I.7Речь, диалоги и встречи

AiLab.lv дообучила Whisper large-v3 для распознавания латышской речи. Модель принимает аудио и преобразует его в текст; её обучали на 209 часах латышских записей из Common Voice 17.0 и LATE-Media с помощью Transformers. Это плотная encoder-decoder модель WhisperForConditionalGeneration примерно с 905 млн параметров, опубликованная в форматах PyTorch и safetensors. Для Common Voice 17.0 указаны WER 3,4% на нормализованном тесте и 5,0% на форматированном; на тесте LATE-Media WER составляет 20,8%. Модель распространяется по лицензии Apache-2.0. Авторы отмечают, что её сменила более новая версия whisper-large-v3-lv-late-cv19.

Sagicc/whisper-large-v3-sr-combined — дообученная модель автоматического распознавания речи на базе Whisper large-v3 от OpenAI. Она предназначена для транскрибации аудио на сербском языке; при дообучении использовались наборы Mozilla Common Voice 13 и Google Fleurs. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и принимает аудио, выдавая текст. В README приведены результаты оценки: WER 0,0556 и орфографический WER 0,1635. Карточка рекомендует обновлённую версию Sagicc/whisper-large-v3-sr-cmb, обученную на более чем 50 часах дополнительных данных. Модель распространяется по лицензии Apache-2.0. Результаты распознавания могут зависеть от качества записи, акцента и соответствия аудио обучающим данным.

Это модель ivrit.ai для автоматического распознавания речи на иврите. Она основана на Whisper large-v3-turbo, дообучена на 295 часах речи с волонтёрскими транскрипциями из ivrit-ai/crowd-transcribe-v5 и 93 часах профессионально расшифрованной речи, а веса представлены в формате CTranslate2 для использования через faster-whisper. Модель принимает аудио и преобразует речь в текст; пример использования в карточке задаёт язык распознавания как иврит. Она предназначена для расшифровки аудиозаписей на иврите. Лицензия — Apache-2.0. Количественные оценки качества и ограничения в карточке не приведены.

Whisper Small DE — модель распознавания речи, созданная Максимилианом Кенфенхойером путём дообучения openai/whisper-small на датасете Common Voice 17.0. Она предназначена для преобразования немецкой речи в текст. В карточке указана оценка WER 7,5440 на наборе оценки. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. Она принимает аудио и выдаёт текст; библиотека загрузки — Transformers. Распознавание ориентировано на немецкий язык. Модель распространяется по лицензии Apache-2.0.

Это версия OpenAI Whisper Small, дообученная для распознавания швейцарского немецкого диалекта. Модель предназначена для преобразования аудио в текст; в качестве обучающих данных использован набор SwissDial-ZH. В карточке Hugging Face указаны библиотека Transformers, формат PyTorch и лицензия Apache-2.0. Карточка не приводит результатов оценки и подробных сведений о качестве распознавания или ограничениях. Поэтому пригодность для конкретных акцентов, условий записи и типов аудио следует проверять на собственных данных.

Lambent/arsenic-v1-qwen2.5-14B — объединённая разговорная языковая модель на архитектуре Qwen2, созданная Lambent с помощью mergekit и метода SLERP. В состав объединения вошли Lambent/arsenic-v0.1-dpo-qwen2.5-14B и Lambent/qwen2.5-reinstruct-alternate-lumen-14B; первая модель также связана в метаданных с вариантом Qwen2.5 Reinstruct Alternate Lumen. Размер модели — 14 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для диалоговой генерации текста и структурированных ответов. Автор сообщает о результате 78.0391 на EQ-Bench и 100% разбираемости ответов в своей оценке, но не приводит подробностей методики. В обучении использовались наборы данных Gutenberg и toxic-DPO, а также небольшой экспериментальный синтезированный датасет. Метка карточки предупреждает, что модель может быть не для всех аудиторий; лицензия в предоставленных данных не указана.

Flix-AI разработала flix-swissgerman-full — модель распознавания швейцарского немецкого диалекта, дообученную на базе openai/whisper-large-v3. Это полноразмерное дообучение Whisper с 905,2 млн параметров в формате Safetensors. Модель принимает аудио на швейцарском немецком и преобразует речь в грамматически корректный текст на стандартном немецком, сочетая распознавание речи с передачей диалектных форм на стандартном языке. Обучение проводилось на 1 367 часах речи из телеэфира, парламентских выступлений, YouTube и швейцарского кино; охвачены основные диалектные регионы Швейцарии. В оценке указаны WER 25,60% и ошибка по содержанию cWER 13,8%; часть штрафа WER связана с различиями в редакционном стиле и транскрипционных соглашениях. Модель распространяется по лицензии Apache-2.0. Данные обучения вместе с моделью не распространяются; отдельные источники данных использовались на условиях, ограничивающих их применение исследовательскими целями.

