GigaChat3.1-Audio-10B-A1.8B

Аудио LLM для работы с длинными записями (2 часа)

* Распознавание речи (ASR) - переводит аудио в текст
* Перевод - упомянуты русский и английский
* Ответы на вопросы по аудио (QA)
* Распознавание эмоций
* Временная привязка (temporal grounding). находит в какой части аудио происходит то или иное событие. заявлено 48.3 mIoU на задачах для записей до 2 часов

• 10B #MoE декодер, активно 1.8B параметров
• энкодер GigaAM

Демо

#alm #qa #asr #stt #translation #russian

Qwen-Audio-3.0-ASR-Flash

Новая коммерческая модель для распознавания речи с улучшенной контекстной осведомленностью и распознаванием терминов в разных доменах

• Точное распознавание терминов в специфических областях
• Поддержка пользовательских горячих слов

Доступны версии:
Qwen-Audio-3.0-ASR-Flash-Streaming - потоковое распознавание речи
Qwen-Audio-3.0-ASR-Flash-Filetrans - распознавание записанной речи (HTTP API)
Qwen-Audio-3.0-ASR-Flash - не потоковое распознавание

#asr

VibeVoice-ASR-BitNet

Сжатая версия распознавалки речи VibeVoice-ASR для рилтайма на CPU, не требует GPU

качество ниже чем у VibeVoice-ASR-7B, зато легкий

• работает на x86 (AVX2) и ARM (NEON)
• поддерживает несколько языков
• размер: 1.58 ГБ (сжато с 4.62 ГБ)
• ускорение: в 1.6–2.3 раза быстрее Whisper.cpp

Гитхаб
HF
Демо

#asr #realtime #mobile

VibeVoice-Streaming ASR

Потоковая модель от Microsoft транскрибирует речь по мере поступления аудио. Плюс сразу помечает, кто из спикеров что сказал.

Из полезного - поддержка кастомных hotwords, то есть можно заранее задать слова и имена, которые модель должна распознавать точно (имена собственные, термины, названия компаний). Работает с 10 языками включая русский

Гитхаб
Попробовать

#stt #asr #russian #streaming

VK | MAX

X-AuT

Метод сжатия аудио-энкодера для речевых LLM на примере Qwen3-ASR-0.6B. Убирает 4 из 18 слоtв энкодера, восстанавливает качество через дистилляцию от большой модели (1.7B) — в итоге —21% параметров, —21% латентности на автомобильном PPU, ошибка почти не растёт (+2.5%). С автомобильной спецификой.

Гитхаб
HF

#encoder #optimization #asr

VK | MAX

CocktailASR-1 (Xiaomi)

Распознавание речи, #sota на мультиспикер, заявлены английский и китайский

В демо распознавание одного целевого говорящего в шумной обстановке. Сначала извлекает голос конкретного человека по короткому референсу потом расшифровывает его. Остальные голоса и шум игнорируются

- Двухстадийная обработка: извлечение голоса цели по референсу + ASR на чистом сигнале
- Работает в шуме с несколькими говорящими — фон и посторонние голоса не попадают в распознавание
- Короткий референс голоса (до 3 секунд) достаточно чтобы выделить цель

Гитхаб
HF
Демо

Спасибо @m_franz

#asr

VK | MAX

huggingface.co/bsaleh03/Qwen3.8-27B-ASCII-Condensed - #GGUF с урезанным словарtм: только ASCII строки. Контекст увеличен до 135K токенов на 16GB GPU. Не-ASCII текст дороже, вижна нет

huggingface.co/saidutta69/lfm2.5-2.6b-fable5-coding-agent-heretic - обесцензуренный кодинг-агент 2.6B на базе LFM2.5

huggingface.co/mlx-community/Qwen3.8-27B-4bit - 4-bit квантизация Qwen3.8-27B для Apple Silicon #macos

huggingface.co/handy-computer/parakeet-tdt-0.6b-v3-gguf - квант небольшой #ASR модели

huggingface.co/FreedomAISVR/Qwen-Image-Edit-Rapid-AIO-NSFW-v23-NVFP4-GGUF - большая сборка #QIE Rapid, NVFP4+GGUF

Кстати, после того как NVIDIA купила huggingface, доступ к обесцензуренным моделям стали ограничивать

#uncensored #agent

Qwen-Audio-3.1

Пять моделей, полный аудио-стек: распознавание, генерация, диалог и создание. Сильное снижение цен - #TTS дешевле на 70%, #Realtime на 85%, #ASR до 95%

• ASR - мультиязычное и диалектное распознавание, авточистка текста от мусорных слов
• ASR-Next - мультиспикерная ASR с метками говорящих, таймштами и пониманием эмоций
• TTS - синтез с переносом голоса между языками, управление эмоцией и темпом текстом
• TTS-Next - единый LM+DiT фреймворк: голос, звуковые эффекты и фон в одном проходе
• Realtime - дуплекс с перебиванием, эмпатичное замедление когда чувствует плохое настроение

