I.7Речь, диалоги и встречи

Модель lighteternal/wav2vec2-large-xlsr-53-greek — акустическая модель распознавания греческой речи, созданная Hellenic Army Academy и Technical University of Crete на основе XLSR-Wav2Vec2. Архитектура Wav2Vec2ForCTC содержит 402,7 млн параметров; модель дообучена в течение 50 эпох на данных Common Voice и CSS10 для греческого языка. Модель преобразует аудиозаписи на греческом языке в текст и подходит для транскрибации речи. В README для тестовой выборки Common Voice указаны WER 10,50% и CER 2,88%; для инференса рекомендуется аудио с частотой дискретизации 16 кГц. Модель распространяется по лицензии Apache-2.0. Показатели оценки относятся к указанному тестовому набору; качество на других данных может отличаться.

ubamba98/wav2vec2-xls-r-1b-ro — модель распознавания речи, дообученная на базе facebook/wav2vec2-xls-r-1b на румынской части набора Mozilla Common Voice 7.0. Она использует архитектуру wav2vec2 с выходной головой CTC и предназначена для преобразования румынской речи в текст. На оценочной выборке указаны WER 0,4770 и CER 0,0306. Модель принимает аудио и выдаёт текст; в репозитории указаны веса PyTorch. Лицензия — Apache-2.0.

edugp/wav2vec2-xls-r-300m-36-tokens-with-lm-es — модель распознавания испанской речи, созданная дообучением facebook/wav2vec2-xls-r-300m на датасете Common Voice. Она использует архитектуру Wav2Vec2 с CTC-декодированием и дополнительной 5-граммовой языковой моделью KenLM. При обработке текста сохраняются строчные буквы a–z, испанские гласные с ударением и ü; другие символы удаляются. В README указаны результаты на оценочной выборке: WER 0,0868 и CER 0,0281. Модель принимает аудио и выдаёт испанскую транскрипцию. Репозиторий содержит веса PyTorch, модель насчитывает около 402,7 млн параметров и распространяется по лицензии Apache-2.0. Карточка не содержит подробных сведений о контексте применения и ограничениях качества за пределами указанной оценочной выборки.

Модель edugp/wav2vec2-xls-r-300m-cv8-es — дообученная на Common Voice версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи. Она принимает аудио и выдаёт текст; архитектура основана на Wav2Vec2ForCTC, число параметров — 402,7 млн. В оценке на наборе Common Voice модель показала WER 0,1931. Модель подходит для транскрибирования аудиозаписей на испанском языке. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. README не сообщает дополнительных сведений о режимах использования и ограничениях качества.

Sadegh Karimi дообучил Whisper Base на наборе Common Voice 20.0 для автоматического распознавания речи на фарси. Модель на архитектуре Whisper содержит 51,7 млн параметров и рассчитана на преобразование входящего аудио в текст; в метаданных указана задача automatic-speech-recognition. На тестовой выборке автор сообщает значение WER 10,3712 и loss 0,0813. Модель можно применять для транскрибации записей и голосовых сообщений на фарси. Репозиторий также содержит вариант ggml для запуска через whisper.cpp. Модель распространяется по лицензии Apache-2.0.

Whisper Small Italian — модель распознавания речи на архитектуре Whisper, дообученная автором whispy на базе openai/whisper-base на наборе Common Voice 11.0. Она преобразует итальянскую речь в текст и подходит для транскрибирования записей и голосовых сообщений. Модель содержит 153,1 млн параметров; доступные веса представлены в формате PyTorch. На оценочной выборке указаны loss 0,1185 и WER 17,3916. Лицензия — Apache-2.0.

Finnish-NLP разработала эту модель как дообученную на финских данных версию OpenAI Whisper Large V3 для распознавания финской речи. Модель семейства Whisper содержит около 905,2 млн параметров и принимает аудио, выдавая распознанный текст; она доступна в формате Safetensors и рассчитана на использование с Transformers. Модель предназначена для транскрибирования финской речи. В карточке приведены результаты на тестовых наборах Common Voice 11 и Google Fleurs: после 32 000 шагов дообучения WER составил 8,23 на Common Voice 11 и 8,21 на Fleurs. Используется лицензия Apache 2.0.

