I.15Доступность и ассистивные технологии

kdcyberdude/w2v-bert-punjabi — модель распознавания речи на основе архитектуры Wav2Vec2-BERT, разработанная для проекта Punjabi_ASR. Она преобразует аудиозаписи на пенджаби в текст и предназначена для транскрибации речи, в том числе для оценки систем распознавания на наборах Common Voice, Fleurs и Kathbath. Модель содержит около 402,7 млн параметров и распространяется в формате Safetensors через библиотеку Transformers. В README приведены результаты на бенчмарке IndicSUPERB: WER 10,18% на Common Voice, 6,96% на Fleurs, 8,30% на Kathbath и 9,31% на шумном варианте Kathbath. Это специализированная модель для пенджаби; сведений о поддержке других языков или длине контекста в источниках нет. Лицензия — CC BY 4.0.

Модель Nachuwu/wav2vec2-fleur-mms-batch6-epoch16-finetunning — дообученная версия Wav2Vec2 для автоматического распознавания речи и преобразования аудио в текст. Она обучена на наборе данных audiofolder и использует архитектуру Wav2Vec2ForCTC; размер модели — 1,3 млрд параметров. На оценочном наборе указаны loss 0,7739 и WER 0,5252. Карточка не описывает языки, аудиоформат или условия применения. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Wav2Vec2-XLS-R-1B — разработанная Facebook AI многоязычная модель для предварительного обучения речевых представлений на архитектуре wav2vec 2.0. Она содержит 1,3 млрд параметров и обучена на 436 тысячах часов немаркированной речи из нескольких корпусов, включая VoxPopuli, MLS, Common Voice, BABEL и VoxLingua107; заявлена поддержка 128 языков. Для подачи аудио требуется частота дискретизации 16 кГц. Модель предназначена для дообучения под конкретную задачу: распознавание речи, перевод речи или классификацию, в том числе идентификацию языка. Это базовый речевой энкодер, а не готовая универсальная система распознавания или перевода; для прикладного использования нужны подходящая выходная голова и дообучение. Распространяется по лицензии Apache 2.0.

onnx-community/whisper-base — веб-совместимая версия модели openai/whisper-base, подготовленная сообществом ONNX Community. Репозиторий содержит ONNX-веса для работы с библиотекой Transformers.js и ориентирован на запуск модели в веб-среде и других сценариях, поддерживаемых этой библиотекой. Исходная модель Whisper предназначена для задач автоматического распознавания речи; однако в представленном README не указаны подробности об архитектуре, размере, поддерживаемых языках, модальностях и максимальной длине контекста именно этой версии. Ключевое преимущество модели — наличие ONNX-весов, упрощающих использование Whisper в JavaScript- и веб-приложениях. Ограничения и требования к производительности в README не описаны. Лицензия также не указана.

serge-wilson/whisper-base-wolof — дообученная на датасете Wolof версия Whisper Base от OpenAI для автоматического распознавания речи. Модель содержит 51,7 млн параметров и использует архитектуру WhisperForConditionalGeneration; опубликована в формате PyTorch. Модель предназначена для преобразования аудио на волоф в текст. На оценочной выборке указаны значение потерь 0,2902 и WER 32,8385. Распознавание речи на волоф — основное подтверждённое назначение модели. Модель распространяется по лицензии Apache-2.0. README не описывает состав обучающей выборки и практические ограничения; приведённая метрика WER указывает на возможные ошибки распознавания, поэтому результатам может требоваться проверка.

Whisper-large-v3-ca-3catparla — модель распознавания речи, созданная командой Projecte AINA в подразделении Language Technologies Unit Барселонского суперкомпьютерного центра. Она получена дообучением openai/whisper-large-v3 на 710 часах каталонских данных корпуса 3CatParla, включающего записи телевизионного вещания. Модель принимает аудио на каталонском языке и предназначена для преобразования его в обычный текст без пунктуации. Модель основана на архитектуре Whisper и содержит около 905,2 млн параметров. Она подходит для расшифровки каталонских аудиозаписей, в частности телевизионных передач. Репозиторий распространяет веса PyTorch, лицензия — Apache-2.0. Карточка описывает задачу распознавания речи на каталонском; качество на других языках и сценариях в ней не заявлено.

