I.9Аудио и музыка

Модель reazon-research/japanese-wav2vec2-base-rs35kh разработана Reazon Research и представляет собой Wav2Vec 2.0 Base, дообученную для автоматического распознавания японской речи на корпусе ReazonSpeech v2.0. Она принимает аудио и преобразует речь в текст; модель опубликована для использования через библиотеку Transformers. В карточке приведены результаты по Character Error Rate на нескольких японских наборах данных. Средний CER составил 20,40%; на JSUT-BOOK для длинной речи CER составил 82,84%, что указывает на существенное ограничение при транскрибировании длинных записей. В метаданных указано 115,6 млн параметров и лицензия Apache-2.0.

LFM2.5-Audio-1.5B — сквозная аудиоязыковая модель Liquid AI для голосового общения в реальном времени. Она принимает аудио и может формировать речь и текст, поэтому для диалога не требуются отдельные компоненты распознавания и синтеза речи. Поддерживаются распознавание речи (ASR), синтез речи (TTS) и разговорный режим с чередованием текста и аудио. В составе модели — мультимодальная языковая основа LFM2.5, аудиокодировщик FastConformer и RQ-трансформер для генерации аудиотокенов с лёгким аудиодетокенизатором. В README указано 1,5 млрд параметров для модели в целом и 1,2 млрд для языковой части; архитектура языковой основы сочетает свёрточные слои и внимание. Модель рассчитана на низкую задержку; для CPU доступны совместимые с llama.cpp сборки GGUF. Указан английский язык. Модель предназначена для голосовых ассистентов, диалоговых систем, распознавания речи и преобразования текста в речь. В метаданных указан базовый репозиторий LiquidAI/LFM2-1.2B и связь типа дообучения. Лицензия обозначена как other, поэтому перед использованием следует проверить условия в карточке репозитория. README также сообщает о лучшем качестве ASR и TTS по сравнению с предыдущей версией, но результаты зависят от набора данных и сценария.

LTX-2.3-fp8 — аудиовизуальная foundation-модель, разработанная компанией Lightricks. Это диффузионная модель на архитектуре DiT, предназначенная для совместной генерации синхронизированных видео и аудио в рамках одной модели. Доступна в вариантах полного 22B-чекпойнта и дистиллированного чекпойнта, рассчитанного на генерацию за 8 шагов с CFG=1; обе версии используют формат FP8. Модель поддерживает сценарии text-to-video, image-to-video, video-to-video, image-text-to-video, audio-to-video, text-to-audio, video-to-audio, audio-to-audio, а также совместную генерацию аудио и видео по тексту или изображениям. Заявлены улучшенное качество аудио и визуального контента и более точное следование промптам по сравнению с LTX-2. Основной заявленный язык — английский; в метаданных также перечислены немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский. К ограничениям относятся возможное несовершенное соответствие промпту, зависимость результата от стиля формулировки запроса, риск усиления общественных предубеждений и генерации неприемлемого или оскорбительного контента. Модель не предназначена для предоставления фактической информации, а качество аудио без речи может быть ниже. Для работы локально указана поддержка PyTorch примерно версии 2.7, CUDA выше 12.7 и Python от 3.12; ширина и высота должны делиться на 32, а число кадров — соответствовать формату 8n+1. Использование модели, её производных и связанных компонентов регулируется ltx-2-community-license-agreement.

