I.7Речь, диалоги и встречи

Saraiki Whisper Medium — модель распознавания речи на основе Whisper Medium от OpenAI, дообученная автором репозитория themohal. Она предназначена для преобразования аудиозаписей на сараики в текст; в метаданных указана задача automatic-speech-recognition и входная аудиомодальность. Модель содержит 455,8 млн параметров и распространяется в формате safetensors для библиотеки Transformers. В README приведены результаты оценки: WER 19,4149 и CER 5,6416; набор данных для дообучения не уточнён. Лицензия — Apache-2.0. Показатели относятся к указанному оценочному набору и не гарантируют такую же точность на других записях.

SepFormer на WHAM! — модель разделения аудиоисточников, реализованная командой SpeechBrain и обученная на наборе WHAM!, содержащем смеси речи с фоновым шумом. Она предназначена для выделения отдельных речевых источников из одноканальной записи; для работы ожидается аудио с частотой дискретизации 8 кГц. В README указано качество 16,3 дБ SI-SNRi и 16,7 дБ SDRi на тестовой выборке WHAM!. Модель основана на архитектуре SepFormer с Transformer и распространяется в формате PyTorch. Карточка указывает английский язык. Лицензия — Apache-2.0. Авторы предупреждают, что качество на наборах данных, отличающихся от WHAM!, не гарантируется.

Harveenchadha/vakyansh-wav2vec2-telugu-tem-100 — модель автоматического распознавания речи на телугу, опубликованная Harveen Singh Chadha в рамках проекта Vakyansh. Проект разработан как набор инструментов и моделей для ASR на индийских языках с ограниченными ресурсами; данная модель предназначена для преобразования телугуязычной речи в текст. Модель построена на архитектуре Wav2Vec2ForCTC и использует библиотеку Transformers с PyTorch. Размер модели составляет около 113,3 млн параметров. Она принимает аудио и возвращает транскрипцию на телугу; модель ориентирована на пакетное или потоковое распознавание речи, но качество может снижаться при шуме, музыке, необычной лексике, отличающихся от обучающих данных доменах и речи с сильным акцентом. Длина контекста и условия лицензирования в доступных источниках не установлены.

Модель GetmanY1/wav2vec2-base-fi-150k-finetuned разработана Ярославом Гетманом и Тамашем Гросом и предназначена для автоматического распознавания финской речи. Это акустическая модель на архитектуре Wav2Vec2 с CTC-выходом, содержащая 113,3 млн параметров и доступная в формате safetensors. Она дообучена на 4600 часах финской речи: разговорной речи из Lahjoita puhetta и материалах парламента Финляндии. Модель принимает аудио с частотой дискретизации 16 кГц и преобразует его в текст. Она подходит для транскрибации финской речи, включая разговорную речь и выступления в парламенте. Базовая модель предварительно обучалась на большом корпусе неразмеченной финской речи. Модель распространяется по лицензии Apache-2.0. Она рассчитана на финский язык; качество распознавания для других языков не заявлено. Для корректной работы входное аудио должно иметь частоту дискретизации 16 кГц.

Модель qinyue/wav2vec2-large-xlsr-53-chinese-zn-cn-aishell1 — дообученная на китайском языке версия facebook/wav2vec2-large-xlsr-53 для автоматического распознавания речи. Она использует архитектуру Wav2Vec2 с CTC-декодером и содержит 407,1 млн параметров; для распознавания принимает аудио с частотой дискретизации 16 кГц и выдаёт текст на китайском языке. На тестовой выборке AISHELL-1 указана частота ошибок слов WER 7,04%; с языковой моделью — 3,96%. Модель распространяется по лицензии Apache-2.0.

Wav2Vec2-Large-XLSR-53-Telugu — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на телугу. Она принимает речь и преобразует её в текст; для распознавания входной звук должен иметь частоту дискретизации 16 кГц. Обучение проводилось на 70% набора OpenSLR SLR66 для телугу. Модель построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Репозиторий включает веса PyTorch и Flax. В карточке приведён результат тестирования 44,98%, но не уточнена метрика, поэтому его нельзя напрямую интерпретировать как точность распознавания. Модель распространяется по лицензии Apache-2.0.

