Parakeet-unified-en-0.6b
Распознавалка речи от NVIDIA в реальном времени.
Одна модель обрабатывает и файлы, и поток
Минимальная задержка 160 мс
Видимо, только английский
#asr #realtime #stt #streaming
Распознавалка речи от NVIDIA в реальном времени.
Одна модель обрабатывает и файлы, и поток
Минимальная задержка 160 мс
Видимо, только английский
#asr #realtime #stt #streaming
Superwhisper
Транскрибатор речи в текст
работает в Slack, Gmail и других приложениях
поддерживает более 100 языков и диалектов, переводит их на английский
интегрируется с Cursor, Claude Code, Open Code и другими кодерами
может транскрибировать аудио- и видеофайлы
Есть какой-то бесплатный тариф
#MacOS #Windows #iOS #stt #transcribe
Транскрибатор речи в текст
работает в Slack, Gmail и других приложениях
поддерживает более 100 языков и диалектов, переводит их на английский
интегрируется с Cursor, Claude Code, Open Code и другими кодерами
может транскрибировать аудио- и видеофайлы
Есть какой-то бесплатный тариф
#MacOS #Windows #iOS #stt #transcribe
❤6
ElevenLabs внезапно предложили локальное развертывание своих моделей. Нет, все равно придется платить и за лицензию и за использование по тарифу
Два варианта:
- On-Premise - для серверов с GPU
- On-Device - для edge-устройств с NPU, ARM и бюджетными видеокартами
Обе версии поддерживают 30+ языков, весь инференс и обработка аудио проходят внутри инфраструктуры клиента. Валидация лицензий и телеметрия опциональны (до полной изоляции)
Обещан файнтюн под языки и диалекты и обновления
Запуск запланирован на первую половину 2026 года.
Записаться в вейтлист
#tts #stt #news
Два варианта:
- On-Premise - для серверов с GPU
- On-Device - для edge-устройств с NPU, ARM и бюджетными видеокартами
Обе версии поддерживают 30+ языков, весь инференс и обработка аудио проходят внутри инфраструктуры клиента. Валидация лицензий и телеметрия опциональны (до полной изоляции)
Обещан файнтюн под языки и диалекты и обновления
Запуск запланирован на первую половину 2026 года.
Записаться в вейтлист
#tts #stt #news
ElevenLabs
On-Premise Voice AI: TTS & STT on Your Servers | ElevenLabs
Run ElevenLabs text to speech and speech to text on your own secure servers. Full data sovereignty, low latency, and regulatory compliance.
🔥7
awesome-russian-speech
Здесь собраны ссылки связанные с голосовыми технологиями на русском языке
распознавание речи
генерация речи
датасеты
курсы
распознавание эмоций
пунктуация
преобразование голоса
и т д
#tts #stt #russian #tools #voicecloning #voicedesign
Здесь собраны ссылки связанные с голосовыми технологиями на русском языке
распознавание речи
генерация речи
датасеты
курсы
распознавание эмоций
пунктуация
преобразование голоса
и т д
#tts #stt #russian #tools #voicecloning #voicedesign
GitHub
GitHub - alphacep/awesome-russian-speech: Russian speech technology links
Russian speech technology links. Contribute to alphacep/awesome-russian-speech development by creating an account on GitHub.
👍23
MOSS-Audio
Открытая базовая модель для работы с аудио: речью, звуками, музыкой.
• распознаёт речь с привязкой ко времени
• анализирует эмоции и характеристики голоса
• разбирает фоновые звуки и контекст
• понимает музыку (стиль, динамику, инструменты) - кто там спрашивал про понимание музыки?
• отвечает на вопросы по аудио, делает резюме записей
• рассуждает в несколько шагов (chain‑of‑thought)
4–8B параметров (на базе Qwen3-4B/Qwen3-8B). Lо 70,80 на бенчмарках. Лучший CER в тестах ASR
Подойдёт для подкастов, транскрибации встреч, анализа аудиоконтента
Гитхаб
HF
Спасибо @EvgenyiPerm
#asr #alm #music2text #captioning #STT
Открытая базовая модель для работы с аудио: речью, звуками, музыкой.