Whisper Large v3 Ai — дообученная Nurlan Salahaddinov версия мультиязычной модели OpenAI Whisper large-v3 для распознавания речи и преобразования аудио в текст. Модель содержит 905,2 млн параметров и основана на архитектуре Whisper; для обучения использован набор Mozilla Common Voice 17.0. Карточка приводит результат WER 1,1952 на оценочной выборке. Модель предназначена для автоматической транскрибации аудиозаписей, в частности для распознавания азербайджанской речи. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0.

Whisper large-v3 Persian — модель распознавания речи, созданная дообучением openai/whisper-large-v3 на персидских аудиозаписях из Mozilla Common Voice 17.0. Модель построена на архитектуре Whisper, содержит 905,2 млн параметров и принимает аудио, выдавая распознанный текст. Для запуска используется библиотека Transformers; веса представлены в формате safetensors. Модель предназначена для транскрибации речи на персидском языке. В README указано, что при дообучении использовали более 200 тысяч примеров; на оценочной выборке WER составил 26,5381. Авторы отмечают, что ошибки написания в датасете приводят к грамматическим недостаткам распознанного текста. Лицензия — Apache-2.0.

Модель dsfsi-anv/whisper-large-v3-turbo-anv-tsn — дообученная версия Whisper large-v3-turbo от OpenAI, созданная на датасете dsfsi-anv/za-african-next-voices. Это плотная модель архитектуры Whisper с примерно 905,2 млн параметров, предназначенная для автоматического распознавания речи и преобразования аудио в текст. Модель работает с аудиовходом и выдаёт текст; в метаданных указана библиотека Transformers и формат весов safetensors. На оценочном наборе модель показала loss 0,1287 и WER 16,884. Карточка не описывает подробно целевые языки, сценарии применения или ограничения качества, поэтому эти результаты нельзя переносить на другие наборы данных. Лицензия — MIT.

Это дообученная модель OpenAI Whisper large-v3-turbo, созданная oddadmix для распознавания арабской речи на разных диалектах. Модель построена на архитектуре WhisperForConditionalGeneration и содержит 809 млн параметров; принимает аудио и выдаёт текст. Обучение проводилось на наборе примерно из 36,8 тыс. очищенных и расширенных аудиоклипов, охватывающем левантийские, магрибские, египетский, заливные, суданский и иракский диалекты, а также литературный арабский. В тесте из 932 клипов модель показала WER 0,344 и CER 0,115 при заданной в карточке нормализации текста. Вывод без диакритических знаков; диалектное написание сохраняется. Модель работает офлайн на фрагментах длительностью до 30 секунд и не поддерживает потоковое распознавание. Качество на реальной речи зависит от диалекта: магрибские варианты распознаются сложнее. Разработчик рекомендует оценить модель на собственных данных перед производственным применением. Лицензия — Apache-2.0.

imTak/whisper_large_v3_turbo_Korean2 — дообученная модель распознавания речи на основе Whisper large-v3-turbo от OpenAI. Она предназначена для преобразования корейской речи в текст; в карточке указано дообучение на наборе Zeroth-Korean, а метаданные также связывают модель с Common Voice 17.0. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 905,2 млн параметров и работает через Transformers. На оценочном наборе автор приводит значение WER 5,2703 и loss 0,0670. Модель распространяется по лицензии MIT. Показатели приведены для указанного оценочного набора и сами по себе не гарантируют такое же качество на других данных и условиях записи.

Whisper large-v3-turbo-singlish — модель автоматического распознавания речи, разработанная Ming Jie Wong на основе openai/whisper-large-v3-turbo. Это encoder-decoder-модель семейства Whisper с 905,2 млн параметров, дообученная на 66,9 тыс. пар аудиозаписей и транскрипций из разговорного корпуса IMDA National Speech Corpus. Она предназначена для транскрибирования английской речи с особенностями сингапурского разговорного английского Singlish; аудиофрагменты обучающего набора были записаны с близко расположенных микрофонов, ограничены длительностью до 20 секунд и приведены к частоте 16 кГц. Модель принимает аудио и выдаёт текст. В README приведены результаты оценки на SASRBench-v1, но дополнительные сведения об экспериментах обещаны позднее. Распознавание может быть неточным при сложных условиях записи и для нестандартных вариантов речи, поэтому результаты стоит проверять перед чувствительным или производственным применением. Лицензия — MIT.

