I.7Речь, диалоги и встречи

Whisper Medium Korean — модель распознавания речи, полученная дообучением OpenAI Whisper Medium на корейских наборах данных Junhoee/STT_Korean_Dataset_80000 и Bingsu/zeroth-korean. В обучающей выборке было около 102 тысяч предложений; автор сообщает, что итоговый чекпойнт достиг примерно 16 WER против примерно 24 WER дообученной отправной точки. Модель предназначена для преобразования корейской речи в текст. Это плотная модель архитектуры Whisper с 455,8 млн параметров; в метаданных указана поддержка аудиовхода. Репозиторий помечен лицензией Apache-2.0. Показатель WER приведён автором без подробностей о наборе и методике оценки, поэтому он не гарантирует аналогичное качество на других записях.

vk496/whisper-small-esl — модель распознавания речи, дообученная разработчиком на базе Ari/whisper-small-es. Она предназначена для транскрибации аудио; карточка сообщает об обучении и оценке на небольшом наборе из 95 и 10 аудиофрагментов соответственно. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. В оценке указаны точное совпадение 0,900 и точность по символам 0,975. Метаданные связывают модель с испанским языком. Модель распространяется в формате safetensors по лицензии Apache-2.0.

samolego/whisper-small-slovenian — дообученная модель семейства Whisper Small для автоматического распознавания речи на словенском языке. Её создал автор samolego на базе openai/whisper-small, обучив на аудиоданных ARTUR 1.0, в том числе наборах Artur-B-brani и Artur-B-Studio. Модель содержит около 153,1 млн параметров и принимает аудио, выдавая текстовую транскрипцию. На оценочном наборе автор сообщает значение WER 11,0097 и loss 0,1226. Репозиторий содержит веса safetensors; в README также упомянут формат ggml для использования с whisper.cpp. Лицензия — Apache-2.0. Карточка не описывает дополнительные сценарии применения или конкретные ограничения качества.

abdouaziz/wolof_wlarge — модель автоматического распознавания речи из экосистемы Hugging Face Transformers, опубликованная пользователем abdouaziz. По названию модели предназначена для распознавания речи на языке Wolof, а тег whisper указывает на принадлежность к семейству моделей Whisper.

Azerbaijani Whisper Turbo — модель LocalDoc для автоматического распознавания азербайджанской речи. Это дообученная на датасетах LocalDoc/azerbaijani_asr и LocalDoc/fleurs-azerbaijani-asr модель openai/whisper-large-v3-turbo на архитектуре Whisper с 905,2 млн параметров. Она принимает аудио с частотой дискретизации 16 кГц в моно и преобразует речь в текст. Модель предназначена для транскрибации азербайджанской речи, в том числе для сценариев с обработкой в реальном времени на GPU. По README, на тестовой выборке FLEURS из 921 аудиозаписи она показала WER 13,17%; авторы также заявляют о снижении WER на 8% относительно whisper-large-v3 и почти двукратном ускорении вывода. Лицензия — Apache-2.0.

Canary-1b-v2-gguf — это GGUF-конверсия модели Canary 1B v2 от NVIDIA, адаптированная командой handy-computer для запуска в transcribe.cpp. Модель предназначена для офлайн-распознавания речи и перевода в аудио на 25 европейских языках: болгарском, хорватском, чешском, датском, нидерландском, английском, эстонском, финском, французском, немецком, греческом, венгерском, итальянском, латышском, литовском, мальтийском, польском, португальском, румынском, словацком, словенском, испанском, шведском, русском и украинском. Распознавание поддерживается для всех перечисленных языков, а перевод — между английским и остальными языками согласно карточке базовой модели. Это мультитасковая encoder-decoder-модель типа AED примерно на 978 млн параметров, с 32-слойным энкодером FastConformer и 8-слойным Transformer-декодером. На вход подаётся монофонический WAV с частотой 16 кГц. Доступны варианты квантования F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 735 МБ до 3,92 ГБ. На LibriSpeech test-clean заявленный показатель WER составляет около 1,91–1,94% в зависимости от варианта. Модель работает офлайн и поддерживает перевод, но не предназначена для потоковой обработки, автоматического определения языка и вывода временных меток слов или сегментов. Сильными сторонами являются мультиязычность, поддержка распознавания и перевода, хорошее качество на англоязычном тестовом наборе и возможность локального запуска на CPU или GPU через transcribe.cpp. Для использования требуется преобразовать аудио в формат 16 кГц mono WAV и выбрать подходящий GGUF-вариант с учётом доступной памяти и требований к скорости. Лицензия унаследована от базовой модели и указана как CC-BY-4.0.

