I.9Аудио и музыка

mustafoyev202/speecht5_finetuned — модель синтеза речи из текста на архитектуре SpeechT5ForTextToSpeech, дообученная на базе microsoft/speecht5_tts. Она предназначена для преобразования текстового ввода в аудио. В README приведено значение eval_loss 0,3355; название и характеристики обучающего набора данных не раскрыты. Модель опубликована в формате safetensors и распространяется по лицензии MIT. Метаданные указывают библиотеку Transformers. Карточка не описывает поддерживаемые языки, голосовые характеристики и ограничения качества, поэтому их нельзя уточнить.

ctaguchi/ssc-kbd-mms-model-mix-adapt-max — дообученная модель автоматического распознавания речи, созданная на основе facebook/mms-1b-all. Она использует архитектуру wav2vec2 с CTC-декодированием и содержит 1,3 млрд параметров. Модель принимает аудио и предназначена для преобразования речи в текст; README сообщает результаты оценки: CER 0,1091 и WER 0,5604. Карточка не описывает обучающие данные, целевые языки или предполагаемые сценарии применения. Базовая MMS-1B-All поддерживает более тысячи языков, но целевой набор языков этого дообученного чекпойнта из доступных сведений определить нельзя. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

ctaguchi/ssc-sco-mms-model — дообученная модель распознавания речи на основе facebook/mms-1b-all. Она использует архитектуру Wav2Vec2ForCTC и содержит 1,3 млрд параметров; принимает аудио и преобразует речь в текст. Базовая модель поддерживает более тысячи языков, но язык и набор данных, на которых дообучена эта версия, не указаны. В карточке приведены результаты оценки: CER 0,2065, WER 0,5486 и loss 0,7277. Эти значения относятся к оценочному набору, сведения о котором отсутствуют, поэтому их нельзя напрямую переносить на другие данные. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

cahya/wav2vec2-base-turkish — модель автоматического распознавания речи, дообученная на турецком наборе Common Voice 7.0. Она построена на архитектуре Wav2Vec2 с CTC-головой и содержит 113,3 млн параметров. Модель принимает аудио и преобразует турецкую речь в текст. В README приведены результаты оценки на Common Voice 6.1, 7.0 и 8.0: WER составляет соответственно 9,437, 8,147 и 8,335, а CER — 3,325, 2,802 и 2,336. Для дообучения также использовались Media Speech и Magic Hub. Модель распространяется по лицензии Apache-2.0; показатели оценки относятся к указанным наборам данных и не гарантируют аналогичное качество на других типах записей.

wav2vec2-finetuned-asr — модель автоматического распознавания речи, дообученная на основе facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, преобразуя речь в текст. Датасет дообучения не указан; сведения о поддерживаемых языках и целевых сценариях отсутствуют. На оценочном наборе указаны Loss 0,4425, WER 0,5418 и CER 0,3254. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Результаты приведены без описания набора данных и методики оценки, поэтому их нельзя уверенно переносить на другие аудио и условия записи.

Это модель автоматического распознавания испанской речи на базе Wav2Vec2-Large-XLSR-53 с поддержкой языковой модели. Её подготовил Patrick von Platen как демонстрацию интеграции pyctcdecode с Transformers; в README описана замена стандартного Wav2Vec2Processor на Wav2Vec2WithLMProcessor. Модель предназначена для преобразования аудиозаписей на испанском языке в текст. В сравнении на 512 образцах тестовой части Spanish Common Voice она показала WER 8,44% и CER 2,93%, против 10,20% и 3,24% у указанной базовой модели без языковой модели. Доступны веса PyTorch, TensorFlow и Flax; размер модели — около 402,7 млн параметров. Репозиторий распространяется по лицензии Apache-2.0. Результаты оценки относятся к указанной выборке Common Voice; качество на других типах речи и в иных акустических условиях в карточке не измеряется.

whispercharsplitnewround20061 — дообученная на неизвестном наборе данных модель распознавания речи на базе OpenAI Whisper Tiny. Она принимает аудио и преобразует речь в текст; размер модели — 29,4 млн параметров. В README приведены результаты обучения и валидации после 60 эпох: Validation Loss 0,5606 и Validation Wermet 7,0558. Модель предназначена для автоматической транскрибации аудиозаписей. Язык данных обучения и качество распознавания для отдельных языков не описаны. Модель распространяется по лицензии Apache-2.0; результаты на неизвестном наборе данных не позволяют оценить качество для конкретных сценариев.

