I.15Доступность и ассистивные технологии

jacob-ml/LS-Bert-67m — немецкоязычный классификатор на базе DistilBERT, разработанный для определения, соответствует ли текст стандартам Leichte Sprache — простого немецкого языка. Он различает тексты на простом и сложном немецком, включая различие между Leichte Sprache и Einfacher Sprache. Модель обучена на более чем 11 000 примерах текстов, которые оценили как понятные проверяющие; синтетические данные не использовались. Классификатор возвращает метки yes и no: yes означает высокое сходство с проверенными текстами на Leichte Sprache. Модель предназначена для проверки доступности немецких текстов и предварительной оценки их соответствия Leichte Sprache. Это дообучение distilbert/distilbert-base-german-cased для классификации последовательностей; используется библиотека Transformers, контекст ограничен 512 токенами. По README, классификатор доступен для бесплатных онлайн-проб. Лицензия репозитория — Apache-2.0.

Swecha Gonthuka ASR — модель автоматического распознавания речи на телугу, разработанная Swecha Telangana на основе Wav2Vec2ForCTC и дообученная на наборе данных Swecha Gonthuka. Модель принимает аудио и преобразует речь в текст на телугу; предназначена для транскрибации, повышения доступности и поддержки сохранения языка. Она содержит 113,3 млн параметров и использует библиотеку Transformers. В карточке приведены результаты оценки на тестовых наборах только с телугу: CER составил 6,32% на FLEURS (te_in), 9,00% на OpenSLR66 и 11,92% на Common Voice 22. Оценка выполнялась после нормализации текста до письменности телугу и пробелов, поэтому результаты могут отличаться на данных с английскими словами. Качество зависит от акцента, диалекта, шума и записи; для важных или юридических расшифровок требуется проверка человеком. Лицензия — AGPL-3.0.

Moonshine Tiny — компактная модель автоматического распознавания речи, разработанная Useful Sensors для транскрибации английской речи в текст. Она использует архитектуру encoder-decoder типа sequence-to-sequence и содержит 27 млн параметров; модель предназначена для приложений реального времени на устройствах с ограниченными вычислительными ресурсами и памятью. В метаданных указан контекст 194 токена. Модель принимает аудио и выдаёт текст. Она обучалась на аудиозаписях и транскрипциях, включая открытые наборы данных, и рассчитана прежде всего на англоязычное распознавание речи. Лицензия — MIT. К типичным сценариям относятся субтитры и доступность, транскрибация разговоров и голосовой ввод на маломощных устройствах. Возможны галлюцинации и повторение фрагментов, особенно на коротких записях или при обрезанных словах. Качество для конкретной области следует проверять отдельно; модель не предназначена для субъективной классификации людей или высокорисковых решений.

Модель whisper-medium-v1-luxembourgish разработана Департаментом гуманитарных наук Университета Люксембурга в рамках проекта LuxASR. Это дообученная версия Whisper Medium для автоматической расшифровки люксембургской речи в текст; модель подходит для транскрибирования аудио, задач доступности, подготовки субтитров и исследований по распознаванию речи на люксембургском языке. Архитектура — WhisperForConditionalGeneration, размер — 455,8 млн параметров по метаданным. Модель обучалась на более чем 150 часах пар «аудио—текст» на люксембургском языке. Веса представлены в формате safetensors. README указывает лицензию Open Model, Data & Weights (open-mdw); условия использования следует сверять с текстом лицензии репозитория.

ByT5-Small Polish Text Normalization — модель компании Folx, дообученная на базе google/byt5-small для нормализации польского текста. Она преобразует даты, числа, цены, время, адреса и сокращения в полные словесные формы, пригодные для чтения и произношения. Модель предназначена прежде всего для подготовки текста к синтезу речи, а также для голосовых помощников, экранных дикторов, аудиокниг и автоматизированных объявлений. Это текстовая модель семейства T5 на байтовой архитектуре ByT5; в README указан размер около 300 млн параметров. Карточка описывает обучение на парах польского текста для нормализации; лицензия — MIT. Модель ориентирована на польский язык. По README, качество может снижаться на редких сокращениях и узкоспециальных терминах; для критичных сценариев результат рекомендуется проверять. На очень длинных текстах свыше примерно 512 токенов качество может варьироваться.

