I.15Доступность и ассистивные технологии

Карточка модели QAQAQ4/Qwen3-TTS-12Hz-0.6B-Base на Hugging Face совпадает с карточкой Qwen/Qwen3-TTS-12Hz-0.6B-Base, поэтому описание составлено по ней. Qwen3-TTS-12Hz-0.6B-Base — базовая модель синтеза речи из семейства Qwen3-TTS, разработанного командой Qwen. Это плотная модель с архитектурой Qwen3TTSForConditionalGeneration и дискретной многокодовой языковой архитектурой; она использует разработанный для семейства токенизатор речи Qwen3-TTS-Tokenizer-12Hz. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Модель предназначена для генерации речи по тексту и быстрого клонирования голоса по предоставленному аудио. Семейство поддерживает китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки. В карточке также заявлены потоковая генерация с низкой задержкой и управление характеристиками голоса естественными языковыми инструкциями. Для клонирования требуется аудиопример голоса; качество результата зависит от входного текста и аудио. Карточка описывает возможности семейства в целом, поэтому отдельные показатели и свойства именно версии 0.6B Base подтверждены не полностью.

coder3101/Qwen3-VL-4B-Instruct-heretic — производная модель на основе Qwen/Qwen3-VL-4B-Instruct, подготовленная методом abliteration. Это плотная мультимодальная модель семейства Qwen3-VL с 4 млрд параметров, предназначенная для диалога по тексту и изображениям. Модель распространяется в формате Safetensors и использует библиотеку Transformers. Она подходит для ответов на вопросы по изображениям, визуального рассуждения, распознавания текста на изображениях и других сценариев, поддерживаемых базовой моделью. В README приведено сравнение с исходной моделью: доля отказов в указанной проверке составила 3 из 100 против 91 из 100 у оригинала; это указывает на ослабление склонности к отказам, но не гарантирует качество или поведение на иных запросах. Описание расширенных возможностей Qwen3-VL в README относится к базовой модели и не подтверждает отдельную проверку каждой из них для этой версии. Лицензия — Apache-2.0. Контекст в метаданных не указан; приведённое в README значение 256K относится к описанию базовой модели.

Qwen3-VL-8B-Instruct-MLX-4bit — мультимодальная модель для преобразования изображений и текста в текст. В её основе лежит Qwen3-VL-8B-Instruct, разработанная командой Qwen. Версия MLX-квантизации предоставлена командой LM Studio с использованием mlx_vlm. Модель предназначена для задач, где требуется анализ визуального и текстового содержимого, включая работу с изображениями в диалоговом формате. Это 4-битная версия модели с оптимизацией под компьютеры Apple Silicon на базе MLX, что делает её более подходящей для локального запуска на совместимом оборудовании и снижает требования к памяти по сравнению с полноразмерной версией. Ключевое ограничение — 4-битная квантизация может влиять на точность по сравнению с исходной моделью, а README не содержит подробностей о поддерживаемых языках, размере контекста, точных возможностях обработки изображений и производительности. Модель распространяется по лицензии Apache-2.0.

Модель readability-es-sentences разработана участниками SomosNLP Hackathon 2022 и представляет собой RoBERTa, дообученную на BERTIN для оценки читабельности испанского текста. Она классифицирует отдельные предложения по двум категориям: простое и сложное, помогая анализировать сложность текста и находить предложения для упрощения. Модель содержит 151,8 млн параметров, принимает текст и выдаёт метку класса. Для неё указан контекст длиной 514 токенов. В README сообщается о macro-F1 0,8923 на валидационной выборке; независимый тестовый набор не использовался. Модель распространяется под лицензией CC BY 4.0.