• распознаёт речь с привязкой ко времени
• анализирует эмоции и характеристики голоса
• разбирает фоновые звуки и контекст
• понимает музыку (стиль, динамику, инструменты) - кто там спрашивал про понимание музыки?
• отвечает на вопросы по аудио, делает резюме записей
• рассуждает в несколько шагов (chain‑of‑thought)
4–8B параметров (на базе Qwen3-4B/Qwen3-8B). Lо 70,80 на бенчмарках. Лучший CER в тестах ASR
Подойдёт для подкастов, транскрибации встреч, анализа аудиоконтента
Гитхаб
HF
Спасибо @EvgenyiPerm
#asr #alm #music2text #captioning #STT
🔥8👍5❤1
This media is not supported in your browser
VIEW IN TELEGRAM
Audio-Interaction
Потоковая аудиомодель, которая слушает в реальном времени и сама решает, когда вступить в разговор. Объединяет транскрибацию, чат и проактивное вмешательство в одной системе.
• транскрибирует аудио на лету
• ведёт диалог
• самостоятельно определяет момент для ответа (через цикл perceive‑decide‑respond)
• работает в режиме всегда включённой модели
• обучающий датасет: StreamAudio‑2M (2,6 млн элементов)
huggingface.co/zhifeixie/AudioInteraction
github.com/xzf-thu/Audio-Interaction
#dialog #streaming #realtime #tts #stt #voicemode #interactive
Потоковая аудиомодель, которая слушает в реальном времени и сама решает, когда вступить в разговор. Объединяет транскрибацию, чат и проактивное вмешательство в одной системе.
• транскрибирует аудио на лету
• ведёт диалог
• самостоятельно определяет момент для ответа (через цикл perceive‑decide‑respond)
• работает в режиме всегда включённой модели
• обучающий датасет: StreamAudio‑2M (2,6 млн элементов)
huggingface.co/zhifeixie/AudioInteraction
github.com/xzf-thu/Audio-Interaction
#dialog #streaming #realtime #tts #stt #voicemode #interactive
👍7
This media is not supported in your browser
VIEW IN TELEGRAM
Cream Typer
Оффлайновая голосовая диктовка для macOS на базе whisper.cpp. Работает на Metal GPU, активируется через Caps Lock - речь превращается в текст прямо в активном окне
• распознаёт речь офлайн, задержка ~ 0,4 с на 10 с аудио
• поддерживает 18 языков
• переводит в английский одной строкой в конфиге без отдельного пайплайна
• не собирает телеметрию
• компактный код, всего ~ 300 строк Python
• легко дорабатывать и ускорять бесплатно
#stt #macos
Оффлайновая голосовая диктовка для macOS на базе whisper.cpp. Работает на Metal GPU, активируется через Caps Lock - речь превращается в текст прямо в активном окне
• распознаёт речь офлайн, задержка ~ 0,4 с на 10 с аудио
• поддерживает 18 языков
• переводит в английский одной строкой в конфиге без отдельного пайплайна
• не собирает телеметрию
• компактный код, всего ~ 300 строк Python
• легко дорабатывать и ускорять бесплатно
вдохновлено дебильной диктовкой на маке
#stt #macos
🔥8
Whisper-Podlodka-Turbo
Файнтюн распознавалки речи Whisper Large V3 Turbo под русскую речь, повышена точность транскрибации и снижены лишние срабатывания на шумы
• распознаёт русский и английский
• ставит пунктуацию и заглавные буквы
• снижает галлюцинации на неречевых сегментах
• устойчив к фоновому шуму
#stt #asr #russian
Файнтюн распознавалки речи Whisper Large V3 Turbo под русскую речь, повышена точность транскрибации и снижены лишние срабатывания на шумы
• распознаёт русский и английский
• ставит пунктуацию и заглавные буквы
• снижает галлюцинации на неречевых сегментах
• устойчив к фоновому шуму
#stt #asr #russian
huggingface.co
bond005/whisper-podlodka-turbo · Hugging Face
We’re on a journey to advance and democratize artificial intelligence through open source and open science.