VisAble diagram captioner — модель на основе BLIP, разработанная hkondle и дообученная на диаграммах из AI2D-Caption. Она генерирует описания связей «часть — целое» и ориентирована на доступное представление учебных диаграмм для незрячих и слабовидящих учащихся. Модель принимает изображение диаграммы и выдаёт текстовую подпись. При дообучении визуальный энкодер был заморожен, а текстовый декодер обучался 10 эпох; метки объектов AI2D получали повышенный в 5 раз вес в функции потерь. Основа — Salesforce/blip-image-captioning-base. Лицензия — MIT. Модель предназначена для описания учебных диаграмм и поддержки доступности образовательных материалов. Её область обучения узкая, поэтому качество описаний обычных фотографий и диаграмм за пределами близких к AI2D примеров может быть ограничено.

MagpieTTS Multilingual 357M — мультиязычная модель синтеза речи от NVIDIA для преобразования текста в естественную речь. В карточке указана версия v2607 и архитектура encoder–decoder Transformer на 364 млн параметров; репозиторий содержит веса GGUF F16 для NeMo. Модель поддерживает арабский, немецкий, английский, испанский, французский, хинди, итальянский, японский, корейский, португальский, вьетнамский и китайский языки, а также пять голосов с постоянной идентичностью между языками. Модель подходит для голосовых агентов, озвучивания книг и другого контента, доступности, дубляжа и локализации. Она предсказывает дискретные аудиокодовые токены, которые декодируются в аудио; доступны пакетная генерация и длинная озвучка с обработкой текста окнами. Для стандартной генерации указана длительность до 20 секунд за раз, а для длинных фрагментов качество зависит от пунктуации и заглавных букв. Поддерживаются нормализация текста и произношение через IPA и пользовательские словари. Нулевая клонизация голоса в этой версии удалена. Для работы необходима нормализация текста; генерация на языках вне списка не поддерживается. Модель выпущена по NVIDIA Open Model License и, согласно карточке, готова к коммерческому использованию при соблюдении условий лицензии.

Sazzadul Islam разработал эту модель распознавания речи на бенгальском языке, дообучив facebook/w2v-bert-2.0. Это модель архитектуры Wav2Vec2-BERT с CTC-декодированием и 402,7 млн параметров; она принимает аудио и выдаёт текст. Модель предназначена для транскрибации бенгальской речи, голосовых помощников и средств доступности. В README заявлена поддержка бенгальского и английского языков, а также WER 11,26% и CER 2,39 на оценке бенгальской речи. Модель лучше работает с чистой стандартной речью. Она может ошибаться на шумных записях, сильных региональных акцентах и редких речевых вариантах; для работы в реальном времени на маломощных устройствах потребуется оптимизация. Лицензия — CC-BY-SA-4.0.

Модель распознавания речи на суахили разработана инициативой THiNK и дообучена на корпусе Common Voice 11.0. Это модель Wav2Vec2ForCTC на базе wav2vec 2.0 с декодированием CTC и unigram-токенизатором; в метаданных указано 402,7 млн параметров. Она принимает аудио и преобразует речь в текст, в том числе для сервисов транскрибации, голосовых помощников и средств доступности. При обучении использован Common Voice 11.0 на суахили; в README указано, что учитывались демографические характеристики записей, включая возраст, пол и акцент. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache 2.0. Результаты могут зависеть от акцента, качества записи и соответствия речи обучающим данным; численные оценки качества в карточке не приведены.

sengtha/whisper-base-khmer — модель распознавания кхмерской речи, созданная для платформы iAny путём дообучения OpenAI Whisper Base на кхмерских речевых корпусах и аудио с телефонов и из помещений. Она принимает монофоническое аудио с частотой 16 кГц и преобразует речь на кхмерском языке в текст. Модель содержит 51,7 млн параметров и основана на архитектуре Whisper; для запуска доступны веса Transformers в Safetensors, версия ONNX для браузера и PWA, а также квантованный GGML-файл для мобильных и периферийных устройств. Предусмотрен автономный запуск без подключения к сети. Модель предназначена для голосового ввода, диктовки, расшифровки аудио и средств доступности на кхмерском языке. На тестовом наборе FLEURS для кхмерского заявлена нормализованная по пробелам CER около 22,8. Лучше всего она работает с чёткой и тщательно произнесённой речью; шумная спонтанная речь, числа, английские вставки и имена собственные могут распознаваться хуже. Для важных расшифровок результат следует проверять. Лицензия — CC-BY-SA-4.0.