Карточка модели ddddddesperados/s2-pro на Hugging Face совпадает с карточкой fishaudio/s2-pro, поэтому описание составлено по ней. Fish Audio S2 Pro — модель синтеза речи, разработанная Fish Audio. Она преобразует текст в речь и поддерживает управление интонацией, эмоциями и другими особенностями произношения с помощью текстовых инструкций в квадратных скобках, которые можно размещать рядом с нужными фрагментами текста. Архитектура объединяет декодерный трансформер с аудиокодеком RVQ и состоит из двух авторегрессионных частей: модель на 4 млрд параметров предсказывает основной семантический код, а компонент на 400 млн параметров генерирует девять остаточных кодов для акустических деталей. Модель предназначена для многоязычной генерации речи, включая потоковый синтез. В карточке заявлена поддержка более 80 языков; среди основных — японский, английский и китайский, а также русский, корейский, испанский, португальский, арабский, французский и немецкий. Модель принимает текст и выдаёт аудио. Авторы сообщают о потоковом движке инференса на базе SGLang и скорости генерации выше реального времени на NVIDIA H200; эти показатели зависят от оборудования и конфигурации. Лицензия указана как «other», поэтому условия использования следует проверить на странице репозитория Hugging Face.

Карточка модели ByteDance/Sa2VA-Qwen2_5-VL-7B на Hugging Face совпадает с карточкой ByteDance/Sa2VA-Qwen2_5-VL-3B, поэтому описание составлено по ней. ByteDance/Sa2VA-Qwen2_5-VL-3B — мультимодальная чат-модель семейства Sa2VA, предназначенная для работы с изображениями и видео. Она отвечает на вопросы по визуальному содержимому, понимает визуальные подсказки и выполняет сегментацию объектов с плотной привязкой к изображению или кадрам видео. Семейство Sa2VA объединяет языковые и визуальные компоненты; в этом репозитории указаны 3,1 млрд параметров, архитектура Sa2VAChatModelQwen и контекст до 128 000 токенов. Модель рассчитана на визуальные диалоги, локализацию объектов и сегментацию, включая задачи на видео. В README семейство Sa2VA описано как конкурентоспособное с Qwen2.5-VL и InternVL3 в тестах ответов на вопросы и сильное в визуальной привязке и сегментации. Указанная лицензия — Apache-2.0. Поддержка языков обозначена как многоязычная, без перечисления отдельных языков.

senga-LUK-20k-nodegate-speecht5 — дообученная на основе microsoft/speecht5_tts модель SpeechT5 для синтеза речи из текста. Репозиторий использует библиотеку Transformers и хранит веса в формате safetensors; модель опубликована по лицензии MIT. В README приведено значение Loss 0,2060 на наборе оценки, но сведения о данных обучения и подробностях оценки отсутствуют.

UBC-NLP/Simba-S — модель распознавания речи из семейства Simba, разработанная UBC-NLP и дообученная на наборе SimbaBench. Она предназначена для преобразования речи в текст на африканских языках и поддерживает 43 языка, включая амхарский, арабский, хауса, суахили, йоруба, зулу, французский и португальский. Модель использует архитектуру SeamlessM4T-v2, содержит 664,9 млн параметров и рассчитана на контекст до 4096 токенов; для работы предусмотрена библиотека Transformers. Simba-S подходит для транскрибации речи в многоязычных приложениях и сценариях с языками, представленными в обучающих данных. В README семейство позиционируется как специализированное для африканских языков и сообщает о высоких результатах на SimbaBench, однако это утверждение не сопровождается в карточке численными метриками. Репозиторий распространяется по лицензии CC BY 4.0.

mahimairaja/speecht5_finetuned_voxpopuli_lithuanian — модель синтеза речи из текста на базе SpeechT5 от Microsoft, дообученная автором репозитория на датасете facebook/voxpopuli. Она предназначена для преобразования литовского текста в речь; архитектура использует SpeechT5ForTextToSpeech, веса доступны в формате PyTorch. Модель подходит для озвучивания текстов и создания речевого вывода в приложениях. Лицензия — MIT. Карточка не приводит результатов оценки качества и подробностей о голосах или настройках генерации. Как и другие модели синтеза речи, качество произношения может зависеть от текста и условий обучения.

