I.9Аудио и музыка

Это модель автоматического распознавания речи на швейцарском немецком, созданная слиянием Whisper large-v3 от OpenAI и LoRA-адаптера Flurin17, а затем преобразованная в формат MLX. Чекпойнт FP16 на базе safetensors предназначен для Apple Silicon и совместим с mlx-whisper, mlx-audio и oMLX; он принимает аудио и выдаёт транскрипцию текстом. Модель подходит для транскрибации записей на швейцарском немецком, включая обработку через локальный сервер oMLX. В метаданных указан немецкий язык; адаптер нацелен на швейцарский немецкий. Лицензия репозитория обозначена как other, поэтому условия использования следует сверить с карточкой модели и лицензиями базовых компонентов.

Это дообученная на наборе данных None модель OpenAI Whisper Medium для автоматического распознавания речи. Она принимает аудио и генерирует текстовую расшифровку; карточка сообщает результаты оценки: loss 0,5053 и Global WER 23,6218. Метаданные описывают базовую Whisper Medium как мультиязычную модель для распознавания и перевода речи, однако язык или языки, на которых специализируется это дообучение, не подтверждены. Модель использует архитектуру WhisperForConditionalGeneration и формат safetensors. Лицензия — Apache 2.0.

Portuguese Medium Whisper — модель распознавания речи, созданная дообучением OpenAI Whisper Medium автором pierreguillou на наборе Common Voice 11.0. Она преобразует аудио на португальском языке в текст и подходит для транскрибации записей и оценки систем распознавания речи. Модель построена на архитектуре Whisper и содержит около 455,8 млн параметров; в метаданных указан формат PyTorch. На тестовой выборке автор сообщает Loss 0,2628 и WER 6,5987. Модель распространяется по лицензии Apache-2.0. Показатели сравнения с другими версиями Whisper приведены автором на основе сходства тестовых наборов, поэтому их не следует считать прямым сравнением на идентичном тесте.

Xenova/whisper-small — версия модели Whisper-small, разработанной OpenAI, подготовленная сообществом Xenova для использования в Transformers.js. Репозиторий содержит веса в формате ONNX, совместимые с JavaScript-библиотекой Transformers.js и ориентированные на запуск в веб-среде и других JavaScript-приложениях. Модель предназначена прежде всего для автоматического распознавания речи и транскрибации аудио, в том числе аудиофайлов, доступных по URL. Исходная модель openai/whisper-small является аудиомоделью; однако в README не указаны её архитектурные параметры, количество параметров, поддерживаемые языки и максимальная длина контекста. Использование ONNX обеспечивает совместимость с Transformers.js, но конкретные требования к производительности и окружению не приведены. Лицензия модели указана как Apache-2.0. К ограничениям относятся отсутствие в README подробных сведений о качестве распознавания, языковых особенностях, аппаратных требованиях и известных сценариях ошибок. Репозиторий с ONNX-весами описан как временное решение до более широкого распространения WebML.

arbml/whisper-small-ar — дообученная версия OpenAI Whisper Small для автоматического распознавания речи. Модель основана на архитектуре Whisper и содержит 153,1 млн параметров; в репозитории представлены веса PyTorch. В метаданных указан датасет arbml/mgb2, а карточка сообщает о результате WER 21,3693 на оценочном наборе. Модель принимает аудио и преобразует речь в текст. Лицензия Apache-2.0 разрешает использование на её условиях. Карточка не описывает дополнительные сценарии применения или известные ограничения качества.

Sekiraw/whisper-small-hyper-tuned-v2 — дообученная Sekiraw модель распознавания речи на основе openai/whisper-small. Она принимает аудио и предназначена для преобразования речи в текст; карточка сообщает о дообучении на неизвестном наборе данных и приводит результаты оценки: loss 0,2138 и WER 0,3859. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 153,1 млн параметров и опубликована в формате safetensors для Transformers. Карточка не описывает целевые языки, набор данных или специальные сценарии применения, поэтому качество распознавания в конкретных условиях по указанным оценкам определить нельзя. Лицензия — Apache-2.0.

hadiqa123 выпустил XLS-R53english — англоязычную модель автоматического распознавания речи, дообученную для декодирования аудио в текст. Она основана на facebook/wav2vec2-large-xlsr-53, использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст; в карточке приведена оценка WER 0,3033 на тестовом наборе, но его состав не описан. Лицензия — Apache-2.0.

