Whistle — компактная 16.9 MB модель распознавания речи на CPU, работающая в одном бинарном движке с Needle и поддерживающая семь языков.
источник ↗#speech-recognition
2 записейVibeVoice — семейство open-source моделей TTS и ASR от Microsoft для обработки длинных аудио до 90 мин с поддержкой multi-speaker, timestamps и custom context.
источник ↗