👍16🔥4😁3
audio.cpp
C++ движок для аудиоинференса на ggml. заявлен прирост 1.8–5x по сравнению с Python‑реализациями, плюс есть оптимизация под CUDA.
- синтез речи.
- распознавание речи.
- VAD (Voice Activity Detection) - детекция голосовой активности.
- конвертация голоса (изменение тембра, пола и т. д.).
- генерация музыки/аудиофрагментов
Windows / Linux / macOS
#tts #stt #vad #t2m #text2music #voice2voice
C++ движок для аудиоинференса на ggml. заявлен прирост 1.8–5x по сравнению с Python‑реализациями, плюс есть оптимизация под CUDA.
- синтез речи.
- распознавание речи.
- VAD (Voice Activity Detection) - детекция голосовой активности.
- конвертация голоса (изменение тембра, пола и т. д.).
- генерация музыки/аудиофрагментов
Windows / Linux / macOS
#tts #stt #vad #t2m #text2music #voice2voice
GitHub
GitHub - 0xShug0/audio.cpp: An all-in-one, pure C++ inference engine for audio models, powered by ggml. Supports TTS, STT, VAD…
An all-in-one, pure C++ inference engine for audio models, powered by ggml. Supports TTS, STT, VAD, voice conversion, music generation, and more, with highly optimized performance. No Python depend...
🔥11❤3👍3
Anti-Vocale
Локальная транскрипция голосовых на Android, без облака
• транскрибирует из мессенджеров через меню обмена
• несколько моделей ASR: Whisper, Gemma, Parakeet, Qwen3-ASR, Nemotron 3.5
• прогрессивный вывод текста по сегментам
• статистика скорости для каждой модели на устройстве
• журнал транскрипций с поиском
• VAD-удаление тихих сегментов
Whisper Turbo large ужат до ~1 ГБ. Есть настройки потоков, индикатор достоверности, плавающее окно.
#android #stt #vad
Локальная транскрипция голосовых на Android, без облака
• транскрибирует из мессенджеров через меню обмена
• несколько моделей ASR: Whisper, Gemma, Parakeet, Qwen3-ASR, Nemotron 3.5
• прогрессивный вывод текста по сегментам
• статистика скорости для каждой модели на устройстве
• журнал транскрипций с поиском
• VAD-удаление тихих сегментов
Whisper Turbo large ужат до ~1 ГБ. Есть настройки потоков, индикатор достоверности, плавающее окно.
#android #stt #vad
👍14🔥1
Qwen3-ASR
Ах да, сама распознавалка речи у них тоже обновилась
Компактная, высокая пропускная способность, мультиязычность
Распознавание речи и выравнивание по таймстампам. Покрывают 30 языков, 22 диалекта китайского, разные акценты.
• SOTA среди открытых ASR-моделей
• сопоставима с проприетарными API
• 1.7B параметров
• нативная поддержка в Transformers
• стриминг
• 2000× throughput при 0.6B параметров
• идентификация языка + STT в сложных акустических условиях
• Qwen3-ASR-0.6B - 2000x пропускная способность при 128 одновременных запросов
• единый режим стриминга и офлайн, работа с длинными аудио
• Forced Alignment через Qwen3-ForcedAligner-0.6B: таймстампы до 5 минут, 11 языков, точность выше E2E-аналогов
#asr #stt
Ах да, сама распознавалка речи у них тоже обновилась
Компактная, высокая пропускная способность, мультиязычность
Распознавание речи и выравнивание по таймстампам. Покрывают 30 языков, 22 диалекта китайского, разные акценты.
