I.9Аудио и музыка

IoanRazvan/speecht5_tts_voxpopuli_ro — модель синтеза речи из текста на архитектуре SpeechT5, созданная дообучением microsoft/speecht5_tts на датасете VoxPopuli. Она предназначена для преобразования текста в аудио; в README приведено значение loss 0,4374 на оценочном наборе. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT.

TEMPO SFT Stage 1 — аудиоязыковая модель на базе NVIDIA Audio Flamingo 3, дообученная на 51 512 синтетических примерах в течение двух эпох. Архитектура AudioFlamingo3ForConditionalGeneration объединяет аудиоэнкодер Whisper-large и языковую часть Qwen2-7B; для временной привязки используются специальные токены времени и time-aware projector. Модель принимает аудио и текстовые инструкции, а ответы формирует текстом с временными метками. Модель предназначена для распознавания речи с временными метками, диаризации говорящих, поиска интервалов по текстовому запросу, плотного описания событий и анализа временных изменений в музыке. Один декодер обслуживает эти сценарии через теги задач в запросе. Это ранний этап обучения TEMPO на синтетических данных; приведённые в карточке результаты показывают ограничения качества, особенно для распознавания речи с несколькими говорящими и определения аккордов. Поддерживается только английский язык. Временные метки ограничены 60 секундами, поэтому более длинные записи нужно делить на фрагменты; метки говорящих согласованы только внутри записи. Лицензия указана как other, конкретные условия использования в предоставленных данных не описаны.

Andrew McDowell дообучил модель facebook/wav2vec2-xls-r-300m для автоматического распознавания немецкой речи на датасете Mozilla Common Voice 7.0 (немецкая конфигурация). Это модель семейства wav2vec2 с архитектурой Wav2Vec2ForCTC; в метаданных указано около 402,8 млн параметров. Она принимает аудио и выдаёт распознанный текст на немецком языке. На оценочной выборке автор сообщает значение WER 0,2016 и loss 0,1768. Модель распространяется по лицензии Apache-2.0.

Youssef1234/whisper-base-en-early-stopping — дообученная модель автоматического распознавания речи на базе Whisper, разработанная автором репозитория Youssef1234. Модель содержит 51,7 млн параметров и предназначена для преобразования аудио в текст; в метаданных указан тип архитектуры WhisperForConditionalGeneration и формат весов Safetensors. На тестовом наборе автор сообщает значение loss 0,3698 и WER 17,4910. Набор данных и подробности оценки не описаны, поэтому эти результаты нельзя уверенно переносить на другие условия. Модель выпущена по лицензии Apache-2.0.

whisper-base-mlx — модель автоматического распознавания речи, конвертированная в формат MLX из базовой версии Whisper. В README не указан разработчик исходной модели или конвертации. Модель предназначена для преобразования аудиозаписей в текст и запуска через библиотеку MLX, в том числе с примером использования функции whisper.transcribe. Из доступных данных известно, что модель совместима с MLX и относится к задаче automatic-speech-recognition. Архитектура, количество параметров, поддерживаемые языки, модальности, размер контекста, точность и производительность не указаны. Лицензия и ограничения на использование также не приведены, поэтому их необходимо уточнить по исходной модели и репозиторию.

Whisper-Large-V3-Distil-Italian-v0.2 — дистиллированная модель распознавания речи на базе архитектуры Whisper, созданная для транскрибации итальянской речи. Она содержит 905,2 млн параметров и использует неизменённую архитектуру энкодера Whisper large-v3 с декодером из двух слоёв; учительской моделью была openai/whisper-large-v3. Обучение охватывало аудиофрагменты длительностью до 30 секунд и применяло аугментацию данных для сохранения возможностей транскрибации длинных записей. Модель можно использовать самостоятельно, чтобы ускорить распознавание с некоторой потерей точности, или как черновую модель для speculative decoding вместе с Whisper large-v3. В README заявлены ускорение до 5,8 раза при самостоятельном использовании и примерно вдвое при speculative decoding; для последнего способа обещается сохранение тех же результатов, что у основной модели. Поддерживаются варианты запуска через Transformers и конвертированные реализации Whisper. Модель принимает аудио и выдаёт текст; сведения о контекстном окне в карточке не приведены. Репозиторий распространяется по лицензии MIT.

