I.9Аудио и музыка

WavSLM — одно-потоковая языковая модель для речи, разработанная Luca Della Libera, Cem Subakan и Mirco Ravanelli. Репозиторий содержит чекпойнт с размером кодовой книги 2048, обученный на Libri-Light и описанный в статье о дистилляции WavLM с использованием FocalCodec. Метаданные указывают, что модель объединяет lucadellalib/focalcodec_50hz_2k_causal и microsoft/wavlm-large, а файлы представлены в формате safetensors. Модель предназначена для задач преобразования аудио в аудио; метаданные подтверждают аудиовход, а pipeline_tag задаёт audio-to-audio. В карточке не описаны конкретные сценарии преобразования аудио, поддерживаемые языки, длина контекста или результаты оценки качества. Модель распространяется по лицензии Apache-2.0.

RA-FM Scale-L — набор из трёх чекпойнтов для продолжения речи на основе Flow-SLM-1B-Extended. Модели разработаны JoyBoyuuu для работы с аудио и обучены дообучением базовой модели на подмножестве LibriSpeech train-clean-100; варианты различаются случайным seed. Это inference-only веса обучаемых параметров, сохранённые в формате safetensors, для загрузки вместе с базовой моделью и замороженным аудиокодеком. Обучение использует conditional flow matching и дополнительную цель динамики речи, вычисляемую через фиксированный шаг Euler rollout; основная конфигурация использует K=2. В контролируемой оценке с oracle semantic continuation показано улучшение временной динамики речи относительно сопоставимых seed-моделей, при почти нейтральном сходстве голосов по WavLM. Проверка проводилась с teacher-forced причинным контекстом и oracle будущими семантическими токенами, поэтому результаты не подтверждают решение проблемы autoregressive exposure bias в свободной генерации. Лицензия указана как other.

Это дообученная модель распознавания речи на базе facebook/wav2vec2-xls-r-300m, опубликованная пользователем nrshoudi. Она использует архитектуру Wav2Vec2 с CTC-выходом и предназначена для преобразования аудиоречи в последовательность фонем; название указывает на арабский язык и фонемное представление. В README приведены результаты оценки: loss 0,7493 и PER 0,1979. Модель принимает аудио и выдаёт текстовую последовательность фонем. Она может подойти для фонетической транскрипции арабской речи и последующей обработки фонем. В карточке не описаны обучающий набор данных, точная языковая разновидность арабского, условия записи или практические ограничения качества. Распространяется по лицензии Apache-2.0.

Edmon02/speecht5_finetuned_voxpopuli_nl — промежуточный экспериментальный чекпойнт модели SpeechT5 для преобразования текста в речь. Несмотря на суффикс «nl» в названии, README указывает, что модель продолжает Edmon02/speecht5_finetuned_hy; суффикс не означает, что это нидерландская production-модель. Чекпойнт сохранён для воспроизводимости, его не рекомендуют для инференса или нового обучения. Модель относится к архитектуре SpeechT5 и предназначена для синтеза речи из текста. README рекомендует вместо неё Edmon02/speecht5_finetuned_voxpopuli_hy. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Сведений о размере модели, длине контекста и поддерживаемых языках в доступных данных нет.

20220413-210552 — модель распознавания речи на архитектуре wav2vec2, дообученная на Common Voice на основе facebook/wav2vec2-xls-r-300m. Она принимает аудио и выдаёт распознанный текст; в метаданных указано около 402,7 млн параметров. На оценочном наборе Common Voice указаны Loss 3,0348 и WER 1,0006. Модель опубликована 13 апреля 2022 года и распространяется по лицензии Apache-2.0. Карточка не описывает поддерживаемые языки и практические сценарии применения; результат WER указывает на очень слабое качество распознавания в указанной оценке.