Это дообученная модель распознавания речи на базе OpenAI Whisper Medium, опубликованная пользователем dianavdavidson. Она предназначена для преобразования аудио в текст; название репозитория указывает на настройку для хинди и набора данных Vaani, однако README называет обучающий набор «None», поэтому эту специализацию нельзя подтвердить однозначно. Модель использует архитектуру WhisperForConditionalGeneration и формат safetensors. В README приведены результаты оценки: loss 0,4726 и Global WER 26,8624. Базовая модель содержит 455,8 млн параметров и поддерживает распознавание речи и перевод речи; лицензия этой модели — Apache-2.0.

Модель dianavdavidson/whisper-medium_mucs_62901_ratio_alldata_lr_1e-4_lgid_None_hinglish_mixed_scripts_FT — дообученная версия Whisper Medium от OpenAI для автоматического распознавания речи. Она принимает аудио и генерирует текст; в названии указана настройка на Hinglish со смешанными системами письма, однако README не уточняет состав данных и языковую поддержку. Модель построена на архитектуре WhisperForConditionalGeneration, содержит около 455,8 млн параметров и распространяется в формате Safetensors. В README приведены результаты оценки: loss 0,5005 и Global WER 27,9581; без описания набора данных и протокола оценки их нельзя напрямую интерпретировать как гарантию качества для конкретных записей. Лицензия — Apache 2.0. Карточка не описывает ограничения и рекомендуемые сценарии применения подробнее.

Jingmiao/whisper-small-chinese_base — дообученная модель распознавания речи на архитектуре Whisper Small, разработанная на основе openai/whisper-small. Она предназначена для преобразования китайской речи в текст; обучение проводилось на китайской части набора google/fleurs (cmn_hans_cn). Модель содержит 153,1 млн параметров и опубликована в формате PyTorch. На указанном в карточке наборе для оценки модель достигла значения WER 16,6439 и loss 0,3573. Лицензия Apache-2.0.

CKSINGH разработал эту модель как дообученную версию CKSINGH/whisper-small-hi-firefox для автоматического распознавания речи. Это модель семейства Whisper с архитектурой WhisperForConditionalGeneration и 153,1 млн параметров; репозиторий содержит веса PyTorch и Safetensors. Карточка приводит результаты оценки: WER 16,1932 и CER 12,5576, но не уточняет набор данных и условия тестирования. Модель предназначена для преобразования аудио на хинди в текст. Она распространяется по лицензии Apache-2.0.

Whisper Small Indonesian — модель распознавания речи, дообученная разработчиком cahya на основе openai/whisper-small. Она преобразует аудио на индонезийском языке в текст и предназначена для сценариев автоматической транскрибации. Архитектура — WhisperForConditionalGeneration; размер модели составляет 153,1 млн параметров. Для обучения использовались наборы Mozilla Common Voice 11.0, Magic Data, TITML и Google FLEURS. В карточке указаны результаты оценки: loss 0,1022 и WER 6,0592. Модель распространяется по лицензии CC; конкретный вариант лицензии в предоставленных данных не уточнён.

Whisper Small Manglish — дообученная модель OpenAI Whisper Small, созданная для автоматической транскрибации речи с переключением между малаялам и английским (Manglish). Она принимает аудио и выдаёт текстовую расшифровку; в метаданных указаны архитектура WhisperForConditionalGeneration и формат весов safetensors. Модель рассчитана на распознавание смешанной малаяламско-английской речи. На тестовой выборке Manglish ASR Benchmark модель показала WER 44,38% и CER 16,53%; в README сообщается, что обучение, валидация и тест не пересекались по клипам. Оценка проводилась только на этом бенчмарке, а строгая посимвольная и пословная сверка считает ошибками и варианты записи одного слова разными письменностями. Лицензия — Apache-2.0.

ElderlyDed/whisper-small-ru — дообученная модель распознавания речи на основе Whisper Small от OpenAI, созданная сообществом и обученная на Common Voice 11.0. Она предназначена для преобразования аудиозаписей в текст; название модели указывает на ориентацию на русский язык, однако метаданные карточки отмечают язык хинди, поэтому языковую специализацию следует считать неоднозначной. В оценке на наборе разработчика указаны Loss 0,1877 и WER 14,9519. Модель содержит 153,1 млн параметров и использует архитектуру WhisperForConditionalGeneration. Доступны веса в форматах PyTorch, safetensors и Flax. Лицензия — Apache-2.0. Карточка не описывает условия записи аудио, ограничения качества или подробности оценки.

