I.7Речь, диалоги и встречи

Nue ASR — модель для сквозного распознавания японской речи, первоначально выпущенная компанией rinna Co., Ltd.; этот репозиторий является её зеркалом. Архитектура объединяет аудиоэнкодер HuBERT, мостовую сеть и декодер GPT-NeoX. Веса энкодера и декодера инициализированы из japanese-hubert-base и japanese-gpt-neox-3.6b соответственно. Модель обучали примерно на 19 000 часах японской речи из ReazonSpeech v1; из обучения исключали аудиозаписи длиннее 16 секунд. Она предназначена для транскрибирования японской речи и, по данным карточки, может распознавать речь быстрее реального времени при использовании GPU. Для работы с аудио поддерживаются файлы, массивы NumPy и тензоры PyTorch; входные файлы автоматически приводятся к частоте 16 кГц. Лицензия — Apache 2.0.

TeamUNIVA разработала эту модель как дообученную версию Qwen/Qwen3-ASR-1.7B для автоматического распознавания корейской речи. Она принимает аудио и выдаёт текстовую транскрипцию; для работы используется пакет qwen-asr. На корейских тестах clova_call, common_voice_ko и fleurs_ko модель показала более низкий CER, чем базовая Qwen3-ASR-1.7B. На английском тесте LibriSpeech ухудшение качества описано как незначительное. Оценка корейских бенчмарков проводилась на вручную проверенных транскрипциях с учётом текстовой нормализации и её обратного преобразования. Модель специализируется на корейской речи. Качество для других языков требует отдельной проверки, а результаты в реальных условиях могут отличаться из-за шума и особенностей голосов. В README указан более поздний преемник TeamUNIVA/qwen3_asr_1.7b_ko с лучшими результатами на корейских бенчмарках. Лицензия — Apache-2.0.

Это дообученная модель автоматического распознавания речи, созданная Andrew Bawitlung на основе Qwen/Qwen3-ASR-1.7B и обученная на наборе MiZonal v3.0. Вариант E4 использует SpecAugment с маскированием по времени и частоте; модель предназначена для преобразования аудио в текст, в частности в сценариях, связанных с языком lus. На тестовом наборе автор сообщает WER 24,3938, CER 5,4583 и коэффициент реального времени 0,0651. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README называет её частью серии экспериментов и указывает, что публикации с подробностями находятся на рецензировании.

Shenava-Koochik v1.5 — модель распознавания персидской (фарси) речи в текст, разработанная Reza2kn. Это дообученная 114-миллионная FastConformer-модель NeMo с гибридной архитектурой RNNT и CTC: CTC-голова сохранена от v1.0, а RNNT-голова исправлена и заново обучена. Для распознавания можно выбрать любую из двух голов; автор рекомендует CTC для развёртывания. В приведённом автором тесте на golden-6669 обе головы показывают WER 8,12% для CTC и 9,50% для RNNT, а CER составляет около 2,6%. RNNT-вывод может быть разговорным, поскольку модель обучалась на расшифровках, сохраняющих особенности речи. Для загрузки и распознавания автор приводит пример с библиотекой NeMo. Модель распространяется по лицензии Apache-2.0.

SmartTurn V3.1 — модель классификации аудио для определения семантического завершения речевого хода. Репозиторий MigoXV содержит экспорт весов FP32 в формате safetensors, восстановленный из smart-turn-v3.1-gpu.onnx; архитектура сочетает WhisperEncoder, attention pooling и бинарную классификационную голову. Модель принимает аудио, использует последние 8 секунд записи с частотой 16 кГц и возвращает вероятность от 0 до 1, что сегмент завершён; порог выше 0,5 соответствует положительному решению. Модель предназначена для определения момента, когда говорящий закончил реплику, например, в системах голосового диалога и потоковой обработке речи. Для загрузки требуется пакет smart_turn, предоставляющий классы конфигурации и модели: в репозитории нет удалённого кода модели и обучающих материалов. В карточке указана лицензия other, поэтому условия использования следует уточнить в источнике проекта.