Модель Wav2Vec2-XLS-R-300M-EN-15 разработана Facebook и предназначена для перевода устной английской речи в письменный текст на одном из 15 языков: немецком, турецком, персидском, шведском, монгольском, китайском, валлийском, каталанском, словенском, эстонском, индонезийском, арабском, тамильском, латышском или японском. Это модель типа SpeechEncoderDecoderModel: энкодер основан на facebook/wav2vec2-xls-r-300m, а декодер — на facebook/mbart-large-50; модель дообучена на парах переводов из датасета CoVoST 2. Она принимает аудио на английском и генерирует текст перевода. В метаданных основная задача обозначена как automatic-speech-recognition, однако README описывает именно перевод речи. Модель распространяется под лицензией Apache-2.0. Ее назначение ограничено переводом с английского на перечисленные языки; сведения о точности в карточке не приведены.

Wav2Vec2 XLS-R 300M Cantonese (zh-HK) — модель автоматического распознавания речи, разработанная Wilson Wongso и дообученная на базе Wav2Vec2-XLS-R-300M на подмножестве Common Voice для кантонского языка Гонконга. Модель использует архитектуру XLS-R и класс Wav2Vec2ForCTC; в метаданных указано 406,4 млн параметров. Модель принимает аудио и преобразует речь на кантонском языке в текст. Она создана в рамках Robust Speech Challenge Event; для обучения использовались PyTorch и Common Voice. В README приведены результаты по CER: 31,73% на Common Voice и 23,11% и 23,02% на Common Voice 7 и 8 соответственно. Модель распространяется по лицензии Apache-2.0. Результаты могут наследовать смещения обучающих данных; качество на иных наборах данных и в других условиях записи может отличаться.

West-Dare-7B — языковая модель с 7,1 млрд параметров, созданная слиянием senseable/Westlake-7B и abideen/DareVox-7B с помощью LazyMergekit. Она построена на плотной архитектуре Mistral и предназначена для генерации текста, включая ролевые диалоги и творческие тексты, согласно описанию базовых моделей в каталоге. Модель принимает текст и выдаёт текст; её контекстное окно составляет 32 768 токенов. В README приведены результаты оценки на задачах рассуждения и понимания текста. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает специальные меры безопасности или подробные ограничения применения.

vhdm/whisper-large-fa-v1 — модель распознавания речи на архитектуре Whisper, созданная разработчиком vhdm дообучением openai/whisper-large-v3-turbo на персидских аудиозаписях из набора vhdm/persian-voice-v1.1. Модель содержит 905,2 млн параметров и предназначена для транскрибации персидской речи: голосовых заметок, подкастов, видео и интервью, а также для создания поисковых расшифровок. Она поддерживает входное аудио и выдаёт текст; для чистой персидской речи в карточке указана частота ошибок слов WER 14,07%. Модель распространяется по лицензии MIT. Обучение проводилось на чистой речи из конкретного набора данных, поэтому качество может снижаться на шумных записях, акцентах и диалектах. Модель не оптимизирована для потокового распознавания и иногда может генерировать правдоподобные, но неверные слова.

Sandiago21/whisper-large-v2-greek — дообученная модель распознавания речи на основе openai/whisper-large-v2. Она принимает аудио и преобразует речь в текст; дообучение выполнено на датасете FLEURS. Модель содержит 905,2 млн параметров и распространяется в форматах PyTorch и safetensors. Модель предназначена для транскрибации греческой речи. В README приведены результаты на оценочной выборке: WER 0,1774, WER Ortho 0,2102 и loss 0,2734. Лицензия — Apache-2.0. Подробные сведения об условиях записи, поддерживаемых вариантах греческого языка и ограничениях в карточке отсутствуют.

ivrit-ai/whisper-large-v3-turbo — модель распознавания речи на иврите, разработанная ivrit-ai посредством дополнительного обучения OpenAI Whisper Large v3 Turbo. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration и 905,2 млн параметров; она принимает аудио и преобразует его в текст. Модель предназначена главным образом для транскрибации речи на иврите, включая записи заседаний Кнессета, чтение текстов и другие аудиозаписи. Модель обучена на корпусах crowd-transcribe-v5, crowd-recital-whisper-training и данных пленарных заседаний Кнессета. Для распознавания следует явно задавать язык иврита. Определение языка ухудшилось, поэтому модель рассчитана преимущественно на аудио на иврите; перевод аудио не обучался и работает неудовлетворительно. Модель распространяется в формате safetensors и доступна на условиях лицензии Apache-2.0.