Audio-Omni — мультимодальная система для понимания, генерации и редактирования аудио, представленная как работа для SIGGRAPH 2026. Она объединяет замороженную мультимодальную языковую модель Qwen2.5-Omni для высокоуровневого анализа с обучаемым Diffusion Transformer для синтеза звука. В репозитории указаны веса PyTorch размером около 21 ГБ и отдельный чекпойнт Synchformer для видеоконтекста. Система предназначена для описания аудио и видео и ответов на вопросы о них, генерации звуков, музыки и речи по тексту или видео, преобразования голоса, а также редактирования аудио: добавления, удаления и извлечения звуков и переноса стиля. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

ACE-Step Transcriber — мультиязычная модель транскрибации, используемая ACE-Step v1.5 для разметки обучающих данных. В карточке указана архитектура Qwen2.5-Omni; модель принимает аудио и формирует структурированный текст с распознанной речью или текстом песен, а также пометками частей композиции, например куплетов, припева и инструментальных фрагментов. Модель предназначена для распознавания речи и пения, извлечения текста песен, создания субтитров и анализа музыкальной структуры. Она поддерживает более 50 языков, включая китайский, японский, корейский, вьетнамский, тайский, индонезийский, малайский, филиппинский, хинди, бенгальский, тамильский и урду. Репозиторий содержит веса в формате Safetensors, используется библиотека Transformers. Лицензия — MIT.

Это версия ACE-Step 1.5 XL Turbo в формате BF16, подготовленная marcorez8 на основе ACE-Step/acestep-v15-xl-turbo. Модель использует архитектуру DiT с декодером на 4 млрд параметров и предназначена для генерации музыки и аудио по текстовому описанию. Дистилляция ускоряет генерацию до 8 шагов, а BF16 снижает требования к памяти при заявленном близком к исходной модели качестве. Для работы требуется от 8 ГБ видеопамяти с выгрузкой на CPU и квантизацией INT8; без выгрузки рекомендуется от 16 ГБ. Разработчики ACE-Step — ACE Studio и StepFun, конверсию BF16 выполнил marcorez8. Репозиторий распространяется по лицензии MIT; README сообщает, что сгенерированную музыку можно использовать коммерчески.

Stable Audio 3 Small SFX — модель Stability AI для генерации звуковых эффектов по текстовому описанию. Это дообученная версия базовой модели stabilityai/stable-audio-3-small-sfx-base из семейства Stable Audio 3. Модель использует латентную диффузионную архитектуру на основе трансформера и семантико-акустический автоэнкодер для представления аудио. Она предназначена для генерации звука переменной длительности; семейство также поддерживает редактирование аудио, включая заполнение выбранных фрагментов и продолжение записей. Для текстового управления применяется предварительно обученная T5Gemma. Модель ориентирована на создание звуковых эффектов по англоязычным запросам. В карточке указана генерация за менее чем две секунды на H200 для семейства моделей, однако фактическая скорость зависит от оборудования и параметров генерации. Для коммерческого использования действует Stability AI Community License; текст карточки также указывает, что компонент T5Gemma распространяется на условиях Gemma Terms of Use.

Stable Audio 3 Small SFX — модель Stability AI для генерации звуковых эффектов по текстовому описанию. Она входит в семейство Stable Audio 3 и дообучена на базе stabilityai/stable-audio-3-small-sfx-base, чтобы создавать звуки, а не музыку. Модель использует трансформерную латентную диффузионную архитектуру и принимает текст на английском языке, выдавая аудио. Семантико-акустический автоэнкодер переводит аудио в компактное латентное пространство, а постобучение помогает ускорить генерацию и точнее следовать запросу. Модель предназначена для создания звуковых эффектов переменной длительности; семейство Stable Audio 3 также поддерживает редактирование и продолжение аудиозаписей. В карточке заявлена генерация за несколько секунд на подходящем оборудовании, однако скорость зависит от устройства и настроек. Для текстового кондиционирования используется T5Gemma. Модель обучалась на лицензированных и Creative Commons аудиозаписях. Указана лицензия Stability AI Community License; условия коммерческого использования следует сверять с её текстом и актуальными условиями Stability AI.