Aniemore/unispeech-sat-emotion-v1-crosslingual — модель распознавания эмоций в речи на базе архитектуры UniSpeech-SAT, дообученная на смеси записей из восьми языков и трёх речевых регистров. Она относит аудио к семи классам: гнев, отвращение, энтузиазм, страх, счастье, нейтральность и грусть. Модель содержит 402,7 млн параметров и предназначена для классификации аудио; доступны варианты весов fp32, int8, fp8 и int4. Модель рассчитана на анализ спонтанной речи, включая записи разговоров и подкастов, а также на эмоциональную классификацию речи на русском и других языках из обучающей смеси. На тесте спонтанной русской речи она лучше предыдущей версии распознаёт нейтральные реплики, тогда как на тесте актированной русской речи её результат ниже. Автор предупреждает, что оценки для CAMEO не доказывают перенос на новые языки: тестовые и обучающие части могут содержать записи одних и тех же говорящих. Лицензия — MIT; в README также сказано, что лицензия унаследована от базовой модели microsoft/unispeech-sat-large. Результаты зависят от речевого регистра и состава классов: метрики четырёхклассового корпуса нельзя напрямую сравнивать с семиклассовыми, а порог нейтрального класса можно настраивать на собственных данных.

Модель w2v-bert-2.0-hausanaijavoices250h разработана CLEAR-Global и дообучена на датасете NAIJAVOICES_250H для автоматического распознавания речи. Это модель архитектуры Wav2Vec2-BERT с CTC-выходом, содержащая 402,8 млн параметров; она принимает аудио и выдаёт текст. В опубликованной оценке указаны Loss 0,2333, WER 0,3302 и CER 0,1886. Модель предназначена для транскрибирования речи на хауса, в частности данных из набора NaijaVoices. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT.

CLEAR-Global выпустила модель автоматического распознавания речи на игбо, дообученную на основе facebook/w2v-bert-2.0. Это модель архитектуры Wav2Vec2-BERT с 402,7 млн параметров, принимающая аудио и преобразующая речь в текст. В карточке приведены результаты на оценочном наборе: WER 0,2455 и CER 0,1105. Модель предназначена для распознавания речи на игбо, в том числе для транскрибирования записей и голосовых сообщений. Базовая модель — многоязычный речевой энкодер Conformer; репозиторий содержит веса Safetensors, а для использования заявлена библиотека Transformers. Модель распространяется по лицензии MIT.

Модель kiranpantha/w2v-bert-2.0-nepali — дообученная версия facebook/w2v-bert-2.0 для автоматического распознавания непальской речи. Она принимает аудио и выдаёт текст; архитектура Wav2Vec2-BERT реализована классом Wav2Vec2BertForCTC. Модель содержит 402,7 млн параметров и обучалась на наборе OpenSLR54-Balanced-Nepali. На указанном в карточке наборе оценки получены Loss 0,2212, WER 0,2525 и CER 0,0565. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT. Карточка не описывает дополнительные сценарии, языки помимо непальского или практические ограничения качества; приведённые метрики относятся только к указанной оценочной выборке.

Butt011/wav2vec2-base-demo-google-colab — модель распознавания речи на базе wav2vec 2.0, дообученная автором репозитория поверх facebook/wav2vec2-base. Веса имеют архитектуру Wav2Vec2ForCTC, содержат 113,3 млн параметров и опубликованы в формате safetensors. Модель принимает аудио и предназначена для автоматического преобразования речи в текст. В карточке приведены результаты оценки: loss 0,1487 и WER 1,035. Датасет, язык речи и условия оценки не раскрыты, поэтому по этим значениям нельзя надёжно судить о практическом качестве или определить подходящие языки. Модель выпущена под лицензией Apache-2.0.

foxxy-hm/wav2vec2-base-finetune-vi-v6 — модель автоматического распознавания речи на архитектуре wav2vec2 с классификационной головой CTC. В README указана тонкая настройка этой же модели; сведения о датасете и подробностях обучения отсутствуют. Модель содержит 402,8 млн параметров и опубликована в формате PyTorch. Модель предназначена для преобразования аудиоречи в текст. В README приведены результаты оценки: loss 0,2240 и WER 0,1296. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Aniemore/wav2vec2-bert-tiny2-s-emotion-v1-crosslingual — мультиязычная модель распознавания эмоций в речи, разработанная Aniemore. Это дообученная модель классификации последовательностей на архитектуре Wav2Vec2BertForSequenceClassification; она принимает аудио вместе с текстовой расшифровкой и относит речь к одному из семи классов: гнев, отвращение, воодушевление, страх, счастье, нейтральность или грусть. Модель обучена на 27 939 аудиофрагментах из восьми языков и трёх речевых регистров, в том числе на спонтанной речи. Поддерживаются русский, английский, немецкий, польский, итальянский, французский, испанский и бенгальский языки. Модель ориентирована на анализ эмоций в естественной разговорной речи. На тесте спонтанной русской речи она заметно превзошла предыдущую версию, тогда как на тесте с актёрской русской речью показала более низкий macro-F1; выбор модели зависит от типа аудио. В репозитории доступны варианты весов fp32, int8, fp8 и int4; README приводит результаты для fp32, int8 и fp8. Лицензия — Apache-2.0. Качество зависит от речевого регистра и набора классов: результаты для спонтанного набора с четырьмя классами нельзя напрямую сравнивать с семиклассовыми. Оценка на CAMEO не подтверждает обобщение на другие языки из-за ограничений разбиения по дикторам. Модель обучалась и оценивалась с чистыми корпусными транскриптами, поэтому шумные автоматические расшифровки могут ухудшить результат; для практического применения также может потребоваться настройка порога нейтрального класса.