SpeechT5 TTS от Microsoft — англоязычная модель синтеза речи из текста, упакованная проектом loom-ai-org в формат GGUF для запуска через loom.cpp и loom-py-rt. Экспорт содержит неизменённые веса microsoft/speecht5_tts и вокодер HiFi-GAN; модель кодирует текст и авторегрессионно предсказывает мел-спектрограмму, из которой формируется аудио с частотой 16 кГц. В комплект входит встроенный голос slt, также можно выбрать один из семи голосов CMU ARCTIC или передать совместимый x-vector. Модель подходит для озвучивания английского текста с выбором голоса и воспроизводимым результатом при фиксированном seed. Она обучена на LibriTTS и поддерживает только английский язык. Числа нормализуются в текст перед синтезом; для этой функции требуется loom 1.0.0-rc12 или новее. Лицензия модели — MIT; голоса CMU ARCTIC имеют отдельные условия использования, указанные в метаданных каждого файла голоса.

ctaguchi/ssc-lth-model — модель распознавания речи, дообученная на основе facebook/wav2vec2-xls-r-300m с помощью Transformers. Она принимает аудио и преобразует речь в текст; размер модели — 402,7 млн параметров. В карточке приведены результаты оценки: CER 0,3085 и WER 0,7821, однако сведений о языке и наборе данных для обучения нет. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Указанные метрики оценки и отсутствие описания сценариев применения ограничивают возможность судить о качестве распознавания для конкретных языков и условий записи.

Supertonic 2 — мультиязычная модель синтеза речи от Supertone для локального запуска на устройстве. Модель использует архитектуру ONNX и содержит 66 млн параметров; для инференса применяется ONNX Runtime. Она преобразует текст в речь на английском, корейском, испанском, португальском и французском языках. Модель рассчитана на быстрый синтез речи с небольшими вычислительными затратами, в том числе на устройствах без обращения к облачному API. В README приведены результаты измерений на Apple M4 Pro и RTX 4090, включая режимы с двумя и пятью шагами инференса; заявлена скорость до 167 раз выше реального времени. Лицензия репозитория — OpenRAIL. Карточка не уточняет ограничения лицензии и качество синтеза для отдельных языков и сценариев.

Карточка модели alekshandru/supertonic-3 на Hugging Face совпадает с карточкой Supertone/supertonic-3, поэтому описание составлено по ней. Supertonic 3 — компактная многоязычная модель синтеза речи от Supertone для локального запуска. Модель распространяется в формате ONNX и работает через ONNX Runtime на устройстве, без обращения к облаку. В открытых ONNX-ресурсах около 99 млн параметров. Модель преобразует текст в речь на 31 языке и рассчитана на сценарии, где важны быстрая генерация и локальное выполнение: озвучивание аудиокниг, новостей, диалогов и телефонных обращений, в том числе на мобильных и периферийных устройствах. Поддерживаются фиксированные предустановленные голосовые стили; README также описывает демонстрацию пользовательских стилей по референсному аудио и теги выразительности. По сравнению с Supertonic 2 заявлены более стабильное чтение с меньшим числом повторов и пропусков, а также улучшенное сходство голосов на общих языках. Лицензия — OpenRAIL. README не приводит независимой оценки качества для всех языков; пользовательские стили по референсному аудио связаны с отдельным Voice Builder.

TinyLLaVA-Qwen2.5-3B-SigLIP — компактная визуально-языковая модель, обученная с помощью кодовой базы TinyLLaVA Factory. В ней языковая часть основана на Qwen2.5-3B, а визуальный энкодер — на siglip-so400m-patch14-384; модель принимает изображения и текстовые запросы и формирует текстовые ответы в диалоговом режиме. Модель предназначена для вопросов и ответов по изображениям и мультимодальных диалогов. В README приведены результаты оценивания на VQAv2, GQA, SQA, TextVQA, MM-VET, POPE и MME. Репозиторий использует формат safetensors, лицензия — Apache-2.0.

