GigaAM-v3是基于Conformer架构的俄语自动语音识别基础模型，拥有2.2-2.4亿参数。它是GigaAM系列的第三代模型，在70万小时俄语语音数据上使用HuBERT-CTC目标进行预训练，在广泛的俄语ASR领域提供最先进的性能。

音频处理Pytorch支持多种语言

这是一个由Applied Brain Research（ABR）开发的基于状态空间模型（SSM）的英文自动语音识别模型，拥有约1900万参数，能够高效准确地将英文语音转录为文本。该模型在多个基准数据集上表现出色，平均单词错误率仅为10.61%，支持实时语音识别并可在低成本硬件上运行。

音频处理Transformers英语

Borealis 是首款面向俄语的自动语音识别（ASR）音频大语言模型，经过约7000小时俄语音频数据训练。该模型支持识别音频中的标点符号，架构受Voxtral启发但有所改进，在多个俄语ASR基准测试中表现优异。

音频处理Pytorch其他

基于OpenAI Whisper Large v2在Common Voice 17.0斯瓦希里语数据集上微调的语音识别模型，专为坦桑尼亚儿童求助热线的斯瓦希里语语音识别任务设计，相比基础模型在斯瓦希里语识别准确率上有显著提升。

音频处理Transformers其他

Breeze ASR 25 是一款基于 Whisper-large-v2 微调的先进自动语音识别模型，特别优化了台湾普通话和普通话-英语代码切换场景的识别能力。

音频处理Safetensors支持多种语言

Whisper是一个预训练的自动语音识别(ASR)和语音翻译模型，通过68万小时标注数据训练，具有强大的泛化能力。

音频处理Safetensors支持多种语言

Whisper是OpenAI开发的最先进的自动语音识别(ASR)和语音翻译模型，在超过500万小时的标记数据上训练，具有强大的零样本泛化能力。Turbo版本是原版的修剪微调版本，解码层从32层减少到4层，速度大幅提升但质量略有下降。

音频处理Transformers支持多种语言

Whisper是OpenAI开发的最先进的自动语音识别(ASR)和语音翻译模型，支持多种语言

音频处理Safetensors支持多种语言

NVIDIA Parakeet TDT 0.6B V2 是一个基于自动语音识别（ASR）任务的模型，适用于英语语音转文本任务。

音频处理Onnx英语

该模型是基于FastConformer架构的日语自动语音识别(ASR)模型，由NVIDIA开发并转换为MLX格式。

音频处理Mlx

Granite-speech-3.3-2b是IBM开发的紧凑高效语音语言模型，专为自动语音识别（ASR）和自动语音翻译（AST）设计，采用双通设计提高模块化和安全性。

音频处理Transformers英语

GigaAM v2 是一个自动语音识别（ASR）模型，支持俄语语音转文本任务，提供CTC和RNN-T两种架构。

音频处理Onnx其他

KinyaWhisper是基于OpenAI Whisper模型微调的卢旺达语自动语音识别(ASR)系统，专为低资源土著语言设计。

音频处理Transformers其他

专为自动语音识别(ASR)和自动语音翻译(AST)设计的紧凑高效语音语言模型，采用双阶段设计处理音频和文本

多模态Transformers英语

Distil-Whisper是Whisper模型的蒸馏版本，针对自动语音识别(ASR)任务进行了优化，提供更快的推理速度。

Quantum_STT 是一种先进的自动语音识别（ASR）和语音翻译模型，基于大规模弱监督训练，支持多种语言和任务。

音频处理Transformers支持多种语言

基于facebook/w2v-bert-2.0微调的豪萨语语音识别模型，在500小时豪萨语数据上训练，词错误率7.47%

音频处理Transformers

GigaAM-v2-RNNT 是一个俄语自动语音识别（ASR）模型，基于RNNT架构，适用于语音转文本任务。

音频处理Transformers其他

Granite-speech-3.2-8b 是一款紧凑高效的语音语言模型，专为自动语音识别（ASR）和自动语音翻译（AST）设计。

音频处理Transformers英语

目前最快的丹麦语ASR模型，是hviske-v2的蒸馏版本，速度提升约4倍且保持准确率不变。