unsloth/LTX-2.3-GGUF — GGUF-квантованная версия LTX-2.3, аудиовизуальной foundation-модели, разработанной Lightricks. Модель основана на архитектуре DiT и предназначена для совместной генерации синхронизированных видео и аудио в едином пайплайне. Публикация использует методологию Unsloth Dynamic 2.0 GGUF с повышенной точностью для важных слоёв и рассчитана на локальный запуск, в частности через ComfyUI. Модель поддерживает сценарии text-to-video, image-to-video, video-to-video, image-text-to-video, audio-to-video, text-to-audio, video-to-audio, audio-to-audio, а также совместную генерацию аудио и видео из текста или изображений. Доступны варианты dev и distilled: dev обеспечивает более высокое качество и требует не менее 20 шагов генерации, тогда как distilled оптимизирован для быстрых запусков примерно за 4–8 шагов и может использоваться для черновой генерации или уточнения результата. Указан размер основной модели 22B. Заявлены языки English, German, Spanish, French, Japanese, Korean, Chinese, Italian и Portuguese; размер контекста в README не указан. Сильные стороны модели — единая генерация аудиовизуального контента, синхронизация звука и изображения, улучшенные качество аудио и видео и повышенное следование промпту по сравнению с LTX-2. Ограничения включают значительные требования к вычислительным ресурсам для dev-варианта, зависимость от совместимых инструментов и компонентов пайплайна, а также компромисс между скоростью и качеством у distilled-варианта. Модель распространяется по лицензии ltx-2-community-license-agreement; это не стандартная свободная лицензия, поэтому условия использования следует проверять в полном тексте соглашения.

Open-Sarika — модель распознавания и перевода речи, созданная как открытая реализация по мотивам Sarika от Sarvam AI. Она дообучена на базе Whisper large-v3 от OpenAI и предназначена для транскрибации речи на хинди, гуджарати и маратхи, а также перевода речи между этими языками. Модель использует архитектуру Whisper и содержит около 905,2 млн параметров; для запуска применяется библиотека Transformers, веса доступны в формате safetensors. При обучении использовались набор IndicVoices от AI4Bharat, проект Project Vaani и другие записи на индийских языках. Для более быстрой обработки рекомендуется GPU; в README указано минимальное требование в 8 ГБ RAM и размер модели около 1,5 ГБ. Лицензия — MIT. Описание не приводит оценок качества или подробностей о поддержке перевода в текстовом режиме.

SE-DiCoW — модель распознавания речи целевого говорящего, разработанная группой BUT Speech@FIT совместно с JHU CLSP/HLTCOE и CMU LTI. Это плотная модель семейства DiCoW с архитектурой DiCoWForConditionalGeneration, содержащая 905,2 млн параметров и основанная на Whisper large-v3-turbo. Она принимает аудио разговоров и формирует текстовую расшифровку речи выбранного говорящего, в том числе при наложении голосов. Модель использует автоматический выбор информативного фрагмента целевого говорящего с передачей признаков через cross-attention и преобразование FDDT, зависящее от диаризации. Обучение с шумовыми возмущениями и SpecAugment предназначено для повышения устойчивости к неточной диаризации. В карточке приведены результаты tcpWER на Libri2Mix, LibriSpeechMix и AMI, включая относительное снижение tcpWER примерно на 75% по сравнению с DiCoW v1 на Libri3Mix. Модель рассчитана на многоязычное распознавание речи в многоголосых разговорах и доступна в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка не уточняет языки по отдельности и длину контекста; практические результаты зависят от качества аудио и диаризации, а опубликованные метрики ограничены указанными наборами данных и протоколом оценки.

typhoon-ai/typhoon-asr-qwen-0.6b-ctx — тайская модель распознавания речи, разработанная typhoon-ai как дообученная версия Qwen/Qwen3-ASR-0.6B-hf с применением LoRA; веса адаптера объединены с базовой моделью. Она принимает аудио и выдаёт текстовую транскрипцию, поддерживая контекстную подсказку через список имён и терминов в системном сообщении: распознанные слова записываются в заданном написании, а не произнесённые элементы списка отфильтровываются. Рекомендуемый формат — список терминов через пробел и отдельная строка Thai; без списка достаточно указать Thai. По README, список до 50 элементов — оптимальный сценарий; качество контекстного распознавания зависит от его длины. Модель имеет плотную архитектуру Qwen3-ASR и около 0,80 млрд параметров. В описанных тестах она улучшает распознавание относительно исходной Qwen3-ASR-1.7B, особенно на внешнем наборе TVSpeech, хотя уступает более крупной версии typhoon-qwen-1.7b-ctx. Модель предназначена для тайской речи; метаданные указывают аудиовход и задачу automatic-speech-recognition. Распространяется под лицензией Apache-2.0.

