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

Про диктовку голосом Потихоньку переучиваюсь наговаривать текст голосом, а не печатать на клавиатуре. Когда печатаешь, проще структурировать мысли и рассуждать. Но для мозга это сложнее и дольше. Это цена которую ты платишь за возможность получше подумать. Ну и иногда мозг ленится платить слишком много. Я заметил, что когда наговариваю нейронке голосом, я больше деталей описываю. И бонусом, это еще и в разы быстрее выходит. Поресёрчил чем лучше всего пользоваться и остановился на https://spokenly.app + gpt-4o-mini-transcribe. Большинство продуктов на рынке - это обертки над какой то из speech-to-text моделей. Обычно над чем то из этого: Deepgram Nova‑3 ElevenLabs Scribe v2 GPT‑4o‑transcribe NVIDIA Parakeet TDT Whisper large‑v3 Стоят примерно одинаково дёшево, а последние 2 можно вообще за бесплатно локально на своем железе использовать. Вот тут всякие бенчмарки на точность и скорость. Deepgram лучше всего с ру языком ладит, ElevenLabs с английским. Хотя по факту для личных задач разброс точности в 2-5% особо погоды не делает. И я пока честно не понимаю, зачем платить 12 баксов в месяц за обёртку Wispr Flow. Это сейчас самый популярный dictation апп, с оценкой компании в 2 миллиарда долларов. А Spokenly делает соло разработчик. И у меня при активном использовании через API меньше 1 доллара в месяц уходит.

Если вы как-то ориентируетесь на разработку TTS решений, то обратите внимание на интересный тест точности нового Apple API SpeechAnalyzer (iOS/macOS 26) с моделями Whisper. На корпусе LibriSpeech в тесте встроенный движок Apple показал 2,12% ошибок на чистой речи против 3,74% у Whisper Small, работая примерно втрое быстрее. Устаревший SFSpeechRecognizer занял последнее место с 9,02%, уступив даже Whisper Tiny размером 40 МБ. Учитывайте, конечно, что тест шел на английском, да и количество языков в движке Apple заметно меньше — 30 против 100+ у Whisper. Кстати, сегодня стали доступны публичные беты новых операционных систем, а могу сказать, что на iOS распознавание очень даже неплохое. https://get-inscribe.com/blog/apple-speech-api-benchmark.html