bofenghuang/whisper-large-v3-french-distil-dec16 — дистиллированная версия Whisper Large V3 French, созданная путём сокращения числа слоёв декодера с 32 до 16 и обучения на крупном наборе данных. Модель предназначена для распознавания французской речи и преобразования аудио в текст. Она содержит около 905,2 млн параметров, построена на архитектуре Whisper и поддерживает аудиовход; карточка описывает использование через Transformers и совместимые реализации Whisper. Сокращённый декодер уменьшает расход памяти и ускоряет вывод при сохранении качества, соответствующего числу оставшихся слоёв. В README также отмечено снижение риска галлюцинаций при длинных транскрипциях и возможность ускорения исходной модели Whisper Large V3 French через speculative decoding. Для длинного аудио можно использовать разбиение на фрагменты, но такой способ может немного уступать последовательному алгоритму по качеству. Модель распространяется по лицензии MIT.

zhangj1an/AudioX — производная версия AudioX, основанная на HKUSTAudio/AudioX. Модель использует условную диффузионную архитектуру и предназначена для генерации аудио и музыки по текстовым и мультимодальным сигналам. В исходном описании AudioX представлен модуль Multimodal Adaptive Fusion для согласования и объединения входных данных; среди заявленных сценариев есть генерация музыки по видео. Репозиторий распространяет веса в форматах Diffusers и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка не сообщает подробностей о поддерживаемых языках, длине аудио или качестве результатов этой версии.

Bark small — небольшая версия трансформерной модели генерации аудио по тексту, разработанной Suno. Она предназначена для синтеза многоязычной речи, а также может создавать музыку, фоновый шум, простые звуковые эффекты и невербальные вокализации, например смех, вздохи и плач. Модель состоит из последовательных трансформерных этапов: преобразования текста в семантические токены, семантических токенов в грубые аудиотокены и их детализации. В карточке для варианта small указано по 80 млн параметров для каждого этапа; веса доступны в формате PyTorch. Поддерживаются английский, немецкий, испанский, французский, хинди, итальянский, японский, корейский, польский, португальский, русский, турецкий и китайский языки. Bark подходит для генерации речи и других аудиофрагментов из текста; авторы отмечают потенциал для инструментов доступности и творческих приложений. Вывод не цензурируется, качество и точность генерации могут различаться, а модель может быть использована для нежелательного синтеза голоса. Лицензия — MIT; авторы предоставляют чекпойнты для инференса и обозначают модель как предназначенную для исследований.

Gooya V1 — модель синтеза персидской речи, созданная Reza2kn как LoRA-дообучение Gooya 0.1 на базе MOSS-TTS-Nano-100M. Обучение проходило в два этапа: на корпусе из 102 084 одобренных аудиофрагментов с фонемами v7 G2P и на 2 707 более длинных фрагментах для улучшения непрерывной речи. LoRA с рангом 16 применена к линейным слоям трансформера; веса представлены в формате PyTorch и bf16. Модель предназначена для озвучивания персидского текста и синтеза речи с клонированием голоса. Для инференса текст нужно преобразовать в фонемы v7 G2P с пробелами между символами. По карточке, усиление обучения на длинных фрагментах позволяет генерировать до 12–16 секунд речи за один проход и уменьшает артефакт дыхания посреди слова. Для сэмплирования автор рекомендует audio_temperature около 0,6 и audio_top_p около 0,9; стандартная температура 1,7 может вызывать дрожание звучания. Лицензия указана как other, конкретные условия в предоставленных данных не описаны.

KugelAudio-0-Open — открытая модель синтеза речи, разработанная командой KugelAudio KI-Servicezentrum Berlin-Brandenburg на основе Microsoft VibeVoice. В модели около 7 млрд параметров; гибридная архитектура сочетает авторегрессионную языковую модель Qwen2.5-7B, диффузионный модуль для предсказания речевых латентов и акустический декодер, выдающий аудио с частотой 24 кГц. Модель преобразует текст в речь на европейских языках и поддерживает выбор из предварительно закодированных голосов. Она рассчитана на озвучивание текста разными манерами, включая нейтральную речь, шёпот и эмоциональную подачу. В README указано около 200 000 часов предобработанных речевых данных YODAS2; качество лучше всего представлено для английского, немецкого, французского и испанского языков. Модель распространяется по лицензии MIT. Для инференса требуется около 19 ГБ видеопамяти, а скорость на современных GPU составляет примерно реальное время. Клонирование голоса из исходной аудиозаписи в открытой версии не поддерживается; доступно использование готовых голосов, а качество и естественность речи различаются между языками.