Модель Flurin17/whisper-large-v3-turbo-swiss-german разработана Flurin17 как дообученная версия openai/whisper-large-v3-turbo для автоматического распознавания швейцарского немецкого. Она принимает аудио с речью и предназначена для сценариев, где нужно получить расшифровку на стандартном немецком языке. Модель использует архитектуру Whisper Large V3 Turbo и содержит около 905,2 млн параметров. Для дообучения использовали примерно 301 час частной аудиозаписи, преимущественно парламентской и другой полуформальной речи, а также прочитанной или заданной речи на швейцарском немецком; расшифровки обучающих данных были на стандартном немецком. Карточка сообщает об улучшении WER относительно базовой модели на выборке из обучающего корпуса, однако это внутренние самоотчётные результаты, а сам корпус закрыт. Модель подходит для распознавания достаточно чистой разговорной и полуформальной речи. Точность может меняться в зависимости от диалекта, говорящего, качества записи и предметной области; после выбранного чекпойнта качество на обучении ухудшалось. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей.

Модель oddadmix/whisper-small-arabic-dialectal — дообученная разработчиком oddadmix модель OpenAI Whisper Small для распознавания многообразной арабской речи. Она принимает аудио и транскрибирует его без диакритических знаков; поддерживает левантийские, магрибские, египетские, заливные, суданские и иракские диалекты, а также современный стандартный арабский. Архитектура — WhisperForConditionalGeneration, около 244 млн параметров; модель построена на openai/whisper-small и доступна в формате safetensors. В тесте на 932 аудиофрагментах модель показала WER 0,428 и CER 0,151 после очистки эталонных текстов. Она рассчитана на офлайн-транскрибацию фрагментов длительностью до 30 секунд, а не на потоковое распознавание. Качество на реальной речи зависит от диалекта: магрибские варианты распознаются сложнее; модель обучалась на дополненных, частично синтетических данных, поэтому её следует оценить на целевых записях перед применением. Выход не содержит диакритики, а латинские токены приводятся к нижнему регистру. Лицензия — Apache-2.0.

Whisper Small Czech CV11 — модель распознавания речи, созданная дообучением openai/whisper-small на чешской части набора Mozilla Common Voice 11.0. Она преобразует чешскую речь в текст и подходит для транскрибирования записей и голосовых фрагментов. Архитектура — WhisperForConditionalGeneration, размер — 153,1 млн параметров; базовая модель Whisper мультиязычная. На тестовой выборке указана WER 18,5557 и loss 0,3587. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Оценка приведена для указанного набора данных; README не описывает ограничения качества в других условиях записи.

ychafiqui/whisper-small-darija — дообученная модель семейства Whisper, созданная на основе openai/whisper-small для распознавания речи на дариже, марокканском варианте арабского языка. Она принимает аудио и преобразует речь в текст; в метаданных указана архитектура WhisperForConditionalGeneration и размер 153,1 млн параметров. Модель дообучена на наборе Darija Speech to Text. На тестовой выборке в карточке указаны loss 0,5318 и WER 48,2740, что следует учитывать при оценке качества транскрипции. Модель распространяется по лицензии Apache-2.0. В карточке не приведены сведения о длине аудио, поддерживаемых диалектах помимо дарижи или условиях записи; качество может зависеть от акцента, шума и акустики.