DiariZen — модель сегментации активности говорящих для развёртывания на устройстве AX650, подготовленная AXERA-TECH на основе BUT-FIT/diarizen-wavlm-large-s80-md. Она сочетает обрезанный WavLM-Large и Conformer и размечает аудио по кадрам на 11 классов активности говорящих. На вход подаётся монофоническое аудио 16 кГц; обработка разделена между AX650 NPU и CPU с ONNX Runtime: на NPU выполняется свёрточный извлекатель признаков, а трансформерная часть, Conformer и классификатор — на CPU. Модель обрабатывает окна длиной 4 секунды; для более длинных записей требуется скользящее окно и объединение сегментов. По данным карточки, гибридный конвейер достигает 14,9-кратной скорости реального времени на указанной конфигурации AX650. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

Distil-Whisper distil-large-v3 — англоязычная модель распознавания речи, разработанная командой Distil-Whisper и полученная дистилляцией OpenAI Whisper large-v3. Она предназначена для транскрибации коротких записей и длинных аудиофайлов; архитектура — кодировщик-декодировщик Whisper с сокращённым числом слоёв декодера. В README указано 756 млн параметров, тогда как метаданные каталога указывают 905,2 млн параметров. Модель рассчитана на английскую речь и поддерживает последовательный и пакетный алгоритмы обработки длинных записей. По данным README, качество на длинных аудио близко к Whisper large-v3, а распознавание выполняется примерно в 6,3 раза быстрее; для одиночных длинных файлов, где важна скорость, рекомендуется пакетный алгоритм, а для точности и пакетной обработки — последовательный. Модель доступна по лицензии MIT. Она предназначена для распознавания речи на английском языке; вывод включает текстовую транскрипцию, а при соответствующих настройках — временные метки сегментов.

Это дистиллированная версия Whisper large-v2 от rsonavane, созданная с помощью удаления слоёв декодера и обучения на распределениях модели-учителя. В декодере 8 слоёв вместо 32 у исходной модели; заявлены размер на 40% меньше и скорость декодирования примерно вдвое выше, чем у Whisper large-v2. Модель предназначена для автоматического распознавания речи. На датасете LibriSpeech после дообучения в течение одной эпохи автор сообщает о WER 4,2%. В карточке также указана возможность дообучения для нескольких языков, но конкретные результаты для них не приведены. Доступны веса PyTorch; лицензия в предоставленных данных не указана.

English_Wav2Vec_Finetune — модель автоматического распознавания английской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на наборе данных generator. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст. В карточке приведены результаты оценки на тестовой выборке: loss 0,3020 и WER 0,2061. Подробности о составе и условиях оценки, а также рекомендации по применению не раскрыты. Модель распространяется по лицензии Apache-2.0.

Sunbird AI подготовила faster-whisper-51-african-languages — версию модели Sunbird/SunflowerASR-51-african-languages в формате CTranslate2 с точностью float16 для запуска через faster-whisper. Базовая модель построена на Whisper large-v3 и дообучена для распознавания речи на 51 африканском языке. Модель принимает аудио и преобразует речь в текст. Для выбора языка нужно передавать в faster-whisper соответствующий стандартный код Whisper из таблицы README; автоматическое определение языка использовать не следует. При загрузке можно выбрать другой compute_type, например int8_float16, с заявленным ориентиром около 1,6 ГБ видеопамяти. Перед применением проверьте качество на целевых языках: экстрактор признаков faster-whisper не выполняет нормализацию, используемую в эталонном конвейере Transformers, поэтому результаты WER могут отличаться. Лицензия — Apache-2.0.

Это дообученная модель Whisper, созданная на основе parthiv11/indic_whisper_hi_multi_gpu. Она предназначена для автоматического распознавания речи и преобразования аудио в текст; карточка сообщает результат оценки: loss 0,4954 и глобальный WER 21,7486. Метрики относятся к указанному набору оценки, описание которого в карточке отсутствует. Модель принимает аудио и выдаёт текст. В метаданных указан формат safetensors, библиотека Transformers и лицензия MIT. Подтверждённая поддержка хинди унаследована от базовой модели, однако сведения о данных обучения и других языках этой версии отсутствуют.