Это LoRA-дообучение модели OpenAI Whisper Large v3 Turbo, опубликованное annotehrushi. Модель предназначена для автоматического распознавания речи и особенно адаптирована к хинди на данных MonsoonASR. Она принимает аудио и преобразует речь в текст; в карточке также приведены результаты на англоязычных и других тестах распознавания. Адаптер обучен с параметрами LoRA r=32 и alpha=64. В README указаны результаты на бенчмарках, включая OIWER 22,82% на Monsoon hi-IN; там же сообщается о снижении показателя ошибки относительно базовой модели. В метаданных указаны форматы safetensors, библиотека Transformers и лицензия Apache-2.0. Результаты зависят от набора данных и условий оценки; на части тестов показатели после дообучения ухудшились, поэтому качество на других языках и типах речи может отличаться.

ales/whisper-small-belarusian — модель автоматического распознавания речи, дообученная на основе openai/whisper-small на белорусской части набора Mozilla Common Voice 11.0. Она принимает аудио и генерирует текстовую транскрипцию, в первую очередь для белорусской речи. Архитектура Whisper, около 153,1 млн параметров; веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. В README указаны WER 6,3672 на валидационной выборке и 6,79 на тестовой выборке. Эти показатели относятся к оценке на Common Voice и не гарантируют такое же качество для других записей, условий записи или разновидностей белорусской речи. Карточка не описывает дополнительные сценарии применения.

onnx-community/whisper-small.en_timestamped — модель распознавания речи на основе openai/whisper-small.en, подготовленная сообществом ONNX Community. Репозиторий содержит веса в формате ONNX, совместимые с библиотекой Transformers.js, и предназначен для использования в веб-приложениях и других средах, поддерживающих этот формат. Суффикс timestamped указывает на вариант модели с временными метками, однако подробности о формате и точности этих меток в README не приведены. Модель ориентирована на транскрибацию англоязычной речи. Архитектура, количество параметров, поддерживаемые модальности, размер контекста, точные требования к вычислительным ресурсам и дополнительные характеристики в README не указаны; по названию базовой модели можно определить только принадлежность к варианту Whisper small.en. Лицензия для данного репозитория отдельно не указана. ONNX-веса описаны как временное решение до более широкого распространения WebML; для подготовки веб-совместимых моделей рекомендуется использовать Optimum.

C1Tech/whisper_small_persian — модель распознавания речи на персидском языке на архитектуре Whisper, разработанная C1Tech и дообученная на крупном пользовательском персидском наборе данных. Она предназначена для преобразования персидской речи в текст и оценки качества распознавания на соответствующих тестовых наборах, включая Common Voice и FLEURS. По README, модель содержит 74 млн параметров. Автор заявляет о результатах, превосходящих Whisper Large-v3, Wav2Vec2-XLSR и ряд других систем на персидских бенчмарках; подробные численные результаты в карточке не приведены. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0.

Yohan2003/whisper-small-sinhala — набор дообученных вариантов Whisper Small для автоматического распознавания речи на сингальском языке. Репозиторий содержит девять обучающих запусков с весами и разбиениями данных; автор рекомендует run6 для максимальной точности распознавания сингальской речи. Модель основана на мультиязычной openai/whisper-small и принимает аудио, выдавая транскрипцию текстом. Обучение проводилось на примерно 154 828 примерах сингальской речи из OpenSLR-52, YouTube, BizBrains и Linga. Для рекомендованного run6 приведена оценка на тестовом наборе без пересечения дикторов с обучением; точность зависит от орфографических вариантов, редких слов и длинных высказываний. LoRA-варианты могут повторять слова в длинных выводах. Лицензия репозитория — Apache-2.0. Английское забывание для поздних запусков run5–run9 не оценивалось.