Frame-VAD Multilingual MarbleNet v2.0 — компактная сверточная модель NVIDIA на архитектуре MarbleNet для обнаружения речи в аудиопотоке. Она предназначена для использования как первый этап распознавания речи, диаризации говорящих и других задач обработки аудио. Модель содержит 91,5 тыс. параметров и выдаёт вероятность наличия речи для каждого 20-миллисекундного кадра. Модель принимает одноканальное аудио WAV с частотой 16 кГц и поддерживает английский, испанский, французский, немецкий, русский и китайский языки. Для снижения ложных срабатываний при обучении использовались шумовые помехи, разные уровни громкости и примеры неречевых звуков. Для более устойчивых границ речи вероятности можно сглаживать и порогово классифицировать. Модель рассчитана на работу в реальном времени; NVIDIA указывает оптимизацию для GPU-систем, а также готовность к коммерческому применению. Использование регулируется NVIDIA Open Model License Agreement.

Gemma-4-E4B-it-NVFP4 — мультимодальная instruct-модель семейства Gemma 4, созданная на основе google/gemma-4-E4B-it и оптимизированная для диалогового и чат-применения. Квантованную версию подготовил Mario Iseli с использованием NVIDIA Model Optimizer на платформе NVIDIA DGX Spark. Модель предназначена для генерации текста, а также обработки изображений и аудио; заявлена поддержка multilingual-сценариев и контекстного окна до 128K токенов. Архитектура основана на плотной модели с механизмом Per-Layer Embeddings (PLE), где каждый из 26 декодерных слоёв получает специализированный 256-мерный сигнал. Вариант использует квантование NVFP4 по схеме W4A4: веса и активации языковых слоёв представлены в FP4, а башни обработки изображений и аудио, соответствующие проекционные слои и lm_head сохранены в BF16. Размер модели на диске составляет около 10,2 ГБ, при этом мультимодальные компоненты занимают значительную часть памяти. Ключевые преимущества — уменьшенный размер, возможность запуска на совместимом оборудовании NVIDIA и высокая заявленная скорость около 65 токенов в секунду на DGX Spark. Ограничения включают необходимость vLLM с transformers версии 5.4 или новее, зависимость от поддержки NVFP4 и сохранение значительного потребления памяти мультимодальными башнями. Это общественная квантованная сборка, а не официальный релиз NVIDIA или Google. Модель распространяется по лицензии Apache 2.0, унаследованной от базовой модели.

GODEL-v1_1-large-seq2seq — крупная предварительно обученная модель для целевых диалогов, разработанная Microsoft. Она построена на архитектуре Transformer encoder-decoder семейства T5 и предназначена для генерации ответов с учётом контекста беседы и внешней текстовой информации, например найденного документа. Модель можно дообучать на небольшом наборе диалогов под конкретную задачу. Версия 1.1 обучалась на 551 млн многоходовых диалогов Reddit и 5 млн диалогов с инструкциями и опорой на знания. Модель содержит 385,2 млн параметров, принимает и генерирует текст, поддерживает контекст до 512 токенов и рассчитана на диалоговые сценарии. В карточке указана лицензия MIT.

Looma Dictation SLM — небольшая последовательностная модель типа encoder-decoder на архитектуре T5, разработанная Twashin ilahi / Looma Team для постобработки расшифровок речи. Она очищает текст диктовки: удаляет слова-паразиты и повторы, исправляет грамматику, восстанавливает заглавные буквы и пунктуацию, сохраняя намерение говорящего. Модель настроена на преобразование текста без диалоговых ответов и рассчитана на локальное использование в браузере, на настольных компьютерах и мобильных устройствах. Модель дообучена на google/flan-t5-small; метаданные указывают 45,8 млн параметров, контекст 512 токенов и библиотеку Transformers. Карточка описывает поддержку английского языка и применение к текстовым транскриптам ASR; для других языков требуется дополнительное дообучение. Лицензия — Apache 2.0. Указанные сценарии не включают чат, ответы на вопросы и длинную творческую генерацию.