QuantStack/LTX-2.3-GGUF — квантованная в формате GGUF версия модели LTX-2.3, разработанной Lightricks. Модель предназначена для генерации и преобразования видео и аудио на основе текста, изображений и видеоматериалов: поддерживаются 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 совместная генерация аудио и видео. В состав решения входят основная модель LTX-2.3, текстовый энкодер Gemma 3, модуль Text Projection и общие VAE-компоненты для видео и аудио. Указаны языки: английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский. Модель интегрируется с ComfyUI; квантование в GGUF может упростить развёртывание и снизить требования к ресурсам, однако README не содержит сведений о размере модели, точном контекстном окне, требованиях к памяти, качестве и производительности. Основные ограничения и условия использования определяются исходной моделью Lightricks/LTX-2.3: для GGUF-версии сохраняются все оригинальные лицензионные условия и ограничения. Указана лицензия ltx-2-community-license-agreement; подробности приведены в LICENSE проекта LTX-2.

M-CTC-T — многоязычная модель распознавания речи от Meta AI, представленная в PyTorch. Это трансформерный энкодер примерно с 1,4 млрд параметров, CTC-головой на 8065 символьных меток и отдельной головой идентификации языка на 60 меток. На вход модель принимает мел-частотные фильтробанковские признаки аудио с частотой дискретизации 16 кГц и выдаёт посимвольную транскрипцию с сохранением пунктуации и регистра. Модель обучалась на Common Voice и VoxPopuli, а затем дополнительно на Common Voice. Она предназначена для автоматической транскрибации речи и может использоваться как акустическая модель. В метаданных указан английский язык; README описывает модель как многоязычную, однако конкретный перечень языков в доступных данных не приведён. Репозиторий содержит PyTorch-представление модели, перенесённое из Flashlight C++ в PyTorch. Лицензия — Apache-2.0. Карточка не сообщает показатели качества; распознавание ограничено поддерживаемыми языками и акустическими условиями, а модель ожидает аудио, преобразованное в признаки для сигнала 16 кГц.

cstr/mimo-asr-GGUF — это конверсия модели MiMo-V2.5-ASR от Xiaomi MiMo Team в формате GGUF, подготовленная для работы с runtime CrispASR от CrispStrobe. Модель предназначена для автоматического распознавания речи и преобразует аудио в текст; поддерживает Mandarin, включая диалекты Wu, Cantonese, Hokkien и Sichuanese, английский язык и переключение между языками. Для работы требуется отдельная аудиотокенизаторная модель cstr/mimo-tokenizer-GGUF, преобразующая 16-кГц PCM-аудио в коды, которые потребляет языковая модель. Архитектура включает аудиотракт с 6-слойным input_local_transformer, 8-канальными RVQ-эмбеддингами и проекцией в пространство размерности 4096, а также 36-слойную Qwen2 с 7,5 млрд параметров, 4096-мерными скрытыми состояниями, 32 attention heads, 8 KV heads и максимальной длиной позиции 8192. Доступны варианты F16 размером 14,9 ГБ и Q4_K размером 4,2 ГБ; последний рекомендуется по умолчанию, помещается примерно в 8 ГБ RAM и использует объединённые Q/K/V-проекции для ускорения декодирования. Модель поддерживает полностью нативный C++-инференс без Python и Transformers, работает на CPU, CUDA и Apple Silicon с Metal, использует KV-кэширование и подходит для локальной транскрипции. На Apple M1 вариант Q4_K обрабатывает 11 секунд аудио примерно за 25–30 секунд, то есть около 0,4× реального времени; основным ограничением остаётся медленное пошаговое декодирование. Качество зависит от квантования, а для длительных записей могут потребоваться значительные объёмы памяти. Модель распространяется по лицензии MIT.

Moonshine Tiny PT v08 — дообученная модель распознавания речи на базе aomocelin/moonshine_tiny_pt_v05. Она предназначена для преобразования аудио в текст; архитектура — MoonshineForConditionalGeneration, файлы модели представлены в формате safetensors. В README приведены результаты оценки: loss 0,4744 и WER 5,8564, однако описание набора данных и условий оценки отсутствует. Контекст модели составляет 194 токена. Модель распространяется по лицензии MIT.