qanastek/whisper-tiny-french-cased — дообученная модель распознавания речи на базе openai/whisper-tiny, созданная для французского языка на данных Mozilla Common Voice 11.0. Модель построена на архитектуре Whisper и содержит 29,4 млн параметров; репозиторий предоставляет веса PyTorch. Она преобразует аудио в текст и подходит для расшифровки французской речи, в том числе записей, похожих на данные Common Voice. В README приведены результаты оценки: WER 33,0655 на французской части Common Voice 11.0, 36,69 на французском FLEURS и 32,71 на французском VoxPopuli. Эти значения указывают на заметные ошибки распознавания, поэтому для задач с высокими требованиями к точности результатам потребуется проверка. Лицензия модели — Apache-2.0.

Модель wrice/whisper-tiny-grpo-d46ed86-cv22-tiny-sftanneal2 — экспериментальное дообучение Whisper tiny от OpenAI, выполненное с помощью GRPO и комбинированной функции вознаграждения на основе ошибок слов и символов. Она предназначена для преобразования аудиозаписей в текст; обучение проводилось на данных Common Voice для 77 языковых локалей с фиксацией языка по локали записи. Для модели указаны итоговые значения WER 0,661 и CER 0,298 на валидационной выборке по 77 языкам. Модель использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors через Transformers. Лицензия — MIT. Это proof of concept, а качество в реальных условиях зависит от языка, тематики, акцента и качества аудио.

Aero-1-Audio — компактная аудиомодель от LMMs-Lab на основе Qwen2.5-1.5B-Instruct. Она сочетает языковую модель с аудиокодировщиком и предназначена для распознавания речи, понимания аудиозаписей и выполнения инструкций по аудио. Модель поддерживает непрерывные аудиовходы длительностью до 15 минут. По заявлению разработчиков, она показывает конкурентные результаты на нескольких аудиобенчмарках при обучении примерно на 50 тысячах часов аудио из открытых наборов данных. Основной язык, указанный в карточке, — английский. Модель распространяется под лицензией MIT. В карточке заявлены возможности распознавания речи и понимания аудио, но подробные ограничения и оценка качества для отдельных языков или сценариев не приведены.

Align — это компактная модельная каскадная система Desert Ant Labs для уточнения временных границ слов в уже распознанной речи. Она принимает моно-аудио и слова с предварительными временными метками от Apple SpeechTranscriber или SpeechAnalyzer и возвращает те же слова с исправленными временами начала и конца; если поправка выглядит небезопасной, сохраняет исходную метку. Система дополняет распознавание и не заменяет его. Каскад состоит из двух небольших этапов. Для устройств Apple используются скомпилированные Core ML-модели в FP16 общим размером около 560 КБ; также доступны LiteRT-модели TFLite для Linux, Windows и Node. README сообщает о поддержке английского, испанского, французского, итальянского, португальского, немецкого, японского, корейского и китайского языков. Модель предназначена для уточнения меток времени в субтитрах, расшифровках и аудио-видео монтаже; заявленное время обработки — несколько миллисекунд на устройстве. В приведённых измерениях Align снижает ошибку временных границ, но результаты сравнивались преимущественно с машинными оценками, а не с полной разметкой человеком. Исправление может ухудшить отдельные границы; особенно слабый случай — произнесённые числа. Для языков вне поддерживаемого набора входные метки передаются без изменений. В метаданных указана лицензия other; конкретные условия лицензии в предоставленных данных не раскрыты.

AndesVL-0.6B-Instruct — компактная мультимодальная модель OPPO из семейства AndesVL, построенная на языковой модели Qwen3-0.6B и визуальном энкодере SigLIP2-Base. Она предназначена для запуска на мобильных и других периферийных устройствах и принимает изображения вместе с текстовыми запросами, чтобы отвечать на вопросы и выполнять диалоговые задачи. Модель рассчитана на визуальные вопросы и ответы, работу с насыщенными текстом изображениями, рассуждения по изображению, обработку нескольких изображений и задачи с графическим интерфейсом. В README описаны архитектура «1+N» LoRA и подход QALFT для адаптации задач и сжатия; заявлены ускорение декодирования и сжатие на мобильных чипах, но отдельные показатели для этого чекпойнта не приведены. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Она может ошибаться при распознавании мелкого текста и сложных визуальных сцен; метаданные не уточняют длину контекста и поддерживаемые языки.

