I.15Доступность и ассистивные технологии

Qwen2-VL-2B-Instruct-GGUF — мультимодальная модель для понимания изображений и генерации текста на их основе. Базовая модель разработана командой Qwen, а GGUF-версии квантизированы компанией Second State Inc. Модель предназначена для сценариев image-text-to-text: анализа изображений, ответов на вопросы по визуальному содержимому и выполнения инструкций с учётом изображения. В README указан английский язык. Модель основана на Qwen2-VL-2B-Instruct и имеет размер 2B параметров. Доступны варианты GGUF с квантизацией от 2 до 8 бит, а также f16; размеры файлов варьируются примерно от 676 МБ до 3,09 ГБ, без учёта отдельного vision encoder размером 2,66 ГБ. Для запуска через LlamaEdge используется мультимодальный vision encoder, шаблон prompt типа qwen2-vision и контекст до 32 000 токенов. Рекомендуемыми вариантами в README названы Q4_K_M, Q5_K_M и Q5_K_S; более сильная квантизация уменьшает размер, но может заметно снижать качество. Преимущества модели — мультимодальность, сравнительно компактный размер и поддержка нескольких уровней квантизации для локального запуска. Ограничения включают возможную потерю качества в низкобитных вариантах и необходимость отдельного vision encoder для обработки изображений. Модель распространяется по лицензии Apache-2.0.

natong19/Qwen2-VL-7B-Instruct-abliterated — мультимодальная модель на базе Qwen2-VL-7B-Instruct, опубликованная natong19. К весам применена ортогонализация, призванная ослабить склонность модели к отказам, сохранив текстовые и мультимодальные возможности. Модель поддерживает диалог и обработку изображений; для запуска используется библиотека Transformers. Объём модели — 7,1 млрд параметров, максимальная длина контекста — 32 768 токенов. Модель предназначена для ответов на запросы с изображениями и текстом, а также для мультимодального диалога. В README приведены результаты текстовых бенчмарков: ARC — 57,8, MMLU — 68,4; автор предупреждает, что модель всё ещё может отказывать, неверно понимать намерение пользователя или добавлять нежелательные советы по этике и безопасности. Лицензия — Apache-2.0.

mlx-community/Qwen3.5-27B-4bit — мультимодальная модель для обработки изображений и текста, преобразованная сообществом mlx-community из Qwen/Qwen3.5-27B с использованием mlx-vlm 0.3.12. По исходным данным, модель предназначена для сценариев image-text-to-text, включая описание изображений и генерацию текстовых ответов на их основе. Модель имеет размер 27B параметров и представлена в 4-битном формате MLX, что ориентировано на запуск в экосистеме MLX. Поддержка изображений подтверждена, однако сведения о точной архитектуре, языках, размере контекстного окна, качестве, ограничениях и других модальностях в карточке отсутствуют. Модель распространяется по лицензии Apache 2.0. Для использования требуется окружение с пакетом mlx-vlm; конкретные требования к аппаратному обеспечению и производительности не указаны.

Это мультимодальная плотная модель семейства Qwen3.5 с 9 млрд параметров, дообученная автором shubhamrgandhi на датасете prm_sft_train. Она предназначена для диалога с обработкой текста и изображений; карточка указывает поддержку vision и chat, а основной тип задачи в метаданных — image-text-to-text. Базовая модель также ориентирована на рассуждения, программирование и агентные задачи, однако README не описывает отдельно качество этой версии, контекстное окно или результаты оценки. Репозиторий использует Transformers и формат safetensors. Указана лицензия other, поэтому конкретные условия использования следует сверить с лицензией базовой модели и файлами репозитория.

