I.7Речь, диалоги и встречи

tomascufaro/xls-r-es-test — дообученная модель распознавания речи на базе facebook/wav2vec2-large-xlsr-53. Она использует архитектуру wav2vec2 с CTC-декодированием и содержит около 402,7 млн параметров. Модель обучена на испанской части набора Common Voice 8.0 и предназначена для преобразования испанской речи в текст. На оценочной выборке указаны WER 0,1261 и CER 0,035. Модель принимает аудио и выдаёт текст; результаты на других языках и типах аудио в карточке не приведены. Лицензия — Apache-2.0.

babelbit-qwen2.5-3b-fren-gist — модель на базе Qwen2.5-3B-Instruct, дообученная методом LoRA и опубликованная как объединённая самостоятельная модель. Она преобразует спонтанную французскую речь в одну краткую естественную фразу на английском, сохраняя основную мысль и удаляя речевые запинки. Модель предназначена для получения сжатого пересказа высказывания, а не дословной расшифровки. Архитектура — плотная авторегрессионная Qwen2, размер — 3,1 млрд параметров, формат весов — safetensors; базовая модель поддерживает контекст до 32 768 токенов. В README приведена оценка на 212 отложенных примерах: cosine 0,765 и прохождение заданного порога качества для 80% примеров. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с ограничением на коммерческое применение. README также указывает на внутренний/частный характер модели.

SayedShaun/bangla-wav2vec2 — модель автоматического распознавания речи на основе Wav2Vec2 с CTC-головой. По карточке, веса и конфигурацию загрузил пользователь SayedShaun, но они были обучены не им: чекпойнт зеркалирует модель из датасета wv-shru-v3-s6, опубликованного пользователем Kaggle qdv206. Модель предназначена для преобразования речи на бенгальском языке в текст на письме бенгали. Она ожидает монофоническое аудио с частотой дискретизации 16 кГц и использует посимвольный CTC-словарь из 90 токенов, включающий символы бенгальского письма, цифры и базовую пунктуацию. Размер модели — около 402,7 млн параметров. Карточка описывает совместимость с Transformers через стандартные классы Wav2Vec2ForCTC и AutoModelForCTC. Лицензия в метаданных обозначена как unknown; при использовании автор просит указывать первоначального создателя и ссылаться на исходный датасет.

BreznChatML — экспериментальная разговорная модель johannhartmann на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате. Автор описывает эксперимент с датасетом DPO по математике, дополненным немецким переводом. По его оценке, эксперимент снизил способность модели решать математические задачи; в приведённых результатах оценки составляют 2,65 по математике, 4,6 по рассуждениям и программированию, 8,425 по письму. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Cohere Jordanian Dialect — модель распознавания речи, созданная Rlamas полным дообучением CohereLabs/cohere-transcribe-arabic-07-2026. Она предназначена для преобразования аудио на разговорном иорданском арабском в текст. Архитектура сочетает Conformer-энкодер, обрабатывающий мел-спектрограммы, и авторегрессионный Transformer-декодер; модель содержит 151 млн параметров и работает с контекстом до 1024 токенов. Репозиторий включает веса и файлы процессора и токенизатора. Лицензия — Apache-2.0. На отложенном тесте автор сообщает CER 0,0783 и WER 0,1899 против 0,156 и 0,350 у базовой модели. Модель подходит для пакетной офлайн-транскрибации иорданской диалектной речи. Она может зацикливаться на длинных или шумных записях, ошибаться на однословных фрагментах и неверно передавать английскую речь или код-свитчинг. Для потоковой транскрибации, низкой задержки и временных меток по словам она не предназначена.

Qishuai разработал эту модель на базе DistilBERT и дообучил её для восстановления пунктуации в тексте на английском языке без учёта регистра. Модель размечает токены, предсказывая места для знаков препинания; она подходит, например, для обработки текстов, полученных из расшифровок речи, и не предназначена для распознавания речи или генерации связного текста. Модель использует архитектуру DistilBertForTokenClassification, работает с контекстом до 512 токенов и доступна в форматах PyTorch и safetensors. Для обучения использованы новостные статьи BBC, Hindu, Indian Times и Guardian, а также расшифровки TED Talks. В отчёте проверки на новостях и расшифровках TED за 2020 год F1 для запятых и точек составил 0,63 и 0,70; качество восстановления восклицательных знаков было низким (F1 0,12). Лицензия в предоставленных данных не указана.

