I.7Речь, диалоги и встречи

whisper-tiny.en — англоязычная модель автоматического распознавания речи, разработанная OpenAI и экспортированная командой Software Mansion для библиотеки React Native ExecuTorch. Модель предназначена для преобразования английской речи в текст непосредственно на мобильных и других устройствах с поддержкой ExecuTorch, включая приложения на React Native. Репозиторий содержит программы ExecuTorch в формате .pte для бэкендов Core ML, MLX, Vulkan и XNNPACK. Доступны варианты с точностью fp16, bf16, int8 и fp32; размер файлов зависит от бэкенда и точности и составляет примерно от 57 до 222 МБ. Модель поддерживает английский язык и относится к классу automatic speech recognition. Архитектура и размер исходной модели в README не описаны; указано лишь, что это upstream-модель OpenAI whisper-tiny.en. К сильным сторонам относятся возможность локального выполнения на устройстве, несколько аппаратно-программных бэкендов и варианты с пониженной точностью для снижения требований к ресурсам. Ограничения включают поддержку только английского языка, зависимость от совместимого бэкенда и отсутствие гарантии обратной совместимости ExecuTorch: файлы опубликованы для ExecuTorch v1.4.1, поэтому старые версии runtime могут не загрузить модель. Лицензия — Apache-2.0.

pyannote/segmentation-3.0 — модель сегментации речи и активности говорящих от Séverin Baroudi, обученная с помощью pyannote.audio 3.0. Она принимает монофонический звук длительностью 10 секунд с частотой 16 кГц и выдаёт матрицу по временным кадрам с семью классами: тишина или неречевая активность, три отдельных говорящих и три возможные пары говорящих при перекрытии речи. Модель подходит для определения голосовой активности, сегментации говорящих и обнаружения одновременной речи в аудиофрагментах; сама по себе она не выполняет диаризацию целых записей, для которой нужен дополнительный пайплайн и модель эмбеддингов говорящих. Обучение проводилось на объединении наборов AISHELL, AliMeeting, AMI, AVA-AVD, DIHARD, Ego4D, MSDWild, REPERE и VoxConverse. Для использования требуется pyannote.audio 3.0, принятие условий модели на Hugging Face и токен доступа. Модель распространяется по лицензии MIT; README рекомендует рассмотреть сервис pyannoteAI для более быстрого и качественного промышленного применения.

Это модель сегментации речи для диаризации, разработанная сообществом diarizers-community. Она дообучена на испаноязычной части датасета Callhome на основе pyannote/segmentation-3.0 и предназначена для определения речевой активности и сегментов, связанных с говорящими, в аудиозаписях. Её можно использовать через библиотеку diarizers или включить в конвейер диаризации pyannote. На оценочном наборе указаны Loss 0,5198 и DER 0,1745; также приведены показатели ложных срабатываний, пропусков и ошибок идентификации говорящих. Модель распространяется в формате safetensors по лицензии MIT. Метаданные описывают базовую модель как сегментатор 10-секундных фрагментов, способный учитывать перекрывающуюся речь.

ctaguchi/ssc-lth-model — модель распознавания речи, дообученная на основе facebook/wav2vec2-xls-r-300m с помощью Transformers. Она принимает аудио и преобразует речь в текст; размер модели — 402,7 млн параметров. В карточке приведены результаты оценки: CER 0,3085 и WER 0,7821, однако сведений о языке и наборе данных для обучения нет. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Указанные метрики оценки и отсутствие описания сценариев применения ограничивают возможность судить о качестве распознавания для конкретных языков и условий записи.

TEA-ASR-1.1-fmt — модель распознавания речи, разработанная автором репозитория как дообученная версия Qwen3-ASR-1.7B. Она предназначена для транскрибации тайваньского мандаринского китайского с традиционной письменностью и местной лексикой, в том числе речи с переключением между китайским и английским. Вариант fmt позволяет задавать формат записи числительных через префикс декодера: арабскими цифрами или китайскими иероглифами. Модель использует архитектуру Qwen3-ASR и доступна в формате safetensors для Transformers. По описанию, дообучение выполнено с помощью LoRA для декодера и энкодера с последующим слиянием адаптеров в единый чекпойнт. Управление форматом чисел является сильным смещением, а не гарантированным переключателем; на отдельных тестах вариант уступает TEA-ASR-1.1 по точности, особенно при плотном китайско-английском переключении. Лицензия — MIT.