Модель khawajaaliarshad/whisper-small-urdu разработана Khawaja Ali и представляет собой дообученную версию openai/whisper-small на архитектуре Whisper Encoder-Decoder Transformer. Она предназначена для автоматического распознавания урду и преобразования речи в текст; обучающие данные взяты из расширенного набора Mozilla Common Voice Scripted Speech 24.0 на урду. По карточке модели, WER на тестовой части Common Voice составляет около 33%, а на валидационной — 32,80%. Модель содержит 153,1 млн параметров и распространяется в формате safetensors через Transformers. Её можно применять для транскрибации записей на урду, создания голосовых помощников, подготовки субтитров и функций доступности для носителей языка. Для работы требуется монофоническое аудио с частотой дискретизации 16 кГц. Модель лучше работает на чистой записанной речи; точность может снижаться на спонтанной разговорной речи, при незнакомых акцентах и фоновом шуме. Лицензия модели — Apache 2.0.

Карточка модели Bercraft/blip-image-captioning-base на Hugging Face совпадает с карточкой Salesforce/blip-image-captioning-base, поэтому описание составлено по ней. Salesforce BLIP image-captioning-base — модель семейства BLIP для создания подписей к изображениям. Она основана на базовой архитектуре BLIP с визуальным энкодером ViT Base и обучена на наборе COCO. Модель принимает изображение и генерирует текстовое описание; поддерживает условную генерацию по изображению и безусловную генерацию подписей. Модель предназначена для автоматического описания изображений и экспериментов с задачами компьютерного зрения и языка. В исследовательской работе BLIP также показала переносимость на поиск по изображениям и текстам, ответы на вопросы по изображениям и задачи с видео, однако карточка этого чекпойнта указывает именно генерацию подписей. В репозитории доступны веса PyTorch и TensorFlow. Лицензия — BSD-3-Clause. Авторы рекомендуют оценивать точность, безопасность и справедливость перед внедрением: модель не проверена для всех прикладных сценариев, а описания могут содержать ошибки или пропускать важные детали.

Salesforce BLIP image-captioning-base — модель семейства BLIP для создания подписей к изображениям. Она основана на базовой архитектуре BLIP с визуальным энкодером ViT Base и обучена на наборе COCO. Модель принимает изображение и генерирует текстовое описание; поддерживает условную генерацию по изображению и безусловную генерацию подписей. Модель предназначена для автоматического описания изображений и экспериментов с задачами компьютерного зрения и языка. В исследовательской работе BLIP также показала переносимость на поиск по изображениям и текстам, ответы на вопросы по изображениям и задачи с видео, однако карточка этого чекпойнта указывает именно генерацию подписей. В репозитории доступны веса PyTorch и TensorFlow. Лицензия — BSD-3-Clause. Авторы рекомендуют оценивать точность, безопасность и справедливость перед внедрением: модель не проверена для всех прикладных сценариев, а описания могут содержать ошибки или пропускать важные детали.

Nabra-82M-v0.1 — компактная модель синтеза речи на 82 млн параметров, разработанная Oddadmix как дообучение hexgrad/Kokoro-82M. Она преобразует текст на современном стандартном арабском языке (MSA) в естественную речь с частотой 24 кГц. Архитектура основана на StyleTTS2: включает текстовый энкодер PL-BERT, предсказатель просодии и декодер ISTFTNet. Для арабского произношения модель использует специализированную фонемную лексику и фронтенд графема-фонема, сохраняющий различия между ع и ء, а также ح и ه. Модель предназначена для арабских голосовых помощников, экранных дикторов, озвучивания аудиокниг и учебных материалов, а также локальных приложений и конвейеров с арабскими языковыми моделями. Для правильного произношения входной текст должен быть снабжён диакритическими знаками; обычный арабский текст без огласовок рекомендуется предварительно диакритизировать. Доступен один женский голос af_msa, а типичные предложения модель может синтезировать быстрее реального времени на CPU. Лицензия — Apache-2.0. Модель обучена для MSA и не предназначена для египетского и других арабских диалектов, неарабского текста, пения или клонирования голоса. Для локальной работы на устройствах Apple Silicon и iOS автор указывает отдельную MLX-конверсию; в этом репозитории представлены веса PyTorch.