MOSS-Transcribe-Diarize GGUF — квантизированная версия модели OpenMOSS-Team/MOSS-Transcribe-Diarize, подготовленная handy-computer для запуска через transcribe.cpp. Это офлайн-модель автоматического распознавания речи с диаризацией говорящих, предназначенная для обработки английской и китайской речи, расшифровки аудиозаписей, выделения сегментов и определения говорящих в каждом сегменте. Модель имеет общий размер около 0,9 млрд параметров и сочетает аудиоэнкодер Whisper Medium с 24 слоями и размерностью скрытого состояния 1024, temporal merge 4x, VQAdaptor и декодер Qwen3-0.6B с 28 слоями. Она работает с аудио и генерирует текст вместе с маркерами временных сегментов и идентификаторами говорящих; runtime преобразует их в структурированные результаты. Поддерживаются сегментные временные метки и опциональная диаризация. Сильными сторонами являются локальная работа без обращения к внешним сервисам, поддержка диаризации и несколько вариантов GGUF-квантизации. Для LibriSpeech test-clean заявленная WER составляет от 1,93% для Q8_0 до 2,59% для Q4_K_M; для сохранения качества рекомендуется Q5_K_M или более точная версия. Модель не поддерживает потоковую обработку, перевод и автоматическое определение языка. Для работы требуется transcribe.cpp; входные записи должны быть преобразованы в моно WAV с частотой 16 кГц. Модель распространяется по лицензии Apache-2.0.

Onyx-Whisper-Tiny — компактная модель распознавания речи на базе Whisper Tiny от OpenAI, подготовленная для движка OnyxSTT на устройствах Apple с MLX. В модели 29,4 млн параметров; аудиоэнкодер квантован до 4 бит с размером группы 64, а декодер, эмбеддинги и свёрточные слои сохранены в fp16. Такой смешанный формат занимает около 66 МБ вместо примерно 151 МБ в fp32. Модель предназначена для преобразования аудио в текст, включая локальную транскрибацию записей. По данным карточки, смешанная точность сохраняет качество базовой версии на проверенных фрагментах с числами, именами и кодами; полная 4-битная квантизация декодера могла бы ухудшить их распознавание. Поддерживается мультиязычный режим. Лицензия — Apache-2.0, унаследованная от базовой модели.

Parakeet-TDT-CTC-110M CoreML — модель автоматического распознавания речи, разработанная NVIDIA и преобразованная в формат CoreML для эффективного вывода на Apple Silicon. Она предназначена для транскрибации аудиофайлов и быстрого распознавания ключевых слов на устройствах Mac с процессорами M1–M4. Модель использует общий Conformer-энкодер и две декодирующие ветви: CTC для быстрого жадного декодирования и сценариев keyword spotting, а также TDT (Token-Duration Transducer) с LSTM-сетью предсказаний и совместной сетью для более качественной транскрибации. Общий размер компонентов составляет около 436 МБ, словарь содержит 1024 токена. В карточке указан английский язык; модель обучалась и оценивалась на наборах LibriSpeech, Fisher Corpus, Common Voice, VoxPopuli и других англоязычных и многоязычных корпусах. На Earnings22 заявлены WER 17,97%, стопроцентное распознавание тестовых ключевых слов и скорость до 358× реального времени на M4 Pro. Сильные стороны модели — высокая скорость локального вывода, поддержка двух режимов декодирования и возможность работы без облачной инфраструктуры. Ограничения включают специализацию на английской речи, необходимость macOS 13 или новее, Python 3.10+ и устройства Apple Silicon; приведенные показатели зависят от набора данных и условий тестирования. Лицензия — CC BY 4.0.

Это GGUF-конверсия модели parakeet-tdt-0.6b-v3, разработанной NVIDIA, для работы с библиотекой transcribe.cpp. Модель предназначена для офлайн-распознавания речи и преобразования аудио в текст; поддерживает автоматическое определение языка и обрабатывает 16-кГц моно WAV. Потоковый режим и перевод речи не поддерживаются. Модель содержит около 600 млн параметров и использует архитектуру Conformer или FastConformer с транcducer-декодером TDT/RNNT. Она поддерживает 25 европейских языков: болгарский, хорватский, чешский, датский, нидерландский, английский, эстонский, финский, французский, немецкий, греческий, венгерский, итальянский, латышский, литовский, мальтийский, польский, португальский, румынский, русский, словацкий, словенский, испанский, шведский и украинский. Доступны варианты квантования F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 485 МБ до 2,51 ГБ; поддерживаются токеновые временные метки. Сильные стороны модели — офлайн-обработка, многоязычность, автоматическое определение языка и высокая точность: для LibriSpeech test-clean показатель WER составляет около 1,92–1,98% в зависимости от квантования, а для русского языка на тесте FLEURS — 6,54% для Q8_0. Ограничения включают отсутствие потокового распознавания и перевода, требование входного аудио в формате 16 кГц моно WAV, а также зависимость от transcribe.cpp для запуска. Модель распространяется по лицензии CC-BY-4.0, унаследованной от базовой модели.