Модель mouseyy/uk_wav2vec2_with_stress_mark — дообученная разработчиком mouseyy модель Wav2Vec2ForCTC для распознавания украинской речи с транскрипцией и обозначением лексического ударения. Она принимает аудио и выдаёт текст; обучалась на Common Voice 17.0. В README приведены результаты на оценочной выборке: WER 0,2984 и CER 0,1512. Модель содержит около 402,7 млн параметров и распространяется в формате Safetensors. Лицензия — Apache-2.0. Она предназначена для автоматической транскрипции украинской речи, включая вывод ударений; качество может различаться на других типах аудио и данных, поскольку сведения об обучении и ограничениях в карточке не раскрыты.

Uzbek Whisper Small STT v2 — модель автоматического распознавания речи на узбекском языке, созданная на основе Whisper Small и дообученная на Mozilla Common Voice 26. В README указаны три эпохи обучения и 9 195 шагов оптимизации; оценка проводилась на узбекской тестовой выборке Common Voice 26. Модель предназначена для преобразования узбекской речи в текст. Файлы основной ветки представлены в формате CTranslate2 FP16 для запуска через faster-whisper; это не стандартный чекпойнт Transformers. README не сообщает лицензию. Точность может снижаться на записях с шумом, другими микрофонами, стилями речи и диалектами, а также на аудио, отличном от Mozilla Common Voice. Перед развёртыванием рекомендуется проверить модель на характерных для приложения записях.

Voxtral-Mini-3B-2507-estonian-GGUF — GGUF-квантизированная версия модели Voxtral-Mini-3B-2507-estonian, разработанной TalTechNLP и опубликованной в формате GGUF пользователем mradermacher. Модель предназначена для мультимодальной работы с аудио, включая распознавание эстонской речи, транскрипцию, перевод и задачи понимания аудиосодержимого. Заявлены эстонский и английский языки. Модель относится к семейству Voxtral и имеет размер около 3 млрд параметров; точные сведения об архитектуре и размере контекстного окна в README не указаны. Для работы с аудио доступны отдельные мультимодальные компоненты mmproj в вариантах Q8_0 и f16. Представлены квантизации от Q2_K до Q8_0, а также вариант f16; размеры файлов составляют примерно от 1,8 до 8,1 ГБ. В README рекомендуются Q4_K_S и Q4_K_M как быстрые варианты, а Q8_0 описан как вариант с лучшим качеством. К сильным сторонам относятся поддержка аудио и эстонского языка, мультимодальные сценарии и широкий выбор уровней квантизации для подбора баланса между качеством, скоростью и требованиями к памяти. Ограничения включают отсутствие подробных данных о точности, контекстном окне, архитектуре и поддерживаемых режимах вывода; качество зависит от выбранной квантизации. Модель распространяется под лицензией Apache-2.0.

Модель разработана CLEAR-Global и представляет собой дообученную версию facebook/w2v-bert-2.0 для автоматического распознавания речи на языке хауса. Это плотная модель архитектуры Wav2Vec2-BERT с классом Wav2Vec2BertForCTC, содержащая 402,8 млн параметров; она принимает аудио и выдаёт распознанный текст. Модель обучена на наборе CLEAR-GLOBAL/HAUSA_579_993H_YOURTTS - NA. На оценочном наборе указаны Loss 0,2249, WER 0,3234 и CER 0,1866. Подходит для транскрибирования записей на хауса и построения систем распознавания речи для этого языка. Опубликована в формате safetensors для библиотеки Transformers. Лицензия — MIT. В карточке отмечено, что модель дообучена от facebook/w2v-bert-2.0; подробные сведения о других ограничениях и условиях оценки не приведены.