Карточка модели aidsoid/whisperkit-coreml на Hugging Face совпадает с карточкой argmaxinc/whisperkit-coreml, поэтому описание составлено по ней. argmaxinc/whisperkit-coreml — репозиторий Argmax с моделями Whisper в формате Core ML для WhisperKit, SDK распознавания речи на устройствах Apple Silicon. Модель предназначена для преобразования аудио в текст, включая локальную транскрибацию на устройствах Apple. Репозиторий использует библиотеку WhisperKit и содержит файлы Core ML. В карточке указана лицензия MIT. README упоминает отдельный платный SDK Argmax Pro для транскрибации в реальном времени с разделением по говорящим и пользовательским словарём; эти возможности не заявлены для данной модели.

argmaxinc/whisperkit-coreml — репозиторий Argmax с моделями Whisper в формате Core ML для WhisperKit, SDK распознавания речи на устройствах Apple Silicon. Модель предназначена для преобразования аудио в текст, включая локальную транскрибацию на устройствах Apple. Репозиторий использует библиотеку WhisperKit и содержит файлы Core ML. В карточке указана лицензия MIT. README упоминает отдельный платный SDK Argmax Pro для транскрибации в реальном времени с разделением по говорящим и пользовательским словарём; эти возможности не заявлены для данной модели.

Модель speech-transformer/whisper-large-processed_dataset-20250627-100p — дообученная версия Whisper large-v3 от OpenAI для автоматического распознавания речи и преобразования аудио в текст. Она содержит около 905,2 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors для библиотеки Transformers. На оценочном наборе указаны Loss 0,1988 и WER 9,8178; состав этого набора и условия оценки не описаны. Модель принимает аудио и выдаёт текст. README не сообщает, на каких данных и языках проводилось дообучение, поэтому нельзя определить её специализацию или качество на конкретных языках и типах записей. Базовая модель Whisper large-v3 мультиязычная, однако переносить все её языковые возможности на эту дообученную версию без данных о тренировке нельзя. Лицензия — Apache-2.0.

Whisper Large v3 Ai — дообученная Nurlan Salahaddinov версия мультиязычной модели OpenAI Whisper large-v3 для распознавания речи и преобразования аудио в текст. Модель содержит 905,2 млн параметров и основана на архитектуре Whisper; для обучения использован набор Mozilla Common Voice 17.0. Карточка приводит результат WER 1,1952 на оценочной выборке. Модель предназначена для автоматической транскрибации аудиозаписей, в частности для распознавания азербайджанской речи. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0.

fsicoli/whisper-large-v3-it-cv16 — модель распознавания речи на базе Whisper Large v3, дообученная на итальянском языке на обучающей и валидационной выборках Common Voice 16. В метаданных архитектура указана как WhisperForConditionalGeneration; модель содержит около 905,2 млн параметров и доступна в формате safetensors. Модель предназначена для преобразования итальянской речи в текст. Её можно использовать для транскрибации записей и аудио, например через pipeline automatic-speech-recognition в Transformers. Карточка также указывает тестовую выборку Common Voice 16, но не приводит результатов оценки качества. Лицензия указана как CC. Карточка не уточняет её вариант и не описывает ограничения по точности, шуму или акцентам; качество в конкретных условиях следует проверять отдельно.

