I.7Речь, диалоги и встречи

Модель hf-test/xls-r-300m-sv-cv8 — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на шведском языке (sv-SE). Она основана на архитектуре wav2vec 2.0 с CTC-декодированием и содержит около 402,7 млн параметров. Модель обучена на наборе MOZILLA-FOUNDATION/COMMON_VOICE_8_0; для оценки приведены показатели WER 0,2465 и CER 0,0717 без языковой модели, а с языковой моделью — WER 0,1710 и CER 0,0569. Модель предназначена для преобразования шведской речи в текст, например для расшифровки записей и голосовых сообщений. Репозиторий содержит веса PyTorch, а лицензия — Apache-2.0. Карточка не описывает отдельные ограничения качества или условия работы языковой модели; приведённые метрики относятся к оценочному набору Common Voice 8.0.

SpeechBrain CRDNN-RNNLM — англоязычная система автоматического распознавания речи, обученная на LibriSpeech. Она предназначена для транскрибации английских аудиозаписей и поддерживает распознавание отдельных файлов и пакетную обработку через SpeechBrain. Система объединяет акустическую модель CRDNN с CTC- и attention-декодерами, unigram-токенизатором и рекуррентной языковой моделью RNNLM. Акустическая часть использует свёрточные блоки и двунаправленную LSTM. Для обучения использовались одноканальные записи с частотой 16 кГц; при обработке система может привести аудио к нужному формату. В README указан WER 3,09 на тестовом наборе LibriSpeech. Модель опубликована SpeechBrain под лицензией Apache-2.0. Разработчики предупреждают, что качество на наборах данных, отличных от LibriSpeech, не гарантируется.

AudioSangraha-Audio_to_Text — дообученная разработчиком AqeelShafy7 модель распознавания речи на архитектуре Whisper Small. Она предназначена для преобразования аудио в текст. Веса представлены в формате safetensors; модель содержит 153,1 млн параметров и распространяется по лицензии Apache-2.0. В карточке приведены результаты оценки: loss 0,3071 и WER 52,3227. Описание не раскрывает языки, обучающие данные и сценарии применения, поэтому качество распознавания в конкретных условиях по этим сведениям оценить нельзя.

Azerbaijani Whisper Small — модель распознавания речи на азербайджанском языке, созданная дообучением openai/whisper-small. Она использует архитектуру Whisper с 153,1 млн параметров и предназначена для преобразования азербайджанской речи в текст; в README приведены результаты оценки на тестовой части FLEURS Azerbaijani. Для работы требуется аудио с частотой 16 кГц и одним каналом: аудио с другой частотой дискретизации нужно предварительно пересэмплировать. Модель доступна в формате safetensors и рассчитана на использование через Transformers. Лицензия — Apache-2.0. README заявляет качество выше whisper-large-v3 при меньшем размере, однако приведённая таблица результатов неполная, поэтому это сравнение нельзя независимо проверить по карточке.

Cruciator разработал BERT2BERT — модель типа encoder-decoder для суммаризации коротких многоходовых диалогов. Энкодер и декодер инициализированы из google-bert/bert-base-uncased, а в декодер добавлен модуль cross-attention; модель дообучена на наборе DialogSum для генерации краткого резюме разговора на английском языке. Модель подходит для создания однопредложных сводок чатов, фрагментов встреч и разговоров с клиентской поддержкой. README рекомендует подавать диалог длиной до 256 токенов; генерация ограничена 64 токенами. Размер модели — около 0,2 млрд параметров. Лицензия — Apache 2.0. Модель обучалась на сравнительно небольшом наборе данных, поэтому точность и фактическая верность резюме не гарантированы. Она рассчитана на короткие разговоры на английском языке и может плохо работать с длинными текстами, одиночными высказываниями и специализированными областями без дополнительного дообучения.