dys-asr/parakeet-tdt-0.6b-syn — модель распознавания английской речи с дизартрией и другими атипичными особенностями, созданная дообучением nvidia/parakeet-tdt-0.6b-v3. Это трансдьюсерная архитектура Token-and-Duration Transducer (TDT) с сетью предсказаний, объединяющей сетью и головой длительности; декодирование авторегрессионное. Модель принимает аудио и выдаёт английскую расшифровку. Для обучения использованы реальные записи из Speech Accessibility Project, HeyJay! и Project Relate, а также синтетическая речь, созданная CosyVoice. В карточке указаны 0,6 млрд параметров базовой модели; этот вариант использует формат safetensors. Модель предназначена для распознавания речи людей с дизартрией и иных форм атипичной речи. На тестовом подмножестве из 48 говорящих SAPC2, отсутствовавших в реальном обучающем наборе, получены WER 10,87% и CER 6,72% при жадном декодировании без языковой модели. На этом сравнении результат немного хуже чекпойнта, обученного без синтетической добавки; карточка не подтверждает, что синтетические данные улучшают качество. Вывод модели — текст в нижнем регистре, без пунктуации, числа записываются словами. Лицензия обозначена как other; исходные обучающие аудиозаписи распространяются на отдельных условиях и не входят в веса модели.

Qwen3-VisionCaption-2B-GGUF — мультимодальная модель для генерации описаний изображений и визуального анализа, разработанная prithivMLmods. Она основана на Qwen3-VisionCaption-2B, дообученной версии Qwen3-VL-2B-Instruct-abliterated-v1. Модель предназначена для создания подробных подписей к изображениям, анализа сложных сцен, художественных материалов, технических схем и чувствительного контента, а также для задач аннотации датасетов, исследований модерации и red-teaming, accessibility-инструментов и генеративной оценки безопасности. Модель работает с текстом и изображениями, поддерживает английский и китайский языки, а также многоязычный OCR для 32 языков. Заявлены пространственное понимание, обработка различных соотношений сторон, поддержка контекста до 256K токенов и возможность запуска на устройствах с ограниченными ресурсами через llama.cpp и совместимые платформы. Доступны варианты GGUF в форматах BF16, F16, F32 и Q8_0, а также отдельные мультимодальные проекционные файлы; размер файлов зависит от варианта и составляет примерно от 445 MB до 6,89 GB. К сильным сторонам относятся подробные и фактические описания, визуальное рассуждение, работа с многоязычным текстом на изображениях и поддержка эффективного локального инференса. Ограничения включают отсутствие приведённых количественных оценок качества и подробностей о требованиях к оборудованию. README также характеризует модель как uncensored и указывает на обход стандартных фильтров содержимого, поэтому при работе с чувствительными данными необходимы дополнительные меры безопасности и контроля. Модель распространяется по лицензии Apache-2.0.

RoBERTaSense-FACIL — испанская модель классификации текста, разработанная группой Ontology Engineering Group при Политехническом университете Мадрида. Она оценивает, сохраняет ли адаптация исходного текста смысл, принимая на вход пару текстов: оригинал и версию на лёгком для чтения испанском языке (Easy-to-Read, E2R). Модель основана на RoBERTa, содержит около 151,8 млн параметров и классификационную голову с двумя метками. Контекст — до 514 токенов; при парной токенизации в карточке указано усечение до 512 токенов. Модель предназначена для автоматической проверки доступных адаптаций и как один из сигналов в конвейерах контроля качества. На отложенной выборке авторы сообщают accuracy 0,81, F1 0,84 и ROC-AUC 0,83. Она обучена на испанских парах текстов и может хуже работать на других жанрах и предметных областях; бинарная оценка упрощает пограничные случаи, поэтому для важных решений нужна проверка человеком. Базовая модель PlanTL-GOB-ES/roberta-base-bne объявлена устаревшей и больше не поддерживается. Лицензия модели — Apache-2.0.