speech-seq2seq/wav2vec2-2-gpt2-medium-no-adapter-frozen-enc — речевая модель архитектуры SpeechEncoderDecoderModel, обученная с нуля на датасете LibriSpeech ASR. Она предназначена для автоматического распознавания речи: принимает аудио и генерирует текстовую расшифровку. В README указаны результаты на оценочной выборке: loss 6,5541 и WER 1,9877; по этим значениям качество распознавания выглядит низким. Модель загружает и обрабатывает аудио, выдаёт текст и распространяется в формате PyTorch. Метаданные указывают на связь с LibriSpeech ASR, но не подтверждают поддержку конкретных языков, размер модели или длину контекста. Условия лицензии в предоставленных данных отсутствуют.

Модель infinitejoy/wav2vec2-large-xls-r-300m-hindi — дообученная версия facebook/wav2vec2-xls-r-300m для распознавания речи на хинди. Она принимает аудио и выдаёт распознанный текст; обучение проводилось на наборе Mozilla Common Voice 7.0 для хинди. Архитектура основана на Wav2Vec2 и имеет около 402,7 млн параметров. Модель можно применять для транскрибации речи на хинди, например аудиозаписей или голосовых сообщений. В README приведён результат оценки на тестовом наборе: WER 1,0194, что указывает на существенные ошибки распознавания. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

Это акустическая модель распознавания речи на базе wav2vec2 XLS-R, дообученная автором raniczan для корейской и английской речи с переключением языков. Модель использует архитектуру Wav2Vec2ForCTC и выдаёт посимвольные вероятности по компактному алфавиту примерно из 105 корейских джамо и латинских символов; размер по метаданным — 403,1 млн параметров. Модель предназначена для транскрибирования корейской, английской и смешанной корейско-английской речи. Перед декодированием целевой текст нужно разложить на джамо в нормализации NFD, а результат распознавания собрать обратно в NFC. Обучение проводилось на 17,4 часах чистой синтезированной речи; акустический энкодер базовой модели был заморожен, а CTC-голова обучена заново. Модель распространяется по лицензии Apache-2.0. Обучение на синтезированной речи и ограниченный объём данных могут снижать качество на естественной речи и реальных аудиозаписях; требуется согласованная с моделью обработка корейского текста.

Это модель автоматического распознавания речи на архитектуре Wav2Vec2ForCTC, дообученная на базе facebook/wav2vec2-xls-r-300m на наборе MOZILLA-FOUNDATION/COMMON_VOICE_8_0 — MR. Она преобразует входящее аудио в текст и предназначена для распознавания речи на языке маратхи. В карточке указаны результаты на оценочной выборке: loss 0,6693 и WER 0,5921. Модель содержит около 402,7 млн параметров, распространяется в формате PyTorch и доступна по лицензии Apache-2.0. Дата публикации на Hugging Face — 2 марта 2022 года. Высокое значение WER указывает на заметную долю ошибок распознавания на указанной оценочной выборке, поэтому качество следует проверять на аудио и сценариях целевого применения. Карточка не приводит дополнительных сведений о длине аудио, акустических условиях или использовании языковой модели, несмотря на суффикс «with-lm» в названии репозитория.

Это модель автоматического распознавания речи на валлийском языке, разработанная на основе facebook/wav2vec2-large-xlsr-53 и дообученная на корпусе Common Voice 18.0 с чтением вслух и на спонтанной речи из Bangor Transcriptions 24.10. Она использует архитектуру wav2vec 2.0 с CTC-декодированием и содержит 402,7 млн параметров. Модель преобразует валлийскую речь в текст и подходит для расшифровки записей, включая чтение и спонтанную речь. На тестовой выборке Bangor Transcriptions указаны WER 36,23 и CER 12,55. Модель распространяется по лицензии Apache-2.0.