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.

cohere-transcribe-arabic-07-2026-dialectal-v2 — дообученная Cohere модель распознавания речи на основе CohereLabs/cohere-transcribe-arabic-07-2026. Она предназначена для транскрибации многообразных арабских диалектов и особенно подходит для записей на хиджазском и заливном, египетском, иракском, марокканском, палестинском и ливанском вариантах. Модель содержит 151 млн параметров по метаданным; README указывает размер базовой модели 2,07 млрд параметров. Архитектура — CohereAsrForConditionalGeneration, веса представлены в safetensors. Модель принимает аудио и выдаёт текст без диакритических знаков; контекст — 1024 токена. Чекпойнт обучен на сбалансированном наборе диалектов oddadmix/lahgtna-v3-small. В тестах он улучшает распознавание ряда целевых диалектов, включая заливный и иракский, но в среднем уступает базовой модели и заметно ошибается на тунисском; также указаны ухудшения для ливийского, йеменского и сирийского вариантов. По карточке это экспериментальная специализация, а лицензия — Apache-2.0.

Data2Vec-Audio-Base-960h — модель распознавания речи, разработанная Facebook (ныне Meta). Это акустическая модель на архитектуре Transformer семейства data2vec-audio с 113,3 млн параметров: она предварительно обучена методом self-supervised learning, а затем дообучена для распознавания речи на 960 часах аудио LibriSpeech. Модель принимает речь с частотой дискретизации 16 кГц и выдаёт текстовую транскрипцию; в карточке приведены результаты на тестовых разделах LibriSpeech: WER 2,77 для clean и 7,08 для other. Модель предназначена для транскрибации английской речи, в том числе оценки качества распознавания на LibriSpeech. Для корректной работы входное аудио нужно подавать с частотой 16 кГц. Веса доступны в формате PyTorch по лицензии Apache-2.0. Карточка не описывает качество на других языках и акустических условиях, поэтому результаты за пределами LibriSpeech могут отличаться.

Карточка модели tae898/emoberta-large на Hugging Face совпадает с карточкой tae898/emoberta-base, поэтому описание составлено по ней. 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.

daggar/flan-t5-dialogsum-full-ft — модель семейства T5, разработанная в рамках учебного проекта IIT-D Gen-AI и полностью дообученная на DialogSum для суммаризации диалогов. Основана на google/flan-t5-large; архитектура — T5ForConditionalGeneration, число параметров по метаданным — 385,2 млн. Принимает текст с префиксом «Summarize the following dialogue:\n» и диалогом, обрезанным до 512 токенов, и генерирует краткое текстовое резюме длиной до 128 токенов. Модель предназначена прежде всего для кратких англоязычных диалогов с двумя участниками, обозначенными тегами #Person1# и #Person2#. На тестовой выборке DialogSum авторы сообщают об улучшении BLEU и ROUGE-1 относительно исходной модели. Обучение проведено на одном наборе данных и одной эпохе, поэтому результаты не гарантируют качество на других темах и форматах. Возможны пропуски содержания после усечения входа и неподтверждённые исходным диалогом детали в резюме. Лицензия — Apache-2.0.

Gemma 3n E4B it MLX 8bit — 8-битная квантизированная версия мультимодальной модели gemma-3n-E4B-it, разработанной Google и адаптированной командой LM Studio с использованием MLX и mlx_vlm. Модель оптимизирована для запуска на устройствах с Apple Silicon и предназначена для задач преобразования изображений, аудио и видео в текст, включая распознавание речи, автоматический перевод речи и обработку мультимодальных запросов. Модель использует архитектуру и возможности исходной gemma-3n-E4B-it, однако README не содержит подробностей о внутренней архитектуре, фактическом числе параметров, поддерживаемых языках или размере контекста. Ключевое преимущество этой версии — 8-битное представление, ориентированное на эффективный локальный запуск на Apple Silicon. Ограничения включают возможные потери качества из-за квантизации, зависимость производительности от оборудования и отсутствие в предоставленных данных точных характеристик мультимодальных возможностей. Модель распространяется по лицензии Gemma. Для доступа к исходной модели на Hugging Face требуется ознакомиться с лицензией Google и принять её условия. LM Studio не является создателем или владельцем модели и не гарантирует её точность, безопасность или пригодность для конкретных задач.