Whisper Small Dv — модель распознавания речи, созданная Sanchit Gandhi путём дообучения мультиязычной openai/whisper-small на наборе Common Voice 13. Она принимает аудио и преобразует речь в текст; модель построена на архитектуре Whisper и содержит 153,1 млн параметров. В оценке на тестовом наборе указаны WER 14,0661 и орфографический WER 63,8972, однако README не уточняет условия и язык этой оценки. Модель подходит для транскрибирования записей речи, в том числе для экспериментов с данными Common Voice. Базовая Whisper также поддерживает распознавание речи и перевод аудио на английский, но карточка этой производной модели подтверждает только задачу распознавания речи. Модель распространяется по лицензии Apache-2.0.

Модель shahukareem/xls-r-300m-dv — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи. Она принимает аудио и выдаёт текст; обучение проводилось на Common Voice, а в карточке указаны результаты оценки: loss 0,2855 и WER 0,2665. Архитектура — Wav2Vec2ForCTC, число параметров — около 402,7 млн. Модель подходит для преобразования речевых записей в текст. Суффикс dv и тег языка dv указывают на связь с языком, однако README не раскрывает расшифровку кода и детали языковой поддержки. Модель распространяется по лицензии Apache-2.0.

ASR-cv-corpus-ug-22-2 — модель распознавания речи на основе архитектуры wav2vec2-bert, дообученная автором piyazon на базе piyazon/ASR-cv-corpus-ug-16. Она предназначена для преобразования аудиозаписей в текст; в README указаны результаты оценки: loss 0,0371 и WER 0,0283. Данные обучения и подробности о сценариях применения не приведены. Модель распространяется в формате safetensors через библиотеку Transformers; сведения о лицензии в доступных данных отсутствуют.

CKHO/cohere-asr-ja-GGUF — это квантованная версия модели efwkjn/cohere-asr-ja для автоматического распознавания речи на японском языке. Модель предназначена для преобразования японской речи в текст, включая диалоги, вокал и аудио в стиле ASMR. Для работы используется backend cohere в CrispASR. Модель распространяется в формате GGUF и доступна в вариантах F16, Q8_0, Q6_K, Q5_0 и Q4_K размером от 1,51 до 4,14 ГБ. По неформальным локальным тестам на системе с RTX 3080 вариант F16 показал эталонное качество, Q8_0 — почти такое же качество при меньшем размере, а Q6_K предлагает наиболее сбалансированное сочетание качества и размера. Более сильное квантование уменьшает требования к диску, но может снижать точность распознавания. Модель рассчитана на использование с CrispASR; generic llama.cpp runtimes не поддерживают архитектуру cohere_asr. В README указана лицензия Apache-2.0. Контекст, дополнительные языки, архитектурные детали исходной модели и ограничения качества, не отражённые в локальных тестах, не указаны.

DhVaani — модель синтеза речи с клонированием голоса, разработанная ARTPARK-IISc и дообученная на основе k2-fsa/ZipVoice. Она принимает целевой текст и несколько секунд эталонной речи вместе с её расшифровкой, затем генерирует речь голосом говорящего из записи. Модель использует архитектуру ZipVoice с flow matching и посимвольный токенизатор для индийских письменностей; базовая модель содержит 123 млн параметров. Речь выводится с частотой 24 кГц. Модель рассчитана на 27 языков Индии и поддерживает разные письменности, включая деванагари, бенгальско-ассамское письмо, тамильское и телугу. Наиболее полно представлены английский, хинди, бенгальский, маратхи, каннада, телугу и ряд других языков; для санскрита, догри, кашмирского и раджастхани обучающих данных существенно меньше. Репозиторий распространяет веса в safetensors, лицензия — Apache-2.0. DhVaani подходит для многоязычного синтеза речи и переноса голоса по короткому аудиопримеру. Качество зависит от объёма данных для конкретного языка; смешение английских слов с индийскими языками может давать неровную просодию. Лучше использовать чистую запись одного говорящего длительностью 3–10 секунд; редкие символы и эмодзи вне словаря пропускаются.