Qwen3.8-27B-heretic-VL-MLX-bf16 — мультимодальная модель для диалогов и анализа изображений, подготовленная donedynamics для компьютеров Apple Silicon. Это конверсия в формат MLX из trohrbaugh/Qwen3.8-27B-heretic-ara; в репозитории сохранён визуальный энкодер. Модель принимает текст и изображения, а библиотека запуска — mlx-vlm. Основа модели — плотная архитектура Qwen3.5 с 27 млрд параметров; веса представлены в bf16 без квантизации. Модель распознаёт объекты и их атрибуты на изображениях и отвечает на текстовые запросы. В README описан режим рассуждения, включённый по умолчанию: он расходует токены до начала ответа и может занять весь небольшой лимит генерации. В базовой модели снижено число отказов на запросы, которые обычно отклоняет модель с настройкой безопасности. Поэтому перед пользовательским развёртыванием следует оценить её ответы и при необходимости применять собственную фильтрацию. Лицензия — Apache-2.0.

Qwen3.8-27B LLM SCS — дообученная компанией или автором achuthc1298 мультимодальная модель на базе Qwen/Qwen3.8-27B. Это плотная модель с архитектурой Qwen3_5ForConditionalGeneration и 27 млрд параметров, предназначенная для диалогов с текстом и изображениями. Она поддерживает анализ визуального содержимого и интерфейс вызова инструментов. В репозитории размещены полные веса в формате Safetensors, конфигурация модели, токенизатор и файлы предварительной обработки. Модель подходит для ответов на вопросы по изображениям, описания визуальных сцен и диалоговых задач с визуальным контекстом. Также заявлен интерфейс для вызова инструментов. Сведения о лицензии, длине контекста и поддерживаемых естественных языках в доступных данных отсутствуют.

Карточка модели AtomicChat/Qwen3.8-27B-MLX-bf16 на Hugging Face совпадает с карточкой AtomicChat/Qwen3.8-27B-MLX-AD-3.80bpw-DWQ-13.7GB, поэтому описание составлено по ней. AtomicChat/Qwen3.8-27B-MLX-AD-3.80bpw-DWQ-13.7GB — мультимодальная плотная модель семейства Qwen3.5 на 27 млрд параметров, подготовленная AtomicChat на основе Qwen/Qwen3.8-27B для работы в формате MLX. Она предназначена для диалогов и задач, где нужно анализировать изображения и формировать текстовый ответ. Карточка также указывает поддержку vision и conversational-взаимодействия. Модель принимает текст и изображения, выдаёт текст. Репозиторий использует safetensors, а для базовой модели указана лицензия Apache-2.0. README описывает преобразование в MLX с помощью mlx-lm 0.31.3; сведений о контекстном окне и ограничениях качества карточка не приводит.

HermiHg/Qwen3.8-27B-mmproj-Q5_K-MIX-GGUF — это мультимодальный проектор mmproj для модели Qwen3.8-27B, совместимый с llama.cpp. Проектор включает тензоры vision encoder и преобразователи признаков изображения в представление, используемое языковой моделью; саму языковую модель этот файл не содержит. Модель основана на Qwen/Qwen3.8-27B и предназначена для сценариев image-text-to-text: анализа изображений, визуального вопросно-ответного взаимодействия, OCR, работы с диаграммами и задач восприятия. Использована смешанная 4–6-битная квантизация Q5_K-MIX: основные attention- и FFN-проекции представлены в 5 битах, крупная FFN down-проекция — в 6 битах, а vision-to-LM projectors сжаты до 4 бит. Нормализации, смещения и позиционные или patch-эмбеддинги сохранены в F32. Размер составляет около 331 MiB против 888 MiB у исходного BF16-проектора, то есть примерно 37% от исходного. В тесте на 5251 парном документе и 11 визуальных бенчмарках средний результат составил 0,7458 против 0,7493 у BF16-версии; заявленная потеря — около 0,46% относительно эталона. Сильная сторона модели — существенная экономия памяти при сохранении близкого к BF16 качества, включая задачи TextVQA, OCR, GQA, ScienceQA, MMStar, ChartQA и BLINK. Ограничение состоит в том, что это только мультимодальный проектор, поэтому для работы необходима совместимая Qwen3.8-27B и поддержка mmproj в llama.cpp. Языки и размер контекста в README не указаны. Распространяется по лицензии Apache-2.0.

