I.7Речь, диалоги и встречи

marianbasti/distil-whisper-large-v3-es — дистиллированная модель распознавания речи на основе Whisper large-v3, созданная при сотрудничестве SandboxAI и Национального университета Рио-Негро. Модель обучена на наборе Mozilla Common Voice 16.1 и предназначена для транскрибации испанской речи; архитектура — WhisperForConditionalGeneration, размер — 905,2 млн параметров. Модель принимает аудио и выдаёт текст на испанском языке. Она поддерживает распознавание коротких записей и обработку длинных аудио с разбиением на фрагменты; в README также описан режим speculative decoding в связке с Whisper, который ускоряет генерацию при сохранении совпадения результатов с основной моделью. Для запуска используется библиотека Transformers версии 4.35 или новее. В карточке приведён результат 5,11% WER (10,15% orthogonal WER). Модель распространяется по лицензии MIT. Качество вне испанского языка и на аудио, отличающемся от данных Common Voice, в карточке не охарактеризовано.

DuplexJev-32B — исследовательская модель adventists-ai для извлечения решений из речи. Она принимает аудио вместе с текстовым вопросом и выдаёт распределение вероятностей по вариантам ответа, закодированным отдельными токенами. Это позволяет задавать несколько вопросов об одном аудиофрагменте, например, завершил ли говорящий реплику, кто говорит и какое настроение выражает голос. Модель объединяет аудиоэнкодер Qwen3-ASR-0.6B, обученный коннектор и языковую модель из Qwen3-VL-32B-Instruct; всего 33 млрд параметров в формате bf16. Энгодер обрабатывает 12,5 кадров в секунду, коннектор объединяет их попарно, формируя 6,25 аудиотокена в секунду. Модель рассчитана на короткую речь; карточка описывает китайский и английский языки. Для запуска предусмотрена интеграция с vLLM, а веса занимают около 62 ГБ и требуют GPU с достаточной памятью. В тестах модель показывает сильные результаты на речевых вопросах с выбором ответа, определении состояния очередности реплик, пола и эмоции говорящего. Оценка эмоций основана на актёрских корпусах, а распознавание речи и ответы на устные вопросы уступают работе с текстовой расшифровкой. Модель не оценивалась на потоковом аудио; выводы об эмоциях не следует применять для принятия решений о людях. Репозиторий архивирован и заменён версией DuplexJev-32B-Para. Лицензия CC BY-NC 4.0 допускает использование только на некоммерческих условиях.

Ekko PnC v2 — модель RyeAI для восстановления пунктуации, границ предложений и заглавных букв в датских транскриптах речи. Она сохраняет исходные слова и их порядок, поэтому подходит для обработки расшифровок с временными метками слов, диктовок и записей совещаний. Модель построена на ELECTRA и дообучена на jonfd/electra-small-nordic; размер — 37,2 млн параметров, контекст — до 512 токенов. Доступны веса Safetensors и ONNX, включая вариант ONNX с квантованием int8 для локального запуска. Модель принимает текст и предсказывает разметку токенов, на основе которой расставляет запятые, точки, вопросительные и восклицательные знаки, а также восстанавливает регистр. По данным карточки, версия v2 заметно лучше предыдущей обрабатывает длинную непрерывную речь и границы предложений, но на очень коротких фрагментах может добавлять лишние точки. Вопросительные знаки остаются слабым классом; модель не использует паузы или интонацию и не восстанавливает внутренний регистр слов вроде iPhone из строчной записи. Лицензия — CC BY 4.0.

stillerman/fdt-disfluency-distilbert-66m — модель разметки слов для удаления речевых запинок в расшифровках разговорной речи, разработанная в рамках проекта FluencyAI digital-twin. Она присваивает каждому слову один из тегов: KEEP, DELETE, KEEP_STRIP_COMMA или KEEP_CAPITALIZE; простая реконструкция по тегам формирует очищенный текст. Модель основана на DistilBERT base cased и содержит 65,8 млн параметров. Она рассчитана на текстовые транскрипты: README описывает синтетические запинки, добавленные к разговорным корпусам, но не указывает языки обучения. Контекст — до 512 токенов. Для проверки на русском тексте пригодность не подтверждена. На валидации указаны exact-match 0,9760 и F1 для класса DELETE 0,9935. Ограничение задачи — модель удаляет или локально форматирует слова и не предназначена для перефразирования; качество зависит от соответствия транскрипта данным обучения. Репозиторий включает квантованную ONNX-модель int8 для запуска в браузере через transformers.js; заявленное время обработки — около 10–50 мс на высказывание. Лицензия репозитория — Apache-2.0, однако данные обучения частично включали DailyDialog по CC BY-NC-SA; автор рекомендует считать модель исследовательским артефактом и не использовать её для коммерческого развёртывания без дополнительной проверки прав.