AnyAudio-Judge-7B — модель оценки аудио, созданная cucl2 на базе Qwen2.5-Omni-7B. Она проверяет пункты рубрики «да/нет», каждый из которых описывает проверяемый признак аудиоподписи, и выдаёт краткое свидетельство из аудио. Модель дообучена методом полного supervised fine-tuning на 105 тысячах примеров «аудио, инструкция, рубрика, цепочка рассуждений» в течение одной эпохи. Модель предназначена для рубричной оценки аудиоподписей и более эффективного запуска по сравнению с вариантом AnyAudio-Judge-30B. Для формирования рубрики в примере README используется отдельный вызов внешней языковой модели. Метаданные указывают аудиовход, архитектуру Qwen2.5-Omni и формат safetensors; заявленные языки карточки — английский и китайский. Лицензия — Apache-2.0. Оценка ограничена заданными бинарными критериями и опирается на короткие текстовые свидетельства; качество оценки зависит от рубрики и аудио. Семейство Qwen2.5-Omni поддерживает и другие модальности, но для этой модели явно указана возможность аудиовхода.

Audio8 TTS Preview 0.1B — компактная мультиязычная модель синтеза речи, разработанная Audio8. Она генерирует речь по тексту и поддерживает клонирование голоса без дополнительного обучения: для этого используются аудиозапись-образец и её текстовая расшифровка. Модель построена на архитектуре Audio8 Falcon H1 с медленной и быстрой авторегрессионными ветвями: первая предсказывает семантические токены, вторая — кодовые последовательности аудиокодека. В репозитории также находятся кодек, токенизатор и процессор. Метаданные указывают 79,7 млн параметров, тогда как карточка описывает основной генеративный компонент примерно как 170 млн параметров и отдельно указывает декодер кодека примерно на 120 млн; эти оценки могут учитывать компоненты по-разному. Контекст — 8192 токена. Основные языки — китайский и английский; немецкий, испанский, французский, итальянский, японский и корейский заявлены для экспериментальной многоязычной оценки, с более переменным качеством. Модель рассчитана на сравнительно компактный стек синтеза речи, а карточка приводит результаты оценки для перечисленных языков, подчёркивая, что межпроектные сравнения не являются строго сопоставимым рейтингом. Длинные, шумные или неверно расшифрованные образцы могут ухудшать стабильность генерации и сходство голоса. Для клонирования голоса следует получить согласие; синтетическую речь рекомендуется раскрывать. Указана лицензия «other», конкретные условия в карточке не уточнены.

cstr/bark-small-GGUF — это версия модели Suno Bark, преобразованная в формат GGUF для нативного запуска на C++ вместе с CrispASR. Модель предназначена для синтеза речи по тексту и генерирует монофонический PCM-аудиосигнал с частотой 24 кГц. Конвертацию и среду выполнения предоставил проект CrispASR; исходная модель разработана Suno AI. Архитектура состоит из трёх иерархических transformer-моделей: семантической, грубой акустической и тонкой акустической, а также декодера EnCodec. Всего используется около 300 млн параметров в трёх GPT-2-подмоделях. Семантическая модель применяет BERT WordPiece tokenizer, акустические модели преобразуют текстовые и семантические токены в коды EnCodec, а декодер формирует итоговый звук. Модель поддерживает 13 языков, включая английский, немецкий, испанский, французский, итальянский, японский, корейский, польский, португальский, русский, турецкий и китайский, с предварительно обученными голосовыми подсказками. Доступны варианты F16, Q8_0 и Q4_K. F16 обеспечивает эталонное качество, Q8_0 близок к исходному качеству, а Q4_K занимает меньше места и ориентирован на использование в реальном времени. Все варианты содержат необходимые подмодели и декодер в одном файле GGUF. Ограничениями являются зависимость качества и размера от выбранного уровня квантования, а также использование заранее подготовленных голосовых prompts; в README не заявлены возможности обучения или тонкой настройки. Модель распространяется по лицензии MIT.

