультиязычный токенизатор, поэтому способна корректно обрабатывать английские слова внутри норвежской речи. Ограничение заключается в том, что это не норвежскоязычная модель в строгом смысле: принудительное распознавание английской речи как норвежской может привести к правдоподобному, но ошибочному переводу вместо явной ошибки. Заявленная ориентация вычислений на Neural Engine не подтверждена отдельными измерениями, а систематическое сравнение результатов с исходной PyTorch-моделью не проводилось. Модель распространяется по лицензии Apache-2.0, унаследованной от NbAiLab/nb-whisper-small. При использовании рекомендуется указывать авторство NbAiLab; конвертация в CoreML не добавляет новых ограничений.

Ornith-1.5-9B-Omni-GGUF — мультимодальный набор моделей, опубликованный cudabenchmarktest в формате GGUF и предназначенный для запуска через Ollama вместе с адаптером Robit. В состав входят текстовая модель Ornith 1.5 9B с пониманием изображений, инструментами и опциональным режимом рассуждений, граф Qwen3-Omni для анализа аудио, изображений и видео, а также Qwen3-TTS для синтеза речи. Компоненты работают как отдельные графы, связанные семантическим адаптером. Набор поддерживает генерацию текста и речи, распознавание речи, интерпретацию окружающих звуков, понимание изображений и анализ выбранных кадров видео. Основной GGUF-файл является контейнером sidecar с шестью представлениями моделей и проекторов, а не самостоятельной стандартной моделью Ollama. Текстовые функции и понимание изображений запускаются через стандартный Ollama; для аудио, видео и синтеза речи требуется адаптер Robit с закреплённой версией llama.cpp. Генерация видео не поддерживается. В метаданных указан формат GGUF и лицензия «other»; конкретные условия лицензии следует сверить с опубликованными уведомлениями и источниками компонентов. README предупреждает, что мультимедийные данные, транскрипты, OCR, подписи и результаты инструментов следует считать недоверенным вводом.

istupakov/parakeet-tdt-0.6b-v2-onnx — это версия модели NVIDIA Parakeet TDT 0.6B V2, преобразованная в формат ONNX для использования с библиотекой onnx-asr. Модель предназначена для автоматического распознавания речи и преобразования аудиозаписей, в частности WAV-файлов, в текст на английском языке. Базовая модель разработана NVIDIA, а экспорт в ONNX подготовлен для совместимости с onnx-asr. Модель имеет размер 0,6 млрд параметров и использует архитектуру Parakeet TDT; точные сведения о модальностях, максимальной длине контекста и дополнительных языках в README не указаны. Формат ONNX и поддержка onnx-asr позволяют запускать распознавание через соответствующую библиотеку, включая CPU-вариант. Ограничения модели связаны с заявленной специализацией на английской речи и отсутствием в доступных данных подробных характеристик качества, производительности и поддержки других аудиоформатов. Модель распространяется по лицензии CC BY 4.0.

Это GGUF-конверсия модели parakeet-tdt-0.6b-v3, разработанной NVIDIA, для работы с библиотекой transcribe.cpp. Модель предназначена для офлайн-распознавания речи и преобразования аудио в текст; поддерживает автоматическое определение языка и обрабатывает 16-кГц моно WAV. Потоковый режим и перевод речи не поддерживаются. Модель содержит около 600 млн параметров и использует архитектуру Conformer или FastConformer с транcducer-декодером TDT/RNNT. Она поддерживает 25 европейских языков: болгарский, хорватский, чешский, датский, нидерландский, английский, эстонский, финский, французский, немецкий, греческий, венгерский, итальянский, латышский, литовский, мальтийский, польский, португальский, румынский, русский, словацкий, словенский, испанский, шведский и украинский. Доступны варианты квантования F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 485 МБ до 2,51 ГБ; поддерживаются токеновые временные метки. Сильные стороны модели — офлайн-обработка, многоязычность, автоматическое определение языка и высокая точность: для LibriSpeech test-clean показатель WER составляет около 1,92–1,98% в зависимости от квантования, а для русского языка на тесте FLEURS — 6,54% для Q8_0. Ограничения включают отсутствие потокового распознавания и перевода, требование входного аудио в формате 16 кГц моно WAV, а также зависимость от transcribe.cpp для запуска. Модель распространяется по лицензии CC-BY-4.0, унаследованной от базовой модели.