Модель h-gajdov/full_moonshine_tiny_wup1_ep3_lr1e-4 — полное дообучение Moonshine Tiny, выполненное h-gajdov для преобразования македонской речи в текст. Это модель распознавания речи с архитектурой encoder-decoder Moonshine и 27,1 млн параметров. Она принимает аудиосигнал в виде необработанной волновой формы; вычислительные затраты зависят от фактической длительности записи, что подходит для распознавания на устройствах с ограниченными ресурсами. Модель обучена на наборе vezilka-asri в течение трёх эпох. В README указаны результаты на отложенном тестовом наборе из 44 аудиофрагментов: WER 14,24 и CER 6,42; оценка точного совпадения целых высказываний неинформативна для длинных клипов. Декодер ограничен длиной 192 токена, а вызовы generate() не должны передавать параметры language или task. Модель опубликована в формате safetensors; лицензия в предоставленных данных не указана.

Модель представляет собой GGUF-конверсию GigaAM-v3 для библиотеки transcribe.cpp, подготовленную командой handy-computer на основе ai-sage/GigaAM-v3. Это офлайн-модель автоматического распознавания русской речи с жадным декодированием RNN-T. Она предназначена для преобразования 16 кГц моноаудио в текст и локального запуска без внешней языковой модели или подключения к интернету. В основе используется 16-слойный Conformer-энкодер; исходная модель GigaAM-v3 имеет около 220–240 млн параметров и предварительно обучалась на 700 000 часах русской речи с объективом HuBERT-CTC. Данная конверсия выводит строчные русские тексты без пунктуации, использует словарь из 33 символов и поддерживает токенные временные метки. Потоковая обработка, перевод и автоматическое определение языка не поддерживаются. Доступны варианты F32, F16 и квантизации Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 183 до 888 МБ. На полном тестовом наборе FLEURS ru из 775 высказываний показатель WER составляет около 8,07–8,12% в зависимости от квантизации. Модель ориентирована на русскую речь в различных доменах, включая естественную речь, колл-центры, фоновую музыку и речь с нетипичными характеристиками. Ограничения включают отсутствие пунктуации и нормализации текста, отсутствие потокового режима и ограничения базового декодирования для длинных аудиофайлов. Модель распространяется по лицензии MIT, унаследованной от базовой модели.

futo-org разработала Gravel CTC 440M — англоязычную модель автоматического распознавания речи на архитектуре Conformer. Она использует 440-миллионный аудиоэнкодер, выделенный из ibm-granite/granite-speech-4.1-2b-nar, и отдельную CTC-голову с BPE-256; адаптация LoRA объединена с весами модели. На вход подаётся необработанный аудиосигнал PCM с частотой 16 кГц. Модель предназначена для транскрибации английской речи и используется как учитель для дистилляции потоковых ASR-моделей FUTO. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Для загрузки в README указан trust_remote_code=True.

Это конверсия моделей KBLab/kb-whisper в формат Core ML, выполненная Micke Kring для использования через WhisperKit в приложениях macOS и iOS. Модель предназначена для автоматического распознавания речи из аудио; в карточке указан шведский язык. В репозитории не указано, какая именно версия исходной модели KBLab/kb-whisper была конвертирована. Файлы представлены в формате Core ML, библиотека — WhisperKit. Лицензия — Apache-2.0. Подробности об архитектуре и характеристиках исходной модели README предлагает смотреть в карточках оригинальных моделей.