GLM-4-Voice-9B — языковая часть речевой модели Zhipu AI, построенная на GLM-4-9B и дополнительно предварительно обученная и выровненная для работы с речевой модальностью. Она обрабатывает дискретизированное представление речи и предназначена для голосового общения на китайском и английском языках в реальном времени. В полной системе GLM-4-Voice модель понимает и генерирует речь, а также может менять эмоцию, интонацию, темп и диалект по инструкции пользователя. Модель имеет плотную архитектуру семейства ChatGLM и около 11,4 млрд параметров; длина контекста составляет 8192 токена. Этот репозиторий содержит только языковую часть системы, поэтому сам по себе не описывает полный речевой конвейер. Карточка не приводит подробностей о лицензии или ограничениях качества.

Это дообученная AI4Bharat модель распознавания речи на базе ai4bharat/indicwav2vec-hindi. Она использует архитектуру Wav2Vec2 с CTC-декодированием и предназначена для преобразования аудиоречи на хинди в текст. Модель содержит 402,7 млн параметров и распространяется в формате Safetensors для библиотеки Transformers. На указанном в карточке наборе оценки модель достигла loss 0,3157 и глобального WER 15,1236. Данные обучения и подробные ограничения в карточке не раскрыты. Лицензия — Apache-2.0.

Модель reazon-research/japanese-hubert-base-k2-rs35kh — акустическая модель для автоматического распознавания японской речи. Её разработала команда Reazon Research: HuBERT Base дообучена на корпусе ReazonSpeech v2.0 с использованием фреймворка k2. Модель содержит около 117,3 млн параметров, реализована как HubertForCTC и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для преобразования японской речи в текст, включая длинные записи. В тестах авторов она показала CER 11,23% в среднем по указанным наборам и 27,05% на JSUT-BOOK; результаты зависят от данных и условий распознавания. Модель принимает аудио и выдаёт текст. Лицензия Apache-2.0.

aadel4/kid-whisper-small-en-myst — модель распознавания речи на основе Whisper Small English, разработанная путём дообучения openai/whisper-small-en. Она предназначена для преобразования англоязычной речи в текст; в карточке указаны обучающий набор Myst Train объёмом 125 часов и проверочный набор Myst Dev объёмом 20,9 часа. Архитектура — WhisperForConditionalGeneration, размер — 153,1 млн параметров; репозиторий содержит веса PyTorch. На проверочном наборе указаны WER 8,51 и loss 0,27. Модель распространяется по лицензии Apache-2.0. Карточка не уточняет назначение названия «kid» и не приводит сведения о контекстном окне или сценариях для детской речи, поэтому такие свойства не предполагаются.

onnx-community/kotoba-whisper-v2.2-ONNX — это ONNX-версия модели kotoba-tech/kotoba-whisper-v2.2, подготовленная для использования с библиотекой transformers.js. Модель была автоматически конвертирована и опубликована сообществом onnx-community на Hugging Face. По представленным данным, модель относится к семейству Whisper и предназначена для задач обработки аудио, однако конкретные поддерживаемые сценарии, языки, модальности, размер, параметры архитектуры и длина контекста в README не указаны. Формат ONNX может быть удобен для запуска в совместимых средах и приложениях на базе transformers.js, но сведения о производительности, требованиях к ресурсам и ограничениях отсутствуют. Лицензия и условия использования в предоставленном README не указаны; для их определения необходимо обратиться к карточке базовой модели kotoba-tech/kotoba-whisper-v2.2 и метаданным данного репозитория.

llama3-s-2024-07-08 — языковая модель на архитектуре Llama 3, разработанная Homebrew Research на основе Meta-Llama-3-8B-Instruct. Модель дообучена для понимания звука и текста; принимает текст и аудио, а выдаёт текст. В репозитории указаны 7,5 млрд параметров, контекст 8192 токена и формат Safetensors. Модель предназначена для диалоговых задач и экспериментов с пониманием аудио, включая ответы на вопросы о звуковом содержимом. В карточке заявлена поддержка английского языка. Разработчик указывает исследовательские сценарии как основное назначение; при этом известны сведения о дообучении на наборе Instruction Speech v1. Лицензия — Apache 2.0.