Карточка модели kaixuanfu/Qwen3-TTS-12Hz-0.6B-CustomVoice на Hugging Face совпадает с карточкой Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice, поэтому описание составлено по ней. Qwen3-TTS-12Hz-0.6B-CustomVoice — многоязычная модель синтеза речи, разработанная командой Qwen. Это вариант CustomVoice с архитектурой Qwen3TTSForConditionalGeneration и токенизатором 12 Hz; модель поддерживает девять голосовых тембров и позволяет управлять интонацией, ритмом и эмоциональной окраской с помощью инструкций на естественном языке. Модель преобразует текст в речь на китайском, английском, японском, корейском, немецком, французском, русском, португальском, испанском и итальянском языках. Она рассчитана на потоковую генерацию с низкой задержкой; в README заявлена задержка синтеза от 97 мс. Для наилучшего звучания рекомендуется использовать голос на его родном языке. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит число параметров этого чекпойнта; обозначение 0.6B входит в его название.

Карточка модели intbot/Qwen3-TTS-12Hz-0.6B-grt-2voices на Hugging Face совпадает с карточкой Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice, поэтому описание составлено по ней. Qwen3-TTS-12Hz-0.6B-CustomVoice — многоязычная модель синтеза речи, разработанная командой Qwen. Это вариант CustomVoice с архитектурой Qwen3TTSForConditionalGeneration и токенизатором 12 Hz; модель поддерживает девять голосовых тембров и позволяет управлять интонацией, ритмом и эмоциональной окраской с помощью инструкций на естественном языке. Модель преобразует текст в речь на китайском, английском, японском, корейском, немецком, французском, русском, португальском, испанском и итальянском языках. Она рассчитана на потоковую генерацию с низкой задержкой; в README заявлена задержка синтеза от 97 мс. Для наилучшего звучания рекомендуется использовать голос на его родном языке. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит число параметров этого чекпойнта; обозначение 0.6B входит в его название.

Карточка модели Iambackup/Qwen3-TTS-12Hz-1.7B-VoiceDesign на Hugging Face совпадает с карточкой Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign, поэтому описание составлено по ней. Qwen3-TTS-12Hz-1.7B-VoiceDesign — модель синтеза речи, разработанная командой Qwen. Она принимает текст и инструкции на естественном языке для создания речи с заданными тембром, эмоцией и просодией; вариант VoiceDesign предназначен для гибкого описания желаемого голоса. Модель относится к семейству Qwen3-TTS, использует плотную архитектуру Qwen3TTSForConditionalGeneration и представление речи на основе токенизатора Qwen3-TTS-Tokenizer-12Hz с дискретной многокодовой языковой моделью. Репозиторий содержит веса safetensors; для работы предусмотрена библиотека qwen-tts. Семейство поддерживает китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки, а также голосовые профили с различными диалектами. Для семейства заявлена потоковая генерация с задержкой синтеза от 97 мс. Карточка приводит оценку WER для варианта Base, поэтому она не подтверждает качество именно VoiceDesign. Модель распространяется по лицензии Apache-2.0.

