#TTS #russian github.com/kost-t-human/ruvoice-tts - RUVoice TTS: #Android-синтезатор на движке Silero, русская озвучка github.com/kost-t-human/ruvoice-voicekit - дообучение штатных голосов Silero под свой тембр (VoiceKit) #voicecloning github.com/UnaMentis/pocket-tts-ios - Pocket-TTS под #iOS apps.apple.com/us/app/tobe-said/id6801981584 apps.apple.com/us/app/tobe-said-pro/id6803422049 Pocket-TTS уже в App Store: бесплатно и Pro (русский заявлен, свою модель загружать вряд ли можно) github.com/The-unknown-Shadowman/PocketTTS-Android-Engine - Android, загружать свои модели проще Русские модели huggingface.co/ArtShtorm/Shtorm_PocketTTS_RU huggingface.co/ArtShtorm/Shtorm-VoxCPM2-RU Бенчмарк и #ASR ncspeech.org/blog/asr-benchmark-oct-2026 - бенчмарк #ASR за октябрь: четыре системы на 15 наборах, 85 часов — русский, казахский, смешанные звонки github.com/TheStageAI/TheWhisper - TheWhisper: новое дообучение Whisper для ASR

Amanu Бесплатная программа для автоматической записи и расшифровки звонков. Работает с любыми: Zoom, Google Meet, Telegram, WhatsApp. Запускает и останавливает запись сама, раскладывает реплики по людям и пишет выжимки встреч. Что умеет • Автозапись звонков (старт/стоп сами) • Расшифровка с диаризацией — реплики по говорящим, а не единый поток • Качественные выжимки встреч • Все локально, без интернета, либо через твои подписки и API-ключи • Каждая встреча — отдельная папка: аудио, расшифровка, саммари • Windows 11 24H2+ и macOS 14.2+ Заявлено, что для выжимок использует мощные модели на полную, а не экономит токены github.com/gsamat/amanu #asr #desktop MAX

DiarizationLM-Gemma-4-E4B Модель пост-обработки диаризации говорящих от Google. Тонкий дотюн 4B Gemma, который исправляет метки спикеров и снижает ошибки диаризации. Учит модель чинить короткие вставки (1-5 слов), сохраняя акустические якоря в длинных репликах. Статистически значимые улучшения WDER и cpWER на четырех бенчмарках. • Исправляет метки говорящих в расшифровке • Правит границы реплик и «backchannels» (короткие вставки) • Держит личность спикера в длинных монологах без дрейфа • Работает из коробки: подаёшь гипотезу с тегами, получаешь исправленную • 4B параметров (против 8B у старшей версии), Gemma 4 E4B • #GGUF Q4_K_M ~5.3 ГБ, статус — 2-4 битных квантизации • #SOTA на Fisher, Callhome, ICSI, AMI (p<0.0001) Гитхаб HF Демо #diarization #asr

#TTS #ASR huggingface.co/SpragAI/qwen3-tts-emotion-tags - TTS с эмоциями: теги передают чувства в произносимых строках huggingface.co/oruk/orukeet - Orukeet: режет ошибки произношения слов в 25 языках спец-ядрами github.com/Ampixa/sanoTTS - sanoTTS: крошечная говорилка, работает на чипе за три доллара huggingface.co/moondream/parakeet-ultra - ASR от moondream huggingface.co/coriollon/whisper-large-v3-turbo-russian - Whisper large v3 turbo, файнтюн под #russian huggingface.co/coriollon/whisper-large-v3-turbo-russian-codeswitch - тот же файнтюн с поддержкой code-switching (смешение языков в речи) qingyuliu0521.github.io/Cross-Lingual_F5-TTS_2_demo - F5-TTS 2: кросс-язычный синтез — голос на одном языке говорит на другом MAX

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

🌟 IBM представила открытые модели Granite 4.2 Granite 4.2 - семейство языковых моделей под агентные сценарии и корпоративные задачи. Модели умеют рассуждать шаг за шагом - планируют, прежде чем действовать, взвешивают варианты, прежде чем выбрать путь, и ловят собственные ошибки до того, как те во что-то выльются. Версии - на 3, 8 и 30 миллиардов параметров с окном на 128K (для длинных контекстов до 512К). Архитектура dense, так что семейство зайдёт и для облаков, и для своих серверов, и под периферийные устройства. 🟡Обучение Первый этап, базовое RL-обучение, прошли все три модели. Он подтянул математику, науку, код, рассуждения и работу с инструментами, причем награду считали двумя способами сразу: где ответ можно проверить формально - проверяли, где нельзя - оценивали отдельной моделью-судьей. Модели на 8 и 30 млрд прошли еще и агентный этап, заточенный под корпоративные сценарии: разработку ПО, работу в терминале и поиск. Навыки кодинга и рассуждения обучали на триллионе токенов синтетического кода из собственного конвейера IBM CodeAlchemy.

Есть еще слой спекулятивного декодирования - модель угадывает продолжение наперед и проверяет траекторию ответа наперед вместо пословной генерации. Текст выходит быстрее, а серверы инференса тянут больше пользователей одновременно.

Семейство доступно везде: Hugging Face, Ollama, CoreWeave и еще на десятке площадок. 🟡 Распознавание речи Заодно IBM выпустила две речевые модели английского языка - Granite Speech 5.0 Turbo CTC и ее некоммерческую версию с индексом NC.

Скачок в нумерации с 4.1 сразу на 5.0 не случаен - это принципиально другая конструкция, чем была в 4-й серии.

В них всего 470 млн параметров и внутри нет языковой модели. Под капотом CTС (connectionist temporal classification) - способ сопоставлять звук с текстом без промежуточной разметки, и он особенно хорош на потоковом аудио.

В тестах IBM на одной H200 пропускная способность, RTFx, дошла примерно до 12 600. Нынешние лидеры публичного лидерборда Open ASR держатся около 6000.

Отдельно IBM снизила частоту дискретизации, и вот это дает главную цифру - три часа записи модель расшифровывает за секунды. 📌 Лицензирование: Apache 2.0 License 🟡Страница релиза 🟡Веса Granite 4.2 🟡Веса Granite Speech 5.0 @ai_machinelearning_big_data #AI #ML #LLM #ASR #Granite #IBM

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