Whisper Large Khmer — модель распознавания речи, дообученная Kak Soky на наборе данных SLR42. Она основана на архитектуре Whisper и содержит около 905,2 млн параметров. Модель предназначена для преобразования аудио на кхмерском языке в текст. На оценочной выборке указаны значение loss 0,2375 и WER 29,5183. Репозиторий содержит веса PyTorch и опубликован по лицензии Apache-2.0. Подробные сведения о сценариях применения и ограничениях в карточке отсутствуют.

Модель oddadmix/whisper-large-v3-arabic-dialectal-v2 разработана автором oddadmix на базе Whisper large-v3 от OpenAI и дообучена для распознавания разговорного арабского языка в разных диалектах. Она принимает аудио и преобразует речь в текст; в карточке описано дообучение на сбалансированном по диалектам наборе lahgtna-v3-small: 52 тысячи обучающих и 2,6 тысячи тестовых фрагментов. Размер базовой модели — 1,54 млрд параметров, архитектура — WhisperForConditionalGeneration, веса опубликованы в формате safetensors. На сбалансированной тестовой выборке модель показала WER 0,3199 и CER 0,1203 при оценке нормализованного текста без диакритических знаков. В приведённых результатах лучше распознаются саудовский и другие заливные варианты, сложнее — магрибские диалекты, включая тунисский, алжирский и марокканский. Модель рассчитана на транскрибацию арабской речи, а не на генерацию текста по произвольным запросам. Модель распространяется по лицензии Apache-2.0. Она унаследовала мультиязычные возможности Whisper large-v3, однако дообучение и заявленная специализация ориентированы на арабские диалекты; показатели зависят от диалекта, качества аудио и принятой нормализации транскрипта.

Whisper Large v3 Turbo STT Zeroth KO v2 — дообученная модель OpenAI Whisper, созданная автором репозитория на базе openai/whisper-large-v3-turbo для автоматического распознавания корейской речи. Модель использует архитектуру Whisper и содержит около 905,3 млн параметров; для работы с ней указана библиотека Transformers. Модель предназначена для преобразования корейской речи в текст. В README сообщаются результаты текущего этапа дообучения на оценочной выборке: WER 19,9134 и CER 0,0660; автор уточняет, что обучение ещё продолжается. Данные для обучения связаны с Zeroth-STT-Korean; в README указано 102 263 примера с разделением на обучающую и тестовую выборки. В карточке не указаны условия лицензии. Результаты могут измениться по мере продолжения дообучения, а заявленная специализация ограничена корейским ASR; показатели на других языках и в иных условиях не приведены.

Это дообученная на полном наборе параметров модель OpenAI Whisper medium, созданная oddadmix для распознавания арабской речи на разных диалектах. Она преобразует аудио в текст и рассчитана на расшифровку коротких записей: разговоров на левантийских, магрибских, египетском, заливном, суданском и иракском диалектах, а также на современном литературном арабском. Архитектура — WhisperForConditionalGeneration; базовая модель содержит 455,8 млн параметров по метаданным, тогда как README указывает 769 млн. Модель принимает аудио и выдаёт текст без диакритических знаков; для латинских токенов применяется нижний регистр. В тесте на 932 аудиофрагментах автор сообщает WER 0,358 и CER 0,123 после очистки текста. Обучение использовало очищенные и расширенные варианты аудиозаписей, включая шум, музыку, изменение скорости и реверберацию. Записи длиннее 30 секунд исключались, поэтому модель предназначена для офлайн-распознавания фрагментов до 30 секунд и не поддерживает потоковую транскрибацию. По данным README, наибольшие трудности возникают с магрибскими диалектами, а фактическое качество зависит от сходства записи с обучающими данными. Модель распространяется по лицензии Apache-2.0; README обозначает её как частную/внутреннюю и рекомендует оценить качество на собственных данных перед производственным применением.