Карточка модели servantofares/Ming-flash-omni-2.0 на Hugging Face совпадает с карточкой inclusionAI/Ming-flash-omni-2.0, поэтому описание составлено по ней. Ming-flash-omni 2.0 — мультимодальная модель от inclusionAI на архитектуре Ling-2.0 с Mixture-of-Experts: 100 млрд параметров всего, 6 млрд активных. Она принимает изображения, текст, видео и аудио, а выдаёт текст, изображения и аудио. Модель предназначена для мультимодального понимания и генерации, включая анализ визуальных сцен и знаний об объектах, потоковый диалог по видео, распознавание речи, синтез речи и музыки, а также создание и редактирование изображений. Среди заявленных возможностей — распознавание растений, животных, культурных объектов и достопримечательностей, управление характеристиками генерируемого аудио и клонирование голоса с нулевым примером. Для изображений заявлены генерация, сегментация и редактирование, в том числе удаление объектов и композиция сцен. Карточка описывает версии 2.0 как официальную открытую модель; лицензия репозитория — MIT. README не приводит подробностей о поддерживаемых языках, длине контекста, аппаратных требованиях или результатах независимой оценки; архитектура и заявленные способности не гарантируют качество на каждом сценарии. Метаданные указывают форматные варианты PyTorch, ONNX, Flax и TensorFlow.

Карточка модели andrewheins55/Ming-flash-omni-2.1 на Hugging Face совпадает с карточкой inclusionAI/Ming-flash-omni-2.0, поэтому описание составлено по ней. Ming-flash-omni 2.0 — мультимодальная модель от inclusionAI на архитектуре Ling-2.0 с Mixture-of-Experts: 100 млрд параметров всего, 6 млрд активных. Она принимает изображения, текст, видео и аудио, а выдаёт текст, изображения и аудио. Модель предназначена для мультимодального понимания и генерации, включая анализ визуальных сцен и знаний об объектах, потоковый диалог по видео, распознавание речи, синтез речи и музыки, а также создание и редактирование изображений. Среди заявленных возможностей — распознавание растений, животных, культурных объектов и достопримечательностей, управление характеристиками генерируемого аудио и клонирование голоса с нулевым примером. Для изображений заявлены генерация, сегментация и редактирование, в том числе удаление объектов и композиция сцен. Карточка описывает версии 2.0 как официальную открытую модель; лицензия репозитория — MIT. README не приводит подробностей о поддерживаемых языках, длине контекста, аппаратных требованиях или результатах независимой оценки; архитектура и заявленные способности не гарантируют качество на каждом сценарии. Метаданные указывают форматные варианты PyTorch, ONNX, Flax и TensorFlow.

moonshine-ai/moonshine-base-ja — модель автоматического распознавания речи для японского языка из семейства Moonshine. Модель доступна через библиотеку Transformers и распространяется в формате Safetensors; разработчик и точная архитектура в предоставленной карточке не указаны. Модель предназначена для преобразования японской речи в текст и может использоваться в транскрибации аудиозаписей, голосовых заметок, субтитрировании и интеграции распознавания речи в приложения. В метаданных указано окно контекста 194 токена. В предоставленных материалах нет результатов оценки качества, сведений о тренировочных данных, размере модели, поддерживаемых аудиоформатах или рекомендаций по применению. Лицензия обозначена как other, поэтому перед использованием необходимо проверить полный текст условий лицензирования.