Eros_Scribe-10.7b-V.02 — объединённая языковая модель, созданная OmnicromsBrain с помощью LazyMergekit из OmnicromsBrain/ToppyCox-7B и OmnicromsBrain/EverythingBagel-DPO-7B. Веса объединены методом passthrough: в итоговую модель включены слои 0–24 первой модели и слои 8–32 второй. Модель построена на архитектуре Mistral и содержит около 10,6 млрд параметров. Модель предназначена для генерации текста и диалогов; базовые модели также описаны как подходящие для творческого ролевого общения. Поддерживается контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors с точностью float16. Лицензия в предоставленных данных не указана.

GRIOT-ASR-W-0.8-ALL — мультиязычная модель автоматического распознавания речи от Bivariant, ориентированная на африканские языки. Она построена на архитектуре Whisper с отдельными лёгкими адаптерами для языков; репозиторий распространяет веса в формате Safetensors и предназначен для работы через Transformers. Модель преобразует аудио в текст, включая естественную разговорную речь. Для языков, прошедших проверку, заявлена точная передача диакритических знаков. Карточка сообщает о проекте для 18 языков, но адаптеры публикуются постепенно: доступны, в частности, баатону, эве и фон, а для некоторых языков опубликованы предварительные версии. Приведённые CER и WER относятся к отдельным тестовым наборам и не обязательно сопоставимы между языками. Для смены языка требуется заново загрузить модель с соответствующим адаптером и токенизатором. Модель распространяется по лицензии Apache-2.0.

Карточка модели Ishowbackup/Huihui-gemma-4-12B-it-abliterated на Hugging Face совпадает с карточкой huihui-ai/Huihui-gemma-4-12B-it-abliterated, поэтому описание составлено по ней. Huihui-gemma-4-12B-it-abliterated — дообученная методом abliteration версия Gemma 4 12B IT от huihui-ai на базе Google Gemma 4 12B IT. Это мультимодальная модель для диалога и генерации, работающая с текстом, изображениями, видео и аудио; архитектура Gemma4 Unified, веса представлены в формате safetensors. Метод abliteration применён к слоям 23–28, чтобы ослабить отказы модели; обработаны режимы с рассуждением и без него. Модель подходит для диалоговых приложений, анализа мультимодальных входов и генерации ответов, когда требуется меньше отказов на чувствительные или спорные запросы. Лицензия — Apache-2.0. Разработчик предупреждает, что фильтрация безопасности значительно снижена и выходы могут быть чувствительными, спорными или неподходящими; ранняя опубликованная версия весов имела проблемы, поэтому рекомендуется использовать обновлённую копию.

Карточка модели Justbackup/Huihui-gemma-4-12B-it-abliterated на Hugging Face совпадает с карточкой huihui-ai/Huihui-gemma-4-12B-it-abliterated, поэтому описание составлено по ней. Huihui-gemma-4-12B-it-abliterated — дообученная методом abliteration версия Gemma 4 12B IT от huihui-ai на базе Google Gemma 4 12B IT. Это мультимодальная модель для диалога и генерации, работающая с текстом, изображениями, видео и аудио; архитектура Gemma4 Unified, веса представлены в формате safetensors. Метод abliteration применён к слоям 23–28, чтобы ослабить отказы модели; обработаны режимы с рассуждением и без него. Модель подходит для диалоговых приложений, анализа мультимодальных входов и генерации ответов, когда требуется меньше отказов на чувствительные или спорные запросы. Лицензия — Apache-2.0. Разработчик предупреждает, что фильтрация безопасности значительно снижена и выходы могут быть чувствительными, спорными или неподходящими; ранняя опубликованная версия весов имела проблемы, поэтому рекомендуется использовать обновлённую копию.

Human-Like-Llama3-8B-Instruct — диалоговая языковая модель HumanLLMs, дообученная на основе meta-llama/Meta-Llama-3-8B-Instruct для генерации более естественных, разговорных ответов. При дообучении применялись LoRA и Direct Preference Optimization (DPO); для общения используется шаблон чата Llama 3. Модель предназначена для диалогов и генерации ответов с более естественной манерой общения и согласованностью беседы. Обучающие примеры охватывают 256 тем, включая технологии, повседневную жизнь, науку, историю и искусство. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM, работает с текстом и имеет контекстное окно 8192 токена. Базовая модель ориентирована на английский язык; карточка не заявляет отдельную поддержку других языков. В опубликованном сравнении результат Human-Like варианта ниже исходной модели по среднему показателю и по IFEval, BBH, MATH Lvl 5 и GPQA, при этом выше по MuSR и MMLU-PRO. Это указывает на компромисс между разговорной манерой и рядом оценённых способностей, а не на общее улучшение качества. Модель распространяется по лицензии Llama 3; её условия следует учитывать при использовании.