steja/whisper-small-somali — модель распознавания речи на основе OpenAI Whisper Small, дообученная автором на подмножестве so_so датасета Google FLEURS. Она предназначена для преобразования аудиозаписей на сомалийском языке в текст; архитектура Whisper содержит около 153,1 млн параметров. В оценке на тестовой выборке указаны loss 2,0764 и WER 66,5950. Модель подходит для транскрибирования сомалийской речи в записях и голосовых материалах. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0. Высокий указанный WER свидетельствует о существенных ошибках распознавания, поэтому транскрипции могут требовать проверки и исправления.

Munindra28/whisper-small-telugu-finetuned — модель распознавания речи на основе Whisper Small от OpenAI, дообученная на 450 аудиозаписях на телугу с помощью Mozilla.ai Blueprint для настройки распознавания речи. Она предназначена для преобразования речи на телугу в текст. В отчёте карточки после дообучения указаны WER 54,81 (нормализованный) и 94,4 (орфографический), CER 30,103 и 38,904 соответственно, а также loss 0,693; на тестовом наборе базовой модели показатели были хуже. Модель распространяется в формате safetensors по лицензии Apache-2.0. Небольшой объём обучающих данных и высокие значения ошибок указывают на ограничения точности; результаты могут зависеть от условий записи и состава речи.

HarrisDePerceptron/xls-r-300m-ur — модель распознавания речи на основе архитектуры wav2vec2 с классификатором CTC. Она дообучена на датасете Mozilla Common Voice 8.0 для языка урду и принимает аудио, выдавая текстовую расшифровку. В репозитории указаны 402,7 млн параметров; веса доступны в формате PyTorch. Модель подходит для расшифровки записей речи на урду, в том числе материалов, похожих на записи Common Voice. В оценке на тестовой выборке датасета указаны WER 0,515 и CER 0,237, поэтому точность может быть ограниченной, особенно на шумных записях, других речевых доменах и вариантах произношения. Модель выпущена под лицензией Apache-2.0.

Lakoc/DeCRED_small_cv — модель распознавания речи на базе архитектуры joint AED-CTC speech encoder-decoder, дообученная на наборе Common Voice 13.0. В README приведены результаты оценки: CER 0,0855 и WER 0,1935, а также значения потерь, замен, удалений и вставок. Модель предназначена для преобразования речи в текст. Карточка не уточняет язык аудиозаписей и сценарии применения; по названию датасета можно установить только источник обучения. Репозиторий содержит веса в формате Safetensors. Лицензия и ограничения применения в предоставленных данных не описаны.

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.

Ethio-ASR — модель распознавания речи команды Ethio-ASR, дообученная на наборе WAXAL на основе facebook/w2v-bert-2.0. Она принимает аудио и преобразует речь в текст на амхарском, тигринья, афаан-оромо, сидама и волайтта; карточка также указывает задачу идентификации языка. Архитектура — Wav2Vec2BertForCTC, число параметров по метаданным — 403,1 млн. Модель предназначена для распознавания речи на пяти эфиопских языках, в том числе для голосовых помощников, средств доступности и исследовательских сравнений. В README приведены примеры транскрипций и оценка на тестовом наборе WAXAL. Модель распространяется по лицензии CC-BY-4.0. Точность может меняться в зависимости от диалекта, возраста и пола говорящего, а также качества записи. README отдельно предостерегает от использования для языков вне списка, работы с шумным аудио без предварительного улучшения речи и высокорисковых решений без проверки человеком.