Модель khawajaaliarshad/whisper-small-urdu разработана Khawaja Ali и представляет собой дообученную версию openai/whisper-small на архитектуре Whisper Encoder-Decoder Transformer. Она предназначена для автоматического распознавания урду и преобразования речи в текст; обучающие данные взяты из расширенного набора Mozilla Common Voice Scripted Speech 24.0 на урду. По карточке модели, WER на тестовой части Common Voice составляет около 33%, а на валидационной — 32,80%. Модель содержит 153,1 млн параметров и распространяется в формате safetensors через Transformers. Её можно применять для транскрибации записей на урду, создания голосовых помощников, подготовки субтитров и функций доступности для носителей языка. Для работы требуется монофоническое аудио с частотой дискретизации 16 кГц. Модель лучше работает на чистой записанной речи; точность может снижаться на спонтанной разговорной речи, при незнакомых акцентах и фоновом шуме. Лицензия модели — Apache 2.0.

BlueRaccoon/whisper-small-uz — модель автоматического распознавания речи, созданная участником мероприятия Whisper fine-tune sprint. Это дообученная версия openai/whisper-small с архитектурой Whisper и 153,1 млн параметров; она принимает аудио и преобразует речь в текст на узбекском языке. Обучение и оценка проводились на узбекских данных Mozilla Common Voice 11 и Google FLEURS. В оценке указана частота ошибок слов (WER) 23,65 на тестовом наборе Common Voice 11 и 47,15 на FLEURS. Эти результаты относятся к указанным наборам и не гарантируют такое же качество на других записях. Модель распространяется по лицензии Apache-2.0.

shpotes/xls-r-et — модель распознавания речи на основе архитектуры Wav2Vec2, дообученная автором на facebook/wav2vec2-xls-r-300m для эстонского языка на наборе MOZILLA-FOUNDATION/COMMON_VOICE_7_0. Модель принимает аудио и преобразует речь в текст; она предназначена для автоматической транскрибации эстонской речи. В репозитории указаны 402,7 млн параметров и веса PyTorch. На оценочной выборке Common Voice 7.0 для эстонского языка приведены Loss 0,4835 и WER 0,3475. Модель распространяется по лицензии Apache-2.0.

Zehнова STT — Jonibek21 разработала модель автоматического распознавания речи на узбекском языке. Это дообученная с помощью LoRA модель Whisper Medium на базе Kotib/uzbek_stt_v1, предназначенная для преобразования узбекской речи в текст латинским письмом. Модель принимает аудио и выдаёт текст. По данным README, она обучалась на специальном узбекском аудиодатасете из 9 214 обучающих и 1 024 тестовых примеров. Заявленный WER составляет около 11–13% в целом, 6–11% для чистой речи и 9–16% для шумной или аугментированной речи; автор сообщает об улучшении примерно на 5% относительно базовой модели. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Модель рассчитана на распознавание узбекской речи. Качество может снижаться при шуме, а аудио длиннее 30 секунд обрабатывается по частям.

Модель разработана MakdadTaleb и дообучена на AraBERT v0.2 для восстановления пунктуации в арабском тексте. Она принимает текст без знаков препинания и для каждого слова предсказывает знак, который следует за ним. Архитектура — BERT для классификации токенов; размер модели — 162,4 млн параметров, максимальная длина контекста — 512 токенов. Модель обучена на корпусе SSAC-UNPC, включающем материалы заседаний ООН. В карточке описана специальная обработка класса арабской запятой, которая повысила её F1 с 0,685 до 0,749. На валидационной выборке качество для точки указано как F1 0,996, а для запятой — 0,749. Модель предназначена для восстановления арабской пунктуации в текстах и корпусах; подтверждённая языковая поддержка — арабский. Распространяется по лицензии MIT.