Карточка модели SYNAPSEai1/SynapseMusicV12-Transcriber на Hugging Face совпадает с карточкой ACE-Step/acestep-transcriber, поэтому описание составлено по ней. ACE-Step Transcriber — мультиязычная модель транскрибации, используемая ACE-Step v1.5 для разметки обучающих данных. В карточке указана архитектура Qwen2.5-Omni; модель принимает аудио и формирует структурированный текст с распознанной речью или текстом песен, а также пометками частей композиции, например куплетов, припева и инструментальных фрагментов. Модель предназначена для распознавания речи и пения, извлечения текста песен, создания субтитров и анализа музыкальной структуры. Она поддерживает более 50 языков, включая китайский, японский, корейский, вьетнамский, тайский, индонезийский, малайский, филиппинский, хинди, бенгальский, тамильский и урду. Репозиторий содержит веса в формате Safetensors, используется библиотека Transformers. Лицензия — MIT.

LeibyApp/leiby-sa3-small-sfx-gguf — GGUF-сборка модели Stable Audio 3 Small SFX от Stability AI, подготовленная для on-device Sound и sa3.cpp. Репозиторий описан как побитово идентичная копия исходного набора GGUF-файлов Leiby; в комплект входят компоненты DiT F16, SAME-S F16 и conditioner F32. Модель предназначена для генерации звуковых эффектов по текстовому описанию. Базовая модель рассчитана на английские текстовые запросы и выдаёт аудио. Доступны веса GGUF в точностях F16 и F32; лицензия указана как other, поэтому перед использованием следует проверить условия исходной модели и репозитория.

Карточка модели modulsx/MOSS-SoundEffect-v2.0 на Hugging Face совпадает с карточкой OpenMOSS-Team/MOSS-SoundEffect-v2.0, поэтому описание составлено по ней. MOSS-SoundEffect v2.0 — модель генерации звуковых эффектов по текстовому описанию, разработанная командой OpenMOSS-Team. Она преобразует естественно-языковые запросы в атмосферные, городские, животные и другие звуки, включая действия людей и короткие музыкальные или перкуссионные фрагменты. Модель предназначена для создания звукового оформления сцен, игр, видео и аудиоконтента. В основе — Diffusion Transformer с обучением Flow Matching, DAC VAE и текстовый энкодер Qwen3. Модель содержит 1,3 млрд параметров, генерирует звук с частотой 48 кГц и поддерживает длительность до 30 секунд за один вызов. Обучающие описания были на английском и китайском языках. Репозиторий использует Diffusers и формат Safetensors. Модель распространяется по лицензии Apache-2.0. Для генерации требуется значительное число шагов сэмплирования; README указывает 100 шагов как значение по умолчанию. Указанные языки обучающих описаний не гарантируют одинаковое качество для других языков.

Карточка модели niobures/MOSS-SoundEffect-v2.0 на Hugging Face совпадает с карточкой OpenMOSS-Team/MOSS-SoundEffect-v2.0, поэтому описание составлено по ней. MOSS-SoundEffect v2.0 — модель генерации звуковых эффектов по текстовому описанию, разработанная командой OpenMOSS-Team. Она преобразует естественно-языковые запросы в атмосферные, городские, животные и другие звуки, включая действия людей и короткие музыкальные или перкуссионные фрагменты. Модель предназначена для создания звукового оформления сцен, игр, видео и аудиоконтента. В основе — Diffusion Transformer с обучением Flow Matching, DAC VAE и текстовый энкодер Qwen3. Модель содержит 1,3 млрд параметров, генерирует звук с частотой 48 кГц и поддерживает длительность до 30 секунд за один вызов. Обучающие описания были на английском и китайском языках. Репозиторий использует Diffusers и формат Safetensors. Модель распространяется по лицензии Apache-2.0. Для генерации требуется значительное число шагов сэмплирования; README указывает 100 шагов как значение по умолчанию. Указанные языки обучающих описаний не гарантируют одинаковое качество для других языков.