MigoXV опубликовал форматную конверсию офлайн-модели NVIDIA Sortformer v1: веса FP32 перенесены из официального архива в формат PyTorch safetensors без дообучения и квантизации. Для загрузки требуется реализация sortformer-dia; одних Transformers недостаточно. Модель анализирует аудиозапись целиком и определяет временные сегменты речи для максимум четырёх говорящих, сохраняя перекрывающуюся речь. Транскрипцию и распознавание личности говорящего между разными записями она не выполняет. Поддерживается обработка монофонического аудио LINEAR16 с указанной частотой дискретизации на CPU или CUDA в FP32. По умолчанию запрос ограничен 120 секундами, а максимальный размер пакета равен одному. Репозиторий содержит веса и конфигурацию, а не код модели; для запуска нужна среда проекта sortformer-dia. Лицензия весов — CC-BY-NC-4.0, допускающая использование на условиях этой лицензии, включая её ограничения на коммерческое использование. Это конверсия модели NVIDIA, а не официальный выпуск NVIDIA.

OpenASR/firered2-llm — это модель автоматического распознавания речи FireRedASR2-LLM, разработанная FireRedTeam и упакованная проектом OpenASR для нативного локального запуска. Она предназначена для преобразования аудиозаписей в текст, прежде всего на нормативном мандаринском китайском, китайских диалектах и акцентах, а также на английском языке. Модель использует архитектуру Encoder-Adapter-LLM с декодером масштаба большой языковой модели и содержит более 8 млрд параметров. Доступная сборка q4_k распространяется в формате .oasr, имеет размер около 5,10 ГБ и пиковое потребление оперативной памяти около 9,39 ГБ. Она работает на CPU и GPU через OpenASR, без Python во время инференса и без передачи аудио в облако. Заявленная средняя CER составляет 2,89% на четырёх общедоступных мандаринских тестах и 11,55% на 19 тестах китайских диалектов и акцентов. К сильным сторонам относятся высокая точность для китайской речи, поддержка диалектов и акцентов, двуязычность и полностью локальное выполнение. Ограничения — крупный размер модели и значительные требования к памяти; в README не указаны поддерживаемая длительность контекста, полный перечень вариантов английской речи и показатели для других языков. Модель и её упаковка распространяются по лицензии Apache-2.0.

Fun-ASR-MLT-Nano-2512 GGUF — это квантизированная версия мультиязычной модели автоматического распознавания речи FunAudioLLM/Fun-ASR-MLT-Nano-2512, подготовленная handy-computer для работы с transcribe.cpp. Модель предназначена для офлайн-преобразования речи в текст и принимает монофонические WAV-файлы с частотой дискретизации 16 кГц. Модель поддерживает 31 язык, включая китайский, английский, кантонский, японский, корейский, вьетнамский, индонезийский, тайский, малайский, филиппинский, арабский, хинди и 19 европейских языков. Архитектура включает замороженный SenseVoiceEncoderSmall, двухслойный аудиоадаптер и встроенную языковую модель Qwen3-0.6B; общий размер составляет примерно 800 млн обучаемых параметров. Доступны варианты BF16, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 557 МБ до 1,67 ГБ. Сильные стороны модели — широкое мультиязычное покрытие, офлайн-работа, поддержка inverse text normalization и возможность запуска через transcribe.cpp на CPU, Metal или Vulkan. Для английской речи показатель WER на LibriSpeech test-clean составляет 1,69–1,89% в зависимости от квантизации, однако эти результаты не характеризуют качество на остальных языках. Модель не поддерживает потоковую обработку, перевод, автоматическое определение языка и временные метки; контекст обработки в README не указан. Модель распространяется по лицензии FunASR Model License v1.1, обозначенной как other. Для использования требуется transcribe.cpp; конкретные условия лицензии следует уточнять в опубликованном файле MODEL_LICENSE.