audio.cpp-gguf — это репозиторий с наборами моделей в формате GGUF, преобразованных для нативного использования с аудиофреймворком audio.cpp, разработанным сообществом проекта audio.cpp. Это не единая модель, а коллекция пакетов для различных задач обработки речи и аудио, включая синтез речи, автоматическое распознавание речи, voice conversion, преобразование текста и аудио, разделение источников, диаризацию и генерацию аудио. В репозитории представлены конвертации множества базовых моделей, среди которых ACE-Step, Chatterbox, CosyVoice, Fish Audio S2 Pro, Fun-ASR, HeartMuLa, Higgs Audio, IndexTTS, Irodori-TTS, Kokoro, MOSS-TTS, Qwen3-ASR и Qwen3-TTS, а также другие проекты. Доступные форматы и уровни квантования зависят от конкретного пакета и включают F32, F16, BF16, Q8, Q4 и оригинальные веса. Поддерживаемые языки, размер, архитектура, модальности и максимальный контекст также различаются между входящими моделями и не могут быть обобщены для всего репозитория. Сильная сторона проекта — единый формат распространения и возможность локального запуска разнообразных аудиомоделей через audio.cpp, включая квантованные варианты, потенциально снижающие требования к памяти. При этом качество и совместимость зависят от конкретного пакета, backend и маршрута выполнения; автоматические метрики конвертации не гарантируют одинаковое субъективное качество для слушателей. Лицензия верхнего уровня указана как other, а лицензии отдельных исходных моделей различаются и включают MIT, Apache-2.0, CC-BY-4.0, CC-BY-NC-4.0, исследовательские и некоммерческие лицензии, поэтому условия использования необходимо проверять для выбранного пакета.

DUSUNEN Nokta 68M v1 — компактная модель Göktuğ Düşünen для восстановления пунктуации и правильного регистра в турецком тексте. Она объединяет обе задачи в одной модели DistilBERT для классификации токенов: за один проход предсказывает совместные метки пунктуации и регистра. Базовая модель — dbmdz/distilbert-base-turkish-cased; в чекпойнте 68,1 млн параметров, контекст — до 512 токенов по метаданным. Репозиторий содержит веса Safetensors и экспорт ONNX в FP32; автор проверил совпадение предсказаний ONNX и PyTorch на тестовых примерах. Модель подходит для восстановления знаков препинания и регистра в результатах распознавания речи, субтитрах, поисковых транскриптах, чатах и турецких документах. В тестах автор сообщает macro F1 70,43% для пунктуации и 86,98% для регистра. Модель обучена на веб-текстах, поэтому пунктуация спонтанной речи и предметных областей может отличаться от её предсказаний; трудности также возможны с именами, брендами, смешанными языками, URL и необычным регистром. Для юридических, медицинских и других важных документов требуется проверка человеком. Лицензия модели — MIT; использованный корпус Cosmos Turkish Corpus v1.0 распространяется по CC BY 4.0.

Edda v0.1 — датская модель распознавания речи, разработанная Danish Foundation Models. Это полное дообучение Whisper Large v3 Turbo с 809 млн параметров и исходной архитектурой Whisper: энкодером и декодером с фиксированными аудиоокнами длиной 30 секунд. Модель обучена на 2 600 часах датской речи из шести открытых корпусов; для длинных записей поддерживается обработка окнами по 30 секунд. Модель предназначена для преобразования датской речи в текст, включая парламентские выступления, чтение вслух и разговорную речь. В описанном авторами тестировании она показала средний WER 9,20 на пяти наборах датского ASR-бенчмарка. README приводит отдельные результаты для CoRal-v3 и Common Voice; заявленная скорость измерена на AMD MI250X GCD. Выходная транскрипция следует стилю разметки обучающих корпусов: например, на парламентских записях модель может пропускать повторы и перезапуски фраз. На очень длинных записях, тишине или музыке возможны повторения фрагментов; для таких случаев авторы рекомендуют делить аудио на части по паузам. Работа с детской речью, сильными ненативными акцентами, телефонным аудио и пением не проверялась. Лицензия — Apache-2.0.

Ethio-ASR — модель распознавания речи, разработанная командой Ethio-ASR и дообученная на базе ajesujoba/AfriHuBERT на речевом наборе WAXAL Speech Dataset. Репозиторий содержит модель архитектуры HuBERT с CTC-декодированием; в метаданных указано 113,6 млн параметров, формат весов safetensors и библиотека Transformers. Модель предназначена для транскрибирования амхарской, тигринья, афаан-оромо, сидама и волайтта речи. Её можно использовать в голосовых помощниках и инструментах доступности, а также как исследовательскую базовую модель. В README также заявлена идентификация языка речи. На тестовом наборе WAXAL приведены результаты распознавания по пяти языкам. Качество может различаться в зависимости от диалекта, возраста и пола говорящего, а также качества записи. Для шумного аудио без предварительного улучшения речи модель не рекомендована; для критически важных сценариев требуется проверка человеком. Лицензия CC-BY-NC-SA 4.0 ограничивает использование условиями атрибуции, распространения на тех же условиях и некоммерческого применения.