Immich/pipeline-error-propagation-dialogue-summarization-led-baseline-seed17 — исследовательский чекпойнт суммаризации диалогов встреч на базе LED, обученный на допустимой подвыборке AMI Meeting Corpus с seed 17. В README он описан как эталонный запуск baseline для качественных примеров статьи; baseline предназначен для обработки полной записи встречи или иерархического конвейера сегментации, извлечения и генерации. Для загрузки указана совместимость с Transformers и AutoModelForSeq2SeqLM. Модель содержит 95,2 млн параметров, использует архитектуру LEDForConditionalGeneration и сохранена в формате safetensors. Заявленная задача — summarization; обучающие данные связаны с AMI Meeting Corpus. Лицензия — MIT. Карточка не сообщает о поддержке языков, длине контекста и известных ограничениях качества; результаты для других типов диалогов README не подтверждает.

Qipchoq-STT — модель автоматического распознавания речи на базе Whisper, разработанная xmullaboyeva и дообученная на пользовательском речевом датасете. Она преобразует аудио в текст и может использоваться для транскрибации записей, подготовки разметки и интеграции распознавания речи в приложения на Python через библиотеку Hugging Face Transformers. Модель содержит 455,8 млн параметров и распространяется в формате Safetensors. В метаданных указан узбекский язык; название Qipchoq также указывает на кипчакское направление, однако README не уточняет языковой охват. Лицензия — Apache-2.0. Качество распознавания может снижаться на шумных записях, при акцентах и диалектах, не представленных в обучающих данных, при одновременной речи нескольких собеседников и на очень коротких аудиофрагментах.

Модель ohkwon/Qwen3-0.6B-JSON-SFT-GRPO — дообученная компактная языковая модель семейства Qwen3 с архитектурой Dense и 507,9 млн параметров. Она основана на NotoriousH2/Qwen3-0.6B-JSON-SFT и предназначена для генерации текста, в частности для извлечения сведений из корейских протоколов совещаний и их представления в формате JSON. Модель поддерживает контекст до 40 960 токенов и имеет разговорный интерфейс. Модель опубликована под лицензией Apache-2.0. В карточке указано, что обучение проводилось с использованием Unsloth и библиотеки TRL; деталей о качестве, оценке и устойчивости генерации JSON не приведено.

litert-community/Qwen3-ASR-0.6B — модель автоматического распознавания речи, основанная на Qwen/Qwen3-ASR-0.6B. По имеющимся данным, она предназначена для преобразования аудиоречи в текст и может использоваться в сценариях транскрибации и других задачах автоматического распознавания речи. Разработчик исходной модели — команда Qwen; репозиторий модели представлен сообществом LiteRT. Из доступных сведений известно обозначение размера 0.6B, однако подробности об архитектуре, поддерживаемых языках, аудиоформатах, модальностях и размере контекстного окна не указаны. Поэтому нельзя достоверно оценить языковой охват, качество распознавания, производительность или ограничения модели. Модель распространяется по лицензии Apache-2.0. Условия лицензии допускают широкое использование при соблюдении её требований, но перед применением следует учитывать отсутствие в предоставленной карточке подробностей о технических характеристиках и результатах тестирования.

Qwen3-ForcedAligner-Ultra — мультиязычная модель принудительного выравнивания текста с речью, созданная автором карточки на основе Qwen/Qwen3-ForcedAligner-0.6B. Она принимает аудио и соответствующую расшифровку и определяет временные границы слов; предназначена для разметки субтитров, исправления расшифровок, подготовки речевых датасетов и проставления временных меток в результатах распознавания речи. Модель относится к семейству Qwen3 ASR и дообучена с помощью LoRA; основной чекпойнт использует обучаемую временную голову. Опциональная Local Head уточняет границы внутри выбранного акустического участка с шагом 10 мс. Обучение охватывало шумную, акцентированную и разговорную речь, ошибки и пропуски в расшифровке, а также переключение языков. Заявленная поддержка включает китайский, английский, кантонский, французский, немецкий, итальянский, японский, корейский, португальский, русский и испанский; наиболее подробно дообучались и оценивались девять языков, а кантонский и португальский рекомендуется проверять на целевых данных. В описанной автором оценке на многоязычной выборке модель заметно сократила среднюю ошибку временных границ и долю крупных выбросов по сравнению с исходным чекпойнтом; Local Head дополнительно повышает точность локальных границ. Результаты зависят от качества аудио и расшифровки, а показатели для двух поддерживаемых языков имеют меньший охват оценки. Модель распространяется по лицензии Apache-2.0.