Карточка модели Jinstudio/Qwen3-TTS-12Hz-1.7B-VoiceDesign на Hugging Face совпадает с карточкой Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign, поэтому описание составлено по ней. Qwen3-TTS-12Hz-1.7B-VoiceDesign — модель синтеза речи, разработанная командой Qwen. Она принимает текст и инструкции на естественном языке для создания речи с заданными тембром, эмоцией и просодией; вариант VoiceDesign предназначен для гибкого описания желаемого голоса. Модель относится к семейству Qwen3-TTS, использует плотную архитектуру Qwen3TTSForConditionalGeneration и представление речи на основе токенизатора Qwen3-TTS-Tokenizer-12Hz с дискретной многокодовой языковой моделью. Репозиторий содержит веса safetensors; для работы предусмотрена библиотека qwen-tts. Семейство поддерживает китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки, а также голосовые профили с различными диалектами. Для семейства заявлена потоковая генерация с задержкой синтеза от 97 мс. Карточка приводит оценку WER для варианта Base, поэтому она не подтверждает качество именно VoiceDesign. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-32B-Thinking-MLX-8bit — это 8-битная MLX-квантизованная версия мультимодальной модели Qwen3-VL-32B-Thinking, разработанной командой Qwen. Квантизация предоставлена командой LM Studio с использованием mlx_vlm; модель оптимизирована для работы на устройствах Apple Silicon. Модель предназначена для задач преобразования изображений и текста в текст, то есть может использоваться в сценариях, где требуется анализ визуальной информации и формирование текстового ответа. В основе лежит модель размером 32B, доступная в 8-битном представлении. README не содержит сведений о поддерживаемых языках, размере контекстного окна и точной архитектуре. Ключевое преимущество версии — адаптация с помощью MLX для запуска на Apple Silicon при сниженных требованиях к памяти по сравнению с полноразмерным представлением. Ограничения, характеристики качества, производительности и поддерживаемые форматы входных данных в README не указаны. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-8B-Heretic-Stable — мультимодальная модель prithivMLmods на архитектуре Qwen3-VL с 8 млрд параметров для диалога, анализа изображений и генерации текстовых ответов. Она принимает изображения и текст, поддерживает визуальное рассуждение, создание подписей и структурированных описаний, а также прототипирование инструментов анализа изображений. В карточке заявлены совместимость с актуальными версиями Transformers, обновлённая разбивка весов на шарды и сохранение поведения исходной модели без изменения основных весов или архитектуры. Модель основана на prithivMLmods/Qwen3-VL-8B-Instruct-Unredacted-MAX и связана в README с huihui-ai/Huihui-Qwen3-VL-8B-Instruct-abliterated; README описывает выпуск как переупаковку, тогда как метаданные указывают дообучение базовой модели. Поддерживаемый язык карточки — английский. Репозиторий использует safetensors и библиотеку Transformers; лицензия — Apache-2.0. Ответы могут быть неточными или неполными, а качество зависит от изображения, запроса, разрешения и сложности входных данных. Для эффективного инференса, особенно с изображениями высокого разрешения, README рекомендует GPU. Модель помечена как предназначенная для исследований и обучения; авторы возлагают ответственность за использование и полученные результаты на пользователя.

Qwen-Audio-Chat — мультимодальная аудиоязыковая модель семейства Qwen, разработанная Alibaba Cloud. Это диалоговая версия Qwen-Audio, полученная инструкционным дообучением; она поддерживает многоходовые диалоги об аудио и принимает аудио и текст, а отвечает текстом. Модель предназначена для понимания и анализа речи, окружающих звуков, музыки и песен. Она поддерживает более 30 аудиозадач и сценарии вроде распознавания и интерпретации речи, ответов на вопросы об аудиозаписях, рассуждений о звуках, анализа нескольких аудио и обсуждения музыки. В README также заявлена поддержка использования внешних инструментов для редактирования речи. В метаданных указаны архитектура QWenLMHeadModel, 11,4 млрд параметров и контекст 2048 токенов. Заявлены поддержка китайского и английского языков и форматы весов safetensors. README описывает сильные результаты на ряде аудиобенчмарков, однако не приводит подробных ограничений и условий лицензии; их нельзя установить по предоставленным данным.