Модель h-gajdov/full_moonshine_tiny_all_data_wup5_ep12_lr5e-5_new_transcripts — дообученная модель Moonshine Tiny от UsefulSensors для распознавания македонской речи и преобразования её в текст. Это компактная encoder-decoder-модель с 27,1 млн параметров, принимающая необработанный аудиосигнал; в отличие от Whisper с фиксированным окном log-mel, её вычислительная стоимость зависит от длительности аудио, что подходит для локального распознавания на устройствах. В метаданных указан контекст 194 токена; при генерации README рекомендует ограничивать max_length значением 192. Модель обучена на смеси македонских речевых наборов, в основном на исправленных и заново транскрибированных данных Vezilka-ASRI. На тестовом наборе из 44 роликов README сообщает WER 11,91% и CER 4,85%; автор отмечает, что результат уступает Whisper Large v3 Turbo, но сравнение идёт с существенно более крупной моделью. Доступна лицензия в предоставленных данных не указана.

Это мультимодальная модель Gemma 4 E4B от Google, опубликованная в формате MLX пользователем roman220220. Репозиторий содержит производную версию QAT-чекпойнта google/gemma-4-E4B-it-qat-q4_0-unquantized: текстовые веса размещены на сетке q4_0, а 114 чувствительных линейных слоёв хранятся в 8-битном формате; также включены зрительный и аудиоблоки. Архитектура — Gemma4ForConditionalGeneration, формат файлов — safetensors, лицензия — Apache-2.0. Модель предназначена для локального диалога, ответов по изображениям и распознавания речи в совместимом MLX-окружении на Apple Silicon. По данным автора, размер сборки составляет 5,95 ГБ; приведены измерения качества на тесте perplexity и скорости декодирования на MacBook Air M5. Для работы с изображениями и аудио требуется поддерживающая мультимодальность версия mlx-lm. В README не указаны длина контекста и перечень поддерживаемых естественных языков.

KARAKURI LM 8x7B Chat v0.1 — чат-модель компании KARAKURI Inc. с архитектурой Mixture of Experts на базе Mixtral. Она дообучена на tokyotech-llm/Swallow-MX-8x7b-NVE-v0.1 с применением SteerLM и данных OASST2, HelpSteer и внутреннего японского набора данных. По метаданным, модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговой генерации текста на японском и английском языках. Шаблон чата позволяет задавать атрибуты ответа, в том числе полезность, корректность, глубину, многословность, токсичность, юмор и креативность. Для правильной работы нужно использовать указанный в карточке формат Mistral с атрибутами: формат отличается от KARAKURI LM 70B Chat v0.1, а неправильное оформление запросов может ухудшить ответы. Лицензия — Apache 2.0.

Kosmos-8B-v1 — языковая модель Khetterman, созданная слиянием 14 моделей с помощью mergekit. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она предназначена для генерации текста, чатов и творческих ролевых диалогов; в метаданных указана поддержка английского и русского языков. Нативная длина контекста — 8192 токена. Модель объединяет варианты Llama 3 и Llama 3.1, в том числе русскоязычную Saiga и модели для творческого общения. Доступна в формате safetensors и использует библиотеку Transformers. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

LLMLingua-2-XLM-RoBERTa-Large-MeetingBank — модель Microsoft на архитектуре XLM-RoBERTa Large, дообученная для классификации токенов и сжатия промптов без привязки к конкретной задаче. Для каждого токена она оценивает вероятность сохранения, помогая сокращать текст с сохранением полезной информации. Модель содержит 658,8 млн параметров, принимает текст и имеет контекст длиной до 514 токенов. Модель обучена на данных MeetingBank, подготовленных для экстрактивного сжатия текста по методике LLMLingua-2. Её можно применять для сжатия стенограмм совещаний перед последующими задачами, например ответами на вопросы и суммаризацией. Она выдаёт метки токенов, используемые при отборе текста; сама по себе не предназначена для генерации ответов или пересказов. Лицензия — MIT.