SEW-tiny-100k-ft-ls100h — модель распознавания речи от ASAPP Research, основанная на архитектуре Squeezed and Efficient Wav2vec (SEW) и дообученная для автоматической транскрипции на LibriSpeech. Это акустическая модель SEWForCTC с 50,3 млн параметров; она принимает речь в виде аудио с частотой дискретизации 16 кГц и выдаёт текст. В карточке также описаны возможные направления дообучения базовой архитектуры для идентификации говорящего, классификации намерений и распознавания эмоций, но этот чекпойнт предназначен для ASR. Модель рассчитана на распознавание англоязычной речи. Для SEW в исследовательской работе заявлены улучшения скорости вывода и качества распознавания относительно wav2vec 2.0; конкретные показатели в README относятся к экспериментам статьи, а не гарантируют результат для каждого сценария. Для использования применяется библиотека Transformers. Лицензия — Apache-2.0.

Sinai Voice AR STT — модель распознавания арабской речи и преобразования её в текст, разработанная Bakrianoo. Это дообученная версия facebook/wav2vec2-xls-r-300m на арабской части набора Mozilla Common Voice 8.0. Архитектура Wav2Vec2ForCTC, размер — 402,7 млн параметров; модель принимает аудио и выдаёт текст на арабском языке. Модель предназначена для автоматической транскрибации арабской речи. В README приведены результаты оценки на тестовой выборке Common Voice 8.0: WER 0,181 и CER 0,049. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

BuzzASR/slovenian — одноязычная модель автоматического распознавания речи для словенского языка, разработанная как часть набора BuzzASR из 102 специализированных моделей. Она дообучена методом fine-tuning на базе openai/whisper-large-v3 и использует архитектуру Whisper large-v3 с 905,2 млн параметров. Модель принимает аудио и преобразует речь в текст; языковая и задачная подсказка включена в конфигурацию генерации. Модель предназначена для транскрибации словенской речи. В приведённых тестах FLEURS и Common Voice 25 она показала CER 4,98% и 0,65% соответственно, а на объединённом наборе — CER 2,31% и WER 7,83%; результаты относятся к указанным тестовым выборкам. Обучение использовало данные FLEURS, Common Voice Corpus 25.0 и текстовые данные корпуса Goldfish. Модель выпущена под лицензией MIT.

Sophea-Canary-ASR-mlx — конвертированная в формат MLX модель распознавания речи для Apple Silicon, опубликованная KIEFERSA. Это дообученная двуязычная версия NVIDIA Canary-1B-v2: около 978 млн параметров, FastConformer-энкодер и Transformer-декодер с механизмом attention. Веса представлены в bfloat16 и занимают около 1,9 ГБ; для работы используется библиотека mlx-audio. Модель распознаёт греческую и английскую речь, а также переводит речь с греческого на английский. Принимает монофонический звук с частотой 16 кГц; README сообщает об автоматическом приведении входного аудио к этой частоте. В тестах на FLEURS указаны WER 9,4% для греческого и 7,3% для английского. При распознавании греческого текста конечная сигма может выводиться как обычная σ; README предлагает детерминированную постобработку для восстановления ς. Лицензия — CC BY 4.0.

ssc-ttj-mms-model — дообученная модель распознавания речи на базе facebook/mms-1b-all, опубликованная под лицензией CC BY-NC 4.0. Она использует архитектуру wav2vec2 с CTC-декодированием, содержит 1,3 млрд параметров и принимает аудио, чтобы преобразовывать речь в текст. Базовая модель поддерживает более тысячи языков, однако язык и состав данных для этого дообучения не указаны. В README приведены результаты оценки: CER 0,0795 и WER 0,4288 при значении loss 0,2494. Данных о наборе для обучения, сценариях применения и ограничениях автор не предоставил; качество на других данных и языках по этим метрикам определить нельзя. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