Dasheng Denoiser — модель для улучшения речи, связанная с работой Efficient Speech Enhancement via Embeddings from Pre-trained Generative Audioencoders, представленной на Interspeech 2025. Репозиторий предоставляет официальный код инференса PyTorch; модель также доступна через Transformers. Модель принимает аудио и предназначена для подавления шума и повышения разборчивости речи в аудиозаписях. В README не приведены сведения о размере, контекстном окне и поддерживаемых языках. Репозиторий распространяется по лицензии Apache-2.0.

DuplexJev-B-Whisper-small-Falcon-H1-1.5B — компактный аудиоязыковой коннектор семейства DuplexJev от adventists-ai. Он объединяет замороженный аудиоэнкодер Whisper-small и замороженную языковую модель Falcon-H1-1.5B-Instruct; обучаемый SwiGLU-проектор с объединением кадров содержит 29,4 млн параметров. Модель принимает аудио и отвечает на типизированные вопросы распределением вероятностей по вариантам за один проход, без генерации токенов; можно задавать несколько вопросов параллельно.

lowdown-labs выпустила потоковую модель распознавания речи на основе CTC с акустическим блоком Fourier Neural Operator. Она принимает моноаудио с частотой 16 кГц порциями и выводит текст с помощью жадного CTC-декодирования по словарю из 256 SentencePiece BPE-единиц и blank-токена. Модель содержит 64,4 млн параметров, работает на CPU и предназначена для локальной потоковой транскрипции с постоянным потреблением памяти; заявлена скорость в 28–30 раз выше реального времени на четырёх потоках CPU. Доступны веса fp32 и вариант int8 меньшего размера. Основные сценарии — живые субтитры, диктовка и автономная транскрипция на телефоне, одноплатном компьютере или ноутбуке без отправки аудио в облако. Streaming-режим сохраняет ограниченный контекст и постоянный объём памяти; выход потоковой обработки совпадает с offline-проходом. Модель рассчитана прежде всего на английскую речь и обучалась, в частности, на читаемой речи LibriSpeech. По точности на чистой речи LibriSpeech модель уступает более крупным и самообученным системам распознавания, а качество снижается на шумной, разговорной и акцентированной речи. Для очень длинных потоков рекомендуется сбрасывать состояние примерно каждые 12 секунд, чтобы уменьшить дрейф контекста. README указывает лицензию CC BY 4.0 для LibriSpeech, но лицензия самой модели в метаданных обозначена как other, поэтому условия использования весов следует сверить с лицензией репозитория.

gemma-4-12B-it-abliterated-uncensored — созданная aoiandroid версия Gemma 4 12B от Google DeepMind с ослабленными механизмами отказа. Это плотная мультимодальная модель с архитектурой Gemma4UnifiedForConditionalGeneration и примерно 11,95 млрд параметров; веса представлены в BF16. Вариант получен изменением весов google/gemma-4-12B-it методом абляции направлений отказа, при этом структура и совместимость с базовой моделью сохранены. Модель предназначена для диалога и генерации ответов по текстовым, графическим и аудиовходам; также README заявляет работу с видео через тот же мультимодальный интерфейс. Доступен режим рассуждений, включаемый через шаблон чата. Веса занимают около 24 ГБ, поэтому для инференса требуется соответствующая память GPU; для работы нужен достаточно свежий transformers с поддержкой Gemma 4 Unified. Ослабление отказов означает, что модель может отвечать на запросы, от которых базовая модель отказывается. Лицензия — Gemma, унаследованная от базовой модели.