MOSS-SoundEffect v2.0 — модель генерации звуковых эффектов по текстовому описанию, разработанная командой OpenMOSS-Team. Она преобразует естественно-языковые запросы в атмосферные, городские, животные и другие звуки, включая действия людей и короткие музыкальные или перкуссионные фрагменты. Модель предназначена для создания звукового оформления сцен, игр, видео и аудиоконтента. В основе — Diffusion Transformer с обучением Flow Matching, DAC VAE и текстовый энкодер Qwen3. Модель содержит 1,3 млрд параметров, генерирует звук с частотой 48 кГц и поддерживает длительность до 30 секунд за один вызов. Обучающие описания были на английском и китайском языках. Репозиторий использует Diffusers и формат Safetensors. Модель распространяется по лицензии Apache-2.0. Для генерации требуется значительное число шагов сэмплирования; README указывает 100 шагов как значение по умолчанию. Указанные языки обучающих описаний не гарантируют одинаковое качество для других языков.

MOSS-SoundEffect — модель генерации звуковых эффектов и звуковых ландшафтов по текстовому описанию, разработанная MOSI.AI и командой OpenMOSS как часть семейства MOSS-TTS. Она предназначена для создания фоновой атмосферы и отдельных звуков природы, городской среды, животных и действий человека — например, для фильмов, игр, подкастов, интерактивных систем и синтетических аудиоданных. Модель использует архитектуру MossTTSDelay: авторегрессионно предсказывает дискретные RVQ-аудиотокены по текстовой подсказке и затем декодирует их в звук. Можно задавать длительность генерации; в README приведена оценка около 12,5 токена на секунду. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. В описании нет сведений о числе параметров или поддерживаемых естественных языках.

Это неизменённая копия Stable Audio Open 1.0 от Stability AI, размещённая пользователем cudabenchmarktest. Модель генерирует стереозвук по текстовому описанию: звуковые эффекты, полевые записи и музыкальные фрагменты длительностью до 47 секунд с частотой 44,1 кГц. В основе — латентная диффузионная архитектура с автоэнкодером, текстовым кодировщиком T5 и диффузионным трансформером DiT, работающим в латентном пространстве автоэнкодера. Репозиторий содержит веса в форматах safetensors и ckpt, конфигурации конвейера и файлы атрибуции обучающих данных. Использование регулируется лицензией Stability AI Community License; следует соблюдать её условия и требования к атрибуции данных.

Карточка модели ford442/stable-audio-open-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-audio-open-1.0, поэтому описание составлено по ней. Stable Audio Open 1.0 — модель Stability AI для генерации стереозвука по текстовому описанию. Она создаёт аудио длительностью до 47 секунд с частотой 44,1 кГц; архитектура включает автоэнкодер, T5 для кодирования текста и трансформерную диффузионную модель, работающую в латентном пространстве. Модель поддерживается библиотеками stable-audio-tools и diffusers. Модель подходит для создания звуковых эффектов, полевых записей и музыкальных фрагментов по английским запросам. Она лучше справляется со звуковыми эффектами и полевыми записями, чем с музыкой, и не умеет реалистично генерировать вокал. Качество может различаться между музыкальными стилями и культурами; для получения нужного результата может потребоваться настройка запроса. Для обучения использовались аудиозаписи Freesound и Free Music Archive с лицензиями CC0, CC BY и CC Sampling+; текстовое условие основано на предварительно обученной модели t5-base. Лицензия модели — Stability AI Community License; для коммерческого использования требуется обратиться к условиям коммерческой лицензии Stability AI.