MOSS-Audio-4B-Instruct — открытая модель для понимания аудио, разработанная MOSI.AI, командой OpenMOSS и Shanghai Innovation Institute. Это вариант Instruct с аудиоэнкодером MOSS-Audio-Encoder и языковой основой Qwen3-4B; общий размер составляет около 4,6 млрд параметров. Аудио преобразуется в временные представления с частотой 12,5 Гц, которые объединяются с представлениями языковой модели для генерации текста. Модель принимает аудио и выполняет инструкции на его основе. Модель предназначена для распознавания речи с временными метками, ответов на вопросы и составления резюме по аудио, анализа говорящих, эмоций и звуковых событий, описания окружающей обстановки и понимания музыки. Архитектура с передачей признаков между слоями энкодера и временными маркерами поддерживает анализ акустических деталей и последовательности событий. В карточке семейства заявлена поддержка английского и китайского языков; результаты оценки относятся к семейству моделей и не гарантируют такое же качество именно для варианта 4B. Модель распространяется по лицензии Apache-2.0. Карточка описывает возможности семейства, но не приводит отдельные результаты оценки, требования к ресурсам или конкретные ограничения варианта 4B-Instruct.

multitalker-parakeet-streaming-0.6b-v1-gguf — конверсия модели NVIDIA multitalker-parakeet-streaming-0.6b-v1 в формат GGUF для библиотеки transcribe.cpp. Это англоязычная модель автоматического распознавания речи, предназначенная для офлайн-транскрибации и потоковой обработки аудио с сохранением состояния между фрагментами. Модель подходит для субтитров, расшифровки встреч, голосовых интерфейсов и других сценариев преобразования речи в текст. В основе лежит cache-aware streaming FastConformer с 0,6 млрд параметров и декодером RNN-T; поддерживаются пунктуация, капитализация и токеновые временные метки. Модель работает на английском языке, поддерживает четыре варианта latency lookahead и не поддерживает перевод или автоматическое определение языка. Обычные GGUF-файлы предназначены для режима одного говорящего. Варианты из каталога bundle дополнительно содержат потоковый Sortformer для диаризации и могут формировать размеченную по говорящим транскрипцию максимум для четырёх перекрывающихся говорящих. Сильными сторонами являются потоковая работа, офлайн-использование, кэширование контекста, поддержка диаризации и близкие показатели качества у разных уровней квантизации: заявленный WER на LibriSpeech test-clean составляет около 2,18–2,20%. Ограничения — поддержка только английского языка, отсутствие перевода и language detection, а также необходимость учитывать требования к ресурсам: размер файлов варьируется примерно от 617 МБ для Q4_K_M до 2,96 ГБ для F32. Модель распространяется по NVIDIA Open Model License; указана лицензия other с названием nvidia-open-model-license.

Luigi публикует объединённый GGUF-пакет Nemotron-3 Diarization и X-ASR для потоковой транскрибации с разметкой говорящих. Это упаковочное объединение двух моделей: веса не переобучались и не изменялись. X-ASR — потоковая модель распознавания речи на архитектуре Zipformer2 transducer; Nemotron-3 Diarization на базе Sortformer определяет до восьми говорящих и временные границы их реплик. На вход подаётся аудио с частотой 16 кГц, на выходе — текст с метками говорящих на общей временной шкале. Пакет рассчитан на потоковую работу на CPU, в том числе на телефонах; для X-ASR поддерживаются размеры чанков 160, 480, 960 и 1920 мс. В состав входят компоненты GilgameshWind/X-ASR-zh-en и nvidia/Nemotron-3-Diarization. README приводит результаты проверок на английских и китайских тестовых аудиозаписях, но они не гарантируют качество на других данных. Компоненты распространяются на условиях Apache-2.0 и OpenMDW-1.1; при использовании и распространении нужно соблюдать требования обеих лицензий и сохранять соответствующие уведомления.