whisper-tiny.en — англоязычная модель автоматического распознавания речи, разработанная OpenAI и экспортированная командой Software Mansion для библиотеки React Native ExecuTorch. Модель предназначена для преобразования английской речи в текст непосредственно на мобильных и других устройствах с поддержкой ExecuTorch, включая приложения на React Native. Репозиторий содержит программы ExecuTorch в формате .pte для бэкендов Core ML, MLX, Vulkan и XNNPACK. Доступны варианты с точностью fp16, bf16, int8 и fp32; размер файлов зависит от бэкенда и точности и составляет примерно от 57 до 222 МБ. Модель поддерживает английский язык и относится к классу automatic speech recognition. Архитектура и размер исходной модели в README не описаны; указано лишь, что это upstream-модель OpenAI whisper-tiny.en. К сильным сторонам относятся возможность локального выполнения на устройстве, несколько аппаратно-программных бэкендов и варианты с пониженной точностью для снижения требований к ресурсам. Ограничения включают поддержку только английского языка, зависимость от совместимого бэкенда и отсутствие гарантии обратной совместимости ExecuTorch: файлы опубликованы для ExecuTorch v1.4.1, поэтому старые версии runtime могут не загрузить модель. Лицензия — Apache-2.0.

rumik-oss 1 base — базовая многоязычная модель синтеза речи от rumik ai, выпущенная до этапов дообучения управления подачей и обучения с подкреплением для rumik-oss 1. Она дообучена на основе CohereLabs/tiny-aya-fire и содержит около 3,4 млрд параметров. Причинный трансформер предсказывает дискретные аудиотокены кодека Mimi, а декодер Mimi преобразует их в звук с частотой 24 кГц. Для запуска нужны веса модели и отдельный этап декодирования аудиотокенов. Модель синтезирует речь по тексту с выбором одного из четырёх именованных голосов: Ira, Aisha, Siya или Zoya. Она принимает текст на письме исходного языка, латиницей или в смешанной записи; обусловливание задаётся префиксом с именем голоса. В метаданных указана поддержка языков хинди, бенгали, тамильского, урду и английского; карточка также перечисляет ряд других языковых тегов. Модель может служить основой для дальнейшего обучения и адаптации. В этой базовой версии нет обучения управлению подачей речи по описанию и inline-вокализациям; для настройки тона, акцента, темпа и вокализаций автор рекомендует постобученную версию. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

Карточка модели jitendra6371/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.

S2T-LARGE-LIBRISPEECH-ASR — модель Speech to Text Transformer для автоматического распознавания речи, опубликованная в репозитории Facebook на Hugging Face. Это последовательная модель типа encoder-decoder с авторегрессионной генерацией транскрипта; размер — 211,6 млн параметров. На вход подаются речевые признаки: 80-канальные log-Mel фильтры, извлечённые из WAV или FLAC с частотой 16 кГц и нормализованные на уровне высказывания. Текст токенизируется SentencePiece с размером словаря 10 000, приводится к нижнему регистру. Модель предназначена для транскрибирования английской речи. Она обучена на корпусе LibriSpeech ASR объёмом около 1000 часов чтения вслух; для тестовых наборов LibriSpeech указана ошибка WER 3,3 на clean и 7,5 на other. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — MIT. Результаты относятся к чтению на LibriSpeech и не гарантируют аналогичное качество для разговорной речи, других языков или условий записи.

Sa2VA-26B — мультимодальная чат-модель ByteDance для понимания изображений и видео. Она сочетает языковую модель с SAM2 и предназначена для ответов на вопросы по визуальному содержимому, понимания визуальных подсказок, локализации объектов и их плотной сегментации на изображениях и в видео. В метаданных указаны архитектура Sa2VAChatModel, плотная структура, формат safetensors и библиотека Transformers; размер версии — 26 млрд параметров. Модель подходит для анализа сцен, диалоговых запросов о содержимом изображений и видео, а также для сегментации объектов по текстовым или визуальным подсказкам. Семейство Sa2VA описано как многоязычное; карточка отмечает сопоставимые с ведущими MLLM результаты на бенчмарках вопросов и ответов и высокие результаты на задачах визуального grounding и сегментации. Репозиторий указывает слияние с OpenGVLab/InternVL2.5-26B. Лицензия — Apache-2.0. Длина контекста и конкретный перечень поддерживаемых языков не приведены в доступных источниках.

Карточка модели ByteDance/Sa2VA-InternVL3-14B 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.

Карточка модели ByteDance/Sa2VA-InternVL3-2B 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.