• SOTA среди открытых ASR-моделей
• сопоставима с проприетарными API
• 1.7B параметров
• нативная поддержка в Transformers
• стриминг
• 2000× throughput при 0.6B параметров
• идентификация языка + STT в сложных акустических условиях
• Qwen3-ASR-0.6B - 2000x пропускная способность при 128 одновременных запросов
• единый режим стриминга и офлайн, работа с длинными аудио
• Forced Alignment через Qwen3-ForcedAligner-0.6B: таймстампы до 5 минут, 11 языков, точность выше E2E-аналогов
#asr #stt
🔥12❤1👍1
MOSS-Transcribe-preview-2B
Модель для преобразования английской речи в текст. Использует Qwen3-1.7B-base и Qwen3-Omni-MoE аудиоэнкодер.
• распознаёт английскую речь
• обучена на публичных #ASR корпусах
• дообучена с помощью reinforcement learning
• выдаёт транскрипцию аудио
Хуже работает с неанглийской речью, акцентами, шумом, перекрывающимися голосами
Студия
#asr #stt
Модель для преобразования английской речи в текст. Использует Qwen3-1.7B-base и Qwen3-Omni-MoE аудиоэнкодер.
• распознаёт английскую речь
• обучена на публичных #ASR корпусах
• дообучена с помощью reinforcement learning
• выдаёт транскрипцию аудио
Хуже работает с неанглийской речью, акцентами, шумом, перекрывающимися голосами
Студия
#asr #stt
👍3
This media is not supported in your browser
VIEW IN TELEGRAM
real-time voice AI
Hugging Face и Cerebras собрали пример опенсорсного голосового диалогового агента в рилтайме
• Gemma 4 VLM на Cerebras — быстрый инференс
• Parakeet (Nvidia) — распознавание речи
• Qwen3TTS (Alibaba) — синтез голоса
• задержка минимальна, отклик почти мгновенный
Работает в роботах Reachy Mini (свыше 9000 устройств)
Гитхаб
Демо
#realtime #dialog #voicemode #vlm #multimodal #interactive #tts #stt #duplex
Hugging Face и Cerebras собрали пример опенсорсного голосового диалогового агента в рилтайме
• Gemma 4 VLM на Cerebras — быстрый инференс
• Parakeet (Nvidia) — распознавание речи
• Qwen3TTS (Alibaba) — синтез голоса
• задержка минимальна, отклик почти мгновенный
Работает в роботах Reachy Mini (свыше 9000 устройств)
Гитхаб
Демо
#realtime #dialog #voicemode #vlm #multimodal #interactive #tts #stt #duplex
👍9🔥2
MOSS-Transcribe-Diarize-0.9B
Компактная модель (0.9B) для транскрибации и диаризации в одном проходе (обычно для этого нужны 2 разные модели)
• структурированный вывод с таймкодами и спикерами
• обработка длинных записей
• поддержка hotwords и акустических событий
Гитхаб
HF
Демо
#transcribe #stt #diarize
Компактная модель (0.9B) для транскрибации и диаризации в одном проходе (обычно для этого нужны 2 разные модели)
• структурированный вывод с таймкодами и спикерами
• обработка длинных записей
• поддержка hotwords и акустических событий
Гитхаб
HF
Демо
#transcribe #stt #diarize
👍11
GigaAM Multilingual
Мультилингвальная ASR-модель для языков СНГ
Лучше адаптируется к новым языкам, чем Whisper и Omnilingual. Подтверждено на грузинском и башкирском
• поддержка казахского, киргизского, узбекского, английского
• можно дообучать на другие языки
huggingface.co/ai-sage/GigaAM-Multilingual
github.com/salute-developers/GigaAM
———
GigaChat Audio
Аудио-нативная LLM на базе GigaAM Multilingual и GigaChat3.1‑10B‑A1.8B. Держит контекст до 2 часов
• поддерживает многошаговый голосовой диалог, классификацию, перевод, ASR
• привязка ко времени, суммаризация с таймкодами
• высокий результат на RuBQ‑Audio и Dusha
huggingface.co/ai-sage/GigaChat3.1-Audio-10B-A1.8B
———
Обновленный GigaChat-Max-Audio - на giga.chat и @gigachat_bot
@smartspeech_sber_bot - распознавание голосовых на 5 языках
#stt #transcribe #russian #dialog #asr #translation
Мультилингвальная ASR-модель для языков СНГ