Solari — компактная мультимодальная модель Cubex11 для понимания изображений и ответов на вопросы о них. Она основана на SmolVLM2-500M-Video-Instruct и дообучена методом QLoRA с Direct Preference Optimization на предпочтениях из датасета RLAIF-V, чтобы уменьшить выдумывание объектов и деталей в описаниях. Модель насчитывает около 500 млн параметров; карточка указывает архитектуру SmolVLM2 с визуальным энкодером ViT, языковым декодером и мультимодальным проектором. Она принимает изображения и текстовые запросы и формирует текстовые ответы на английском языке. Solari предназначена для описания сцен, визуальных вопросов и задач доступности, например для помощи незрячим пользователям. По данным карточки, она улучшила результаты на большинстве приведённых бенчмарков, связанных с галлюцинациями, но стала слабее в точном подсчёте объектов и пространственных отношениях; ёмкость в 500 млн параметров также ограничивает сложные рассуждения. Модель не предназначена для медицинских и иных критически важных решений без дополнительной проверки. Лицензия — Apache-2.0.

Модель Surya Teja — дообученная версия Wav2Vec2ForCTC для автоматического распознавания речи на телугу. Она преобразует аудио на телугу в текст и предназначена для транскрибации, создания субтитров, голосовых интерфейсов, образовательных и вспомогательных приложений. Модель содержит 113,3 млн параметров, распространяется в формате Safetensors и использует библиотеку Hugging Face Transformers. Для входного аудио в README указаны формат WAV и частота дискретизации 16 кГц. Модель обучена на пользовательском наборе аудиозаписей проекта Gonthuka. Для оценки использовались метрики WER и CER, однако численные результаты не приведены. Лучше всего модель подходит для речи на телугу; шумные записи и смешанная речь могут снижать точность. Лицензия — Apache-2.0.

Модель khleeloo (Rita Frieske) — дообученная версия Whisper large-v3 от OpenAI для автоматического распознавания кантонской речи (Yue) и преобразования аудио в текст. Она предназначена для транскрибации, голосовых помощников и функций доступности для говорящих на кантонском языке. Модель обучалась 10 эпох на Common Voice 17; 12 слоёв декодера были заморожены. Для оценки использовалась метрика CER: в карточке приведены результаты на тестовых выборках Common Voice 15 и 17. Модель принимает аудио и выдаёт текст. Лучше ориентирована на разговорный кантонский вариант Yue; на письменном варианте zh-HK и других языках или диалектах качество может быть ниже. Результат также зависит от качества записи и акцента, а качество распознавания ограничено разнообразием обучающих данных. Лицензия — Apache-2.0.

AAC Board Generator 770M (pt-BR) — GGUF — это специализированная текстовая модель на базе Gemma 3, разработанная tardellirs для генерации досок альтернативной и дополнительной коммуникации (CAA/AAC) на бразильском португальском языке. Модель предназначена для экосистемы ARASAAC и используется в приложении Papuguinho. Модель имеет около 771,6 млн параметров и поддерживает текстовый ввод и вывод. Она формирует списки примерно из 12 конкретных и релевантных слов для пиктограмм, классифицируя элементы по типам и добавляя синонимы, а также умеет выполнять инструкции по редактированию доски: добавлять, удалять и генерировать заданное количество элементов. Сборки GGUF рассчитаны на запуск через llama.cpp на CPU. Доступны варианты квантования от Q4_K_M до Q8_0 и версия f16; рекомендуемая Q8_0 требует примерно 0,9–1,1 ГБ оперативной памяти и генерирует доску примерно за 4 секунды на четырёх потоках CPU. К сильным сторонам относятся компактный размер, детерминированная генерация, работа на CPU и сохранение поведения исходной модели благодаря использованию BPE-токенизатора tokenizer.json. Ограничения включают узкую специализацию на генерации AAC-досок, поддержку прежде всего бразильского португальского и возможное небольшое снижение качества в более сильных вариантах квантования; сведения о широких оценках качества и других языках в карточке не приведены. Модель распространяется по лицензии Gemma, унаследованной от Gemma 3; связанные материалы ARASAAC распространяются по лицензии CC BY-NC-SA.