Для аудиокниг, подкастов, игр, рекламы и живых разговоров. API на qwencloud

qwencloud.com/models/qwen-audio-3.1-asr-flash-filetrans
qwencloud.com/models/qwen-audio-3.1-realtime-plus

MAX

Confucius4

Пара моделей обработки речи для реального времени: потоковая ASR и синхронный перевод китайский-английский

R2T2 - стриминговая #ASR:
• вывод только в режиме append - уже выданный текст не переписывается никогда
• точность близка к оффлайн-распознаванию
• чанки от 80 мс до 2 секунд под нужный компромисс
• 2B на базе Qwen3-ASR, лицензия NetEase

T3PO - китайско-английский синхронный перевод:
• сам решает, когда ждать, а когда переводить
• не правит выданное - подходит для немедленной обработки
• 14B, Apache 2.0
• пара к R2T2 для речи

Для субтитров в реальном времени, живых капшенов и агентных пайплайнов, где текст обрабатывается по мере появления

huggingface.co/netease-youdao/Confucius4-R2T2
github.com/netease-youdao/Confucius4-R2T2
huggingface.co/spaces/netease-youdao/confucius4-r2t2-demo
huggingface.co/netease-youdao/Confucius4-T3PO

#realtime

MAX

Buzz

Десктопная локальная расшифровка аудио и видео через Whisper

• Обработка аудио и видео файлов
• Запись с микрофона
• Экспорт текста и субтитров SRT/VTT
• Определение разных говорящих

#asr #desktop

MAX

Audio8 ASR Infinite

Нативная стриминговая модель распознавания речи. Декодирует 12.5 раз в секунду, память и задержка постоянны даже при 24/7 работе

• Неограниченная длина аудио без дрейфа через адаптированный vLLM
• Выбор аудио-часов: 80/120/160 мс, задержка 240–560 мс
• Китайский и английский

Гитхаб
HF
Демо
HuggingChat

#ASR

MAX

Решающие модели (System 1) #decision #rlcd

huggingface.co/orcarouter/OrcaSAQ-2-27B - OrcaSAQ2 27B: высокоточный reasoning в файле 12.3GB

huggingface.co/orcarouter/OrcaSAQ-2-Cyber-27B-Uncensored-GGUF - OrcaSAQ2 Cyber: без цензуры, 15.7GB

huggingface.co/akhilaaa3/Jev-Omni - Jev-Omni: решения по тексту, картинкам, аудио и видео разом

huggingface.co/fastino/GLiNER2.5-Decide - GLiNER2.5-Decide: оценка любого набора меток за один проход, без генерации токенов

huggingface.co/SupersonicLabs/Julia-1 - Julia 1: 144M параметров, контекст → чёткие решения

huggingface.co/Contrastive-LM/CLM-v0.1-8B - CLM-v0.1-8B: вместо медленных верификаторов — эмбеддинги состояний и действий

Скорость и кванты #optimization #gguf #dflash

huggingface.co/harshatheg/Qwen-2.5-1B-RLCD - RLCD: извлекает структурированные данные в 7 раз быстрее на Apple Silicon

huggingface.co/z-lab/Qwen3.8-27B-DFlash2 - Qwen3.8-27B DFlash2: ускоренная генерация (drafter-модель)

huggingface.co/sirus/Qwen3.8-27B-heretic-ara-MXFP6-MXFP8-DFlash2-GGUF - новый формат кванта MXFP6/MXFP8 + DFlash2: быстрее инференс

huggingface.co/Edge0/Edge0-35B-A3B-preview - Edge0-35B-A3B: модель «телефонного» класса, работает в 3 GiB памяти

Агенты и инструменты #agent #toolcalling

huggingface.co/XingChen-AGI/Xing4.0-29B-A4B - Xing4.0-29B-A4B: агентные задачи на Ascend NPU, контекст 256K

huggingface.co/TokenRhythm/NeoHorse-1-4B - NeoHorse-1-4B: роутинг-обвязка, прокачивает Qwen3.5-4B

huggingface.co/apodex/Apodex-1.1-mini-GGUF - Apodex-1.1-mini: агентные задачи по файлам и данным

huggingface.co/nex-agi/Nex-N2.5-Pro - Nex-N2.5-Pro: агент для кодинга и работы с компьютером

huggingface.co/nex-agi/Nex-N2.5-mini - Nex-N2.5-mini: длинные агентские задачи с vision-обратной связью

github.com/ortegaalfredo/ngram-knowledge-injector - инжектор фактов в память Qwen3.8 через n-gram

huggingface.co/TheOneWhoWill/Coding-Monkey-Gemma-GGUF - Coding-Monkey: локальная модель с сильными тул-коллами

huggingface.co/pipecat-ai/phonellm-alpha-1 - phonellm: держит телефонных агентов в рамках диалога