LLaMA-3.1-8B-Omni — речевая языковая модель, разработанная авторами проекта LLaMA-Omni на базе Meta-Llama-3.1-8B-Instruct. Она принимает речевые инструкции и одновременно формирует текстовый и речевой ответы, поддерживая интерактивные диалоги с низкой задержкой; авторы заявляют задержку до 226 мс. Модель содержит 7,5 млрд параметров и использует архитектуру OmniSpeech2S Llama. Для запуска предусмотрены библиотека llama-omni и формат safetensors. В метаданных указано окно контекста 131 072 токена; карточка указывает английский язык. Лицензия обозначена как other, а README предлагает обращаться к авторам за коммерческой лицензией.

llama3-s-instruct-v0.2 — разработанная Homebrew Research плотная модель семейства Llama-3 с 7,5 млрд параметров. Она принимает текст и аудио и выдаёт текст; модель обучали улучшать понимание речи и звука, используя WhisperVQ как аудиотокенизатор и набор Instruction Speech WhisperVQ v2. Заявленный родной контекст — 131 072 токена. Модель предназначена для диалоговых сценариев и исследований понимания аудио на английском языке. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0. Карточка не приводит количественной оценки качества и подробных результатов тестирования.

Это модель распознавания речи, дообученная csikasote на базе facebook/mms-1b-all на наборе BIGC_MINI - BEM. Она использует архитектуру wav2vec2 с CTC-выходом и содержит 1,3 млрд параметров. Модель принимает аудио и преобразует речь в текст; в карточке указаны результаты оценки на тестовой выборке: Loss 34,8514 и CER 0,1197. Модель подходит для автоматической расшифровки аудио в сценариях, соответствующих данным BIGC_MINI - BEM. Базовая MMS-1B-All поддерживает более тысячи языков, однако README не уточняет, какие языки охватывает это дообучение. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Nemotron-3-Nano-Omni-30B-Abliterated-MM-bf16 — мультимодальная модель Matt Macosko на базе NVIDIA Nemotron-3-Nano-Omni-30B, подготовленная для запуска на Apple Silicon через MLX. Это сборка с directional ablation: автор удалил направление отказа из языковой части, оставив визуальную и аудиочасти без изменений. В README заявлены полноточные веса объёмом около 62 ГБ; тензоры совпадают с базовой моделью по именам и включают языковые, визуальные, звуковые и проекционные компоненты. Модель принимает текст и изображения и работает с аудио: она описывает изображения и транскрибирует речь. Основной сценарий по метаданным — image-text-to-text; для запуска README рекомендует mlx-vlm версии 0.6.12 или новее с поддержкой Omni. Базовая модель — mlx-community/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-bf16. Автор сообщает о проверке удаления отказов на тестовом наборе из шести примеров. Это не доказывает надёжность поведения на более широком наборе запросов. README прямо предупреждает, что защитное выравнивание удалено. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

Parakeet RNNT 0.6B — модель автоматического распознавания речи, совместно разработанная командами NVIDIA NeMo и Suno.ai. Эта версия представляет собой конвертацию базовой модели nvidia/parakeet-rnnt-0.6b в формат GGUF для использования с transcribe.cpp, подготовленную handy-computer. Модель предназначена для офлайн-транскрибации английской речи в текст. Она использует архитектуру FastConformer-Large примерно на 600 млн параметров с декодером RNN-T и жадным декодированием без внешней языковой модели. Поддерживается английский язык; результат выводится в нижнем регистре без пунктуации. Доступны варианты F32, F16 и квантованные версии Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 476 МБ до 2,47 ГБ. Сильная сторона модели — высокая точность на английской речи: показатель WER на LibriSpeech test-clean составляет 1,62% для большинства вариантов и 1,66% для Q4_K_M. Модель не поддерживает потоковую обработку, перевод и автоматическое определение языка, поэтому рассчитана на пакетную обработку заранее записанных аудиофайлов. Лицензия — CC-BY-4.0, унаследованная от базовой модели.

BuzzASR Polish — одноязычная модель автоматического распознавания польской речи, разработанная в рамках набора BuzzASR и дообученная полным циклом на основе openai/whisper-large-v3. Модель использует архитектуру WhisperForConditionalGeneration и содержит около 907,3 млн параметров; для польского заменён токенизатор, а при дообучении применялись речевые и текстовые данные. Модель предназначена для преобразования польской речи в текст, например для транскрибации записей и аудио. В README приведены результаты на тестовых выборках FLEURS и Common Voice 25.0; на объединённой выборке указаны CER 7,75% и WER 23,31%. Лицензия модели — MIT. Модель рассчитана только на польский язык. README предупреждает, что качество на других предметных областях и диалектах может отличаться от результатов на использованных тестовых наборах.