GPT-5.2 Chat, также называемая Instant, — быстрая облегчённая модель семейства GPT-5.2, оптимизированная для диалогов с низкой задержкой и сохраняющая широкие интеллектуальные возможности. В описании упоминается адаптивное рассуждение, которое модель использует выборочно. Модель предназначена для диалогового взаимодействия и широкого круга задач общего назначения. Доступный текст карточки обрывается, поэтому подробности о модальностях, языках, размере, контексте, лицензии и конкретных сценариях применения установить нельзя.

IceEspressoRPv2-7b — слитая разговорная языковая модель, опубликованная пользователем icefog72. Она создана методом SLERP в mergekit из двух предварительно обученных моделей; архитектура MistralForCausalLM, размер — 7,1 млрд параметров. Модель предназначена для генерации текста в диалоговом формате и имеет контекстное окно до 32 768 токенов. Модель может служить основой для интерактивных диалогов и генерации продолжений текста. В карточке приведены результаты Open LLM Leaderboard: средний балл 21,25, IFEval — 49,77, BBH — 31,30; они дают отдельные ориентиры оценки, но не гарантируют качество в конкретном сценарии. Модель распространяется в формате Safetensors. Лицензия в предоставленных данных не указана.

Модель SpeechBrain предназначена для определения языка по коротким речевым записям. Она обучена на датасете CommonLanguage и распознаёт 45 языков, включая русский, английский, арабский, китайский, японский и другие. Система сочетает ECAPA-TDNN, статистический pooling и классификатор, обученный с categorical cross-entropy. Обучающие записи имеют частоту дискретизации 16 кГц и один канал; при использовании classify_file SpeechBrain автоматически приводит аудио к нужному формату. Для другой частоты дискретизации или числа каналов входной тензор нужно подготовить самостоятельно при использовании encode_batch и classify_batch. Точность на тестовом наборе CommonLanguage указана как 85%. Модель подходит для классификации языка в речевом аудио. SpeechBrain предупреждает, что качество на других датасетах не гарантируется. Распространяется по лицензии Apache-2.0.

Typhoon2-Audio — разработанная командой Typhoon Team сквозная речевая модель архитектуры Typhoon2Audio, основанная на LLM Typhoon2. Модель содержит 7,5 млрд параметров и предназначена для работы с аудио, речью и текстом: принимает аудио- и текстовые входы, одновременно формируя текстовый и речевой ответ. Поддерживает тайский и английский языки, оптимизирована для тайского; заявленная длина контекста — 131 072 токена. Модель подходит для распознавания и понимания речи, ответов на вопросы по аудио, перевода между тайским и английским, а также генерации речи и речевых ответов. В README приведены результаты оценивания распознавания речи, перевода и синтеза, но качество зависит от языка и задачи; для английской речи в оценке качества синтеза результаты модели заметно уступают сравниваемым системам. Карточка характеризует модель как экспериментальную: она может неточно выполнять инструкции и галлюцинировать, а встроенных механизмов модерации нет. Для речевого ввода и LLM указана лицензия Llama 3.1 Community License, для речевого вывода — CC-BY-NC.

Parakeet TDT 1.1B GGUF — это преобразованная и квантизированная версия модели parakeet-tdt-1.1b, разработанной совместно командами NVIDIA NeMo и Suno.ai. Репозиторий handy-computer предназначен для использования модели с transcribe.cpp и распространяется в формате GGUF. Модель предназначена для офлайн-распознавания английской речи и преобразования аудио в текст. Она принимает монофонические WAV-файлы с частотой 16 кГц и поддерживает токеновые временные метки. Архитектура включает FastConformer-XL encoder примерно на 1,1 млрд параметров и TDT/RNNT transducer decoder. Доступны варианты F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 825 МБ до 4,28 ГБ. Сильная сторона модели — высокая точность: показатель WER на тестовой выборке LibriSpeech test-clean составляет около 1,38–1,42% в зависимости от квантизации, а для Fleurs English в варианте Q8_0 — 4,24%. Квантизация позволяет уменьшить размер модели при небольшом изменении качества. Ограничения: поддерживается только английский язык, отсутствуют потоковое распознавание, перевод и автоматическое определение языка; модель рассчитана на офлайн-обработку и требует входное аудио в формате 16 кГц, mono WAV. Лицензия — CC-BY-4.0, унаследованная от базовой модели.