NbAiLab создала эту модель распознавания речи на норвежском языке букмол для проекта Robust Speech Event. Это дообученная версия экстрактора признаков VoxRex Национальной библиотеки Швеции на архитектуре Wav2Vec2 с CTC-декодированием; в метаданных указано 402,7 млн параметров. Основным источником обучающих данных был корпус парламентских выступлений NPSC. Модель преобразует аудио в текст и рассчитана прежде всего на автоматическую транскрипцию речи на букмоле, в том числе парламентских выступлений. На тестовом наборе она показала WER 7,03% и CER 2,69% с 5-граммовой языковой моделью KenLM; без неё показатели составили 9,79% и 3,11%. Использование языковой модели улучшает результат. Репозиторий содержит веса в форматах PyTorch и Safetensors, лицензия — Apache-2.0.

Nemotron-3-Nano-Omni-30B-A3B-JANGTQ4-CRACK — мультимодальная модель dealignai, созданная на базе nvidia/Nemotron-3-Nano-Omni-30B-A3B-Reasoning. Это доработанная и квантизированная сборка с гибридной архитектурой Mamba-2, attention и MoE: 52 слоя, 128 маршрутизируемых экспертов с выбором шести и один общий эксперт на MoE-слой. В README указано 19 ГБ; метаданные сообщают 1,9 млрд параметров и контекст до 262 144 токенов. Модель предназначена для диалогов и рассуждений с текстом, изображениями и аудио; для мультимодального конвейера с видео README рекомендует дополнение Multimodal-Addon. Заявлены поддержка tool calling и сохранение мультимодальных компонентов базовой модели. Разработчик приводит результаты собственных проверок HarmBench и MMLU, однако это не независимая оценка; в частности, на сложных задачах рассуждения может потребоваться бюджет не менее 16 384 токенов. Сборка использует JANGTQ4 (8-битные attention-компоненты и 4-битные маршрутизируемые эксперты) и CRACK v2, в которой удалено обучение отказам. Поэтому модель может выдавать вредоносное содержание и требует отдельного защитного слоя перед практическим развёртыванием. Лицензия в метаданных обозначена как other; конкретные условия использования следует проверять в репозитории. Для запуска README указывает vMLX или jang-tools.

junnei дообучил мультимодальную модель Microsoft Phi-4-multimodal-instruct для распознавания корейской речи. Модель содержит 3,8 млрд параметров, использует архитектуру Phi4MMForCausalLM и доступна в формате safetensors. Для обучения применялись наборы Bingsu/zeroth-korean и Google FLEURS; README также описывает продолжение обучения на CoVoST2-Ko для перевода речи, но основная задача этой версии — распознавание речи. Модель предназначена для преобразования корейской речи в текст. В README приведена оценка CER на тестовом наборе zeroth-test из 457 примеров и сравнение с другими моделями; автор сообщает о заметном улучшении распознавания относительно указанных вариантов Phi-4. Ограничение контекста составляет 4096 токенов. Лицензия в предоставленных данных не указана.

Piyola-v1 — модель автоматического распознавания речи на узбекском языке, созданная дообучением Whisper Large V3 Turbo. Она принимает аудио и преобразует речь в текст; подходит для транскрибации узбекских записей. Модель основана на архитектуре Whisper, содержит около 905,2 млн параметров и опубликована в формате safetensors с точностью BF16. Лицензия — Apache-2.0.

Компактная языковая модель семейства Qwen3, разработанная yoon112 как дообучение NotoriousH2/Qwen3-0.6B-JSON-SFT. Она предназначена для генерации текста и работы в диалоговом формате; базовая модель ориентирована на извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний с выдачей результата в JSON. Модель содержит 507,9 млн параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Модель подходит для структурирования протоколов и автоматизации извлечения сведений из них. В карточке указана лицензия Apache-2.0. Языковые сведения карточки отмечают английский, а назначение базовой модели связано с корейскими протоколами; качество для других языков и точность соблюдения JSON-схемы могут зависеть от входных данных.

artop79/rubaistt-uz-ft2 — дообученная модель распознавания речи на базе Whisper Medium. Она предназначена для преобразования узбекской речи в текст. В репозитории указаны 455,8 млн параметров и формат safetensors; модель доступна через Transformers. В README приведены результаты оценки на тестовом наборе: loss 0,0188 и WER 2,0305, однако набор данных и условия оценки не описаны. Модель распространяется по лицензии Apache-2.0.