Ertas AI разработала QMSum locator — англоязычный cross-encoder на базе BERT MiniLM L6 для первого этапа двухэтапного конвейера суммаризации встреч с учётом вопроса. Модель оценивает релевантность пар «запрос — фрагмент стенограммы» и помогает выбрать фрагменты для передачи суммаризатору. Она обучена на парах запросов и окон стенограмм из обучающей части QMSum; размер модели — 25,9 млн параметров, максимальный контекст — 512 токенов. Лицензия — Apache 2.0. Эта версия настроена на окна длиной 900 слов в соответствии с зафиксированным протоколом оценки. Поскольку окно обычно токенизируется примерно в 1 150 токенов, модель читает лишь начальную часть большинства окон: около 97,3% окон обрезаются, в среднем обрабатывается 47,7% текста окна. Поэтому оценки могут не учитывать важное содержимое в конце фрагмента. Модель проверялась на англоязычных стенограммах встреч QMSum в академической сфере, проектировании продуктов и парламентских комитетах; перенос на другие типы документов не проверен. Релевантность определяется перекрытием с размеченными эталонными фрагментами QMSum.

Srota — модель автоматического распознавания речи, созданная командой проекта susrota.com. Она транскрибирует разговорную и учебную речь на хинглише, сохраняя естественное смешение письма: слова на хинди выводит деванагари, а английские слова — латиницей. Модель представляет собой полнопараметрическую донастройку Qwen/Qwen3-ASR-0.6B и объединяет аудиокодировщик AuT примерно на 180 млн параметров, проектор и языковую часть Qwen3-0.6B; общий размер составляет около 780 млн параметров. Для инференса указана библиотека Transformers, веса опубликованы в формате Safetensors. Srota предназначена для транскрибации разговоров, рассказов, вопросов и ответов, а также технических уроков и лекций на хинди с английскими вставками. В тестах на наборах HiACC и OpenSLR-104 модель показала меньшую частоту ошибок слов, чем базовая модель, в обоих доменах. Она рассчитана прежде всего на хинди-английскую речь с переключением языков, а не на чисто хинди или английский. Лицензия — Apache-2.0. Качество распознавания на учебной речи остаётся ограниченным: модель может ошибаться в командах, путях и номерах версий. Результаты на HiACC получены на данных с пересекающимися между обучением и тестом дикторами, поэтому качество на новых голосах может быть ниже. Ограниченное разнообразие акцентов, диалектов и доменов также может влиять на переносимость; для медицинских и юридических транскрипций требуется проверка человеком.

Srota-Conv — модель автоматического распознавания речи, созданная командой susrota.com на основе Qwen/Qwen3-ASR-0.6B. Она дообучена всеми параметрами на корпусе HiACC для транскрибации спонтанной разговорной речи на хинглише, где в одном высказывании смешиваются хинди и английский. В транскрипте модель сохраняет естественное написание: слова на хинди передаёт письмом деванагари, а английские — латиницей. Модель использует архитектуру Qwen3-ASR с аудиоэнкодером AuT, проектором и языковой моделью Qwen3; общий размер — около 780 млн параметров. В тесте HiACC авторы сообщают WER 14,23% против 24,53% у базовой модели. Модель предназначена прежде всего для разговорной речи, а не для технических обучающих материалов. Она распространяется по лицензии Apache-2.0. Обучающая часть HiACC содержит около пяти часов речи, а в разбиениях корпуса пересекаются дикторы. Поэтому тестовый результат не подтверждает качество на новых дикторах и может не переноситься на другие акценты, диалекты и варианты хинглиша. Метрика также рассчитана с нормализацией, отличающейся от применявшейся в некоторых опубликованных базовых результатах.

Qwen3-ASR-1.7B-JA MLX — конвертированная в формат MLX версия модели neosophie/Qwen3-ASR-1.7B-JA для распознавания японской речи. Репозиторий подготовлен для библиотеки mlx-qwen3-asr; веса сохранены в bfloat16 без квантизации. Модель принимает аудио и выдаёт текстовую транскрипцию, в том числе с оформлением результата в формате VTT через соответствующую утилиту. Базовая модель дообучена для более точного распознавания японских имён, названий компаний и редких кандзи. Репозиторий распространяется по лицензии Apache-2.0. Карточка описывает конвертацию весов для MLX, а не отдельное дообучение этой копии.