IndicF5 — полиглотная модель синтеза речи от AI4Bharat, обученная на 1417 часах аудио из Rasa, IndicTTS, LIMMITS и IndicVoices-R. Она преобразует текст в речь на 11 индийских языках: ассамском, бенгальском, гуджарати, хинди, каннада, малаялам, маратхи, одиа, пенджаби, тамильском и телугу. Для генерации нужны текст, эталонный аудиофрагмент и его расшифровка; эталон задаёт характеристики голоса и просодию. Модель предназначена для синтеза речи с управлением голосом по примеру, например для озвучивания текстов и создания голосовых интерфейсов на поддерживаемых языках. Авторы характеризуют качество как близкое к человеческому. Лицензия — MIT. Использовать клонирование голоса разрешено только при наличии явного согласия владельца; несанкционированное клонирование запрещено.

Marvis-AI разработала Marvis — компактную модель синтеза речи для потоковой генерации аудио из текста и разговорных голосовых приложений. Модель основана на архитектуре Sesame CSM-1B: мультимодальный трансформер обрабатывает чередующиеся текстовые и аудиотокены, а аудиодекодер восстанавливает речь по токенам RVQ с использованием кодека Kyutai Mimi. В метаданных указано 265 млн параметров и контекст 2048 токенов. Модель предназначена для потокового синтеза речи с низкой задержкой, в том числе на устройствах Apple Silicon и мобильных устройствах. Она обрабатывает текстовый контекст целиком, что помогает сохранять связность и естественную интонацию без предварительного разбиения текста на фрагменты. Заявлены поддержка английского, французского и немецкого языков, а также клонирование голоса по аудиообразцу. Репозиторий распространяется по лицензии Apache-2.0. README описывает квантизованный вариант размером около 500 МБ, но в метаданных указан формат safetensors; характеристики конкретной поставки могут отличаться. Качество речи, скорость на разных устройствах и права на использование голосов зависят от сценария; при клонировании голоса необходимо соблюдать применимые законы и получать необходимые разрешения.

MeloTTS-English-v2 — англоязычная модель синтеза речи из библиотеки MeloTTS, разработанной MyShell.ai. Она преобразует текст в речь и предназначена для озвучивания английских текстов; в библиотеке также есть варианты для американского, британского и индийского английского. Авторы отмечают высокое качество речи и возможность синтеза в реальном времени на CPU. Модель распространяется в формате PyTorch по лицензии MIT. Карточка не сообщает размер модели и длину контекста. Возможности и качество именно версии English-v2 отдельно не описаны; заявленная поддержка смешанного китайского и английского относится к китайскому голосу.

Moonshine Streaming Small — модель автоматического распознавания речи (ASR), разработанная Useful Sensors и представленная в формате GGUF командой handy-computer для работы с transcribe.cpp. Модель предназначена для преобразования английской речи в текст в пакетном и потоковом режимах, включая сценарии с низкой задержкой на периферийных устройствах. Это encoder-decoder модель примерно на 123 млн параметров с лёгким аудиофронтендом 50 Гц, эргодическим Transformer-энкодером со скользящим окном внимания и авторегрессионным декодером. Энкодер и декодер имеют по 10 слоёв; размерность скрытого состояния составляет 620 у энкодера и 512 у декодера. На вход подаётся монофонический WAV с частотой дискретизации 16 кГц. Поддерживается только английский язык; перевод, многоязычное распознавание, определение языка и временные метки не поддерживаются. Модель ориентирована на потоковое распознавание и использование на CPU или другом локальном оборудовании. Для LibriSpeech test-clean показатель WER составляет 2,53% в форматах F32 и F16 и 2,54% для Q8_0; доступны варианты размером 562, 282 и 199 МБ соответственно. К ограничениям относятся работа только с английской речью, отсутствие перевода и timestamps, а также необходимость предварительно подготовить аудио в формате 16 кГц mono WAV и использовать совместимое программное обеспечение transcribe.cpp. Лицензия модели — MIT, унаследованная от базовой модели UsefulSensors/moonshine-streaming-small.