handy-computer/whisper-tiny.en-gguf — это конвертация англоязычной модели OpenAI Whisper tiny.en в формат GGUF для использования с transcribe.cpp. Модель предназначена для автоматического распознавания речи и преобразования английской речи в текст, включая локальную обработку аудио на CPU или GPU. Поддерживается пакетная расшифровка, но потоковый режим, перевод и автоматическое определение языка отключены. Модель построена на архитектуре Transformer encoder-decoder и содержит около 39 млн параметров. Она обрабатывает аудио окнами по 30 секунд с разбиением длинных записей на фрагменты и возвращает сегментные временные метки. Доступны варианты F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 44 до 153 МБ. Квантизированные версии требуют меньше памяти, сохраняя близкое качество; например, WER на LibriSpeech test-clean составляет 5,72% для Q8_0 и 5,96% для Q4_K_M, тогда как для F32 — 5,77%. Сильные стороны модели — небольшой размер, высокая скорость и возможность запуска через transcribe.cpp на совместимом локальном оборудовании. Ограничение — поддержка только английского языка; модель не предназначена для многоязычной расшифровки, перевода или потоковой обработки. Для работы аудио должно быть подготовлено в формате WAV, 16 кГц, моно. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели OpenAI.

Модель wrice/whisper-tiny-grpo-0029b82-cv22-tiny-sft — версия Whisper tiny, дообученная автором репозитория с помощью GRPO и комбинированной награды на основе ошибок слов и символов. Она предназначена для автоматического распознавания речи и преобразования аудиозаписей в текст; обучающие данные взяты из Common Voice для 77 языковых локалей, а язык клипа задавался по локали набора данных. По карточке, лучший общий результат на валидационной выборке по 77 языкам составил WER 0,602 и CER 0,253. Это экспериментальная компактная модель на архитектуре Whisper, доступная в формате safetensors и используемая через Transformers. Лицензия — MIT. Автор характеризует рецепт обучения как proof of concept, а не готовую производственную систему. Результаты зависят от предметной области, акцента, языка и качества аудио; метрики получены на нормализованной выборке Common Voice и не гарантируют аналогичного качества на реальных записях.

Это дообученная модель распознавания речи burakaydinofficial на базе OpenAI Whisper tiny. В ней декодерное MHA-внимание преобразовано в MLA (Multi-Head Latent Attention), а затем модель восстановительно дообучена на прикладном наборе из 24 языков. Она содержит 29,4 млн параметров и предназначена для транскрибации речи, в частности при ограниченной памяти устройства: размер KV-кэша декодерного self-attention сокращён на 62,5%. Модель загружается через Transformers с trust_remote_code и версией 4.46.x; веса опубликованы в формате safetensors. В тестах CommonVoice-17 качество существенно различается по языкам. Для нескольких языков с малым объёмом данных ошибки очень высоки, поэтому результаты для них практически непригодны; целевая область — речь, записанная на потребительский микрофон, в спокойном режиме чтения. Сокращение кэша относится только к декодерному self-attention: память энкодера и cross-attention не сжата, поэтому экономия общей памяти при одном потоке скромнее. Модель распространяется по лицензии Apache-2.0.

Модель ARTPARK-IISc/whisper-tiny-vaani-hindi — дообученная на датасетах индийской речи версия Whisper-tiny от OpenAI, разработанная ARTPARK-IISc. Она предназначена для автоматического распознавания речи на хинди и преобразования аудиозаписей в текст. В README указано, что при дообучении использовано около 718 часов транскрибированной речи из Vaani, Gramvaani, IndicVoices, Fleurs, IndicTTS и Common Voice. Модель имеет архитектуру WhisperForConditionalGeneration и около 29,4 млн параметров; доступна в формате safetensors и рассчитана на использование через Transformers. В карточке приведены результаты оценки WER для Gramvaani, Fleurs и IndicTTS, но они различаются, поэтому качество может зависеть от набора данных и сценария записи. Лицензия — Apache-2.0.

oddadmix/Whisperv3-tunisian-codeswitch — дообученная модель распознавания речи на базе Whisper-large-v3, представленная для подзадачи NADI 2026 по распознаванию тунисской арабской речи с переключением между арабским, французским и английским языками. Модель принимает аудио и выдаёт транскрипцию; в README описано декодирование с параметрами language="ar" и task="transcribe". Модель дообучена на данных тунисской речи с переключением языков и записях TEDx из обучающей части NADI; использовались два эпоха обучения и SpecAugment. В README указаны WER 17,26% и CER 6,91% на валидации, а также WER 15,22 на слепом тесте. Это результаты конкретных наборов данных и протокола оценки; качество на других условиях может отличаться. Лицензия в предоставленных данных не указана.