Mozilla/distilvit — экспериментальная модель для генерации текстовых описаний изображений. Это архитектура vision-encoder-decoder: зрительный энкодер на основе ViT сочетается с текстовым декодером на основе дистиллированного GPT-2. В метаданных базовой моделью указан google/vit-base-patch16-224-in21k; README также сообщает о Distilled GPT-2 в декодере. Модель дообучалась на наборах изображений и подписей COCO 2017 и Flickr30k, а также на изображениях Pexels и наборах DocOrNot и Alt Text Validation. Её основная задача — создавать подписи и альтернативный текст к изображениям. Репозиторий содержит веса PyTorch, Safetensors и ONNX. Модель опубликована по лицензии Apache-2.0. README характеризует модель как находящуюся в разработке, поэтому её качество и надёжность могут быть нестабильными. Метаданные указывают задачу генерации текста по изображению, но не сообщают размер модели, длину контекста или поддерживаемые естественные языки.

IndicConformer-600M-Multi — многоязычная модель распознавания речи от AI4Bharat. Она преобразует аудио в текст на 22 официальных языках Индии и предназначена для транскрибирования устной речи. Модель основана на архитектуре Conformer и сочетает методы CTC и RNNT; размер составляет 600 млн параметров. Доступны оба способа декодирования: CTC и RNNT. Репозиторий содержит модель в формате ONNX, а лицензия — MIT.

MagpieTTS Multilingual 357M — многоязычная модель синтеза речи NVIDIA на архитектуре encoder–decoder Transformer, сгенерированной на основе текста. Карточка указывает 364 млн параметров; репозиторий содержит веса GGUF F16 и предназначен для работы с NeMo Speech. Модель преобразует текст в речь на арабском, немецком, английском, испанском, французском, хинди, итальянском, японском, корейском, португальском, вьетнамском и китайском языках. Для озвучивания доступны пять голосов: Aria, Jason, Leo, Sofia и John Van Stan. Модель подходит для голосовых агентов, озвучивания книг и другого контента, средств доступности, дубляжа и локализации, а также интерактивных приложений. Она предсказывает аудиокодек-токены и поддерживает пакетную и длинную генерацию; для произношения можно использовать пользовательские словари и G2P, в том числе при переключении между языками. Лицензия NVIDIA Open Model License допускает коммерческое использование на её условиях. В стандартном режиме модель генерирует до 20 секунд речи за раз. Для длинной генерации лучше подходят тексты с пунктуацией и заглавными буквами; требуется нормализация текста. Модель не предназначена для клонирования голоса по образцу и генерации речи на языках за пределами перечисленных двенадцати.

Модель lamao-ab/paligemma-blind-assist-lora-merged-v1 разработана как адаптация PaliGemma 3B Mix 224 для задач визуальной доступности. Это плотная мультимодальная модель Google PaliGemma с 2,92 млрд параметров: LoRA-адаптер ранга 8 обучен на данных VizWiz и объединён с базовыми весами в самостоятельный чекпойнт bf16. Модель принимает изображение и текстовый запрос и генерирует текстовый ответ; предназначена для визуальных вопросов и описания сцен для незрячих и слабовидящих пользователей. В README приведены результаты на VizWiz: точность VQA выросла с 73,95 до 75,80, а CIDEr-D для описаний изображений — с 55,31 до 98,08. На общих наборах VQAv2 и COCO-Caps наблюдалось небольшое снижение отдельных метрик. Для хранения модели требуется около 5,45 ГБ памяти. Лицензия Gemma; применяются условия лицензии Google Gemma.

speaches-ai опубликовала ONNX-версию модели Piper для синтеза украинской речи из текста. Она принимает текст на украинском языке и создаёт аудио с частотой дискретизации 22,05 кГц. В конфигурации указаны качество medium и три голоса: Lada, Mykyta и Tetiana. Репозиторий содержит модель ONNX, а карточка указывает на использование с Piper и библиотекой speaches. Данных о лицензии или подробных ограничениях качества в доступной карточке нет.