Kyutai TTS — потоковая модель синтеза речи от Kyutai. Она начинает генерировать аудио после получения первых слов, поэтому подходит для диалогов и сценариев с низкой задержкой. Модель поддерживает английский и французский языки, а также обусловливание голоса с помощью заранее вычисленных голосовых эмбеддингов из репозитория голосов Kyutai. Архитектура — иерархический decoder-only Transformer с примерно 1,8 млрд параметров: основная модель содержит 1 млрд параметров, а depth-трансформер — 600 млн. Модель генерирует аудиотокены Mimi с частотой 12,5 кадров в секунду; при инференсе можно использовать меньше токенов на кадр для ускорения генерации. Веса доступны в формате safetensors и распространяются по лицензии CC-BY 4.0. Модель предназначена для потокового синтеза, поддерживает пакетную обработку и не требует удваивать размер пакета для CFG благодаря дистилляции CFG. Прямой CFG не поддерживается. Встроенного водяного знака нет; клонирование голоса ограничено использованием заранее вычисленных голосовых эмбеддингов.

Карточка модели kkjipndy/VoxCPM2 на Hugging Face совпадает с карточкой Tha456/VoxCPM2, поэтому описание составлено по ней. VoxCPM2 — модель синтеза речи, представленная в карточке Tha456. Это авторегрессионная диффузионная модель без токенизатора с архитектурой LocEnc → TSLM → RALM → LocDiT, основанной на MiniCPM-4. Размер модели — 2 млрд параметров; она использует AudioVAE V2 и генерирует речь с частотой 48 кГц. Модель предназначена для многоязычного преобразования текста в речь, создания голоса по текстовому описанию и клонирования голоса по короткому аудиофрагменту, в том числе с управлением стилем. По README поддерживает 30 языков, включая русский, и заявляет потоковую генерацию в реальном времени. Репозиторий использует формат safetensors и библиотеку voxcpm. Лицензия Apache-2.0 разрешает коммерческое использование. Качество Voice Design и управления стилем может меняться между запусками; результаты зависят от языка, а очень длинный или выразительный ввод иногда вызывает нестабильность. README запрещает использовать модель для имитации личности, мошенничества и дезинформации и рекомендует маркировать сгенерированную речь.

Модель w2v-bert-2.0-hausanaijavoices250h разработана CLEAR-Global и дообучена на датасете NAIJAVOICES_250H для автоматического распознавания речи. Это модель архитектуры Wav2Vec2-BERT с CTC-выходом, содержащая 402,8 млн параметров; она принимает аудио и выдаёт текст. В опубликованной оценке указаны Loss 0,2333, WER 0,3302 и CER 0,1886. Модель предназначена для транскрибирования речи на хауса, в частности данных из набора NaijaVoices. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT.

CLEAR-Global выпустила модель автоматического распознавания речи на игбо, дообученную на основе facebook/w2v-bert-2.0. Это модель архитектуры Wav2Vec2-BERT с 402,7 млн параметров, принимающая аудио и преобразующая речь в текст. В карточке приведены результаты на оценочном наборе: WER 0,2455 и CER 0,1105. Модель предназначена для распознавания речи на игбо, в том числе для транскрибирования записей и голосовых сообщений. Базовая модель — многоязычный речевой энкодер Conformer; репозиторий содержит веса Safetensors, а для использования заявлена библиотека Transformers. Модель распространяется по лицензии MIT.