cali-whisper-tiny.en-drop-007-production — дообученная модель семейства Whisper, разработанная 1Developer на основе 1Developer/cali-whisper-tiny.en-drop-006-production. Она предназначена для автоматического распознавания речи и преобразования аудио в текст; в README указано обучение на датасете audiofolder. Модель использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors через библиотеку Transformers. В README приведены результаты на оценочной выборке: Loss 0.0000 и WER 0.0, однако подробности методики и набора оценки не описаны. Лицензия — Apache-2.0. Суффикс tiny.en в названии указывает на англоязычную версию Whisper Tiny; явное подтверждение языкового охвата в карточке отсутствует.

Cambrian-13B — мультимодальная большая языковая модель с архитектурой CambrianLlamaForCausalLM, разработанная в рамках проекта Cambrian. Модель обучена в июне 2024 года и ориентирована на сценарии с визуальным вводом. Для обучения использовались 2,5 млн примеров Cambrian Alignment Data и 7 млн примеров Cambrian Curated Instruction Tuning Data. Модель содержит 12,9 млрд параметров, принимает текст и изображения и генерирует текст; заявленный контекст составляет 4096 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества и подробностей о поддерживаемых языках.

mlx-community/dac-speech-24khz-1.5kbps — конверсия модели ibm-research/DAC.speech.v1.0 в формат MLX. Она предназначена для синтеза речи по тексту и рассчитана на запуск в экосистеме MLX. В репозитории указаны веса Safetensors и лицензия CDLA-Permissive-2.0. Карточка этой версии не содержит подробностей об архитектуре синтеза, размере модели, поддерживаемых языках, длине контекста или качестве речи; за ними следует обращаться к карточке исходной модели. По имеющимся данным, это текстовая модель с речевым выходом.

dots.tts-mf-2steps — самостоятельный артефакт dots.tts для синтеза речи, разработанный dots.studio. Он предназначен для инференса с фиксированным двухшаговым режимом double-streaming: речь генерируется по тексту с потоковой выдачей аудио. Модель относится к семейству dots_tts и использует плотную архитектуру DotsTTSForConditionalGeneration. Репозиторий содержит веса в формате safetensors; для работы предусмотрена библиотека dots_tts. Лицензия — Apache-2.0. Карточка описывает только фиксированный двухшаговый режим double-streaming и не заявляет поддержку других настроек сэмплирования или потоковой выдачи. Высокоточное клонирование голоса допускается только с разрешения и согласия владельца голоса; запрещено использовать его для имитации личности, мошенничества или дезинформации.

Карточка модели musafa901/Fishaudio_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.

geez-asr — модель автоматического распознавания амхарской речи, разработанная как дообученная версия Samuael/asr-amharic-phoneme-based-37-6 на наборе данных alffa_amharic. Она использует архитектуру wav2vec2 с декодированием CTC и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; карточка сообщает о результатах оценки: WER 0,1471 и CER 0,0405. Модель предназначена для распознавания амхарской речи в аудиозаписях. Репозиторий распространяется по лицензии Apache-2.0.

Gemini 2.5 Flash-Lite — облегчённая модель рассуждений семейства Gemini 2.5 от Google. Она предназначена для сценариев, где важны низкая задержка, высокая пропускная способность и экономичность; в карточке также заявлено улучшение скорости генерации токенов и производительности. Метаданные каталога относят модель к задаче image-text-to-text, поэтому её можно использовать для обработки запросов с изображениями и текстовыми ответами. В доступных сведениях не приведены размер модели, длина контекста, поддерживаемые языки, лицензия или подробности архитектуры. Также нет конкретных результатов оценки качества: заявления о производительности и скорости приведены без численных показателей.