Карточка модели RedbeardNZ/stable-audio-open-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-audio-open-1.0, поэтому описание составлено по ней. Stable Audio Open 1.0 — модель Stability AI для генерации стереозвука по текстовому описанию. Она создаёт аудио длительностью до 47 секунд с частотой 44,1 кГц; архитектура включает автоэнкодер, T5 для кодирования текста и трансформерную диффузионную модель, работающую в латентном пространстве. Модель поддерживается библиотеками stable-audio-tools и diffusers. Модель подходит для создания звуковых эффектов, полевых записей и музыкальных фрагментов по английским запросам. Она лучше справляется со звуковыми эффектами и полевыми записями, чем с музыкой, и не умеет реалистично генерировать вокал. Качество может различаться между музыкальными стилями и культурами; для получения нужного результата может потребоваться настройка запроса. Для обучения использовались аудиозаписи Freesound и Free Music Archive с лицензиями CC0, CC BY и CC Sampling+; текстовое условие основано на предварительно обученной модели t5-base. Лицензия модели — Stability AI Community License; для коммерческого использования требуется обратиться к условиям коммерческой лицензии Stability AI.

Stable Audio Open 1.0 — модель Stability AI для генерации стереозвука по текстовому описанию. Она создаёт аудио длительностью до 47 секунд с частотой 44,1 кГц; архитектура включает автоэнкодер, T5 для кодирования текста и трансформерную диффузионную модель, работающую в латентном пространстве. Модель поддерживается библиотеками stable-audio-tools и diffusers. Модель подходит для создания звуковых эффектов, полевых записей и музыкальных фрагментов по английским запросам. Она лучше справляется со звуковыми эффектами и полевыми записями, чем с музыкой, и не умеет реалистично генерировать вокал. Качество может различаться между музыкальными стилями и культурами; для получения нужного результата может потребоваться настройка запроса. Для обучения использовались аудиозаписи Freesound и Free Music Archive с лицензиями CC0, CC BY и CC Sampling+; текстовое условие основано на предварительно обученной модели t5-base. Лицензия модели — Stability AI Community License; для коммерческого использования требуется обратиться к условиям коммерческой лицензии Stability AI.

AEmotionStudio публикует зеркало весов Stable Audio Open 1.0 от Stability AI, дообученной модели генерации стереозвука по текстовому описанию. Репозиторий содержит веса в формате safetensors для использования с Diffusers и рабочей станцией Mæstræa AI Workstation. Модель предназначена для создания звуковых эффектов, эмбиентных текстур и музыкальных фрагментов: например, Foley, переходов, дождя, ветра, шума толпы, пэдов и многослойных звуковых сцен. Генерирует стерео с частотой 44,1 кГц длительностью до 47 секунд. Для работы требуется видеопамять: в README указано около 4 ГБ как минимум и около 7 ГБ для более длинной генерации в FP16. Модель плохо подходит для полноценных песен с вокалом, высокодетализированных музыкальных инструментов и синтеза речи. Указана Stability AI Community License; применяются её условия. В карточке это зеркало без ограничения доступа, но это не отменяет требований лицензии оригинальной модели.

Ming-flash-omni 2.0 — мультимодальная модель компании InclusionAI на архитектуре Ling-2.0 с механизмом Mixture-of-Experts: 100 млрд параметров всего и 6 млрд активных. Она принимает изображения, текст, видео и аудио, а генерирует текст, изображения и аудио. Модель предназначена для мультимодального понимания и генерации, включая анализ визуальных объектов и культурных объектов, потоковый диалог по видео, распознавание речи, синтез речи и музыки, а также генерацию и редактирование изображений. Среди заявленных возможностей — клонирование голоса без дополнительного обучения, управление характеристиками аудио, такими как эмоция и тембр, и удаление объектов с изображений с сохранением согласованности текстур и глубины сцены. В метаданных указаны архитектура BailingMM2NativeForConditionalGeneration и форматы PyTorch, Safetensors, ONNX, Flax и TensorFlow. Модель выпущена под лицензией MIT. В карточке не приведены длина контекста и языки аудио- или текстовых задач; английский указан среди языковых тегов.