MATPAC++ — аудиоэнкодер для получения представлений звука, разработанный авторами проекта MATPAC. Эта версия обучена на наборе AudioSet и предназначена для извлечения эмбеддингов общего аудио, которые можно использовать в последующих задачах классификации и анализа звука. Модель использует архитектуру ViT-Base с 12 слоями и размерностью 768. Она принимает монофоническое аудио с частотой дискретизации 16 кГц, преобразованное в логарифмические мел-спектрограммы, и выдаёт эмбеддинги размерностью 3840. Для классификации на конкретных наборах задач требуются отдельные веса линейных проб, которые не входят в этот энкодер. Репозиторий содержит порт для Transformers с `trust_remote_code`; для запуска нужны дополнительные зависимости `torchaudio`, `einops` и `timm==0.4.12`. Модель распространяется по лицензии Apache-2.0. Она предназначена для представления аудио, а не для распознавания речи или генерации звука; качество на конкретной задаче зависит от подходящей downstream-модели или обученной линейной пробы.

NbAiLab подготовила этот бета-чекпойнт на основе Qwen3-ASR-0.6B для распознавания норвежской речи. Модель рассчитана на оценку ASR, в том числе на длинных аудиозаписях и в экспериментах с подсказками; её поведение переключается между более ориентированной на читаемость транскрипцией и более дословным вариантом с подсказкой `\`. Чекпойнт предназначен для локальных экспериментов, пакетной обработки, интеграционных проверок и тестирования подачи аудио через сервисы. В README указано, что результаты предварительные: модель находится в бета-стадии, а качество распознавания, форматирование, чувствительность к подсказкам и рабочие характеристики могут меняться. Репозиторий распространяется по gated-доступу; метаданные указывают лицензию `other`, но конкретные условия лицензии в предоставленных сведениях не описаны.

NbAiLab/nb-whisper-large-verbatim — модель автоматического распознавания речи, разработанная NB AI-Lab при Национальной библиотеке Норвегии. Она основана на openai/whisper-large и дополнительно обучена 200 шагов для более дословной транскрибации: выводит текст в нижнем регистре без пунктуации и не исправляет грамматические ошибки говорящего. Модель предназначена для расшифровки аудио, особенно когда важно сохранить особенности исходной речи, например для лингвистического анализа. Семейство NB-Whisper обучалось на многоязычных речевых данных; карточка указывает норвежский, букмол, нюношк и английский. Модель содержит около 905,2 млн параметров и работает через Transformers; для эффективной обработки больших моделей рекомендуется GPU. Для длинных записей README рекомендует обрабатывать аудио чанками; увеличение beam size может повысить точность ценой времени и памяти. Модель не предназначена для нормализации текста: отсутствие регистра и пунктуации, а также сохранение грамматических ошибок являются намеренными особенностями. Лицензия — Apache 2.0.

Qwen3-ASR-1.7B-hf Orze — дообученная и полностью объединённая специализация модели Qwen/Qwen3-ASR-1.7B-hf от Orze для распознавания английской речи. Это плотная аудиотекстовая модель для транскрибации коротких аудиозаписей; она загружается напрямую через Transformers и использует детерминированное beam search-декодирование с четырьмя лучами. Веса в формате safetensors содержат около 2,04 млрд параметров. Модель обучали на открытых англоязычных наборах, включая Switchboard, Common Voice, TED-LIUM, AMI, LibriSpeech, VoxPopuli, Earnings22 и SPGISpeech. Она предназначена для транскрибации разговоров, выступлений и других коротких записей на английском языке. В README приведены результаты самостоятельной оценки на открытых тестовых наборах, однако публичные тестовые оценки участвовали в выборе чекпойнта и настроек декодирования, поэтому эти результаты не являются независимой оценкой обобщения и не подтверждены владельцами лидерборда. Мультиязычные возможности исходной модели после дообучения не проверялись; для задач, где важна широкая мультиязычная поддержка, README рекомендует исходный чекпойнт. Модель распространяется по лицензии Apache-2.0.