Это уменьшенная версия модели для восстановления пунктуации и заглавных букв в португальском тексте, разработанная VÓCALI в рамках проекта SANIVERT. Модель основана на neuralmind/bert-base-portuguese-cased и дообучена для токенной классификации на корпусе из примерно 2,97 млн текстовых примеров и 49,7 млн токенов на португальском языке. Модель предназначена для автоматической расстановки знаков препинания и восстановления регистра в текстах. Архитектура — BERT с классификационной головой для токенов, размер — 136,1 млн параметров, максимальный контекст — 512 токенов. Для оценки использовались Macro F1 и Weighted F1; численные результаты в карточке не приведены. Файлы модели опубликованы в формате safetensors. Условия лицензии в предоставленных источниках не описаны.

atomimpnsc/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная языковая модель семейства Qwen3, дообученная на основе NotoriousH2/Qwen3-0.6B-JSON-SFT. Модель содержит 507,9 млн параметров и рассчитана на генерацию текста; заявленная длина контекста — 40 960 токенов. Базовая модель предназначена для извлечения из корейских протоколов совещаний метаданных, поручений, решений и препятствий с представлением результата в JSON. Карточка этой версии сообщает о дообучении с использованием Unsloth и библиотеки TRL, но не уточняет состав обучающих данных и результаты оценки качества. Модель принимает текстовые запросы и генерирует текст, в том числе в формате JSON. Лицензия — Apache-2.0.

Taewan123/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная языковая модель семейства Qwen3, разработанная Taewan123 и дообученная на базе NotoriousH2/Qwen3-0.6B-JSON-SFT. Она предназначена для генерации текста в формате чата; базовая модель ориентирована на извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний с выводом в JSON. Модель содержит 507,9 млн параметров, принимает текст и поддерживает контекст до 40 960 токенов. Карточка сообщает об обучении с использованием Unsloth и библиотеки TRL. Указана лицензия Apache-2.0. Доступные сведения описывают её назначение через базовую модель; отдельные характеристики качества или результаты оценки этой версии не приведены.

yeeun2/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная языковая модель семейства Qwen3, дообученная на базе NotoriousH2/Qwen3-0.6B-JSON-SFT с использованием Unsloth и библиотеки TRL. В карточке указано около 507,9 млн параметров и контекст до 40 960 токенов. Модель предназначена для генерации текста в формате JSON; базовая модель настроена на извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний. Подходит для структурирования таких протоколов и создания JSON-выводов на основе текстовых запросов. Метаданные отмечают разговорный режим и интерфейс вызова инструментов. Модель принимает текст и выдаёт текст. В метаданных указан английский язык, а назначение базовой модели связано с корейскими протоколами. Распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; результаты извлечения следует проверять на соответствие исходному протоколу и требуемой JSON-схеме.

Карточка модели rickix84/recall-honcho-8b на Hugging Face совпадает с карточкой dman1011/recall-honcho-8b, поэтому описание составлено по ней. recall-honcho-8b — дообученная модель на базе Qwen/Qwen3-8B от автора репозитория dman1011. Она предназначена для этапа явного извлечения выводов в Honcho: по идентификатору собеседника и сообщениям диалога формирует атомарные, самодостаточные и правильно атрибутированные факты в JSON-схеме Honcho. Модель рассчитана на интеграцию как локальный компонент deriver; для последующих диалогических рассуждений автор рекомендует использовать более крупную модель. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и имеет контекст до 40 960 токенов. Веса доступны в safetensors; README также описывает отдельный LoRA-адаптер. Обучение выполнено методом LoRA на 7 160 синтетических примерах с метками, дистиллированными из Claude Opus 4.8. В проверочной выборке из 298 примеров указаны точность токенов 93,8% и eval loss 0,201. Модель обучена для английского языка. Модель извлекает только явно высказанные сведения и не предназначена для дедуктивных, индуктивных или абдуктивных выводов. Она оптимизирована под точный prompt Honcho, поэтому на запросах другого формата дисциплина вывода может ухудшиться. Лицензия — Apache-2.0.