Demodokos Foundry Speech Synthesis v4.large — модель синтеза речи из семейства Demodokos Foundry, предназначенная для использования в локальной студии Foundry. Она создаёт выразительную речь и поддерживает управление эмоциями по отдельным фрагментам текста, клонирование голоса по короткому образцу и многоголосые сцены. Модель заявлена для десяти языков: английского, немецкого, французского, испанского, итальянского, португальского, китайского, японского, корейского и русского. В метаданных указаны формат GGUF и лицензия other. Карточка описывает семейство v4.large как ориентированное на высокую выразительность и качество голоса, но не приводит размер модели или длину контекста.

Это конверсия модели распознавания речи Whisper large-v2 от OpenAI в формат CTranslate2, подготовленная для запуска в CTranslate2 и проектах на его основе, включая faster-whisper. Она принимает аудио и предназначена для распознавания речи; веса сохранены в FP16, а при загрузке тип вычислений можно выбрать через параметр compute_type. Модель поддерживает много языков, включая русский, английский, китайский, немецкий, испанский и французский. Репозиторий распространяется по лицензии MIT.

MOSS-Transcribe-Diarize GGUF — это набор весов в формате GGUF для движка moss-transcribe.cpp, представляющий порт модели OpenMOSS MOSS-Transcribe-Diarize. Исходную модель разработала команда OpenMOSS / MOSI.AI, а конвертацию и C++/ggml-инференс подготовила команда LocalAI. Модель предназначена для распознавания речи в длинных аудиозаписях, определения говорящих и формирования временных меток за один проход. Результат содержит текст, идентификаторы говорящих и интервалы начала и окончания реплик. Модель работает локально на CPU, а также может использовать GPU через доступные бэкенды ggml; для инференса не требуются Python, PyTorch или CUDA toolkit. Веса, токенизатор, mel-фильтрбанк и конфигурация полностью включены в GGUF. Доступны варианты от F16 до Q4_0; квантованные версии значительно меньше и быстрее, при этом варианты до Q5 сохраняют побайтное совпадение транскрипта с эталонной моделью на проверочном примере, а Q4 дают совпадение слов с небольшими отличиями во временных метках. Размеры файлов составляют примерно от 511 МБ до 1,8 ГБ. Языки, максимальная длина контекста и точные архитектурные параметры в карточке не указаны. Модель распространяется по лицензии Apache-2.0; движок moss-transcribe.cpp имеет лицензию MIT.

Карточка модели ModelsLab/stable-audio-open-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-audio-open-1.0, поэтому описание составлено по ней. Stable Audio Open 1.0 — модель Stability AI для генерации стереозвука по текстовому описанию. Она создаёт аудио длительностью до 47 секунд с частотой 44,1 кГц; архитектура включает автоэнкодер, T5 для кодирования текста и трансформерную диффузионную модель, работающую в латентном пространстве. Модель поддерживается библиотеками stable-audio-tools и diffusers. Модель подходит для создания звуковых эффектов, полевых записей и музыкальных фрагментов по английским запросам. Она лучше справляется со звуковыми эффектами и полевыми записями, чем с музыкой, и не умеет реалистично генерировать вокал. Качество может различаться между музыкальными стилями и культурами; для получения нужного результата может потребоваться настройка запроса. Для обучения использовались аудиозаписи Freesound и Free Music Archive с лицензиями CC0, CC BY и CC Sampling+; текстовое условие основано на предварительно обученной модели t5-base. Лицензия модели — Stability AI Community License; для коммерческого использования требуется обратиться к условиям коммерческой лицензии Stability AI.