Parakeet TDT 1.1B GGUF — это преобразованная в формат GGUF и количественно сжатая версия модели automatic speech recognition nvidia/parakeet-tdt-1.1b. Оригинальную модель разработала команда NVIDIA NeMo, а конвертацию и поддержку запуска через ggml-совместимый CrispASR выполнил CrispStrobe. Репозиторий содержит варианты F16, Q8_0 и Q4_K; последний рекомендован как вариант по умолчанию и занимает около 808 МБ. Модель предназначена для транскрибации англоязычной речи из монофонического аудио с частотой 16 кГц, включая обработку длинных фрагментов и распознавание редкой или специализированной английской лексики. Она использует 42-слойный FastConformer-энкодер примерно на 1,1 млрд параметров, 2-слойный LSTM-предиктор и TDT-декодер с пятью длительностями. Поддерживаются встроенные временные метки на уровне слов и английский словарь из 1024 SentencePiece-токенов. Сильными сторонами являются высокое качество распознавания английской речи, особенно для редкой лексики, встроенные временные метки и несколько вариантов квантования с компромиссом между размером и точностью. Ограничения — поддержка только английского языка, вывод в нижнем регистре без пунктуации и более высокие вычислительные требования по сравнению с версией 0.6B; для восстановления регистра и пунктуации нужен отдельный постпроцессор. Модель распространяется по лицензии CC-BY-4.0.

Parakeet TDT+CTC 1.1B GGUF — это модель автоматического распознавания речи для транскрибации английской речи, разработанная NVIDIA NeMo и преобразованная в формат GGUF с поддержкой ggml проектом CrispStrobe/CrispASR. Модель предназначена для локальной обработки аудио через CrispASR, включая получение текста с регистром букв, пунктуацией и временными метками слов. Она принимает монофоническое аудио 16 кГц. Модель содержит около 1,1 млрд параметров и использует 42-слойный энкодер FastConformer, 2-слойный LSTM-предиктор, гибридные TDT- и CTC-головы, а также словарь из 1024 SentencePiece-токенов для английского языка. TDT является режимом декодирования по умолчанию и обеспечивает временные метки слов; CTC доступен как альтернативный режим, в частности для shallow-fusion и смещения распознавания по ключевым словам. Доступны варианты F16, Q8_0 и Q4_K, причём Q4_K рекомендуется как вариант по умолчанию благодаря меньшему размеру около 810 МБ, а F16 обеспечивает наивысшую скорость среди указанных вариантов. Сильные стороны модели — крупный энкодер, гибридное декодирование, корректный регистр и пунктуация, а также возможность локального запуска в компактных квантизованных форматах. Ограничение — поддерживается только английский язык; по сравнению с чистой TDT-версией некоторые квантизованные варианты работают медленнее из-за совместной поддержки TDT и CTC. Модель распространяется по лицензии CC-BY-4.0, унаследованной от исходной модели NVIDIA; репозиторий содержит только конвертацию и квантизацию весов.

Карточка модели drewThomasson/segmentation на Hugging Face совпадает с карточкой pyannote/segmentation, поэтому описание составлено по ней. pyannote/segmentation — открытая модель семейства pyannote-audio для сегментации речи по говорящим, разработанная командой pyannote. Она предназначена для обнаружения речевых фрагментов, речи нескольких говорящих одновременно и уточнения временных границ сегментов, в том числе при повторной сегментации результатов VBx. Модель принимает аудио и выдаёт оценки по временным участкам, используемые для этих задач. Модель реализована на PyTorch и используется через pyannote.audio; README указывает версию 2.1.1. Карточка описывает воспроизводимые эксперименты на наборах AMI Mix-Headset, DIHARD3 и VoxConverse. Для загрузки требуется принять условия доступа на Hugging Face и использовать токен. Лицензия — MIT. README предупреждает, что для промышленного применения pyannoteAI предлагает более быстрые и качественные варианты. Приведённые параметры обработки зависят от набора данных, поэтому качество на других записях может отличаться.