tensorlake/segmentation-3.0 — модель сегментации речи по говорящим, обученная Séverin Baroudi с использованием pyannote.audio 3.0. Она принимает 10-секундные фрагменты монофонического аудио с частотой 16 кГц и выдаёт матрицу классов по кадрам: неречевой звук, три отдельных говорящих и три возможные пары одновременно говорящих. Модель поддерживает обнаружение речевой активности, сегментацию говорящих и перекрывающуюся речь. Модель предназначена для обработки коротких фрагментов и может служить компонентом конвейера диаризации. Для диаризации полной записи README рекомендует использовать её вместе с дополнительной моделью эмбеддингов говорящих и конвейером pyannote/speaker-diarization-3.0. Обучение выполнено на объединении наборов AISHELL, AliMeeting, AMI, AVA-AVD, DIHARD, Ego4D, MSDWild, REPERE и VoxConverse. Лицензия — MIT; для загрузки базовой модели pyannote/segmentation-3.0 требуется принять условия использования Hugging Face. README предупреждает, что для производственного применения pyannoteAI может предложить более быстрые варианты.

SepFormer — модель разделения аудио, разработанная командой SpeechBrain и обученная на наборе WHAMR!, созданном на основе WSJ0-Mix с добавлением фонового шума и реверберации. Она разделяет смешанную запись на отдельные речевые источники и предназначена для обработки речи, записанной в шумной или акустически сложной среде. Модель реализована на архитектуре SepFormer с использованием PyTorch. На тестовом наборе WHAMR! она показала SI-SNRi 13,7 дБ и SDRi 12,7 дБ. Для работы ожидает одноканальную запись с частотой дискретизации 8 кГц; аудио с другой частотой перед обработкой нужно пересчитать. Репозиторий распространяется по лицензии Apache-2.0. Разработчики не гарантируют сохранение качества на наборах данных и условиях, отличающихся от WHAMR!, поэтому результаты на других записях могут различаться.

UBC-NLP/Simba-W — модель распознавания речи из серии Simba, разработанной UBC-NLP для африканских языков. Это дообученная на данных SimbaBench версия Whisper large v3; карточка описывает её как систему для транскрибирования речи, а метаданные указывают архитектуру Whisper с 905,2 млн параметров и формат safetensors. Модель предназначена для распознавания речи на 43 африканских языках, включая амхарский, арабский, хауса, игбо, суахили, йоруба и зулу, а также французский и португальский. Она рассчитана на аудиоввод и выдаёт текстовые транскрипции; для запуска поддерживается библиотека Transformers. README заявляет о высокой точности благодаря обучающим данным с разными доменами, но не приводит численных результатов именно для этой модели. Модель распространяется по лицензии CC BY 4.0. Она предназначена для ASR; заявленная для семейства Simba возможность синтеза речи не подтверждена для этой конкретной модели.

cahya/wav2vec2-base-turkish-cv7 — модель распознавания турецкой речи, разработанная Cahya и дообученная на наборе MOZILLA-FOUNDATION/COMMON_VOICE_7_0 - TR. Она использует архитектуру wav2vec2 с CTC-декодером и содержит 113,3 млн параметров. Модель принимает аудио и выдаёт распознанный текст на турецком языке. На оценочной выборке указаны loss 0,2893 и WER 0,2713. Модель подходит для транскрибации турецкой речи, в том числе записей, похожих по условиям на Common Voice. Доступна по лицензии Apache-2.0.

Модель GetmanY1/wav2vec2-large-fi-150k-finetuned — финская система распознавания речи на базе архитектуры Wav2Vec2 Large, разработанная Ярославом Гетманом и Тамашем Гросом. Она дообучена на 4600 часах финской речи: 1500 часах разговорной речи из Lahjoita puhetta и 3100 часах записей парламента Финляндии. В метаданных указан размер 402,7 млн параметров; модель использует архитектуру Wav2Vec2ForCTC и библиотеку Transformers. Модель предназначена для преобразования финской речи в текст, в том числе разговорной речи и парламентских выступлений. Для входного аудио требуется частота дискретизации 16 кГц. Базовая модель предварительно обучена на финской речи; чекпойнт содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Она ориентирована на финский язык; качество на других языках не заявлено.