Карточка модели sanchit-gandhi/wav2vec2-2-bert-grid-search на Hugging Face совпадает с карточкой sanchit-gandhi/wav2vec2-gpt2-wandb-grid-search, поэтому описание составлено по ней. sanchit-gandhi/wav2vec2-gpt2-wandb-grid-search — модель распознавания речи на архитектуре SpeechEncoderDecoderModel. По карточке, её обучили с нуля на датасете LibriSpeech ASR; формат весов — PyTorch. Модель предназначена для преобразования аудиозаписей речи в текст. Карточка не приводит сведений о размере, контексте, языках, качестве распознавания или конкретных сценариях применения. Эти характеристики нельзя надёжно определить по имеющимся данным. Лицензия в доступных сведениях не указана.

DrishtiSharma/wav2vec2-large-xls-r-300m-bg-v1 — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на болгарской части набора Mozilla Common Voice 8.0. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров; принимает аудио и выдаёт распознанный текст на болгарском языке. Модель предназначена для преобразования болгарской речи в текст, в том числе для оценки качества распознавания на тестовых и проверочных аудиоданных. В карточке приведены результаты на тестовом наборе Common Voice 8.0: WER 0,4689 и loss 0,5197. Модель распространяется под лицензией Apache 2.0.

RuudVelo разработал модель автоматического распознавания речи на базе архитектуры wav2vec2. Это дообученная на Common Voice версия facebook/wav2vec2-xls-r-300m с 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; карточка указывает нидерландский язык. На тестовой выборке Common Voice указаны loss 0,3923 и WER 0,1748. Модель опубликована в формате PyTorch под лицензией Apache-2.0. В карточке нет подробных сведений о сценариях использования и ограничениях распознавания.

edugp/wav2vec2-xls-r-300m-36-tokens-with-lm-es — модель распознавания испанской речи, созданная дообучением facebook/wav2vec2-xls-r-300m на датасете Common Voice. Она использует архитектуру Wav2Vec2 с CTC-декодированием и дополнительной 5-граммовой языковой моделью KenLM. При обработке текста сохраняются строчные буквы a–z, испанские гласные с ударением и ü; другие символы удаляются. В README указаны результаты на оценочной выборке: WER 0,0868 и CER 0,0281. Модель принимает аудио и выдаёт испанскую транскрипцию. Репозиторий содержит веса PyTorch, модель насчитывает около 402,7 млн параметров и распространяется по лицензии Apache-2.0. Карточка не содержит подробных сведений о контексте применения и ограничениях качества за пределами указанной оценочной выборки.

Это модель автоматического распознавания речи на основе Wav2Vec2-XLS-R, разработанная shahruk10 и дообученная на базе arijitx/wav2vec2-xls-r-300m-bengali. Она преобразует бенгальскую речь в текст и предназначена прежде всего для аудио с бангладешским акцентом. Обучение проводилось примерно на 300 часах аудио Common Voice 9.0 с частотой 16 кГц; для декодирования использовалась языковая модель 5-грамм. В метаданных указаны архитектура Wav2Vec2ForCTC и 402,8 млн параметров. На валидационной выборке соревнования BUET CSE Fest 2022 DL Sprint модель показала CER 0,08079 и WER 0,017939 с 5-граммной языковой моделью и заняла первое место в публичном и приватном рейтингах соревнования. Эти показатели относятся к конкретным данным и настройке декодирования; тестовые метки организаторы не предоставили. Модель распространяется по лицензии Apache-2.0.

patrickvonplaten/wavlm-libri-clean-100h-large — модель распознавания речи на основе WavLM-Large, дообученная на чистой части датасета LibriSpeech ASR. Она предназначена для преобразования аудиозаписей речи в текст; архитектура использует CTC и содержит около 402,7 млн параметров. В README указаны результаты на оценочном наборе: WER 0,0491 и loss 0,0601. Модель может подойти для транскрибации записей, близких по условиям к чистой речи LibriSpeech. Метаданные указывают на PyTorch и обработку аудио. README не сообщает лицензию и дополнительные ограничения, поэтому условия использования следует сверить с базовой моделью и датасетом.