Moonshine Tiny GGUF — это компактная модель автоматического распознавания речи, разработанная UsefulSensors и преобразованная в формат GGUF проектом cstr для использования с CrispASR. Репозиторий содержит варианты с разной степенью квантования; обучение, дообучение и изменение архитектуры в этой версии не выполнялись. Модель предназначена для транскрибации аудио на английском языке, включая локальную обработку на CPU. Архитектура включает свёрточный входной слой Conv1d, трансформерный энкодер из 6 слоёв и трансформерный декодер из 6 слоёв; используется размерность 288, 8 attention-голов, partial RoPE и активации SiLU/GELU. Модель содержит около 27 миллионов параметров. Доступны варианты F32 размером 104 МБ, Q8_0 размером 33 МБ и Q4_K размером 21 МБ; Q4_K предлагает наиболее выгодный компромисс между размером и качеством. Сильными сторонами являются небольшой размер, высокая скорость и возможность работы на CPU: для F32 заявлена производительность 11,2 раза быстрее реального времени. На LibriSpeech заявлены показатели WER 4,55% для записи clean и 11,68% для записи other. Ограничение модели — поддержка только английского языка; качество и производительность могут зависеть от акустики и характеристик аудио. Модель и её конверсия распространяются по лицензии MIT.

MOSS-TTS-Local 4.55B Voice Acting v2 — модель синтеза речи, разработанная Кристофом Шухманном и LAION. Она преобразует текст и инструкции режиссёра на естественном языке в выразительную речь на английском или немецком языке, включая реплики фантастических персонажей, эмоциональные смены, шёпот, крик, смех, вздохи и другие вокальные реакции. Модель использует плотную архитектуру MOSS-TTS-Local с 4,55 млрд параметров и 12-кодековый RVQ-токенизатор; аудио выводится с частотой 48 кГц. Для управления исполнением в инструкции задаются общее описание голоса и сценарий с подсказками подачи, паузами и вокальными вставками, а отдельное текстовое поле содержит произносимые слова. Репозиторий содержит объединённые веса bf16 и рассчитан на локальный запуск через Transformers; README указывает ориентир около 10 ГБ видеопамяти вместе с аудиокодеком. Версия v2 получена дополнительным supervised fine-tuning предыдущего чекпойнта на синтетических, отфильтрованных по автоматической оценке примерах исполнения. Модель подходит для озвучивания персонажей, эмоциональных диалогов и создания голосовых эффектов; качество конкретной подачи зависит от формулировки инструкций и выбора генерации. Лицензия — Apache-2.0.

Nemotron Speech Streaming EN 0.6B GGUF — конверсия модели NVIDIA nemotron-speech-streaming-en-0.6b, подготовленная handy-computer для работы с transcribe.cpp. Это англоязычная модель автоматического распознавания речи, предназначенная для преобразования аудио в текст в офлайн- и потоковом режимах, включая сценарии с низкой задержкой и пакетной обработкой. Модель поддерживает пунктуацию и капитализацию. В основе лежит примерно 600 млн параметров, архитектура cache-aware FastConformer с RNN-T-декодером и потоковым механизмом внимания. Поддерживается английский язык; модель работает с аудио и генерирует текст, но не поддерживает перевод и автоматическое определение языка. Реализована потоковая обработка с сохранением контекста внимания до 1,12 секунды. Доступны варианты GGUF от F32 и F16 до квантованных Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 475 МБ до 2,47 ГБ. Заявленная WER на LibriSpeech test-clean составляет 2,29–2,38% в зависимости от квантования. Сильные стороны модели — поддержка потокового распознавания, хорошее качество английской транскрипции, пунктуация и капитализация, а также несколько вариантов квантования для различного баланса качества и требований к памяти. Ограничения — специализация только на английской речи, отсутствие перевода и определения языка; в README не приведены сведения о поддерживаемой длине контекста, устойчивости к шуму и качестве на других языках или доменах. Модель распространяется по NVIDIA Open Model License; условия следует уточнять в полном тексте лицензии NVIDIA.