Карточка модели Tuananh20015/acestep-v15-xl-turbo на Hugging Face совпадает с карточкой ACE-Step/acestep-v15-xl-turbo, поэтому описание составлено по ней. ACE-Step 1.5 XL Turbo — вариант модели ACE-Step 1.5 от проекта ACE-Step для генерации музыки и аудио. Это дистиллированная модель с архитектурой DiT Decoder и 3,1 млрд параметров по метаданным; README обозначает вариант как XL 4B. В карточке также указаны библиотека Transformers, формат safetensors и контекст 32 768 токенов. Модель предназначена для генерации аудио по текстовому описанию. Turbo-вариант рассчитан на быстрый вывод за 8 шагов и ориентирован на высокое качество звука; README отмечает, что XL совместима с LM-моделями ACE-Step размером 0,6B, 1,7B и 4B. Для запуска требуется GPU с 12–20 ГБ VRAM в зависимости от квантования и выгрузки на CPU. README сообщает, что обучение использовало лицензированную, royalty-free, общественно доступную и синтетическую музыку, а сгенерированную музыку можно использовать в коммерческих целях. Лицензия репозитория — MIT. Модель генерирует аудио, но сведения о поддерживаемых естественных языках и конкретных аудиоформатах в предоставленных данных отсутствуют.

LeibyApp/leiby-sa3-small-music-gguf — побитовая копия GGUF-пакета Stable Audio 3 Small Music для запуска на устройстве через sa3.cpp. Пакет включает компоненты DiT в F16, SAME-S в F16 и conditioner в F32; метаданные относят его к базовой модели stabilityai/stable-audio-3-small-music и указывают форматы GGUF F16 и F32. Модель предназначена для генерации музыки и звуковых фрагментов по текстовому описанию. Карточка не сообщает о дополнительном дообучении; лицензия указана как other, поэтому перед использованием следует проверить условия лицензии исходной модели и репозитория.

Frame-VAD Multilingual MarbleNet v2.0 — модель NVIDIA NeMo для покадрового обнаружения голосовой активности, экспортированная в формат GGUF для loom.cpp. Веса не изменены; базовая модель содержит 91,5 тыс. параметров. Модель принимает монофонический звук с частотой 16 кГц и выдаёт вероятность наличия речи для каждого 20-миллисекундного кадра. Поддерживаются английский, испанский, французский, немецкий, русский и китайский языки. Экспорт можно запускать через библиотеку loom-py-rt. Модель подходит для выделения речевых фрагментов перед распознаванием речи, записи или диаризацией. Она возвращает вероятности, а не готовые решения: пороговую обработку и сглаживание нужно настроить под сценарий использования. Распространяется по NVIDIA Open Model License Agreement; перед включением в продукт следует ознакомиться с условиями лицензии.

OpenASR/qwen3-asr-0.6b — компактная модель автоматического распознавания речи, разработанная командой Qwen при Alibaba и упакованная проектом OpenASR в нативный формат .oasr. Модель основана на Qwen3-ASR-0.6B и предназначена для преобразования аудио в текст с поддержкой офлайн- и потоковой транскрипции, включая обработку длинных аудиозаписей и встроенное определение языка речи. Модель поддерживает 30 языков и 22 китайских диалекта, всего 52 языка и диалекта. Она рассчитана на эффективное использование на CPU и GPU, работает в OpenASR без Python во время инференса и доступна в вариантах fp16, q8_0 и q4_k. Размер сборок составляет примерно от 631 МБ до 1,88 ГБ; q8_0 рекомендуется как компромисс между качеством и занимаемой памятью, q4_k — для устройств с ограниченными ресурсами, а fp16 — для максимальной точности. Для распознавания сложного аудио заявлена устойчивость к чистой речи, вокалу и песням с фоновой музыкой. Ограничения включают отсутствие заявленной поддержки распознавания лиц или других модальностей, а также отсутствие встроенных таймкодов уровня слов; для них рекомендуется использовать отдельную модель Qwen3-ForcedAligner-0.6B. Пакеты распространяются по лицензии Apache-2.0, унаследованной от исходной модели; OpenASR выполняет конвертацию формата и квантизацию.