omniASR-CTC-1B-v2 — конвертированная в формат Hugging Face модель распознавания речи на архитектуре Wav2Vec2, созданная автором репозитория на основе контрольной точки OmniLingual fairseq2 omniASR_CTC_1B_v2. Модель содержит 1,3 млрд параметров, использует 48 слоёв энкодера и скрытый размер 1280; она выдаёт CTC-логиты по словарю SentencePiece. Численное соответствие исходной контрольной точке проверено на аудиопримере. Модель предназначена для автоматической транскрипции речи на нескольких языках. Её можно применять для преобразования аудиозаписей в текст и для многоязычного распознавания речи. Карточка не приводит список поддерживаемых языков. Репозиторий содержит веса safetensors для Transformers; сведения о лицензии в доступных данных отсутствуют.

omniASR-CTC-300M-v2-Zulu-Baseline — модель распознавания речи на базе Wav2Vec2 CTC, преобразованная командой uctnlp из чекпойнта fairseq2 OmniLingual omniASR_CTC_300M_v2. Модель принимает аудио и выдаёт текстовую транскрипцию через CTC-логиты по словарю SentencePiece. В метаданных указано 413,2 млн параметров; архитектура включает 24 слоя энкодера с размером скрытого состояния 1024. Модель предназначена для автоматической транскрибации речи, включая зулу; README также указывает на поддержку нескольких языков. Численная эквивалентность исходному чекпойнту fairseq2 проверена на одном отложенном аудиопримере с допуском atol=1e-4. Сведения о лицензии и ограничениях точности в предоставленных данных отсутствуют.

LiteRT Community Parakeet CTC 0.6B — модель автоматического распознавания речи, основанная на nvidia/parakeet-ctc-0.6b. Она предназначена для преобразования речи в текст в сценариях automatic speech recognition. Из доступных данных известно, что модель относится к семейству Parakeet CTC и имеет размер около 0,6 млрд параметров. Архитектура, поддерживаемые языки, аудиомодальности, максимальная длина контекста, точность и требования к ресурсам в карточке не указаны, поэтому оценить её сильные стороны и ограничения подробнее невозможно. Модель распространяется по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0), которая обычно требует указания авторства в соответствии с условиями лицензии.

mlx-community/parakeet-ctc-1.1b — версия модели NVIDIA Parakeet CTC 1.1B, подготовленная сообществом mlx-community для запуска через MLX. Это модель распознавания речи на архитектуре семейства FastConformer/Conformer с CTC-декодированием: она принимает аудио и преобразует речь в текст. В карточке указаны поддержка MLX и формат весов safetensors; для использования предлагаются библиотеки parakeet-mlx и mlx-audio. Модель предназначена для автоматической транскрипции речи. Она распространяется по лицензии CC BY 4.0. README отсылает к исходной карточке NVIDIA за подробностями, поэтому конкретные сведения о языках, длине аудио и ограничениях качества здесь не подтверждены.

Это версия модели распознавания речи NVIDIA Parakeet TDT 0.6B V2, преобразованная автором репозитория в формат safetensors с небольшими настройками для инференса через MLX. Репозиторий сохранён для обратной совместимости; в README рекомендована более новая копия в mlx-community. Модель предназначена для автоматической транскрибации аудио в текст и запускается, в частности, через библиотеку parakeet-mlx. Базовая модель NVIDIA ориентирована на английскую речь и формирует транскрипцию с пунктуацией, заглавными буквами и временными метками слов. Данных о размере контекста и результатах оценки этой версии в README нет. Модель основана на nvidia/parakeet-tdt-0.6b-v2 и распространяется по лицензии CC BY 4.0. Это конверсия с настройками для MLX, а не заявленная новая архитектура или самостоятельное дообучение; качество распознавания зависит от аудио и условий записи.

Qwen3-ASR-0.6B-int8-QAD — сжатая версия Qwen/Qwen3-ASR-0.6B для распознавания речи, подготовленная VinRobotics. Модель размером около 0,6 млрд параметров использует архитектуру Qwen3-ASR и принимает аудио, выдавая текстовую транскрипцию. Веса квантизированы до INT8 методом SmoothQuant, после чего модель дообучена с помощью дистилляции с учителем на псевдоразметке для восстановления части точности, потерянной при квантизации. Модель рассчитана на многоязычную транскрибацию речи; в метаданных перечислены 23 языка, включая русский, английский, китайский, арабский, французский, испанский и японский. В README приведены результаты WER для английского LibriSpeech dev-clean-2 и вьетнамского VIVOS; на этих наборах QAD улучшает результат относительно одной только INT8-квантизации, хотя показатели остаются немного хуже базовой FP16-модели. Квантизация предназначена для снижения потребления памяти и ускорения вывода на оборудовании с INT8 tensor cores. Лицензия — Apache-2.0.