Карточка модели ankurbanik/svara-tts-v1 на Hugging Face совпадает с карточкой kenpath/svara-tts-v1, поэтому описание составлено по ней. svara-TTS v1 — многоязычная модель синтеза речи, опубликованная kenpath и построенная на базе canopylabs/3b-hi-ft-research_release. Это плотная LlamaForCausalLM с подходом Orpheus: текст преобразуется в дискретные аудиотокены, из которых синтезируется речь. Модель содержит 3,3 млрд параметров, а длина контекста составляет 131 072 токена. Модель предназначена для синтеза речи на 18 индийских языках и индийском английском, включая хинди, бенгальский, маратхи, телугу, каннада, тамильский, непальский и санскрит. Она поддерживает управление стилем и эмоциями, простые идентификаторы дикторов, переключение языков и zero-shot адаптацию. Разработчик отмечает низкую задержку, возможность запуска на обычных GPU и CPU, а также совместимость с GGUF-экспортами; в метаданных репозитория указан формат safetensors. Сценарии применения включают голосовых помощников, IVR, озвучивание учебных материалов, средства доступности и локализацию контента. Карточка сообщает об обучении на более чем 2 000 часах речи из SYSPIN, RASA, IndicTTS и SPICOR. Известные ограничения: редкие имена могут требовать подсказок по произношению, длинные предложения лучше разбивать, а сила эмоциональной окраски различается между языками; переключение языков не является детерминированным. Лицензия — Apache-2.0.

Badr al-Absi разработал модель для автоматического распознавания малагасийской речи. Это дообученная на 150 часах размеченной малагасийской речи модель facebook/w2v-bert-2.0 с архитектурой Wav2Vec2-BERT: трансформерным речевым энкодером, свёрточным извлекателем признаков и CTC-выходом. По метаданным модель содержит 402,7 млн параметров и распространяется в формате Safetensors. Модель подходит для транскрибации аудио на малагасийском языке, голосовых помощников и инструментов доступности для малагасийских сообществ. Внутридоменная оценка WER в карточке указана ниже 11,7%; качество на других типах записей может отличаться. Лицензия — CC-BY-4.0.

Phonepadith дообучил модель Whisper для автоматического распознавания речи на лаосском языке. Модель принимает аудио и преобразует его в текст; она предназначена для транскрибации лаосской речи, голосового управления, создания субтитров и расшифровок, языковых приложений и лингвистических исследований. В карточке указана архитектура Whisper, а в метаданных — 905,2 млн параметров и формат safetensors. README называет базой Whisper Large V3 Turbo, тогда как метаданные связывают модель с openai/whisper-large-v3; поэтому точную базовую версию следует считать неоднозначной. Для распознавания речи модель дообучена на наборе Phonepadith/laos-speech-dataset. Лицензия указана как other. Модель может хуже распознавать смешение лаосского и английского, шумную речь и сильные диалектные акценты; токенизатор Whisper иногда нормализует тоновые знаки и пробелы в лаосском тексте.

AAC Board Generator 770M (pt-BR) — компактная специализированная языковая модель для Papuguinho, разработанная для подготовки списков слов для коммуникационных досок с пиктограммами AAC и редактирования таких списков по инструкциям. Она генерирует слова по теме или ситуации, а также может добавлять и удалять пункты и подбирать указанное число новых слов. Для каждого пункта выдаёт слово, краткую грамматическую или семантическую метку и синонимы, которые помогают последующему поиску пиктограмм ARASAAC. Модель основана на Gemma 3 1B от Google и дообучена для AAC-задач на бразильском португальском. Это плотная авторегрессионная архитектура Gemma3ForCausalLM примерно с 781 млн параметров; словарь сокращён до 64 тысяч токенов. Контекст составляет 32 768 токенов, однако модель рассчитана на короткие детерминированные списки примерно из 12 пунктов. Она предназначена для запуска на CPU; карточка сообщает о генерации доски примерно за 4 секунды на четырёхъядерной машине при Q8. Модель подходит для чернового составления тематических досок и правок по запросу, но не для общего диалога, фактических ответов или работы на других языках. Возможны повторы и пункты не по теме; результат следует проверять человеку, особенно перед использованием с AAC-пользователями. Лицензия — Gemma.