IndicConformer — модель автоматического распознавания речи на тамильском языке, разработанная AI4Bharat. Она принимает монофонические WAV-записи с частотой дискретизации 16 кГц и возвращает транскрипцию в виде текста. Модель предназначена для преобразования тамильской речи в текст, например для расшифровки аудиозаписей и создания текстовых версий речевого контента. В основе модели — Conformer-Large-энкодер примерно на 120 млн параметров с 17 блоками и размерностью 512, а декодирование реализовано гибридной схемой CTC-RNNT. Доступны варианты декодирования CTC и RNNT. Модель опубликована под лицензией MIT; для загрузки и работы README рекомендует AI4Bharat NeMo.

kotoba-whisper-v2.2 CoreML — конвертированная версия модели kotoba-tech/kotoba-whisper-v2.2, подготовленная пользователем yslinear для работы с WhisperKit. Базовая модель разработана Kotoba Technologies на основе архитектуры OpenAI Whisper с использованием подходов Distil-Whisper и данных японской речевой выборки ReazonSpeech. Модель предназначена для автоматического распознавания японской речи и локальной транскрибации аудиофайлов на устройствах Apple. Она поставляется в формате CoreML (.mlmodelc) и оптимизирована для Apple Silicon и Apple Neural Engine. В комплект входят аудиоэнкодер, текстовый декодер и преобразователь Mel-спектрограммы; заявленная поддержка ANE составляет соответственно 100%, 98% и 72%. Это дистиллированная модель с двумя слоями декодера вместо 32 слоёв в оригинальной Whisper large, что ориентировано на более эффективное выполнение при сохранении возможностей распознавания японской речи. Точные сведения о размере модели, длине контекста и поддержке других языков в README не указаны. Токенные временные метки отключены из-за несовместимости конфигурации alignment heads с дистиллированной архитектурой. Модель распространяется по лицензии Apache License 2.0, как и исходная модель. Для использования требуется WhisperKit; формат и оптимизация ориентированы прежде всего на экосистему Apple.

L3.3-Cu-Mai-R1-70b — текстовая чат-модель, созданная SteelSkull методом SCE merge на базе TheSkullery/L3.1x3.3-DS-Hydroblated-R1-70B-v4.1. В состав также вошли EVA-LLaMA-3.33, Euryale-v2.3, Cirrus-x1, Hanami-x1, Anubis-v1 и Negative_LLAMA. Модель построена на плотной архитектуре Llama и содержит 69,5 млрд параметров; её контекст — до 131 072 токенов. Модель рассчитана на диалог, творческое письмо, создание сцен и подробных описаний, а также задачи, где важны следование инструкциям, связность и рассуждения. В карточке отмечены естественный стиль прозы и диалога, улучшенная связность и сниженная повторяемость. Разработчик указывает, что рассуждения зависят от корректного промптинга; некоторые пользователи отмечают небольшое снижение интеллектуальных возможностей относительно исходной модели. Доступны веса в формате Safetensors по лицензии Llama 3.3.

Llama-3.1-Argunaut-1-8B-SFT — языковая модель DebateLabKIT, дообученная методом SFT на базе meta-llama/Llama-3.1-8B-Instruct. Она предназначена для диалогов о структуре аргументов: помогает создавать карты аргументов в синтаксисе Argdown и выделять посылки и выводы из текста. Модель содержит 7,5 млрд параметров, использует плотную архитектуру Llama и работает с текстом; заявленное контекстное окно — 131 072 токена. В обучении использованы диалоги DebateLabKIT по аргументации и смесь инструкционных данных Tulu 3. Модель подходит для преобразования рассуждений в структурированный вид и обсуждения аргументации в формате чата. Карточка демонстрирует пример, в котором ответ на запрос о карте аргументов оказался неудовлетворительным, поэтому качество следования инструкциям и построения аргументов может быть непостоянным. Лицензия — Llama 3.1 Community License.