Модель Nachuwu/wav2vec2-fleur-mms-batch6-epoch16-finetunning — дообученная версия Wav2Vec2 для автоматического распознавания речи и преобразования аудио в текст. Она обучена на наборе данных audiofolder и использует архитектуру Wav2Vec2ForCTC; размер модели — 1,3 млрд параметров. На оценочном наборе указаны loss 0,7739 и WER 0,5252. Карточка не описывает языки, аудиоформат или условия применения. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

GetmanY1/wav2vec2-large-fi-lp-cont-pt-1500h — модель распознавания речи на основе Wav2Vec2 Large, дообученная Ярославом Гетманом и Тамасом Гросом на 1500 часах разговорной финской речи из корпуса Lahjoita puhetta (Donate Speech). Она преобразует финскую речь в текст и предназначена для транскрибации аудио. Модель содержит 402,7 млн параметров и использует архитектуру Wav2Vec2ForCTC. Для работы требуется аудио с частотой дискретизации 16 кГц. При дообучении использовались аудиофрагменты длиной до 50 секунд, поэтому модель лучше подходит для коротких записей сопоставимой длительности. На более длинных записях могут возникать ошибки нехватки памяти; их можно обрабатывать фрагментами. Из-за состава обучающих данных модель может быть смещена в сторону разговорного финского языка. Лицензия — Apache-2.0.

KBLab разработала wav2vec2-large-voxrex-swedish — модель распознавания шведской речи на базе архитектуры Wav2Vec 2.0 Large с выходом CTC. Её дообучили на шведских радиопередачах, данных NST Swedish ASR Database и Common Voice; позднее добавили ещё 20 тысяч шагов обучения на Common Voice. Модель содержит около 402,7 млн параметров и принимает аудио с частотой дискретизации 16 кГц. Модель предназначена для преобразования шведской речи в текст, в том числе записей радио и голосовых данных общего характера. В README указана частота ошибок слов (WER) 2,5% на тестовой выборке NST и Common Voice; на тестовой выборке Common Voice — 8,49% без языковой модели и 7,37% с 4-граммной языковой моделью. Дополнительное обучение на Common Voice повысило результат на этой выборке, но несколько ухудшило результат на тесте NST и Common Voice. Модель распространяется по лицензии CC0 1.0.

jonatasgrosman/wav2vec2-large-xlsr-53-dutch — модель распознавания нидерландской речи, разработанная Jonatas Grosman. Это дообученная на нидерландском языке версия facebook/wav2vec2-large-xlsr-53 на обучающей и валидационной выборках Common Voice 6.1 и CSS10. Модель использует архитектуру wav2vec2 с CTC-декодером и содержит 402,7 млн параметров. Модель преобразует входящую речь в текст и подходит для транскрибации записей на нидерландском языке. Для подачи аудио требуется частота дискретизации 16 кГц. В карточке приведены оценки на тестовой выборке Common Voice 6.0 и наборе speech-recognition-community-v2/dev_data. Модель распространяется по лицензии Apache-2.0. Карточка не описывает языковую модель для декодирования; пример использования предусматривает распознавание без неё.

Wav2Vec2-Large-XLSR-53-Slovenian — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на словенском языке на данных Common Voice. Она принимает аудиозапись речи и преобразует её в текст; входной сигнал должен иметь частоту дискретизации 16 кГц. Модель построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Доступны веса PyTorch и Flax. В тесте на словенской части Common Voice указана метрика 36,04%; карточка не уточняет название метрики. Модель распространяется по лицензии Apache-2.0.

jonatasgrosman/wav2vec2-large-xlsr-53-spanish — модель распознавания испанской речи, разработанная Jonatas Grosman. Она дообучена на основе facebook/wav2vec2-large-xlsr-53 на обучающей и проверочной выборках Common Voice 6.1 и предназначена для преобразования аудиозаписей на испанском языке в текст. Модель построена на архитектуре Wav2Vec2ForCTC и содержит 402,7 млн параметров; для входной речи требуется частота дискретизации 16 кГц. Модель поддерживает распознавание речи без языковой модели и подходит для транскрибирования записей и оценки качества ASR на испаноязычных речевых наборах данных, включая Common Voice. В карточке приведена лицензия Apache-2.0. Результаты могут зависеть от акустических условий и отличий речи от обучающих данных; языковая модель в базовом сценарии не используется.