Мультимодальность и контекст #multimodal

huggingface.co/deepseek-ai/DeepSeek-V4-Flash-Vision-Exp - DeepSeek-V4-Flash Vision Exp: экспериментальный мультимодальный вариант

huggingface.co/Agnes-AI/Agnes-2.5-Pro-Alpha - Agnes-2.5-Pro: рассуждения на миллион токенов

github.com/QLNI/SHADOW-250M-Instruct - SHADOW-250M: архив 100M токенов ужат до 60MB файла

Код и всякое #coding

huggingface.co/ornith-ai/Ornith-1.5-9B - Ornith-1.5-9B: #reasoning и кодинг на одной GPU

huggingface.co/ornith-ai/Ornith-1.5-35B-A3B-GGUF - Ornith-1.5-35B-A3B: GGUF под локальных кодинг-агентов

huggingface.co/openbmb/MiniCPM5-2B - MiniCPM5-2B: карманная модель, кодит и рассуждает

huggingface.co/IFM/K2-Horizon-MoVA-36B-A4B - K2-Horizon-MoVA: 36B всего, активно 4B

huggingface.co/XHToken/Spark-X2.5-4B - Spark-X2.5-4B: компактная универсальная 4B (гибридное внимание, 1M контекст) #compact

huggingface.co/thesysdev/OUI-1 - OUI-1: диффузионная генерация UI-экранов за ~секунду #gui

huggingface.co/LessThanThreeAI/Qwen3.8-27B-Humanlike-Chat-GGUF - Humanlike-Chat: живой, реалистичный ролеплей

huggingface.co/TheDrummer/Artemis-31B-v1.1 - Artemis-31B: креативное мышление поверх Gemma 4 Chat

huggingface.co/OBLITERATUS/Qwen3.8-27B-OBLITERATED - Qwen3.8 27B полностью без цензуры #uncensored

huggingface.co/superwhisper/s1-mini - S1-mini: превращает неразборчивую речь в текст #ASR

#TTS #ASR

huggingface.co/SpragAI/qwen3-tts-emotion-tags - TTS с эмоциями: теги передают чувства в произносимых строках

huggingface.co/oruk/orukeet - Orukeet: режет ошибки произношения слов в 25 языках спец-ядрами

github.com/Ampixa/sanoTTS - sanoTTS: крошечная говорилка, работает на чипе за три доллара

huggingface.co/moondream/parakeet-ultra - ASR от moondream

huggingface.co/coriollon/whisper-large-v3-turbo-russian - Whisper large v3 turbo, файнтюн под #russian

huggingface.co/coriollon/whisper-large-v3-turbo-russian-codeswitch - тот же файнтюн с поддержкой code-switching (смешение языков в речи)

qingyuliu0521.github.io/Cross-Lingual_F5-TTS_2_demo - F5-TTS 2: кросс-язычный синтез — голос на одном языке говорит на другом

MAX

DiarizationLM-Gemma-4-E4B

Модель пост-обработки диаризации говорящих от Google. Тонкий дотюн 4B Gemma, который исправляет метки спикеров и снижает ошибки диаризации.

Учит модель чинить короткие вставки (1-5 слов), сохраняя акустические якоря в длинных репликах. Статистически значимые улучшения WDER и cpWER на четырех бенчмарках.

• Исправляет метки говорящих в расшифровке
• Правит границы реплик и «backchannels» (короткие вставки)
• Держит личность спикера в длинных монологах без дрейфа
• Работает из коробки: подаёшь гипотезу с тегами, получаешь исправленную

• 4B параметров (против 8B у старшей версии), Gemma 4 E4B
• #GGUF Q4_K_M ~5.3 ГБ, статус — 2-4 битных квантизации
• #SOTA на Fisher, Callhome, ICSI, AMI (p<0.0001)

Гитхаб
HF
Демо

#diarization #asr

MAI-Transcribe-2-Streaming и MAI-Voice-2.1

Microsoft обновил речевые модели: первый потоковый транскрибатор и два синтезатора речи в Microsoft Foundry.

• Стриминговая транскрибация с черновыми расшифровками чуть больше чем за 100 мс
• Непрерывное автоопределение языка
• Один виртуальный голос на всех языках с родным произношением, без акцента
• Клонирование голоса по нескольким секундам образца
• Диаризация говорящих

• Распознавание: 60 языков
• Синтез: 23 языка, 26 локалей
• Час транскрибации — $0.54 по акции до конца года
• Миллион знаков синтеза: $22 у основной, $15 у Flash

Доступны в Microsoft Foundry, MAI Playground, Azure Voice Live, на OpenRouter и Vercel. На Artificial Analysis потоковый транскрибатор стартовал с первого места.

#asr #tts #streaming #diarize

MAX