Это модель автоматического распознавания речи на белорусском языке, созданная дообучением facebook/wav2vec2-base. Разработчик обучал её на разделах Train, Dev и Test корпуса Mozilla Common Voice 8.0 для белорусского языка; дополнительные записи из раздела Validated не использовались. Архитектура — Wav2Vec2ForCTC, размер — 113,3 млн параметров. Модель преобразует аудиозапись речи в текст и рассчитана на сценарии распознавания белорусской речи. Для декодирования также подготовлена 5-граммная языковая модель KenLM, обученная на предложениях из корпуса Common Voice. Репозиторий содержит веса PyTorch и распространяется по лицензии GPL-3.0. Качество может быть ограничено объёмом и составом использованных данных: в обучающих разделах использовали только одну озвучку каждого предложения, без дополнительных вариантов из Validated. README предлагает расширить обучающие данные дополнительными озвучками; численные результаты оценки в карточке не приведены.

Это модель автоматического распознавания речи на базе wav2vec 2.0, дообученная Diana V. Davidson на неизвестном наборе данных. Она принимает аудио и преобразует речь в текст; архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. Модель создана на основе facebook/wav2vec2-large-xlsr-53 и распространяется в формате Safetensors по лицензии Apache-2.0. В карточке приведён результат оценки: Global WER 53,1980 и loss 0,7691. Описание не раскрывает языки, состав обучающих данных и предполагаемые условия использования, поэтому качество для конкретного языка или типа записи оценить нельзя.

Модель wannaphong/wav2vec2-large-xlsr-53-th-cv8-deepcut — дообученная версия wav2vec2-large-xlsr-53 для распознавания тайской речи. Её разработал Wannaphong на основе Common Voice V8 с добавлением данных Common Voice V7; для целевого текста использована предварительная токенизация deepcut. Архитектура — Wav2Vec2ForCTC, около 402,7 млн параметров, веса доступны в формате PyTorch. Модель предназначена для преобразования тайской аудиозаписи в текст. В тестах на наборах Common Voice V7 и V8 она показала меньшие WER и CER, чем приведённые в README базовые сравнения; результат зависит от способа токенизации текста. Лицензия — Apache-2.0. Ограничения: оценка приведена только на тестовых наборах Common Voice, поэтому качество на других источниках аудио не установлено.

Модель not-tanh/wav2vec2-large-xlsr-53-vietnamese — модель распознавания речи на базе Wav2Vec2-Large-XLSR-53, дообученная разработчиком на вьетнамском языке. Для обучения использовались Common Voice, VIVOS и FOSD; архитектура — Wav2Vec2ForCTC, размер — 402,8 млн параметров. Модель преобразует речь на вьетнамском языке в текст и предназначена для сценариев автоматического распознавания речи. Входное аудио следует подавать с частотой дискретизации 16 кГц. В README приведён результат оценки 39,57% на тестовых данных Common Voice, однако метрика не уточнена. Модель распространяется по лицензии Apache 2.0. Карточка не описывает применение языковой модели при декодировании; приведённый результат оценки не позволяет однозначно судить о качестве в других условиях.

DrishtiSharma/wav2vec2-xls-r-sl-a2 — модель распознавания речи, дообученная Drishti Sharma на базе facebook/wav2vec2-xls-r-300m на словенской части Mozilla Common Voice 8.0. Это архитектура Wav2Vec2 с классификацией CTC, содержащая 402,7 млн параметров и принимающая аудио для преобразования речи в текст. Для набора оценки Common Voice 8.0 указаны Loss 0,2855 и WER 0,2401. Модель предназначена для автоматической транскрипции речи на словенском языке, например записей и голосовых высказываний. Распространяется в формате PyTorch по лицензии Apache-2.0. Показатель WER получен на указанном наборе оценки; README не приводит результаты для других наборов или условий записи.