mlx-community/gemma-3-12b-it-8bit — 8-битная версия Gemma 3 12B IT, подготовленная сообществом mlx-community для запуска в формате MLX. В README указано, что модель преобразована из google/gemma-3-12b-it с помощью mlx-vlm 0.1.18. Метаданные описывают архитектуру Gemma 3 как плотную модель для генерации текста и обработки изображений; указаны возможности диалога и vision, а основная задача — image-text-to-text. Модель подходит для диалогов и ответов на вопросы по изображениям, а также для генерации текста с визуальным контекстом. Она основана на Gemma 3 12B IT и связана в метаданных с google/gemma-3-12b-pt. Лицензия — gemma; условия использования следует сверять с лицензией Google Gemma. README не приводит дополнительных сведений о контекстном окне, поддерживаемых языках или ограничениях качества.

mlx-community/gemma-3-12b-it-bf16 — конверсия Gemma 3 12B IT в формат MLX, подготовленная сообществом mlx-community из google/gemma-3-12b-it с помощью mlx-vlm 0.1.18. Модель предназначена для диалогов и генерации ответов по тексту и изображениям; каталог указывает поддержку визуального ввода и задачу image-text-to-text. В основе — плотная архитектура Gemma 3; метаданные связывают модель с google/gemma-3-12b-pt и указывают дообучение. Репозиторий содержит веса safetensors. Модель подходит для вопросов по изображениям, описания визуальных сцен и обычного общения с ассистентом. README описывает конверсию в MLX, а подробные характеристики и рекомендации предлагает смотреть в исходной карточке Gemma. Лицензия — Gemma; перед использованием следует учитывать её условия.

Gliese-Qwen3.5-4B-Abliterated-Caption — мультимодальная модель для генерации описаний изображений, разработанная prithivMLmods на базе Qwen/Qwen3.5-4B. Она предназначена для подробного и контекстного описания сцен, объектов, людей и окружения, а также для создания caption-датасетов, аннотирования изображений, мультимодальных исследований и локальных inference-пайплайнов. Модель содержит около 4 млрд параметров и работает с текстом и изображениями. Заявлена поддержка английского и китайского языков; pipeline обозначен как image-text-to-text. Модель оптимизирована для длинных, структурированных и семантически насыщенных описаний, а также для локального развёртывания на современных GPU. Доступны варианты GGUF в форматах BF16, F16, F32 и Q8_0, а также отдельные мультимодальные проекции. Ключевая особенность — abliterated-модификация, направленная на снижение внутренних отказов и получение более нефильтрованных описаний. Это может повысить полноту генерации, но одновременно увеличивает риск создания нежелательного или небезопасного контента; результаты требуют контроля со стороны пользователя. README рекомендует использовать модель для исследований и обучения и возлагает ответственность за безопасное, этичное и законное применение на пользователя. Лицензия — Apache-2.0.

Hadra-TTS-f5 — синтезатор речи для преобразования текста на алжирской дарже в речь, созданный коллективом algerian-nlp. Это дообучение IbrahimSalah/Arabic-F5-TTS-v2 на трёх коллекциях алжирской речи OddAdmix: разговорных подкастах, выразительных рассказах и фольклорных повествованиях. Для синтеза используется F5-TTS с архитектурой Flow-Matching DiT; модель работает через библиотеку f5-tts и принимает текст вместе с референсным аудио и его расшифровкой. Модель предназначена для озвучивания рассказов, дубляжа, голосовых помощников и чтения текста для доступности. Обучающий материал включает около 69 тысяч отфильтрованных высказываний общей длительностью примерно 399 часов. Модель рассчитана на алжирскую даржу; качество французских вставок лучше при использовании латинского письма. Качество синтеза не оценивалось на тестовом наборе: нет опубликованных показателей разборчивости, сходства голоса или оценок слушателей. Данные охватывают ограниченное число голосов и три речевых домена, поэтому результат может отражать характеристики записанных дикторов и быть менее надёжным для иных региональных вариантов и условий. Лицензия — Apache-2.0.