Qwen3 ASR Refiner 1.7B — языковая модель автора Aye10032 для приведения китайских транскриптов автоматического распознавания речи и другой разговорной речи к краткому, естественному письменному китайскому с сохранением исходного смысла. Модель дообучена на наборе Aye10032/WenetSpeech-Formal-Text на базе Qwen/Qwen3-1.7B; адаптер LoRA объединён с базовой моделью. Это плотная авторегрессионная модель Qwen3 с 1,7 млрд параметров, рассчитанная на генерацию текста и диалоговый интерфейс. Модель принимает текст и выдаёт отредактированный текст. В карточке указано контекстное окно 40 960 токенов. Репозиторий содержит полные веса BF16 в формате Transformers и загружается без PEFT. Лицензия модели — Apache-2.0; для исходного датасета указана CC BY 4.0 с требованием учитывать атрибуцию и цитирование согласно его карточке. Модель предназначена для постобработки китайской ASR-расшифровки: преобразования разговорных формулировок в письменные, более краткие и естественные фразы. Карточка не приводит отдельные оценки качества или подробные ограничения; преобразование следует проверять на предмет случайного изменения смысла.

reazonspeech-nemo-v2 — модель автоматического распознавания речи, разработанная Reazon Research и обученная на корпусе ReazonSpeech v2.0. Она преобразует японскую речь из аудиозаписей в текст и предназначена в том числе для расшифровки длинных записей продолжительностью до нескольких часов. Модель основана на улучшенной архитектуре Conformer из Fast Conformer с линейно масштабируемым механизмом внимания. Это субсловная RNN-T-модель с 619 млн параметров: кодировщик использует Longformer attention с локальным контекстом 256 и одним глобальным токеном, а словарь декодера содержит 3000 токенов SentencePiece unigram. Для использования разработчик рекомендует библиотеку reazonspeech. Модель ориентирована на японскую речь и длительные аудиозаписи. Лицензия Apache-2.0.

SLPL/Sharif-wav2vec2 — модель распознавания речи на основе архитектуры Wav2Vec2, дообученная авторами для персидского языка (фарси). Для адаптации использованы 108 часов персидских записей Common Voice 6.1 с частотой дискретизации 16 кГц. Модель принимает аудио и преобразует речь в текст; для повышения точности в сценариях распознавания авторы также обучили 5-граммную языковую модель KenLM и подключили её через процессор декодирования. Модель предназначена для транскрибации персидской речи. В оценке на Common Voice 6.1 указана частота ошибок слов WER 0,06 на очищенной выборке и 0,16 на выборке other. Для входной речи требуется частота дискретизации 16 кГц. Весовая модель опубликована в формате PyTorch, содержит около 402,7 млн параметров и распространяется по лицензии MIT.

SpeechLLM-2B — мультимодальная модель Skit AI для анализа аудио речи в разговоре. Она объединяет аудиоэнкодер HubertX и языковую модель TinyLlama; общий размер модели составляет 2,1 млрд параметров. Модель дообучена на основе этих компонентов с адаптерами и принимает аудио, а также формирует текстовые предсказания о речевом фрагменте. Модель определяет наличие речи, распознаёт её текст, а также классифицирует пол говорящего, возрастную группу, широкий регион акцента и эмоцию. В карточке указаны английский язык и результаты на LibriSpeech и Common Voice; показатели на Common Voice ниже, чем на тестовых наборах LibriSpeech, особенно для распознавания текста. Метаданные Hugging Face задают задачу feature-extraction. Модель распространяется по лицензии Apache-2.0.

ssc-aln-mms-model-mix-adapt-max — модель распознавания речи на базе архитектуры wav2vec2 с выходной головой CTC, разработанная автором репозитория. По README, модель обучена с нуля на неизвестном наборе данных. Она предназначена для преобразования аудио в текст; в карточке приведены результаты оценки: CER 0,2065, WER 0,5208 и loss 1,0180. Модель содержит 1,3 млрд параметров, сохранена в формате safetensors и использует библиотеку Transformers. Язык распознавания, состав обучающих данных и условия лицензии в предоставленных материалах не раскрыты. Поэтому приведённые метрики нельзя переносить на конкретные языки или сценарии без дополнительной проверки.