Ivydata/whisper-base-japanese — дообученная модель распознавания речи на базе OpenAI Whisper Base. Разработчик дообучил её на японском языке с использованием Common Voice, JVS и JSUT; модель содержит 51,7 млн параметров и использует архитектуру WhisperForConditionalGeneration в формате PyTorch. Модель преобразует японскую речь в текст и предназначена для транскрибации аудиозаписей. В README приведён результат оценки на TEDxJP-10K: CER 27,25% для модели Whisper Small, поэтому этот показатель не относится напрямую к данной модели Base. Для входного аудио требуется частота дискретизации 16 кГц. Лицензия — Apache-2.0. Карточка не сообщает длину контекста или дополнительных ограничений применения.

DrishtiSharma/whisper-large-v2-marathi — дообученная версия Whisper Large V2, созданная на основе openai/whisper-large-v2 на наборе Common Voice 11.0. Это плотная модель архитектуры Whisper с примерно 905,2 млн параметров, предназначенная для автоматического распознавания речи на маратхи и преобразования аудио в текст. В карточке приведён результат оценки на тестовой выборке: WER 13,644 и loss 0,1975. Модель принимает аудио и выдаёт текст. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Оценка приведена для указанного набора данных, поэтому она не гарантирует такое же качество на других типах записей, акцентах или условиях записи.

fsicoli/whisper-large-v3-it-cv16 — модель распознавания речи на базе Whisper Large v3, дообученная на итальянском языке на обучающей и валидационной выборках Common Voice 16. В метаданных архитектура указана как WhisperForConditionalGeneration; модель содержит около 905,2 млн параметров и доступна в формате safetensors. Модель предназначена для преобразования итальянской речи в текст. Её можно использовать для транскрибации записей и аудио, например через pipeline automatic-speech-recognition в Transformers. Карточка также указывает тестовую выборку Common Voice 16, но не приводит результатов оценки качества. Лицензия указана как CC. Карточка не уточняет её вариант и не описывает ограничения по точности, шуму или акцентам; качество в конкретных условиях следует проверять отдельно.

Это дообученная модель OpenAI Whisper medium, опубликованная пользователем dianavdavidson. Она предназначена для автоматического распознавания речи: принимает аудио и генерирует текстовую расшифровку. Модель содержит около 455,8 млн параметров, использует архитектуру WhisperForConditionalGeneration и доступна в формате safetensors для библиотеки Transformers. Название репозитория указывает на дообучение для хинди на данных Vaani, однако README не раскрывает состав обучающей выборки и сообщает, что набор данных не определён. На оценочном наборе указаны Loss 0,3625 и Global WER 28,6064; условия оценки и сопоставимость результата с другими моделями не описаны. Лицензия — Apache-2.0.

CKSINGH/whisper-small-hi-iiib — дообученная модель семейства Whisper на основе openai/whisper-medium, предназначенная для автоматического распознавания речи и преобразования аудио в текст. В метаданных указано 153,1 млн параметров; модель использует архитектуру WhisperForConditionalGeneration и распространяется в форматах PyTorch и safetensors. Карточка сообщает результаты оценки: loss 0,1203, WER 10,8852 и CER 3,4179. Язык карточки и тег модели указывают на хинди. Лицензия — Apache-2.0. README не уточняет набор данных и сценарии применения, поэтому качество на других наборах записей и устойчивость к различным условиям записи по имеющимся данным оценить нельзя.

bobix/whisper-small-polish — модель распознавания речи, созданная дообучением OpenAI Whisper Small на польском языке. Она преобразует польскую речь в текст и предназначена для офлайн-транскрибирования, в том числе на пользовательских устройствах с потребительским GPU или CPU. Модель основана на архитектуре Whisper, содержит 153,1 млн параметров и распространяется в формате Safetensors; в карточке также описана конверсия файлов .bin для использования в мобильной клавиатуре. Модель выпущена под лицензией MIT. Карточка не приводит количественных оценок качества, ограничений по длительности аудио или результатов тестирования; качество распознавания может зависеть от записи и польского произношения.

lgris/whisper-tiny-cv11-pt — модель распознавания речи на базе архитектуры Whisper Tiny, дообученная на португалоязычной части Common Voice 11.0. Она преобразует входящее аудио в текст и подходит для транскрибации португальской речи. Веса представлены в формате PyTorch, размер модели — 29,4 млн параметров. На оценочном наборе указаны loss 0,5205 и WER 33,2447. Модель выпущена под лицензией Apache-2.0. Подробности о рекомендуемых условиях применения и известных ограничениях в карточке не приведены.