Модель voidful/wav2vec2-large-xlsr-53-tw-gpt — дообученная на традиционном китайском варианте для Тайваня (zh-TW) версия facebook/wav2vec2-large-xlsr-53. Она распознаёт речь и предназначена для транскрибирования аудио; README приводит результаты оценки на тестовой части Common Voice: CER 28,70 без языковой модели и 18,36 с GPT и поиском по лучу. Архитектура — Wav2Vec2 CTC, размер — 424,3 млн параметров. Входную речь следует подавать с частотой дискретизации 16 кГц. Модель подходит для создания расшифровок записей на zh-TW, в том числе материалов, похожих на записи Common Voice. Карточка указывает лицензию Apache-2.0. Приведённые оценки относятся к тестовым данным Common Voice; качество на других источниках речи может отличаться.

Wav2Vec2-Large-XLSR-53-Hindi-Marathi — модель распознавания речи, дообученная Tanmay Laud на базе facebook/wav2vec2-large-xlsr-53 на датасетах OpenSLR SLR64 для хинди и маратхи. Она преобразует аудиозаписи речи в текст и рассчитана на входной звук с частотой дискретизации 16 кГц. Модель использует архитектуру Wav2Vec2 с CTC-выходом и содержит около 402,7 млн параметров. В README приведены результаты WER 23,74% на тестовой выборке OpenSLR для хинди и маратхи и 44,08% на Common Voice Hindi; показатели относятся к указанным наборам и не гарантируют такую же точность на других данных. Модель распространяется по лицензии Apache-2.0.

m3hrdadfi/wav2vec2-large-xlsr-persian — модель распознавания персидской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice на персидском языке (фарси). Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; её можно запускать без отдельной языковой модели. Модель подходит для транскрибации персидской речи и оценки систем распознавания на тестовой части Common Voice. В карточке указан результат WER 32,20%; качество может отличаться на других наборах данных и условиях записи. Лицензия — Apache-2.0.

arampacha/wav2vec2-large-xlsr-ukrainian — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на украинском языке. Она основана на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров; доступны веса PyTorch и Flax. Для обучения использовались Common Voice и часть корпуса M-AILABS Ukrainian Corpus. Модель преобразует украинскую речь в текст и рассчитана на оценку и распознавание аудиозаписей. Входное аудио должно иметь частоту дискретизации 16 кГц; распознавание возможно без отдельной языковой модели. В карточке приведён результат оценки 29,89 на украинской тестовой выборке Common Voice, но метрика не уточнена. Модель распространяется по лицензии Apache-2.0.

wav2vec2-xls-r-1b-scandinavian-E3-100h-30-epochs-20250123 — модель распознавания речи, дообученная на базе facebook/wav2vec2-xls-r-1b. Она использует архитектуру Wav2Vec2ForCTC и содержит 1,3 млрд параметров; модель принимает аудио и преобразует речь в текст. Карточка называет данные для дообучения неизвестным датасетом и не уточняет поддерживаемые языки, несмотря на упоминание Scandinavian в названии. На оценочном наборе указаны WER 21,6559 и CER 5,6618. Модель подходит для распознавания речи в аудиозаписях; качество для конкретных языков и условий записи следует проверять отдельно. Распространяется по лицензии Apache-2.0.

AndrewMcDowell/wav2vec2-xls-r-300m-arabic — дообученная модель распознавания арабской речи, созданная на основе facebook/wav2vec2-xls-r-300m и обученная на арабской части набора Mozilla Common Voice 7.0. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, выдавая распознанный текст на арабском языке. В оценке на тестовом наборе указаны значение потерь 0,4502 и WER 0,4783. Модель подходит для преобразования арабской речи в текст. Опубликована в формате PyTorch под лицензией Apache-2.0.