Лучше адаптируется к новым языкам, чем Whisper и Omnilingual. Подтверждено на грузинском и башкирском
• поддержка казахского, киргизского, узбекского, английского
• можно дообучать на другие языки
huggingface.co/ai-sage/GigaAM-Multilingual
github.com/salute-developers/GigaAM
———
GigaChat Audio
Аудио-нативная LLM на базе GigaAM Multilingual и GigaChat3.1‑10B‑A1.8B. Держит контекст до 2 часов
• поддерживает многошаговый голосовой диалог, классификацию, перевод, ASR
• привязка ко времени, суммаризация с таймкодами
• высокий результат на RuBQ‑Audio и Dusha
huggingface.co/ai-sage/GigaChat3.1-Audio-10B-A1.8B
———
Обновленный GigaChat-Max-Audio - на giga.chat и @gigachat_bot
@smartspeech_sber_bot - распознавание голосовых на 5 языках
#stt #transcribe #russian #dialog #asr #translation
🔥7👍2
Bionic
Агент от LM Studio для автоматизации задач с локальными и облачными LLM. Решает проблему ручной рутины в документах, коде и медиа без отправки данных в облако.
• создание и редактирование документов, презентаций, PDF
• программирование и автосохранение изменений
• локальная расшифровка речи в реальном времени
• запуск через LM Studio на MLX и llama.cpp
• подключение облачных моделей (GLM, Kimi) для сложных задач
Работает на Windows и macOS. Есть бесплатный тариф
Спасибо @m_franz
#agent #asr #stt #pdf #slides
Агент от LM Studio для автоматизации задач с локальными и облачными LLM. Решает проблему ручной рутины в документах, коде и медиа без отправки данных в облако.
• создание и редактирование документов, презентаций, PDF
• программирование и автосохранение изменений
• локальная расшифровка речи в реальном времени
• запуск через LM Studio на MLX и llama.cpp
• подключение облачных моделей (GLM, Kimi) для сложных задач
Работает на Windows и macOS. Есть бесплатный тариф
Спасибо @m_franz
#agent #asr #stt #pdf #slides
👍12❤1🥴1
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
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
huggingface.co
ai-sage/GigaChat3.1-Audio-10B-A1.8B · Hugging Face
We’re on a journey to advance and democratize artificial intelligence through open source and open science.
🔥10👍5❤4😁1
Muse Voice Transcribe
Meta (запрещено в РФ) Superintelligence Labs выкатила первую модель распознавания речи в реальном времени. Разбирает голос, диаризацию и определение конца фразы на лету без задержек
Возможности:
• потоковое распознавание речи
• диаризация 20+ говорящих одновременно
• определение конца реплики в потоке
• переключение между языками внутри одной фразы
• настройка на конкретные имена и термины
Поддержка 25+ языков. Русский не указан. В демонстрации модель разбирает восемь человек, говорящих одновременно, и правильно понимает кто что сказал.
Отдельно точность подтягивается контекстом: если упомянуть конкретное имя или место, модель его узнает и не путает с похожими словами
#stt #diarize #realtime
VK | MAX
Meta (запрещено в РФ) Superintelligence Labs выкатила первую модель распознавания речи в реальном времени. Разбирает голос, диаризацию и определение конца фразы на лету без задержек
Возможности:
• потоковое распознавание речи
• диаризация 20+ говорящих одновременно
• определение конца реплики в потоке
• переключение между языками внутри одной фразы
• настройка на конкретные имена и термины
Поддержка 25+ языков. Русский не указан. В демонстрации модель разбирает восемь человек, говорящих одновременно, и правильно понимает кто что сказал.
Отдельно точность подтягивается контекстом: если упомянуть конкретное имя или место, модель его узнает и не путает с похожими словами
#stt #diarize #realtime
VK | MAX
👍4🤷♂1
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
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
👍13