aci-yoruba-phase7 — модель автоматического распознавания речи на архитектуре Wav2Vec2 с CTC-декодированием, разработанная Awesome-x. Она дообучена на базе Awesome-x/aci-yoruba-phase7; в карточке указано, что название обучающего набора данных не приведено. Модель содержит 402,7 млн параметров и принимает аудио, выдавая распознанный текст. Модель предназначена для преобразования речи в текст. В оценке на тестовом наборе указаны loss 0,9616 и WER 0,3836. Подробности о применении, языковом охвате, обучающих данных и ограничениях в карточке отсутствуют. Лицензия не указана.

ArTST ASR v2 — модель распознавания речи от Speech Lab при MBZUAI. Это вариант SpeechT5, дообученный для преобразования арабской речи в текст на наборе данных MGB2; модель доступна для использования через Transformers и хранится в формате safetensors. Модель предназначена для автоматической транскрипции арабской речи. Её можно применять для создания текстовых расшифровок аудиозаписей и построения систем распознавания речи на арабском языке. Карточка указывает, что модель дообучена от предварительно обученной ArTST; базовая модель доступна по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Карточка модели nguyenvulebinh/AV-HuBERT на Hugging Face совпадает с карточкой nguyenvulebinh/AV-HuBERT-MuAViC-en, поэтому описание составлено по ней. nguyenvulebinh/AV-HuBERT-MuAViC-en — реализация AV-HuBERT, разработанная на основе модели Audio-Visual Hidden Unit BERT и обученная на корпусе MuAViC. Это плотная модель с 403,7 млн параметров для распознавания речи по аудио и видео; сочетание модальностей предназначено для повышения устойчивости распознавания, особенно в шумных условиях. Репозиторий также содержит сценарии инференса и предварительной обработки аудио и видеокадров. Модель предназначена для аудиовизуального распознавания речи на английском языке. Весы опубликованы в формате safetensors и используются через Transformers. README указывает, что модель дообучена на MuAViC; отдельная лицензия в предоставленных данных не указана.

nguyenvulebinh/AV-HuBERT-MuAViC-en — реализация AV-HuBERT, разработанная на основе модели Audio-Visual Hidden Unit BERT и обученная на корпусе MuAViC. Это плотная модель с 403,7 млн параметров для распознавания речи по аудио и видео; сочетание модальностей предназначено для повышения устойчивости распознавания, особенно в шумных условиях. Репозиторий также содержит сценарии инференса и предварительной обработки аудио и видеокадров. Модель предназначена для аудиовизуального распознавания речи на английском языке. Весы опубликованы в формате safetensors и используются через Transformers. README указывает, что модель дообучена на MuAViC; отдельная лицензия в предоставленных данных не указана.

Canary-1B GGUF — это квантизированная версия мультиязычной модели NVIDIA Canary-1B, подготовленная handy-computer для запуска через transcribe.cpp. Модель предназначена для офлайн-распознавания речи и перевода речи в текст. Она принимает монофонические WAV-файлы с частотой 16 кГц и не поддерживает потоковую обработку. Модель содержит около 1 млрд параметров и использует архитектуру multitask AED с 24-слойным энкодером FastConformer и 24-слойным Transformer-декодером. Поддерживается автоматическое распознавание речи на английском, немецком, французском и испанском языках. Также доступны переводы с английского на немецкий, французский и испанский, а также с этих языков на английский, включая варианты с пунктуацией и капитализацией. Определение языка и временные метки не поддерживаются. Доступны варианты GGUF от F32 до Q4_K_M размером примерно от 4,09 ГБ до 730 МБ. На LibriSpeech test-clean заявленный показатель WER составляет 1,55% для F32, F16, Q8_0 и Q4_K_M и 1,57% для Q6_K и Q5_K_M; результаты на FLEURS для Q8_0 составляют 4,44–7,44% в зависимости от языка. Квантизация позволяет снизить требования к памяти при близком качестве, однако производительность зависит от оборудования. Модель распространяется по лицензии CC-BY-NC-4.0, разрешающей только некоммерческое использование.