Wikidepia/wav2vec2-xls-r-300m-indonesian — модель распознавания речи на индонезийском языке, разработанная Wikidepia на основе facebook/wav2vec2-xls-r-300m и дообученная на Common Voice 8.0 и MagicHub Indonesian Conversational Speech Corpus. Она принимает аудио и преобразует речь в текст; подходит для расшифровки записей и разговорной речи на индонезийском языке. Модель построена на архитектуре Wav2Vec2 с классификационной головой CTC и содержит около 402,7 млн параметров. Доступна в формате PyTorch, задача в Hugging Face указана как automatic-speech-recognition. Распространяется по лицензии Apache-2.0. Карточка не приводит метрик качества или подробностей об условиях записи, поэтому точность для конкретных акцентов, шумов и речевых ситуаций по этим данным оценить нельзя.

patrickvonplaten/wavlm-libri-clean-100h-large — модель распознавания речи на основе WavLM-Large, дообученная на чистой части датасета LibriSpeech ASR. Она предназначена для преобразования аудиозаписей речи в текст; архитектура использует CTC и содержит около 402,7 млн параметров. В README указаны результаты на оценочном наборе: WER 0,0491 и loss 0,0601. Модель может подойти для транскрибации записей, близких по условиям к чистой речи LibriSpeech. Метаданные указывают на PyTorch и обработку аудио. README не сообщает лицензию и дополнительные ограничения, поэтому условия использования следует сверить с базовой моделью и датасетом.

handy-computer/whisper-base.en-gguf — это конвертация англоязычной модели OpenAI Whisper base.en в формат GGUF для работы с transcribe.cpp. Модель предназначена для автоматического распознавания речи и преобразования английской речи в текст. Это encoder-decoder Transformer, обрабатывающий аудио окнами по 30 секунд и поддерживающий пакетированное декодирование длинных записей. Модель ориентирована на сценарии локальной транскрибации английской речи, включая обработку WAV-файлов с частотой 16 кГц и монофоническим каналом. Доступны варианты F32, F16 и квантизации Q8_0, Q6_K, Q5_K_M и Q4_K_M; их размер составляет от 59 до 292 МБ. Для LibriSpeech test-clean заявленная ошибка распознавания WER составляет от 4,13% до 4,30% в зависимости от варианта. Модель не поддерживает потоковую обработку, перевод речи, автоматическое определение языка и выдаёт сегментные временные метки. Преимуществами являются компактные квантизованные варианты, возможность использования через transcribe.cpp и близкое к исходной модели качество распознавания при существенно меньшем размере. Основные ограничения — поддержка только английского языка, отсутствие потокового режима и функций перевода, а также зависимость качества и скорости от выбранного уровня квантизации и оборудования. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели OpenAI.

Whisper-Hindi2Hinglish-Swift — модель распознавания речи Oriserve на архитектуре Whisper Base, дообученная для транскрибации разговорной хинди в хинглиш: речь записывается латиницей с использованием английских букв и сохраняет распространённые смешанные формы. Модель принимает аудио и выдаёт текст; в метаданных указаны 51,7 млн параметров, библиотека Transformers и формат safetensors. Модель предназначена для распознавания хинди с индийским акцентом, в том числе в шумной обстановке. По данным карточки, для дообучения использовали около 550 часов специально собранных и размеченных аудиозаписей; авторы заявляют о снижении галлюцинаций и улучшении результатов относительно исходной Whisper Base на описанных бенчмарках. В примерах использования приведена настройка распознавания с параметром языка "en", поэтому поведение следует проверять на целевых аудиозаписях. Модель распространяется по лицензии Apache-2.0. Результаты и характеристики основаны на оценках авторов; карточка не даёт гарантий качества для иных условий записи или вариантов речи.