MiMo-V2.6-Flash-MOPD — мультимодальная модель Xiaomi для диалогов и агентных сценариев с вызовом инструментов. Это обновлённая версия чекпойнта MiMo-V2.6-Flash-RL: MOPD-дистилляция объединяет специализированных учителей и снижает повторение одинаковых или похожих вызовов инструментов. Модель принимает текст, изображения, видео и аудио, поддерживает контекст до 1 048 576 токенов и ориентирована, в частности, на длительные агентные задачи, разработку игр, научные исследования и воплощённый интеллект. В README описана разреженная MoE-архитектура с 309 млрд параметров, из которых активируются 15 млрд; метаданные репозитория указывают 12 млрд параметров и формат safetensors FP8. В архитектуру также входят зрительный и аудиоэнкодеры и спекулятивный декодер. Модель подходит для многошаговых диалогов и работы с инструментами, а заявленное снижение повторяющихся вызовов может быть полезно в агентных циклах. Карточка указывает английский и китайский языки; лицензия — MIT. Учитывая различие в значении общего числа параметров между README и метаданными, размер следует трактовать осторожно; заявленное снижение повторов не гарантирует их полного отсутствия.

jhflow/mistral7b-lora-multiturn-v4 — диалоговая модель генерации текста на базе архитектуры Mistral. В карточке указана базовая модель maywell/Synatra-7B-v0.3-dpo и формат диалога ChatML; метаданные описывают плотную архитектуру MistralForCausalLM размером 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для многоходового общения и генерации ответов в формате чата. Она опубликована в формате safetensors и поддерживает text-generation. Лицензия в предоставленных данных не указана.

Ola-7B — мультимодальная модель, разработанная исследователями Tencent, Университета Цинхуа и Наньянского технологического университета. Она дообучена на базе Qwen2.5-7B и сочетает визуальный энкодер Oryx-ViT с языковой моделью Qwen2.5 на 7,1 млрд параметров. Модель принимает текст, изображения, видео и аудио, а выдаёт текст; контекстное окно составляет 32 тыс. токенов. Модель предназначена для диалогов и генерации текстовых ответов по визуальным и аудиовизуальным данным, включая изображения и видео произвольного пространственного размера и временной длины. Обучение проводилось в три этапа на смеси более чем из 5 млн примеров с изображениями, видео и аудио. Для запуска требуется отдельно скачать speech encoder и указать его путь в config.json. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Jebadiah/OpenBio-gem-p1 — языковая модель, созданная разработчиком Jebadiah путём объединения предварительно обученных моделей с помощью mergekit и метода DARE TIES. В качестве базовой использована Jebadiah/gradient-1m-OpenBio-stone-l3-8b, также в слияние включена Jebadiah/dolphin-hermes-stone-l3-8b-1m. Модель построена на архитектуре Llama и содержит 7,5 млрд параметров. Она предназначена для генерации текста в диалоговом формате; заявленное контекстное окно составляет 1 048 576 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Карточка не описывает качество на отдельных задачах, языковой охват или ограничения. Информация о лицензии отсутствует в предоставленных данных.

PhoWhisper-base — модель автоматического распознавания речи на вьетнамском языке, разработанная Thanh-Thien Le, Linh The Nguyen и Dat Quoc Nguyen. Это версия семейства PhoWhisper, полученная дообучением многоязычной Whisper на 844 часах вьетнамской речи с разными акцентами. Вариант base содержит 51,7 млн параметров и использует архитектуру WhisperForConditionalGeneration; репозиторий предоставляет веса PyTorch. Модель предназначена для преобразования вьетнамской речи в текст, в том числе для аудиозаписей с различными акцентами. Авторы сообщают о высоких результатах на тестах распознавания вьетнамской речи. Модель распространяется по лицензии BSD-3-Clause; при публикации результатов или включении модели в программное обеспечение авторы просят цитировать статью PhoWhisper.