TEA-ASR-1 — модель распознавания речи, созданная JacobLinCool для повседневной речи на мандаринском китайском Тайваня. Она дообучена на основе Qwen3-ASR-1.7B: аудиоэнкодер заморожен, а небольшая LoRA-адаптация декодера объединена с весами в единый чекпойнт. Модель принимает аудио и выдаёт транскрипцию традиционными китайскими иероглифами с лексикой, характерной для Тайваня; она также рассчитана на естественное переключение между китайским и английским в речи. Модель предназначена для транскрибации разговоров, лекций и записей на тайваньском мандаринском, в том числе смешанной китайско-английской речи. В README указана версия на 2 млрд параметров и совместимость с API Qwen3-ASR; для распознавания тайваньской речи рекомендуется задавать язык Chinese, а для имён и терминов можно передавать контекстные подсказки. Автор приводит результаты сравнений на публичных наборах CommonVoice zh-TW, ASCEND и CSZS, полученные в одном протоколе; это собственные измерения автора, а не независимая оценка. Лицензия — MIT. Проверка описана для тайваньского мандаринского и китайско-английского переключения кодов, поэтому качество на других языках и речевых условиях этими данными не подтверждено. Заявленные скорость и потребление памяти измерялись на NVIDIA RTX 5090 с bf16 и не гарантируют такие же показатели на другом оборудовании.

TEA-ASR-1.1 — модель распознавания речи, разработанная участниками проекта TEA-ASR для тайваньского варианта мандаринского китайского. Она преобразует повседневную речь в текст на традиционном китайском с лексикой, характерной для Тайваня, и рассчитана на переключение между китайским и английским в одной записи. Модель дообучена на основе Qwen3-ASR и выпущена как единый чекпойнт, совместимый по загрузке и запуску с Qwen3-ASR; в метаданных указан класс архитектуры Qwen3ASRForConditionalGeneration и размер базовой модели 1,7 млрд параметров. Модель предназначена для транскрибации разговоров, лекций и других аудиозаписей, в том числе с частым смешением китайского и английского. Авторы сообщают об улучшении результатов относительно предыдущей версии на публичных тестах, включая наборы для переключения языков. В README также упоминаются более крупная флагманская версия и отдельный вариант с управляемым форматированием чисел. Модель распространяется по лицензии MIT.

TenzinGayche/tibetan-whisper-small — модель распознавания речи на основе Whisper Small, дообученная на наборе MonlamAI/stt-test-v1.0.0. Она предназначена для преобразования тибетской речи в текст; карточка приводит результат CER 38,5374 на наборе оценки. Архитектура — WhisperForConditionalGeneration, веса опубликованы в формате safetensors и доступны через Transformers. Модель принимает аудио и выдаёт текст. Данные подтверждают специализацию на тибетском языке, но не описывают поддерживаемые диалекты, условия записи или качество на разных типах речи. Лицензия — Apache-2.0.

Harveenchadha/vakyansh-wav2vec2-odia-orm-100 — модель автоматического распознавания речи, опубликованная Harveen Singh Chadha в рамках проекта Vakyansh, разработанного для индийских языков с ограниченными ресурсами. Она преобразует аудиозаписи на языке одия в текст и предназначена для систем speech-to-text, транскрибации и голосовых интерфейсов. Модель основана на архитектуре wav2vec2 и реализована для использования с Transformers и PyTorch. В ней около 113,3 млн параметров; она дообучена на 100 часах данных для одия и использует базовую модель CLSRIL-23. Модель поддерживает естественный язык одия (Odia, ISO 639-1: or). Репозиторий Vakyansh распространяется по лицензии MIT; отдельная лицензия в карточке этой модели не указана. Модель ориентирована на распознавание речи на одия и может применяться в офлайн- и серверных ASR-конвейерах. Она специализирована для одного языка, поэтому не предназначена для многоязычной транскрибации без дополнительной модели или дообучения; качество зависит от акустических условий, диктора и близости входных данных к обучающему домену.