LokaalHub разработал whisper-klein-nl — компактную модель распознавания речи на базе Whisper tiny, дообученную на нидерландском наборе LokaalHub/nl-asr-cv. Она преобразует нидерландскую речь в текст и рассчитана на локальный запуск, в том числе на CPU. По README, дообучение примерно на 94,4 часа записей Common Voice снизило WER на тестовой выборке Common Voice с 44,03% до 22,34% относительно базовой модели; в отдельной таблице приведены результаты 29,16% на cv17-test и 38,99% на fleurs-test. Метаданные указывают 29,4 млн параметров, а README приводит другие значения размера модели, поэтому их нельзя считать согласованными. Модель использует архитектуру WhisperForConditionalGeneration и формат safetensors; библиотека запуска — Transformers. Репозиторий распространяется по лицензии Apache-2.0.

bardsai/whisper-large-v2-pl-v2 — дообученная BardsAI версия Whisper Large v2 для автоматического распознавания польской речи. Модель построена на архитектуре Whisper и содержит 905,2 млн параметров; она принимает аудио и выдаёт распознанный текст. Модель дообучена на Common Voice 11.0 и FLEURS. В карточке приведены результаты оценки: loss 0,3684 и WER 7,2802. Она подходит для транскрибирования польской речи, в том числе записей, похожих на данные этих наборов. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

yuriyvnv/whisper-large-v3-high-mixed-nl — модель распознавания нидерландской речи, созданная разработчиком yuriyvnv дообучением openai/whisper-large-v3. Она построена на архитектуре Whisper и содержит 905,2 млн параметров; принимает аудио и преобразует речь в текст. Модель обучена на нидерландских записях Common Voice 17.0 и синтетической речи, отфильтрованной по качеству с помощью WAVe. Карточка приводит WER 4,43% на тесте Common Voice и 20,29% на бенчмарке MLS. Модель предназначена для транскрибации чистой нидерландской речи общего назначения. Она может быть полезна для подготовки текстовых расшифровок аудиозаписей и сравнения качества ASR-систем. По карточке, обучающие данные преимущественно включали чистую речь; качество на технической лексике, шумных записях и региональных вариантах нидерландского может быть ниже. Модель распространяется по лицензии Apache-2.0.

sitwala/whisper-large-v3-turbo-anv-zul-150h — дообученная модель распознавания речи на базе OpenAI Whisper large-v3-turbo. Она предназначена для преобразования аудио в текст, с настройкой на набор данных dsfsi-anv/za-african-next-voices. В оценке на тестовой выборке указаны Loss 0,3443 и WER 25,2022. Модель использует архитектуру WhisperForConditionalGeneration, содержит 905,2 млн параметров и доступна в формате safetensors для библиотеки Transformers. Исходная Whisper large-v3-turbo — мультиязычная модель распознавания речи и перевода аудио в текст; карточка этой версии не уточняет языки и режимы, проверенные при дообучении. Лицензия — MIT.

handy-computer/whisper-medium.en-gguf — это набор GGUF-конвертаций модели OpenAI Whisper medium.en, подготовленный разработчиками transcribe.cpp для локального автоматического распознавания речи. Модель предназначена для преобразования англоязычной речи в текст и работает через transcribe.cpp. Она основана на архитектуре Transformer encoder-decoder и обрабатывает аудио окнами по 30 секунд с разбиением длинных записей на фрагменты. Модель поддерживает только английский язык. В данной интеграции отсутствуют потоковая обработка, автоматическое определение языка и перевод; доступны сегментные временные метки. Предлагаются варианты F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 504 МБ до 3,06 ГБ, что позволяет выбирать между качеством и требованиями к памяти. На наборе LibriSpeech test-clean указанный WER составляет от 2,72% для Q8_0 до 2,91% для Q4_K_M, что характеризует высокое качество распознавания в данном тесте. Сильными сторонами являются хорошее качество английской транскрипции, наличие нескольких уровней квантования и возможность локального запуска на CPU или совместимом ускорителе через transcribe.cpp. Ограничения включают английскую специализацию, отсутствие потокового режима, перевода и определения языка, а также зависимость качества и скорости от выбранного формата и оборудования. Для входных данных рекомендуется монофонический WAV с частотой 16 кГц. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.