Модель KBLab на архитектуре wav2vec 2.0 Large предназначена для автоматического распознавания шведской речи. Она расширяет акустическую модель VoxRex-C социальным 4-граммным языковым моделированием, обученным на подмножестве шведского корпуса The Swedish Culturomics Gigaword Corpus: 40 млн слов из текстов социальных сетей за 2010–2015 годы. Модель содержит около 402,7 млн параметров и реализована как Wav2Vec2ForCTC в формате PyTorch. Модель принимает аудио и выдаёт текстовую расшифровку. Для обработки ожидается аудио с частотой дискретизации 16 кГц; аудио с другой частотой нужно предварительно пересчитать. На полном тестовом наборе Common Voice 6.1 VoxRex-C показала WER 9,03% без языковой модели и 6,47% с ней. Репозиторий распространяется по лицензии CC0-1.0.

jonatasgrosman/wav2vec2-large-xlsr-53-hungarian — модель распознавания венгерской речи, созданная Jonatas Grosman дообучением facebook/wav2vec2-large-xlsr-53. Это архитектура Wav2Vec2ForCTC примерно с 402,7 млн параметров; обучение проводилось на обучающей и проверочной выборках Common Voice 6.1 и CSS10. Модель принимает аудио и выдаёт текстовую транскрипцию. Для распознавания входное аудио следует подавать с частотой дискретизации 16 кГц. В README приведены результаты оценки на венгерской тестовой выборке Common Voice: WER 31,40% и CER 6,20%; автор предупреждает, что результаты могут отличаться в зависимости от особенностей сценария оценки. Репозиторий содержит веса PyTorch и Flax. Лицензия — Apache-2.0.

Bagus/wav2vec2-large-xlsr-bahasa-indonesia — модель распознавания индонезийской речи, опубликованная пользователем Bagus. Она основана на архитектуре wav2vec2 и использует CTC-декодирование; размер составляет 402,7 млн параметров. Модель предназначена для преобразования аудиозаписей на индонезийском языке в текст и обучалась на Common Voice 6.1 для индонезийского языка. В README указана тестовая ошибка WER 19,3%. Автор сообщает о более новой версии с меньшим размером и WER 5,9%, поэтому этот чекпойнт может уступать актуальной версии. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

wav2vec2-xls-r-1b-ca-lm — модель распознавания каталонской речи, созданная PereLluis13 и дообученная на основе facebook/wav2vec2-xls-r-300m. Она использует архитектуру wav2vec2 с классификационной CTC-головой и принимает аудио, преобразуя его в текст. Для обучения использованы датасеты Mozilla Common Voice 8.0 (каталонская часть), tv3_parla и parlament_parla. Модель предназначена для автоматической транскрипции каталонской речи. В README отмечено, что точность может быть ниже для менее представленных диалектов; также возможны смещения и особенности исходных краудсорсинговых данных. Модель распространяется по лицензии Apache-2.0.

Это модель автоматического распознавания речи на бенгальском языке, созданная дообучением facebook/wav2vec2-xls-r-300m командой или автором arijitx на наборе OPENSLR_SLR53. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, преобразуя речь в текст. В метаданных указано 402,8 млн параметров; модель доступна в формате PyTorch. Модель предназначена для транскрибации бенгальской речи. На тестовой выборке без языковой модели автор сообщает WER 0,217 и CER 0,047; с пятиграммовой языковой моделью, обученной на данных AI4Bharat IndicCorp, показатели составили WER 0,153 и CER 0,034. Для использования результата с языковой моделью потребуется соответствующая внешняя языковая модель. Модель распространяется по лицензии Apache-2.0. Оценка проведена на 5% из 10 935 примеров; README приводит неоднозначное описание разбиения, поэтому точную процедуру формирования тестовой выборки следует учитывать при сравнении результатов.