Модель wrice/whisper-tiny-grpo-d46ed86-cv22-tiny-sftanneal2 — экспериментальное дообучение Whisper tiny от OpenAI, выполненное с помощью GRPO и комбинированной функции вознаграждения на основе ошибок слов и символов. Она предназначена для преобразования аудиозаписей в текст; обучение проводилось на данных Common Voice для 77 языковых локалей с фиксацией языка по локали записи. Для модели указаны итоговые значения WER 0,661 и CER 0,298 на валидационной выборке по 77 языкам. Модель использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors через Transformers. Лицензия — MIT. Это proof of concept, а качество в реальных условиях зависит от языка, тематики, акцента и качества аудио.

Wolof-HuBERT-CTC — модель распознавания речи, созданная Soynade Research путём дообучения soynade-research/Wolof-HuBERT-Base. Это HuBERT-модель с архитектурой CTC, содержащая 113,3 млн параметров и предназначенная для преобразования аудио на волоф в текст. Для оценки на сложном наборе данных в карточке указаны loss 0,4031 и WER 0,3565; авторы сообщают, что модель превосходит модели HuBERT от Meta и Orange. Модель подходит для транскрибирования записей и аудиопотоков на волоф. Для работы предлагается библиотека Transformers; веса представлены в формате safetensors. Лицензия — AGPL-3.0.

Модель shahukareem/xls-r-300m-dv — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи. Она принимает аудио и выдаёт текст; обучение проводилось на Common Voice, а в карточке указаны результаты оценки: loss 0,2855 и WER 0,2665. Архитектура — Wav2Vec2ForCTC, число параметров — около 402,7 млн. Модель подходит для преобразования речевых записей в текст. Суффикс dv и тег языка dv указывают на связь с языком, однако README не раскрывает расшифровку кода и детали языковой поддержки. Модель распространяется по лицензии Apache-2.0.

Карточка модели nguyenvulebinh/AV-HuBERT-MuAViC-ru 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.

vudang449/chunkformer-large-vie — зеркало модели ASR для вьетнамской речи, основанной на ChunkFormer. Исходную модель разработал Khanh Le (khanhld); репозиторий сохраняет те же веса и предназначен, в частности, для voice-bench. Это CTC-модель с chunk-based encoder примерно на 110 млн параметров, принимающая аудио и выдающая распознанный текст. ChunkFormer поддерживает распознавание длинных записей без фиксированного ограничения на длительность декодирования. Модель предназначена для транскрибации коротких аудиоклипов и длинных записей на вьетнамском языке. В README приведены результаты на VIVOS и VietMed, а также замеры скорости на Mac Mini M4; автор отмечает, что обучающие данные включают VIVOS и размеченную часть VietMed, поэтому результаты на этих наборах не подтверждают качество на независимых данных. Лицензия CC-BY-NC-4.0 допускает использование с указанием авторства и ограничивает коммерческое применение.

Fun-ASR-MLT-Nano-2512 GGUF — это квантизированная версия мультиязычной модели автоматического распознавания речи FunAudioLLM/Fun-ASR-MLT-Nano-2512, подготовленная handy-computer для работы с transcribe.cpp. Модель предназначена для офлайн-преобразования речи в текст и принимает монофонические WAV-файлы с частотой дискретизации 16 кГц. Модель поддерживает 31 язык, включая китайский, английский, кантонский, японский, корейский, вьетнамский, индонезийский, тайский, малайский, филиппинский, арабский, хинди и 19 европейских языков. Архитектура включает замороженный SenseVoiceEncoderSmall, двухслойный аудиоадаптер и встроенную языковую модель Qwen3-0.6B; общий размер составляет примерно 800 млн обучаемых параметров. Доступны варианты BF16, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 557 МБ до 1,67 ГБ. Сильные стороны модели — широкое мультиязычное покрытие, офлайн-работа, поддержка inverse text normalization и возможность запуска через transcribe.cpp на CPU, Metal или Vulkan. Для английской речи показатель WER на LibriSpeech test-clean составляет 1,69–1,89% в зависимости от квантизации, однако эти результаты не характеризуют качество на остальных языках. Модель не поддерживает потоковую обработку, перевод, автоматическое определение языка и временные метки; контекст обработки в README не указан. Модель распространяется по лицензии FunASR Model License v1.1, обозначенной как other. Для использования требуется transcribe.cpp; конкретные условия лицензии следует уточнять в опубликованном файле MODEL_LICENSE.