Underdog Bark 3.0 — компактная модель распознавания речи

Underdog Bark 3.0 — компактная модель для преобразования английской речи в текст. Файл весов занимает 163 МБ, а модель рассчитана на локальную обработку аудио. В приложении Underdog её используют для диктовки и заметок по встречам; сама модель также доступна для самостоятельного запуска.

Что умеет Bark 3.0

Распознаёт английскую речь

Bark 3.0 принимает аудиозапись и возвращает её текстовую расшифровку. Модель предназначена для английского языка. Это распознавание речи, а не синтез голоса: она не озвучивает текст и не переводит речь на другой язык.

Сохраняет сказанное дословно

Базовая Bark 3.0 старается записать произнесённые слова, включая повторы и слова-паразиты. В семействе есть отдельная версия Bark 3.0 Clean: она убирает «э-э», повторы и незаконченные фразы, чтобы получить более гладкий текст. Это другой вариант модели, а не настройка, которая автоматически применяется к файлу Bark 3.0.

Точность на записях встреч и других тестах

Результат на AMI

На тестовой выборке записей встреч AMI авторы Bark сообщают о доле ошибок в словах 7,82%. Для сравнения, в их таблице у Parakeet TDT 0.6B v3 указано 9,42%, а у Whisper large-v3 — 13,63%. В этом показателе меньшее число означает, что в расшифровке меньше ошибок.

Как читать эти цифры

На AMI Bark 3.0 показала меньшую долю ошибок, чем Parakeet и Whisper large-v3, при существенно меньшем размере файла. На среднем результате семи англоязычных тестов Bark и Parakeet делят показатель 4,94% — поэтому корректнее говорить о сопоставимом результате, а не о превосходстве Bark во всех задачах.

Сравнение опубликовано разработчиками Bark: для своей модели они использовали код оценки Open ASR Leaderboard, а значения для Parakeet и Whisper взяли из опубликованных результатов таблицы от 9 октября 2026 года. Это не независимое испытание всех моделей в одной лаборатории; на собственных записях результат может отличаться.

Скорость и локальная работа

Замер на Mac

На странице модели Underdog приводит замер для MacBook Pro с чипом M5 Max: пять минут аудио были обработаны примерно за полсекунды, то есть примерно в 595 раз быстрее длительности записи. Это опубликованный разработчиком результат для конкретного компьютера и приложения, а не гарантия такой скорости на любом Mac.

Ноутбуки и телефоны

В анонсе Bark 3.0 заявлена работа на ноутбуках и телефонах. Основной публичный замер производительности приведён для Mac с M5 Max; универсального списка минимальных требований для всех устройств разработчик не опубликовал. Модель небольшая для системы распознавания речи, но фактическая скорость зависит от процессора, памяти и используемой программы.

Локальный запуск позволяет обрабатывать запись без отправки аудио во внешний API. В приложении Underdog модель используется для диктовки и заметок по встречам. Если сравниваете компактные решения для распознавания речи, также посмотрите Phonon-2 и Whistle.

Ограничения и лицензия

Только английский и не все функции транскрибации

Bark 3.0 распознаёт английскую речь. В описании модели также указано, что она пока не возвращает временные метки для каждого слова и не разделяет расшифровку по говорящим. Для встречи с несколькими участниками это означает, что модель может выдать текст, но сама по себе не подпишет каждую реплику именем собеседника.

Открытые веса по CC BY 4.0

Веса доступны по лицензии CC BY 4.0. Модель создана на основе Parakeet TDT 0.6B v3 от NVIDIA и Parakeet Ultra от Moondream, после чего Conway Research выполнила дообучение и сжатие. Лицензия требует указывать авторство при распространении или адаптации; перед включением весов в продукт стоит прочитать условия лицензии и уведомление о происхождении компонентов.

Посмотреть варианты Bark 3.0 и скачать веса можно на Hugging Face. Описание работы модели в приложении и результаты тестов опубликованы на официальной странице Underdog Bark 3.0.