Карточка модели ByteDance/Sa2VA-InternVL3-8B 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.

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-nt-nse-tts — модель синтеза речи из текста, созданная дообучением SpeechT5 от Microsoft. В карточке Hugging Face указана архитектура SpeechT5ForTextToSpeech и формат весов safetensors. Модель предназначена для преобразования текста в аудио. В README приведён результат оценки: loss 0,0879; сведения о наборе данных, языках и сценариях применения отсутствуют. Модель распространяется по лицензии MIT.

SEW-D-tiny — модель автоматического распознавания речи на основе архитектуры SEW (Squeezed and Efficient Wav2vec), разработанной исследовательской командой ASAPP Research. Представленная версия дообучена для распознавания английской речи на 100 часах набора LibriSpeech и использует выходной слой CTC. Модель работает с одноканальными речевыми аудиозаписями, оцифрованными с частотой 16 кГц. Модель предназначена для преобразования английской речи в текст и может применяться в сценариях транскрибации аудиозаписей и голосовых данных. На тестовой выборке LibriSpeech она достигает WER 10,47% для конфигурации clean и 22,73% для конфигурации other. SEW ориентирована на эффективный инференс: согласно описанию архитектуры, она обеспечивает более высокую скорость и выгодное соотношение производительности и вычислительных затрат по сравнению с wav2vec 2.0. Ограничения модели — поддержка только английской речи в данном чекпойнте, требование частоты дискретизации 16 кГц и чувствительность качества к акустическим условиям, отражённая разницей результатов на clean и other. Модель распространяется по лицензии Apache 2.0. Для использования необходимы совместимые процессор и модель SEWDForCTC; README не указывает размер модели, максимальную длину контекста или перечень дополнительных модальностей.

Sandiago21/Speecht5_finetuned_facebook_voxpopuli_spanish — дообученная версия SpeechT5 от Microsoft, подготовленная для синтеза речи из текста на данных VoxPopuli. Модель использует архитектуру SpeechT5 и предназначена для преобразования текстового ввода в речь; в метаданных указана задача text-to-speech. Для оценки приведено значение Loss 0,4355 на оценочной выборке. Модель подходит для генерации испанской речи из текста. Она опубликована в форматах PyTorch и Safetensors и распространяется по лицензии MIT. Подробные сведения о голосе, качестве звучания, поддерживаемых вариантах испанского и ограничениях применения в карточке не приведены.

Модель karanjakhar/speecht5_finetuned_voxpopuli_de — дообученная версия SpeechT5 от Microsoft для синтеза немецкой речи из текста. Она основана на microsoft/speecht5_tts и дообучена на наборе данных facebook/voxpopuli. Модель предназначена для преобразования текстового ввода в речь; архитектура — SpeechT5ForTextToSpeech. Репозиторий содержит веса PyTorch в формате safetensors и распространяется по лицензии MIT. Карточка не описывает качество синтеза, голосовые характеристики или ограничения применения. Базовая SpeechT5 обучалась на LibriTTS, а эта версия — на VoxPopuli; метаданные указывают немецкую специализацию по идентификатору модели.

ptah23/speecht5_finetuned_voxpopuli_es — дообученная Питером Гелдерблумом модель Microsoft SpeechT5 для синтеза испанской речи из текста на данных VoxPopuli ES. Она использует архитектуру SpeechT5ForTextToSpeech; веса доступны в форматах PyTorch и Safetensors. На оценочной выборке указана потеря 0,4400. Модель подходит для озвучивания испанских текстов и экспериментов с синтезом речи. Выпущена под лицензией MIT.

SpeechT5-it — модель синтеза речи из текста, созданная дообучением microsoft/speecht5_tts на датасете VOXPOPULI. Она предназначена для генерации итальянской речи по тексту. В метаданных указана архитектура SpeechT5ForTextToSpeech и форматы PyTorch и Safetensors; на тестовой выборке сообщается значение loss 0,4600. Модель опубликована под лицензией MIT.