Jhjhugv/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная языковая модель семейства Qwen3, разработанная Jhjhugv и дообученная на основе NotoriousH2/Qwen3-0.6B-JSON-SFT. Модель предназначена для генерации текста в формате JSON; базовая модель ориентирована на извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний. Модель содержит 507,9 млн параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Карточка указывает обучение с использованием Unsloth и библиотеки TRL; доступны веса в формате safetensors и интерфейс для диалогов и вызова инструментов. Практические сценарии — преобразование протоколов совещаний в структурированные JSON-данные и извлечение из них задач, решений и препятствий. Поддержка корейского языка следует из назначения базовой модели; метаданные карточки также помечают английский. Модель распространяется по лицензии Apache-2.0. Отдельные сведения о качестве и известных ограничениях дообученной версии в карточке не приведены.

luckysong777/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная авторегрессионная языковая модель семейства Qwen3, дообученная на базе NotoriousH2/Qwen3-0.6B-JSON-SFT. В README указано, что модель обучалась с помощью Unsloth и библиотеки TRL; число параметров — 507,9 млн, нативное окно контекста — 40 960 токенов. Модель предназначена для генерации текста в формате JSON и диалогового взаимодействия. Описание базовой модели указывает на извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний; применимость этих сценариев к данной производной модели вероятна, но отдельные результаты её обучения в карточке не приведены. Репозиторий предоставляет веса в формате Safetensors. Модель выпущена под лицензией Apache-2.0. Английский указан среди языков карточки, а описание базовой модели связывает её с корейскими протоколами; точное качество и ограничения извлечения для этой версии в README не описаны.

Qwen3-ForcedAligner-0.6B-hf — модель принудительного выравнивания речи от команды Qwen. Она принимает аудио и готовую расшифровку, а затем предсказывает временные метки для её единиц; распознавать речь для получения текста может отдельная ASR-модель. Модель поддерживает китайский, английский, кантонский, французский, немецкий, итальянский, японский, корейский, португальский, русский и испанский языки и выравнивает аудио длительностью до пяти минут. Модель относится к семейству Qwen3-ASR и использует архитектуру Qwen3ASRForTokenClassification. Нерегрессионный режим выполнения делает её подходящей для пакетной обработки аудио; в README также описано ускорение с помощью torch.compile. Метаданные указывают библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0. Для работы требуется аудио и текстовая транскрипция, полученная заранее, например, с помощью Qwen3-ASR или другой системы распознавания речи. Модель предназначена для разметки времени произнесённых слов или других единиц, а не для самостоятельного распознавания речи; в README также не заявлена поддержка иных типов аудио, кроме речи.

Kaoeiri/Qwenwify-32B-v2.6 — плотная языковая модель семейства Qwen2, созданная слиянием нескольких предварительно обученных моделей с помощью mergekit и метода DARE TIES. В качестве основы автор README указывает unsloth/qwen2.5-32b; в метаданных также перечислены несколько моделей-участниц слияния, включая варианты Qwen2.5-32B для инструктивных и ролевых диалогов. Модель предназначена для генерации текста и диалоговых сценариев. Размер составляет 32 млрд параметров, архитектура — Qwen2ForCausalLM, заявленная длина контекста — 131 072 токена. Репозиторий использует библиотеку Transformers и формат safetensors. Карточка не сообщает результаты оценки качества, подробные рекомендации по использованию или языковой охват. Лицензия в предоставленных данных не указана.

DoppelReflEx/QWQ-32B-Dawnwhisper-QWQTokenizer — слитая автором модель на архитектуре Qwen2 с 32 млрд параметров, созданная на основе Qwen/QwQ-32B, ArliAI/QwQ-32B-ArliAI-RpR-v3 и trashpanda-org/QwQ-32B-Snowdrop-v0. В README указано, что при сборке использован токенизатор QwQ, а веса объединены методом dare_ties; модель распространяется в формате safetensors и рассчитана на генерацию текста и диалоги. Контекст составляет 40 960 токенов. Модель предназначена для диалогов с рассуждениями, ролевого общения и сценариев с несколькими параллельными задачами. Автор отмечает сильные результаты в рассуждениях и выразительность диалогов; режим рассуждений можно включить для более качественных ответов, особенно на языках помимо английского и китайского. README рекомендует шаблон ChatML и указывает на доступность квантованных GGUF-вариантов, но сама карточка не задаёт лицензию.

Resemble-Enhance-GGUF — неофициальная конверсия модели Resemble Enhance от Resemble AI в формат GGUF F16 для локального инференса в совместимых с GGML/GGUF средах. Это не новая обученная модель: в репозитории размещён файл с полной версией модели улучшения речи, а исходные проект и веса опубликованы Resemble AI. Модель предназначена для улучшения речи и подавления шума в аудиозаписях. Поддержка функций зависит от используемого рантайма. Репозиторий указывает лицензию MIT для исходного проекта и конверсии; распространение неофициальное.