Whisper Base DE v2 — модель распознавания речи на базе Whisper, дообученная Алаа Альбашей на датасете ASR German Mixed. Она принимает аудио и преобразует немецкую речь в текст; архитектура реализована классом WhisperForConditionalGeneration, веса опубликованы в формате safetensors. В README указаны результаты оценки на тестовой выборке: loss 0,2225 и WER 14,1615. Модель подходит для транскрибации немецкой речи в аудиозаписях. Репозиторий использует Transformers, лицензия — Apache-2.0. Сведения о длине аудиозаписей и ограничениях применения в карточке не приведены.

Whisper Gujarati Small — модель автоматического распознавания речи, созданная дообучением openai/whisper-small на данных гуджарати из нескольких общедоступных корпусов. Она предназначена для преобразования речи на гуджарати в текст и оценки систем распознавания речи на тестовых наборах для индийских языков. Модель основана на архитектуре Whisper и содержит около 153,1 млн параметров. В репозитории представлены веса PyTorch и Flax; в карточке также описано использование Flax-реализации Whisper для оценки модели. Обучающие данные включают ULCA ASR Corpus, Microsoft Speech Corpus (Indian Languages), Google/Fleurs и OpenSLR. Модель распространяется по лицензии Apache-2.0. Карточка не приводит численных результатов качества или сведений о длине контекста.

efwkjn/whisper-ja-1.5B — дообученная модель семейства Whisper для распознавания японской речи в текст. В README указано, что это базовый экспериментальный чекпойнт, дообученный на основе Whisper large-v3; по метаданным модель содержит 905,2 млн параметров и распространяется в формате safetensors. Модель предназначена для автоматической транскрипции японской речи. Автор сообщает о конкурентном качестве по CER на проверенных наборах данных: результаты на коротких записях сопоставимы с предыдущими моделями, а длинные записи распознаются хуже. Также возможны повторы фрагментов текста. Для инструкций по использованию README отсылает к openai/whisper-large-v3. Сведения о лицензии в предоставленных данных отсутствуют.

Whisper Kannada Small — дообученная версия модели Whisper-small от OpenAI, созданная участником проекта Whisper fine-tuning sprint для распознавания речи на каннада. Модель принимает аудио и генерирует текстовую расшифровку; её можно применять для транскрибирования записей и оценки систем ASR на корпусах каннада. Модель основана на архитектуре Whisper и содержит около 153,1 млн параметров. Для дообучения использованы корпуса IISc-MILE Kannada ASR, ULCA ASR, Shrutilipi ASR и обучающая и валидационная выборки Google Fleurs. Карточка указывает Apache 2.0 в качестве лицензии. Оценка проводилась на тестовой выборке Google Fleurs, тесте IISc-MILE и OpenSLR.

agnesluhtaru/whisper-large-et-ERR2020-v2 — модель распознавания речи, созданная дообучением openai/whisper-large-v2. Она предназначена для преобразования аудио в текст; название модели указывает на эстонский язык и датасет ERR2020. В метаданных указаны архитектура WhisperForConditionalGeneration, 905,2 млн параметров и формат PyTorch. На оценочном наборе в карточке приведены Loss 0,2915 и WER 13,8640. Модель распространяется по лицензии Apache-2.0. Карточка не описывает состав обучающих данных, условия оценки и ограничения применения, поэтому приведённые метрики нельзя напрямую переносить на другие аудио и сценарии.

kasunw/whisper-large-v3-sinhala — дообученная модель распознавания речи на основе Whisper large-v3 от OpenAI. Она предназначена для транскрибации аудио на сингальском языке; в основе — архитектура WhisperForConditionalGeneration с 905,2 млн параметров. Для дообучения использован датасет OpenSLR. Модель принимает аудио и выдаёт текст. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает точные ограничения качества или длину контекста; назначение модели ограничено распознаванием речи на сингальском языке.