ctaguchi/ssc-bew-mms-model — дообученная модель распознавания речи на базе facebook/mms-1b-all. Это модель wav2vec2 с архитектурой Wav2Vec2ForCTC, примерно 1,3 млрд параметров, принимающая аудио и выдающая текст. Базовая модель поддерживает более тысячи языков, однако язык и область применения именно этого дообучения не указаны. В README приведены результаты на тестовой выборке: loss 0,7747, CER 0,2038 и WER 0,6111. Оценки относятся к неизвестному набору данных, поэтому их недостаточно для вывода о качестве на других данных. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

TOD-BERT-JNT-V1 — предобученная модель семейства BERT, разработанная Chien-Sheng Wu, Steven Hoi, Richard Socher и Caiming Xiong для понимания диалогов, ориентированных на выполнение задач. Модель обучалась на корпусах многоходовых task-oriented диалогов и использует совместно цели masked language modeling (MLM) и response contrastive learning (RCL). Модель предназначена для последующей адаптации к распознаванию намерений, отслеживанию состояния диалога, классификации диалоговых актов и ранжированию или выбору ответов. В метаданных Hugging Face указаны архитектура BERT, задача fill-mask, около 136,7 млн параметров и максимальная длина контекста 512 токенов; поддерживаются Transformers, PyTorch, TensorFlow и JAX. Репозиторий разработчиков распространяется под лицензией BSD-2-Clause.

Это модель автоматического распознавания речи на турецком языке, созданная дообучением ylacombe/w2v-bert-2.0 на наборе данных Common Voice 16.0. Она использует архитектуру Wav2Vec2-BERT с CTC-выходом и принимает аудио, преобразуя его в текст. В оценке на тестовой выборке указаны loss 0,1441 и WER 0,1373. Модель подходит для транскрибирования турецкой речи, например записей и аудиофрагментов. Размер — около 402,7 млн параметров; веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

ayymen/w2v-bert-2.0-waxal_lin_sna-1epoch — дообученная модель распознавания речи на основе facebook/w2v-bert-2.0. Она обучена на наборе WAXAL_LIN_SNA - NA и предназначена для преобразования речи в текст. В архитектуре используется Wav2Vec2BertForCTC; модель содержит 402,8 млн параметров и принимает аудио. На оценочном наборе указаны WER 0,3383, CER 0,1054 и loss 0,3524. Модель распространяется по лицензии MIT.

Alvenir/wav2vec2-base-da-ft-nst — модель распознавания датской речи, разработанная Alvenir. Это версия wav2vec2-base, дообученная на открытом датасете NST для преобразования аудио в текст; архитектура — Wav2Vec2ForCTC, размер — 113,3 млн параметров. Модель ожидает аудио с частотой дискретизации 16 кГц и поддерживает датский язык. В README приведены результаты оценки на датских наборах данных: WER 15,8% на тестовой части NST и 26,3% на тесте Common Voice 80; применение 3-граммовой языковой модели снижает эти показатели до 11,9% и 19,2% соответственно. Модель подходит для транскрибации датской речи, однако качество зависит от набора данных и может улучшаться внешней языковой моделью. Лицензия — Apache-2.0.

NbAiLab/wav2vec2-large-danish-npsc-nst — модель распознавания речи на основе архитектуры wav2vec2, разработанная как дообучение chcaa/xls-r-300m-danish. Она преобразует аудиоречь в текст и предназначена для автоматической транскрипции. В карточке приведены результаты оценки: WER 0,0669 и loss 0,0587; состав обучающего набора данных не раскрыт. Модель содержит около 402,7 млн параметров, использует Wav2Vec2ForCTC и распространяется в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Доступные сведения указывают на датский вариант модели; другие поддерживаемые языки не подтверждены.

Карточка модели UrizenB/wav2vec2-large-spanish на Hugging Face совпадает с карточкой jonatasgrosman/wav2vec2-large-xlsr-53-spanish, поэтому описание составлено по ней. 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.