S2T-MEDIUM-LIBRISPEECH-ASR — модель распознавания речи семейства Speech to Text Transformer (S2T), опубликованная в репозитории Facebook на Hugging Face. Это последовательная модель encoder-decoder на базе Transformer с 55,5 млн параметров: она принимает акустические признаки речи и авторегрессионно генерирует текстовую расшифровку. Модель предназначена для автоматического распознавания английской речи, прежде всего чтения вслух. Она обучена на корпусе LibriSpeech ASR объёмом около 1000 часов: аудио 16 кГц преобразуется в 80-канальные log-mel признаки, а текст нормализуется в нижний регистр и токенизируется SentencePiece. На тестах LibriSpeech указаны WER 3,5 для clean и 7,8 для other. Модель принимает аудио через акустические признаки и выдаёт текст. Она рассчитана на английскую речь в стиле LibriSpeech; результаты для других языков, шумных бытовых записей и сценариев, отличающихся от чтения, не подтверждены приведёнными данными. Лицензия — MIT.

saga-2-m — датская модель распознавания речи от Capacit A/S, опубликованная под лицензией CC BY-NC 4.0 с обязательным указанием авторства при распространении. В ней аудиоэнкодер Whisper large-v3-turbo-danish соединён через проектор с декодером Qwen3-0.6B-Base; модель содержит около 1,24 млрд параметров и работает с точностью bf16. Она преобразует датскую речь в текст с пунктуацией и сохранением регистра. Разработчики сообщают о первом месте на датском ASR-лидерборде и скорости 268× реального времени на RTX 5090 при batch 16. Модель предназначена для офлайн-транскрибации датской речи, включая парламентские выступления, чтение вслух и разговорную речь. Обучение использовало FTSpeech, CoRal и другие датские речевые корпуса; для коротких фрагментов аудио модель может выдавать пустую строку на тишине и звуковых сигналах. Окно энкодера — до 30 секунд. Поддерживается только датский язык. Модель не выдаёт пословные временные метки, не выполняет диаризацию и не поддерживает потоковое распознавание; контекст между фрагментами длинной записи не сохраняется. Разговоры, перекрывающаяся речь и дальние микрофоны снижают точность; числа и редкие имена остаются частыми ошибками. Для критически важных применений качество следует проверять на собственных данных.

SepFormer — модель шумоподавления речи, разработанная командой SpeechBrain и обученная на наборе WHAM! для аудио с частотой дискретизации 16 кГц. Она принимает зашумлённую речь и выдаёт очищенный аудиосигнал, помогая улучшать разборчивость записей с шумом и реверберацией. В тестах на WHAM! карточка сообщает SI-SNR 14,3 дБ; в таблице результатов для выпуска от 30 июня 2022 года приведены SI-SNR 13,8 дБ и PESQ 2,20. Модель реализована на PyTorch с архитектурой SepFormer, основанной на трансформерах. Обучающий набор WHAM! основан на WSJ0-Mix и включает шум окружающей среды и реверберацию; в описании набора указана исходная частота 8 кГц. Модель рассчитана на задачи улучшения англоязычной речи. Лицензия репозитория — Apache-2.0. Результаты на других наборах данных не гарантируются: качество обработки может отличаться от показателей на WHAM!.

NVIDIA stt_ar_fastconformer_hybrid_large_pcd_v1.0 — крупная модель автоматического распознавания арабской речи на архитектуре FastConformer. Она принимает монофонический WAV-аудиосигнал с частотой 16 кГц и возвращает текст на арабском языке с диакритическими знаками и поддержкой базовой пунктуации. Размер модели — около 115 млн параметров; обучение использует гибридные декодеры Transducer (RNNT) и CTC, токенизатор SentencePiece с размером словаря 1024. Модель обучена NVIDIA с использованием NeMo на составном наборе примерно из 1100 часов арабской речи. Модель подходит для преобразования записей и речевых файлов в арабскую текстовую расшифровку. Она работает без потоковой обработки; для нормализации результата может потребоваться обратная текстовая нормализация. Точность зависит от шума, акцента, типа речи и контекста; качество может снижаться на диалектной речи и технических терминах, а дословная транскрипция и пунктуация не гарантируются. Модель не предназначена для критически важных приложений. Лицензия — CC BY 4.0; карточка сообщает о возможности коммерческого и некоммерческого использования.