UniSpeech-SAT-Base-Finetuned-100h-Libri — акустическая модель распознавания речи от Microsoft, дообученная на 100 часах английской части LibriSpeech. Она основана на архитектуре UniSpeech-SAT и использует CTC для преобразования аудиоречи в текст; размер модели — 113,3 млн параметров. Модель принимает речь с частотой дискретизации 16 кГц и рассчитана на транскрибирование английской речи, в том числе аудиокниг и записей с похожими условиями. Модель можно использовать как акустическую часть конвейера автоматического распознавания речи. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Карточка не приводит оценок качества распознавания или подробных ограничений для аудио, отличающегося от LibriSpeech, поэтому пригодность для таких записей следует проверять отдельно.

Карточка модели Koyiljon/uzbek_stt_v1 на Hugging Face совпадает с карточкой Kotib/uzbek_stt_v1, поэтому описание составлено по ней. Kotib/uzbek_stt_v1 — модель автоматического распознавания речи, разработанная командами Kotibai и Rubai и дообученная на базе OpenAI Whisper Medium. Она принимает аудио и преобразует узбекскую речь в текст; модель рассчитана прежде всего на узбекский язык и латинскую письменность, включая некоторые русские заимствования, произнесённые в узбекской речи. Архитектура Whisper, 455,8 млн параметров; модель использует формат safetensors и библиотеку Transformers. Для обучения использовали около 1 600 часов узбекского аудио, а оценку провели на 1 864 примерах из восьми тестовых наборов. В карточке указана общая доля ошибок WER 16,7%; на чистой речи — около 6–11%, на шумной или дополненной — около 12–24%. Модель подходит для расшифровки речи, диктовки, голосовых помощников и создания субтитров. Качество снижается при сильном шуме и частом переключении между языками; модель оптимизирована для узбекского. Лицензия — Apache-2.0.

Карточка модели Uzbekswe/uzbek_stt_v1 на Hugging Face совпадает с карточкой Kotib/uzbek_stt_v1, поэтому описание составлено по ней. Kotib/uzbek_stt_v1 — модель автоматического распознавания речи, разработанная командами Kotibai и Rubai и дообученная на базе OpenAI Whisper Medium. Она принимает аудио и преобразует узбекскую речь в текст; модель рассчитана прежде всего на узбекский язык и латинскую письменность, включая некоторые русские заимствования, произнесённые в узбекской речи. Архитектура Whisper, 455,8 млн параметров; модель использует формат safetensors и библиотеку Transformers. Для обучения использовали около 1 600 часов узбекского аудио, а оценку провели на 1 864 примерах из восьми тестовых наборов. В карточке указана общая доля ошибок WER 16,7%; на чистой речи — около 6–11%, на шумной или дополненной — около 12–24%. Модель подходит для расшифровки речи, диктовки, голосовых помощников и создания субтитров. Качество снижается при сильном шуме и частом переключении между языками; модель оптимизирована для узбекского. Лицензия — Apache-2.0.

Это модель автоматического распознавания речи на базе Wav2Vec2ForCTC с 113,3 млн параметров. Её разработчик lgris дообучил модель lgris/seasr_2022_base_10k_8khz_pt на наборе Common Voice 7.0 для распознавания португальской речи; модель принимает аудио и выдаёт текст. В README указана оценка WER 0,1979 на наборе оценки. Модель распространяется под лицензией Apache-2.0.

Модель mazhar00968/wav2vec2-base-scl-common-voice — дообученная версия facebook/wav2vec2-base для автоматического распознавания речи. Она использует архитектуру Wav2Vec2ForCTC и содержит 113,3 млн параметров. Модель принимает аудио и выдаёт распознанный текст. В карточке приведены результаты оценки: loss 1,7258 и WER 0,8720. Описание данных для обучения и целевых сценариев в README не раскрыто, поэтому качество распознавания для конкретных языков и условий записи по этим сведениям оценить нельзя. Модель распространяется по лицензии Apache-2.0.