SepFormer — модель разделения аудиоисточников, разработанная командой SpeechBrain и обученная на Libri2Mix. Она предназначена для разделения записи с двумя одновременно говорящими людьми на отдельные речевые сигналы; модель реализована на PyTorch с архитектурой SepFormer на основе Transformer. Модель принимает монофоническое аудио с частотой дискретизации 8 кГц и выдаёт разделённые аудиосигналы. На тестовой выборке Libri2Mix указаны SI-SNRi 20,6 дБ и SDRi 20,9 дБ. Карточка приводит английский язык и набор данных Libri2Mix. Лицензия — Apache-2.0. Результаты на других наборах данных не гарантируются, поэтому качество разделения на записях с иными условиями может отличаться.

Sophea-Canary-ASR — модель распознавания речи, разработанная автором репозитория и дообученная на базе nvidia/canary-1b-v2. Это модель архитектуры FastConformer с офлайн-энкодером-декодером внимания, содержащая около 1 млрд параметров. Она предназначена прежде всего для транскрибации греческой речи, а также распознаёт английскую речь и сохраняет возможность перевода с греческого на английский. По приведённым в карточке тестам, WER для греческого составляет 12,69% на FLEURS и 2,90% на Common Voice 17; для английского — 12,90% на FLEURS. Модель обучалась на греческих и английских аудиоданных, включая FLEURS, Common Voice и LibriSpeech, а также греческие материалы медицинской, юридической и парламентской тематики. Она рассчитана на офлайн-транскрибацию, а не на распознавание в реальном времени. Результаты на Common Voice могут быть завышены относительно новых данных из-за сходства с обучающей выборкой; тяжёлые диалекты, дальняя запись и перекрывающаяся речь не проверялись. Карточка указывает лицензию CC BY 4.0.

Модель oyqiz/uzbek_stt — система распознавания речи на основе wav2vec 2.0 XLS-R, разработанная Фозилжоном Тулкиновым, Шахбозом Зохидовым, Абдурахимом Джабборовым, Яхёхоном Рахимовым и Махмудом Джуманазаровым. Она дообучена на узбекской части Mozilla Common Voice 10.0 и предназначена для преобразования узбекской речи в текст. Модель содержит 402,7 млн параметров. В README указаны результаты обучения: WER 0,2102 и CER 0,1963. Для распознавания используются аудиоданные; результатом является текст. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

Модель распознавания речи на суахили разработана инициативой THiNK и дообучена на корпусе Common Voice 11.0. Это модель Wav2Vec2ForCTC на базе wav2vec 2.0 с декодированием CTC и unigram-токенизатором; в метаданных указано 402,7 млн параметров. Она принимает аудио и преобразует речь в текст, в том числе для сервисов транскрибации, голосовых помощников и средств доступности. При обучении использован Common Voice 11.0 на суахили; в README указано, что учитывались демографические характеристики записей, включая возраст, пол и акцент. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache 2.0. Результаты могут зависеть от акцента, качества записи и соответствия речи обучающим данным; численные оценки качества в карточке не приведены.

anton-l/wav2vec2-large-xlsr-53-romanian — модель распознавания речи на базе facebook/wav2vec2-large-xlsr-53, дообученная на румынском языке разработчиком anton-l с использованием Common Voice. Она преобразует аудиоречь в текст и подходит для транскрибирования записей на румынском языке. Архитектура — Wav2Vec2ForCTC с 402,7 млн параметров; доступны веса PyTorch и Flax. Для входной речи требуется частота дискретизации 16 кГц. Модель рассчитана на автоматическое распознавание румынской речи; в карточке приведён результат оценки 24,84% на тестовой части Common Voice, но не уточнена метрика. Распространяется по лицензии Apache-2.0.

Wav2Vec2-Large-XLSR-53-Romanian — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на румынском языке с использованием Common Voice. Она принимает аудиозапись речи с частотой дискретизации 16 кГц и преобразует её в текст; модель можно применять напрямую, без отдельной языковой модели. Архитектура — Wav2Vec2ForCTC, число параметров — 402,7 млн. В карточке приведён результат оценки 28,43% на тестовой части Common Voice, но метрика не уточнена. Модель распространяется под лицензией Apache-2.0; доступны веса в форматах PyTorch и Flax.

skylord/wav2vec2-large-xlsr-hindi — модель распознавания речи, разработанная на основе facebook/wav2vec2-large-xlsr-53 и дообученная для хинди. Она преобразует аудиозапись речи в текст и подходит для транскрибации записей на хинди без отдельной языковой модели. Модель использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Для входного аудио требуется частота дискретизации 16 кГц. При дообучении использовались Common Voice, Indic TTS–IITM и IIITH Indic Speech; автор сообщает о WER 17,23% на пользовательском тестовом наборе и 56,46% на тесте Common Voice Hindi. Модель лицензирована по Apache-2.0. Качество заметно различается между тестовыми наборами; в README также отмечен перекос Common Voice в сторону мужских голосов, поэтому точность может зависеть от состава аудио, акцента и диктора.

