GigaAM-v3是基於Conformer架構的俄語自動語音識別基礎模型，擁有2.2-2.4億參數。它是GigaAM系列的第三代模型，在70萬小時俄語語音數據上使用HuBERT-CTC目標進行預訓練，在廣泛的俄語ASR領域提供最先進的性能。

音頻處理Pytorch多語言

這是一個由Applied Brain Research（ABR）開發的基於狀態空間模型（SSM）的英文自動語音識別模型，擁有約1900萬參數，能夠高效準確地將英文語音轉錄為文本。該模型在多個基準數據集上表現出色，平均單詞錯誤率僅為10.61%，支持即時語音識別並可在低成本硬件上運行。

音頻處理Transformers英語

Borealis 是首款面向俄語的自動語音識別（ASR）音頻大語言模型，經過約7000小時俄語音頻數據訓練。該模型支持識別音頻中的標點符號，架構受Voxtral啟發但有所改進，在多個俄語ASR基準測試中表現優異。

音頻處理Pytorch其他

基於OpenAI Whisper Large v2在Common Voice 17.0斯瓦希里語數據集上微調的語音識別模型，專為坦桑尼亞兒童求助熱線的斯瓦希里語語音識別任務設計，相比基礎模型在斯瓦希里語識別準確率上有顯著提升。

音頻處理Transformers其他

Breeze ASR 25 是一款基於 Whisper-large-v2 微調的先進自動語音識別模型，特別優化了臺灣普通話和普通話-英語代碼切換場景的識別能力。

音頻處理Safetensors多語言

Whisper是一個預訓練的自動語音識別(ASR)和語音翻譯模型，通過68萬小時標註數據訓練，具有強大的泛化能力。

音頻處理Safetensors多語言

Whisper是OpenAI開發的最先進的自動語音識別(ASR)和語音翻譯模型，在超過500萬小時的標記數據上訓練，具有強大的零樣本泛化能力。Turbo版本是原版的修剪微調版本，解碼層從32層減少到4層，速度大幅提升但質量略有下降。

音頻處理Transformers多語言

Whisper是OpenAI開發的最先進的自動語音識別(ASR)和語音翻譯模型，支持多種語言

音頻處理Safetensors多語言

NVIDIA Parakeet TDT 0.6B V2 是一個基於自動語音識別（ASR）任務的模型，適用於英語語音轉文本任務。

音頻處理Onnx英語

該模型是基於FastConformer架構的日語自動語音識別(ASR)模型，由NVIDIA開發並轉換為MLX格式。

音頻處理Mlx

Granite-speech-3.3-2b是IBM開發的緊湊高效語音語言模型，專為自動語音識別（ASR）和自動語音翻譯（AST）設計，採用雙通設計提高模塊化和安全性。

音頻處理Transformers英語

GigaAM v2 是一個自動語音識別（ASR）模型，支持俄語語音轉文本任務，提供CTC和RNN-T兩種架構。

音頻處理Onnx其他

KinyaWhisper是基於OpenAI Whisper模型微調的盧旺達語自動語音識別(ASR)系統，專為低資源土著語言設計。

音頻處理Transformers其他

專為自動語音識別(ASR)和自動語音翻譯(AST)設計的緊湊高效語音語言模型，採用雙階段設計處理音頻和文本

多模態Transformers英語

Distil-Whisper是Whisper模型的蒸餾版本，針對自動語音識別(ASR)任務進行了優化，提供更快的推理速度。

Quantum_STT 是一種先進的自動語音識別（ASR）和語音翻譯模型，基於大規模弱監督訓練，支持多種語言和任務。

音頻處理Transformers多語言

基於facebook/w2v-bert-2.0微調的豪薩語語音識別模型，在500小時豪薩語數據上訓練，詞錯誤率7.47%

音頻處理Transformers

GigaAM-v2-RNNT 是一個俄語自動語音識別（ASR）模型，基於RNNT架構，適用於語音轉文本任務。

音頻處理Transformers其他

Granite-speech-3.2-8b 是一款緊湊高效的語音語言模型，專為自動語音識別（ASR）和自動語音翻譯（AST）設計。

音頻處理Transformers英語

目前最快的丹麥語ASR模型，是hviske-v2的蒸餾版本，速度提升約4倍且保持準確率不變。