pyannote/segmentation-3.0 — модель сегментации речи и активности говорящих от Séverin Baroudi, обученная с помощью pyannote.audio 3.0. Она принимает монофонический звук длительностью 10 секунд с частотой 16 кГц и выдаёт матрицу по временным кадрам с семью классами: тишина или неречевая активность, три отдельных говорящих и три возможные пары говорящих при перекрытии речи. Модель подходит для определения голосовой активности, сегментации говорящих и обнаружения одновременной речи в аудиофрагментах; сама по себе она не выполняет диаризацию целых записей, для которой нужен дополнительный пайплайн и модель эмбеддингов говорящих. Обучение проводилось на объединении наборов AISHELL, AliMeeting, AMI, AVA-AVD, DIHARD, Ego4D, MSDWild, REPERE и VoxConverse. Для использования требуется pyannote.audio 3.0, принятие условий модели на Hugging Face и токен доступа. Модель распространяется по лицензии MIT; README рекомендует рассмотреть сервис pyannoteAI для более быстрого и качественного промышленного применения.

senga-nt-canon-tts — дообученная модель на базе microsoft/speecht5_tts для синтеза речи из текста. Она использует архитектуру SpeechT5 и библиотеку Transformers; веса представлены в формате safetensors. В карточке приведён результат оценки: loss 0,0913, однако сведения о голосе, языке синтеза и данных обучения отсутствуют. Модель распространяется по лицензии MIT.

SenseVoiceSmall-GGUF — это GGUF-сборка модели SenseVoiceSmall, разработанной командой FunAudioLLM. Модель предназначена для автоматического распознавания речи и запускается через CPU-ориентированный runtime FunASR llama.cpp без необходимости использовать Python или собирать программное обеспечение самостоятельно. Она рассчитана на локальное применение на компьютерах и edge-устройствах, включая обработку аудиофайлов и длинных записей с использованием VAD-модуля. В основе модели лежит архитектура SAN-M encoder с CTC-декодированием. Она поддерживает китайский и английский языки, а также может добавлять к результату теги языка, эмоций и звуковых событий. Доступны варианты весов в форматах F16 размером около 470 МБ, Q8 размером около 235 МБ и F32 размером около 936 МБ; для Q8 заявлена точность, сопоставимая с F16. На CPU с восемью потоками модель достигает примерно 8,01% CER на указанном Mandarin-бенчмарке и работает примерно в 20 раз быстрее реального времени по данным README. К сильным сторонам относятся высокая скорость на CPU, автономный запуск, отсутствие обязательной зависимости от Python и поддержка дополнительных языковых, эмоциональных и событийных тегов. Ограничения включают заявленную поддержку только китайского и английского языков, необходимость отдельного VAD-модуля для длинного аудио и привязку к FunASR llama.cpp runtime. Модель распространяется по лицензии Apache-2.0.

wav2vec2-fleur-mms-batch6-epoch24-finetunning-3 — модель распознавания речи на базе архитектуры Wav2Vec2ForCTC, дообученная Nachuwu от Nachuwu/wav2vec2-fleur-mms-batch6-epoch16 на датасете audiofolder. Модель принимает аудио и преобразует речь в текст; в метаданных указано 1,3 млрд параметров. В README приведены результаты оценки: loss 1,3000 и WER 0,6017. Модель может применяться для транскрибирования аудиозаписей. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Lguyogiro/wav2vec2-large-mms-1b-azz-adapter-ilv-all_data — дообученная на наборе audiofolder модель распознавания речи, созданная на основе facebook/mms-1b-all. Она использует архитектуру wav2vec2 с классификационной головой CTC и содержит 1,3 млрд параметров. Модель принимает аудио и преобразует речь в текст; базовая модель поддерживает более тысячи языков, но язык или языки, на которых рассчитан этот конкретный чекпойнт, в доступных данных не определены. На тестовом наборе указаны WER 0,2867 и CER 0,0886. Эти значения описывают результаты только на данном наборе и не гарантируют качество на других аудиозаписях. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Osolon разработал wav2vec2-large-xls-r-300m-pl — модель распознавания речи, полученную дообучением facebook/wav2vec2-xls-r-300m на Common Voice 10.0. Она принимает аудио и преобразует речь в текст; архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. На указанной в карточке оценочной выборке модель показала WER 0,1338 и loss 0,1589. Модель распространяется по лицензии Apache-2.0.