Moonshine Tiny UK — модель распознавания речи компании Moonshine AI, ранее известной как Useful Sensors. Это компактная seq2seq-модель с архитектурой Moonshine, предназначенная для транскрибации украинской речи в текст на устройствах с ограниченными вычислительными ресурсами и памятью. По README, модель содержит 27 млн параметров; в метаданных указан контекст 194 токена. Она принимает аудио и выдаёт текст, а библиотека для работы — Transformers. Модель рассчитана на разработчиков систем распознавания речи, в том числе для транскрибации в реальном времени и сценариев с недорогим оборудованием. В README приведены результаты оценки на Fleurs и Common Voice 17, но они не гарантируют точность в конкретных условиях. Возможны галлюцинации и повторы, особенно на коротких фрагментах и аудио с обрезанными словами. Лицензия обозначена как other; дополнительные условия в предоставленных данных не описаны.

omniASR-CTC-300M-v2-Zulu-Lwazi — модель распознавания речи на архитектуре Wav2Vec2 с CTC-декодированием, преобразованная из контрольной точки OmniLingual fairseq2 omniASR_CTC_300M_v2. Она принимает аудио и выдаёт логиты CTC по словарю SentencePiece, которые используются для транскрибирования речи. Архитектура включает 24 слоя энкодера и скрытый размер 1024; в метаданных указано 413,2 млн параметров. README подтверждает численное соответствие исходной контрольной точке на тестовом аудиофрагменте. Модель предназначена для автоматического распознавания речи. В названии указаны Zulu и Lwazi, однако README сообщает о поддержке нескольких языков и не перечисляет их, поэтому основной язык определить нельзя. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

NVIDIA Parakeet-RNNT 110M Danish — модель автоматического распознавания речи с 110 млн параметров для преобразования датской речи в текст. Она предназначена для транскрибирования аудиозаписей и интеграции в приложения распознавания речи. Модель использует архитектуру FastConformer с предсказательной сетью LSTM и обучена с функцией потерь RNN-T. На вход подаётся монофоническое аудио с частотой 16 кГц, на выходе — строка с распознанным текстом. В README приведены оценки WER от 8,8% до 10,7% на датских тестовых наборах при жадном декодировании без внешней языковой модели. Для работы используется NVIDIA NeMo; модель оптимизирована для систем с GPU NVIDIA. Модель подходит для коммерческого и некоммерческого использования согласно README. В метаданных указана лицензия other, поэтому перед внедрением следует проверить применимые условия распространения и использования. Качество может зависеть от акустики, акцента и соответствия аудио обучающим данным; заявленные оценки относятся к указанным наборам и настройке декодирования.

bofenghuang/phonemizer-wav2vec2-ctc-french — модель распознавания французской речи, построенная на архитектуре wav2vec2 с выходной CTC-головой. В метаданных указано 402,7 млн параметров; модель опубликована в формате safetensors и использует аудио на входе. Модель предназначена для преобразования аудиозаписей на французском языке в текст. В карточке указан датасет Mozilla Common Voice 13.0. Лицензия — MIT. README содержит только краткое указание на инференс аудио и не описывает подробности качества или ограничения.

Это экспериментальный чекпойнт Immich на базе LED-base для суммаризации диалогов и совещаний. Модель обучена на подходящем подмножестве корпуса AMI Meeting Corpus с seed 42; вариант baseline рассчитан на обработку полной записи совещания либо на иерархический конвейер сегментации, извлечения и генерации. Архитектура — LED для генерации последовательностей, размер — 95,2 млн параметров; веса представлены в safetensors. Использовать модель можно через Transformers как seq2seq-модель. Модель подходит для создания кратких итогов совещаний и диалогов на материале AMI. В карточке не подтверждены языки, длина контекста и сравнительное качество, поэтому их нельзя надежно охарактеризовать. Лицензия — MIT.

bark07/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная языковая модель семейства Qwen3, разработанная bark07 и дообученная на основе NotoriousH2/Qwen3-0.6B-JSON-SFT. В репозитории указано обучение с использованием Unsloth и TRL. Модель предназначена для генерации текста в диалоговом формате; базовая модель ориентирована на извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний в JSON. Модель содержит 507,9 млн параметров, принимает текст и поддерживает контекст до 40 960 токенов. Доступна в формате safetensors, лицензия — Apache-2.0. Карточка не уточняет, насколько именно эта версия сохраняет специализацию базовой модели на корейских протоколах и структурированном JSON.