ctaguchi/ssc-tob-mms-model-mix-adapt-max — дообученная модель автоматического распознавания речи на основе facebook/mms-1b-all. Она принимает аудио и преобразует речь в текст; архитектура — Wav2Vec2 с CTC-выходом, размер — 1,3 млрд параметров. Базовая модель поддерживает более тысячи языков, но язык и состав данных, на которых дообучена эта версия, не указаны. В карточке приведены результаты оценки: CER 0,1791 и WER 0,6105. Эти метрики указывают на ошибки распознавания, однако без описания набора данных и протокола оценки их нельзя напрямую переносить на другие условия. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Kyutai STT 2.6B — модель Kyutai для потоковой транскрибации речи на английском языке. Она начинает выдавать текст после поступления первых секунд аудио, поэтому подходит для приложений с распознаванием речи в реальном времени. Модель построена на архитектуре Transformer с декодером, использует многопоточную архитектуру Moshi: аудио кодируется токенизатором Mimi, а модель предсказывает текстовые токены с учётом аудиопотока. В репозитории указано 3,2 млрд параметров; задержка вывода составляет около 2,5 секунды. Модель рассчитана на потоковое распознавание, в том числе при шуме, и может обрабатывать аудио длительностью до двух часов без дополнительных изменений. Текст транскрипции включает заглавные буквы и пунктуацию; временные метки токенов можно восстановить с учётом смещения текстового потока. Для работы предусмотрена интеграция с Transformers версии 4.53.0 и выше. Веса распространяются по лицензии CC BY 4.0.

Okwija разработал sunbird-whisper-lin-sna-V2 — дообученную модель распознавания речи на базе Sunbird/asr-whisper-51-african-languages, использующей архитектуру Whisper. Модель предназначена для преобразования аудиоречи в текст; базовая модель ориентирована на 51 африканский язык, а также английский и французский с африканскими акцентами. В README приведены результаты оценки: loss 0,1994, WER 0,2508 и CER 0,0425. Модель доступна в формате safetensors и рассчитана на использование через библиотеку Transformers. Репозиторий указывает лицензию Apache-2.0. README не уточняет языки и условия оценки конкретно для этой версии, поэтому возможности базовой модели не следует считать подтверждением качества на каждом из её языков.

Voxtral-Mini-4B-Realtime-GGUF — набор GGUF-квантизаций потоковой модели распознавания речи Voxtral-Mini-4B-Realtime-2602, разработанной Mistral AI. Репозиторий cstr содержит только конвертацию и квантизацию исходных весов для работы через ggml-совместимые инструменты, включая CrispASR; дообучение и изменение архитектуры не выполнялись. Модель предназначена для потокового преобразования речи в текст в реальном времени, в том числе для транскрибации WAV-аудио. Она поддерживает 13 языков: английский, французский, испанский, немецкий, русский, китайский, японский, итальянский, португальский, нидерландский, арабский, хинди и корейский. Архитектура включает 32-слойный каузальный аудиоэнкодер, 26-слойный декодер Mistral с GQA, проектор и токенизатор Mistral Tekken с 150 тысячами токенов. Потоковая обработка использует каузальный энкодер, а задержка транскрибации настраивается; значение по умолчанию составляет 480 мс. Доступны варианты F16 размером 8,3 ГБ, Q8_0 размером 4,4 ГБ и Q4_K размером 2,4 ГБ. Q4_K указан как рекомендуемый: по данным README, он в 3,5 раза меньше F16 и в 2,7 раза быстрее при идентичном качестве транскрибации в приведённом тесте на CPU. Поддержка словесных временных меток требует отдельной GGUF-модели CTC-выравнивателя. Ограничения включают необходимость 16 кГц моно WAV и заметно более низкую скорость на CPU, чем длительность входной записи, согласно тесту. Модель распространяется по лицензии Apache 2.0; права на исходную модель и её возможности определяются условиями upstream-репозитория Mistral AI.