ubamba98/wav2vec2-xls-r-1b-ro — модель распознавания речи, дообученная на базе facebook/wav2vec2-xls-r-1b на румынской части набора Mozilla Common Voice 7.0. Она использует архитектуру wav2vec2 с выходной головой CTC и предназначена для преобразования румынской речи в текст. На оценочной выборке указаны WER 0,4770 и CER 0,0306. Модель принимает аудио и выдаёт текст; в репозитории указаны веса PyTorch. Лицензия — Apache-2.0.

Это модель автоматического распознавания речи на венгерском языке, созданная сообществом на основе openai/whisper-base. Она объединяет взвешенным усреднением параметров две венгерские дообученные версии: 90% весов whisper-hu-base-finetuned-V2 и 10% whisper-base-hungarian_v4. Модель содержит 51,7 млн параметров и доступна в формате safetensors для Transformers. Модель предназначена для преобразования венгерской речи в текст, в том числе для записей с фоновым шумом. В тестах авторов она показала более низкий WER на FLEURS hu_hu, чем обе исходные версии, и лучшее распознавание на зашумлённых записях; на Common Voice 17.0 немного уступила V2, обучавшейся на его обучающей и валидационной выборках. Результаты зависят от условий записи и настроек декодирования. Для живой речи, телефонных разговоров и сильных акустических искажений качество может быть ниже, чем на подготовленных записях. README указывает, что коммерческое использование без согласия не разрешено; для личного использования применяются исходные условия лицензии Whisper.

istupakov/whisper-base-onnx — это версия модели Whisper base, разработанной OpenAI и преобразованной в формат ONNX для использования с библиотекой onnx-asr. Модель предназначена для автоматического распознавания речи в аудиофайлах, включая транскрибацию WAV, с возможностью автоматического определения языка или его явного указания. Ключевые характеристики включают архитектуру Whisper base в формате ONNX, поддержку обработки аудио и генерацию текстовой расшифровки. В карточке модели указаны английский и русский языки. Экспорт выполнен с использованием beam search, forced decoder input IDs, оптимизации ONNX и точности FP32. Количество параметров и максимальная длина контекста не указаны. Формат ONNX ориентирован на запуск через onnx-asr и ONNX Runtime, в том числе на CPU. Автоматическое определение языка может работать медленнее, чем распознавание с заранее заданным языком. Данные о точности, производительности, устойчивости к шуму и других ограничениях отсутствуют, поэтому оценить сильные стороны модели по сравнению с альтернативами нельзя. Модель распространяется по лицензии Apache-2.0.

ovsyannikovls/whisper-base-ru — модель распознавания речи семейства Whisper, дообученная автором репозитория на неизвестном наборе данных. Она предназначена для преобразования аудиозаписей в текст; карточка приводит результат оценки WER 33,1041, но не описывает тестовый набор и условия измерения. Модель распространяется в формате Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Подробности о данных обучения, поддерживаемых языках, контекстном окне и сценариях применения в карточке не приведены.

bofenghuang/whisper-large-v2-cv11-french — модель автоматического распознавания речи, дообученная на базе openai/whisper-large-v2 на французской части датасета Mozilla Common Voice 11.0. Она преобразует французскую речь в текст и предсказывает регистр букв и пунктуацию. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и формат PyTorch. Для распознавания входное аудио следует подавать с частотой дискретизации 16 кГц. В README приведены результаты сравнения других вариантов Whisper, но отдельные показатели этой модели не указаны.

Whisper Large-v3 MLX — модель автоматического распознавания речи, опубликованная сообществом mlx-community и предназначенная для использования с библиотекой mlx-whisper. Она преобразует аудиозаписи в текст и подходит для сценариев транскрибации речи. Модель основана на Whisper Large-v3, однако в README не указаны её точные архитектурные характеристики, количество параметров, поддерживаемые языки, модальности или размер контекста. Также не приведены сведения о сильных сторонах и ограничениях модели, поэтому их нельзя достоверно оценить по имеющимся данным. Модель распространяется по лицензии MIT и предназначена для запуска через mlx-whisper; в README приведён пример использования с репозиторием mlx-community/whisper-large-v3-mlx.