Renesas публикует сборку Qwen3-ASR-1.7B для распознавания речи на платформе Renesas X5H. Модель поддерживает определение языка и транскрибацию речи на 30 языках, а также 22 китайских диалектах. В архитектуре указаны аудиоэнкодер с 24 слоями и скрытым размером 1024 и текстовый декодер с 28 слоями и скрытым размером 2048; исходная модель — Qwen/Qwen3-ASR-1.7B. Репозиторий предназначен для инференса на плате Renesas X5H с SDK версии 4.34.0. README приводит замеры для 15-секундного англоязычного аудио: для W4A16 и FP16 на одном кластере NPX указана скорость предварительной обработки и декодирования. Для запуска требуются соответствующие файлы модели и проектора, а также установщик для X5H. Модель принимает аудио и выдаёт распознанный текст; базовая модель поддерживает потоковую обработку, согласно краткому описанию в метаданных. Репозиторий распространяется по лицензии Apache-2.0. Приведённые показатели производительности относятся к указанной платформе и конфигурациям, поэтому не характеризуют скорость на другом оборудовании.

Qwen3 ASR Refiner 0.6B — дообученная модель Aye10032 на базе Qwen/Qwen3-0.6B для постобработки китайских транскриптов распознавания речи. Она преобразует разговорный и спонтанный китайский текст в краткий, естественный письменный китайский, сохраняя исходный смысл; подходит для нормализации результатов ASR и подготовки расшифровок к чтению. Модель использует плотную авторегрессионную архитектуру Qwen3ForCausalLM, содержит около 507,9 млн параметров и поддерживает контекст до 40 960 токенов. Веса BF16 в формате Transformers, адаптер LoRA объединён с базовой моделью, поэтому PEFT для загрузки не требуется. Репозиторий распространяется по лицензии Apache-2.0; датасет обучения WenetSpeech-Formal-Text имеет лицензию CC BY 4.0, для него следует соблюдать требования атрибуции и цитирования.

Qwen-Audio-Chat — мультимодальная аудиоязыковая модель семейства Qwen, разработанная Alibaba Cloud. Это диалоговая версия Qwen-Audio, полученная инструкционным дообучением; она поддерживает многоходовые диалоги об аудио и принимает аудио и текст, а отвечает текстом. Модель предназначена для понимания и анализа речи, окружающих звуков, музыки и песен. Она поддерживает более 30 аудиозадач и сценарии вроде распознавания и интерпретации речи, ответов на вопросы об аудиозаписях, рассуждений о звуках, анализа нескольких аудио и обсуждения музыки. В README также заявлена поддержка использования внешних инструментов для редактирования речи. В метаданных указаны архитектура QWenLMHeadModel, 11,4 млрд параметров и контекст 2048 токенов. Заявлены поддержка китайского и английского языков и форматы весов safetensors. README описывает сильные результаты на ряде аудиобенчмарков, однако не приводит подробных ограничений и условий лицензии; их нельзя установить по предоставленным данным.

Whisper-small — модель автоматического распознавания речи, экспортированная в формате ExecuTorch для библиотеки React Native ExecuTorch. Репозиторий поддерживается Software Mansion, а исходной моделью является openai/whisper-small. Предназначена для запуска распознавания речи непосредственно на мобильных и других устройствах через React Native без необходимости использовать серверную инфраструктуру. Доступны варианты для бэкендов Core ML, MLX, Vulkan и XNNPACK с точностью fp16, int8 или fp32. Размер файлов варьируется примерно от 276 МБ для MLX int8 до 1,1 ГБ для XNNPACK fp32. В комплект входят программы ExecuTorch .pte и токенизатор. README не содержит сведений о языках, размере контекста, точной архитектуре или поддерживаемых модальностях сверх назначения для автоматического распознавания речи. Сильными сторонами являются возможность локального выполнения и наличие вариантов, оптимизированных под разные аппаратные бэкенды и уровни точности. Ограничениями выступают значительный размер файлов, зависимость от конкретного бэкенда и версии среды выполнения: модели опубликованы для ExecuTorch v1.4.1, а обратная совместимость с более старыми версиями не гарантируется. Репозиторий распространяется по лицензии Apache-2.0.