dbdmg/wav2vec2-xls-r-300m-italian — модель распознавания речи, созданная путём дообучения facebook/wav2vec2-xls-r-300m на итальянской части набора Common Voice 7.0. Она принимает аудио и преобразует речь в текст на итальянском языке. В README приведён WER 0,1710 на наборе оценки; также указано значение Loss: inf, поэтому результаты обучения следует интерпретировать с осторожностью. Модель построена на архитектуре Wav2Vec2 с CTC-декодером и содержит около 402,8 млн параметров. Распространяется по лицензии Apache-2.0.

masoudmzb/wav2vec2-xlsr-multilingual-53-fa — модель распознавания персидской (фарси) речи, созданная дообучением masoudmzb базовой модели facebook/wav2vec2-large-xlsr-53. Это аудиомодель архитектуры wav2vec 2.0 XLSR с CTC-декодированием и примерно 402,7 млн параметров; на вход принимает речь, дискретизированную с частотой 16 кГц, и выдаёт текстовую расшифровку. Модель предназначена для автоматического распознавания речи на фарси. По описанию, при дообучении использовались Common Voice и собственный набор данных разработчика. В README приведён результат WER 0,40815 на частном тестовом наборе, который недоступен публично, поэтому это значение нельзя независимо проверить или напрямую сравнить с другими наборами. В README не указана лицензия, поэтому условия использования по имеющимся данным определить нельзя. Практическое ограничение — требование аудио 16 кГц; качество может зависеть от условий записи и соответствия речи обучающим данным.

mikr/whisper-large-czech-cv11 — дообученная модель автоматического распознавания речи на базе Whisper Large от OpenAI. Она обучена на чешской части датасета Mozilla Common Voice 11.0 и предназначена для транскрибирования чешской речи в текст. В архитектуре WhisperForConditionalGeneration около 905,2 млн параметров; веса доступны в форматах PyTorch и Safetensors. На тестовой выборке автор приводит WER 10,8278 и loss 0,2528. Модель распространяется по лицензии Apache-2.0.

Это модель распознавания речи на португальском языке, разработанная Yuriy Vnv на основе openai/whisper-large-v3 и дообученная на Common Voice 17.0 и синтетических данных CAPES, отфильтрованных методом WAVe. Она принимает аудио и преобразует речь в текст; рассчитана на транскрибацию португальской речи, в том числе для длинных высказываний и аудио из новых предметных областей. Модель содержит 905,2 млн параметров и использует архитектуру Whisper large-v3. В карточке сообщается о WER 7,95% на тесте Common Voice и 6,89% на MLS, а также о меньшем объёме синтетических данных и числе шагов обучения по сравнению с вариантом фильтрации на уровне предложений. Модель оптимизирована для обычной португальской речи; качество на технической лексике, шумном аудио и разных региональных вариантах португальского может отличаться. Распространяется по лицензии Apache-2.0.

TheirStory/whisper-medium-zulu — модель автоматического распознавания речи, созданная дообучением Whisper Medium компании OpenAI на наборе данных wjbmattingly/zulu_merged_audio. Она предназначена для преобразования звучащей речи на зулу в текст. Модель основана на архитектуре Whisper и содержит 455,8 млн параметров; использует входное аудио и выдаёт текст. На указанном в карточке наборе оценки модель показала значение WER 0,1993 и loss 0,2949. Эти результаты относятся к конкретному набору оценки и не гарантируют такое же качество на других данных. Модель распространяется под лицензией Apache-2.0.

sapinsapin/whisper-small-fsc — модель распознавания речи на основе openai/whisper-small, дообученная автором на корпусе sapinsapin/filipinospeechcorpus для филиппинского языка, включая тагальскую речь и смешанную речь Taglish. Архитектура — WhisperForConditionalGeneration; модель принимает аудио и выдаёт текстовую транскрипцию. Модель обучалась 2000 шагов на 10 000 аудиофрагментах. На отложенной выборке указаны WER 0,1591 и CER 0,0706; CER использовался для выбора модели, поскольку орфография Taglish может различаться на уровне слов. Распознавание речи — основная поддерживаемая задача. Лицензия — Apache-2.0.