NOESIS-Talker-Combo-LLM2-ASR2-BF16 — набор весов и адаптеров AMAImedia для синтеза речи в платформе автоматизации дубляжа NOESIS. Это производная модель семейства Qwen3-TTS: в README описан объединённый кросс-модальный Talker-компонент на базе Qwen3-TTS 1.7B, дополненный ветвями Qwen3 LLM и ASR и отдельными LoRA-адаптерами для языковых семейств. В контрольной точке около 1,929 млрд параметров; веса представлены в safetensors и BF16. Модель предназначена для озвучивания текстовых сегментов и многоязычного дубляжа. Для десяти языков используется базовый маршрут Qwen3-TTS, для других — выбранный маршрутизатором семейный адаптер; карточка заявляет тестирование 112 языков. Набор рассчитан на загрузку через родительский маршрутизатор NOESIS и резидентный TTS-воркер, а не на самостоятельный запуск как GUI-приложение. Лицензия Apache-2.0. README отмечает проблемы EOS-поведения в некоторых языках, в частности телугу, панджаби, малаялам, ория и каннада; также не следует объединять все семейные адаптеры в один чекпойнт, поскольку такой эксперимент нарушал завершение и поведение аудиокодека.

Parakeet TDT+CTC 110M GGUF — это конвертированная и квантованная версия англоязычной модели автоматического распознавания речи NVIDIA Parakeet TDT+CTC 110M. Конверсию в формат GGUF и поддержку выполнения через CrispASR подготовил проект CrispStrobe/CrispASR; обучение, дообучение и изменение архитектуры в этом репозитории не выполнялись. Модель предназначена для транскрибации монофонической аудиозаписи с частотой 16 кГц, включая пакетную обработку и запуск на устройствах с ограниченными ресурсами. Она распознаёт только английскую речь и формирует текст с сохранением регистра и пунктуации. Доступны варианты F16 размером около 230 МБ, Q8_0 около 139 МБ и рекомендуемый Q4_K около 91 МБ. Заявлена производительность примерно до 45-кратного реального времени на M1 Metal для Q4_K. Архитектура включает 17-слойный FastConformer-энкодер примерно на 110 млн параметров, 1-слойный LSTM-предиктор, гибридные TDT и CTC-головы, а также словарь из 1024 SentencePiece-токенов. В CrispASR по умолчанию используется CTC-декодирование, поскольку упрощённый однос层ный предиктор недостаточен для полноценного TDT-декодирования. Сильные стороны модели — малый размер, низкие требования к оперативной памяти и высокая скорость; ограничение — только английский язык и более низкое качество по сравнению с крупными вариантами Parakeet, включая возможные ошибки в отдельных словах. Распространяется по лицензии CC-BY-4.0 с условиями исходной модели NVIDIA.

Trelis подготовила и разместила модель Piper TTS ruRU-irina-medium — среднеразмерный синтезатор русской женской речи с голосом Ирины. Модель основана на архитектуре VITS и сохранена в формате ONNX; она преобразует русский текст в речь с частотой дискретизации 22,05 кГц. Модель подходит для озвучивания фраз и текстов, создания голосовых интерфейсов и персонализированного синтеза речи. Она дообучена на данных RHVoice для диктора Ирины от модели lessac medium; обозначение medium характеризует размер модели, а не качество звучания. Для запуска можно использовать Piper TTS или ONNX отдельно с установленным espeak-ng. Для Piper TTS указана лицензия GPL, а для автономного ONNX-варианта — MIT; лицензия самого репозитория обозначена как other.