Протокол от среща, който се пише сам, докато хората говорят, и знае кой какво е казал.
Модели за разпознаване на реч (ASR) има много. Интересното тук е комбинацията: поток в реално време, отбелязан говорещ и отворен лиценз, който позволява и търговска употреба.
Факт
Фактите: на 2 септември 2026 г. Microsoft Research публикува в Hugging Face моделите VibeVoice-ASR-Streaming-1.5B и VibeVoice-ASR-Streaming-7B под лиценз MIT. По описанието на екипа това е единен стрийминг модел за разпознаване на реч, който транскрибира кой говорещ какво казва, докато речта пристига, и приема потребителски ключови думи, като имена и технически термини, за по-точно разпознаване на специфично съдържание. Поддържа десет езика: китайски, английски, френски, немски, италиански, японски, корейски, португалски, руски и испански. Кодът е в хранилището microsoft/VibeVoice в GitHub.
Българският го няма. Руският го има. За всеки, който е пускал чужд модел за реч на нашия език, това не е изненада. Отворените тегла не учат нов език сами.
Преди да четеш лиценза, прочети списъка с езиците.
Има обаче практична полза. Потребителските ключови думи вършат работа точно там, където общите модели се спъват: имена на хора, на продукти, на места. Ако правиш инструмент за международни срещи на английски, тук има какво да вземеш още днес.
За българска реч това не е решението. Лицензът позволява някой да го дообучи на български, и това е следващото, което ще търсим в хранилищата.
Официални първоизточници
Hugging Face - microsoft/VibeVoice-ASR-Streaming-7B (карта на модела)Hugging Face - microsoft/VibeVoice-ASR-Streaming-1.5B (карта на модела)Визуалът към статията е генериран код-арт, без чужди изображения.