I.15Доступность и ассистивные технологии

SpeechT5-TTS-v1 for Thai — модель синтеза речи из текста, созданная ThuraAung1601 дообучением microsoft/speecht5_tts на наборе Edited Thai Common Voice. Она предназначена для преобразования тайского текста в аудио; в карточке указано значение loss 0.5074 на оценочной выборке. Модель использует архитектуру SpeechT5 и распространяется в формате safetensors. Модель выпущена под лицензией MIT. Карточка не сообщает сведения о размере модели, длине контекста, голосах, качестве звучания или ограничениях применения.

rsxdalv/suno — вариант модели Bark, разработанной Suno, с крупным набором весов для генерации аудио по тексту. Это каскад из трёх трансформерных моделей: первая преобразует текст в семантические токены, а две следующие — в аудиотокены кодека EnCodec. Модель предназначена для синтеза реалистичной многоязычной речи, а также музыки, фонового шума, простых звуковых эффектов и невербальных вокализаций — например, смеха, вздохов и плача. Репозиторий содержит веса PyTorch и Safetensors; автор README также описывает варианты bf16, которые занимают меньше места и ускоряют инференс при использовании в этом формате. Поддерживаются английский, немецкий, испанский, французский, хинди, итальянский, японский, корейский, польский, португальский, русский, турецкий и китайский языки. Лицензия — MIT. Выходные данные не фильтруются; авторы предупреждают о возможности злоупотреблений, включая имитацию голоса.

Карточка модели hoanglinhn0/supertonic-3-SD 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.

TEA-ASR-1.1-mini-fmt — компактная модель автоматического распознавания речи для тайваньского мандаринского языка, разработанная как вариант TEA-ASR-1.1-mini с управляемым форматом записи числительных. Модель дообучена на базе Qwen/Qwen3-ASR-0.6B и содержит около 780 млн параметров. Она принимает аудио и транскрибирует его традиционными китайскими иероглифами, включая тайваньскую лексику. Формат числительных задаётся префиксом декодера: можно выбрать арабские цифры или запись китайскими числительными. Управление форматом даёт умеренный эффект: оно заметнее на обычной тайваньской речи и слабее на спонтанных лекциях. Модель рассчитана прежде всего на мандаринскую речь; по устойчивости к плотному переключению между китайским и английским она уступает основной версии TEA-ASR-1.1-mini. В README приведены результаты тестирования на CommonVoice, ASCEND и CSZS. Подходит для расшифровки субтитров, записей и журналов, где требуется единое оформление чисел, при ограниченных вычислительных ресурсах. Использует архитектуру Qwen3-ASR и формат весов Safetensors; для работы с моделью указана библиотека Transformers. Лицензия — MIT.

Tiro Qwen3-ASR 1.7B (FFASR) — дообученная модель распознавания речи, подготовленная для дальнепольной записи и представленная на Far-Field ASR Leaderboard. Она основана на Qwen/Qwen3-ASR-1.7B-hf; при обучении обновлялись только аудиоэнкодер и мультимодальный проектор, а аудиоданные формировались с применением акустических импульсных характеристик помещений и шумов. Модель предназначена для транскрибации речи, записанной на расстоянии или в акустически сложных помещениях. Модель использует архитектуру Qwen3-ASR с плотной конфигурацией и принимает аудио, выдавая текстовую транскрипцию. В карточке указан английский язык. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Размер модели и длина контекста в доступных данных не указаны.

utrobinmv/tts_ru_free_hf_vits_high_multispeaker — русскоязычная модель синтеза речи с несколькими голосами на архитектуре VITS. Она принимает обычный текст с пунктуацией, без предварительного преобразования в фонемы, и генерирует речь на русском языке. Доступны два голоса: женский с идентификатором 0 и мужской с идентификатором 1; текст следует подавать строчными буквами. Модель сама расставляет ударения, но для повышения качества README рекомендует указывать их перед гласными. Модель содержит 4,7 млн параметров, опубликована в формате Safetensors и доступна по лицензии Apache-2.0. Она подходит для озвучивания русскоязычных текстов с выбором женского или мужского голоса. Из описания не следует, что модель поддерживает другие языки или функции клонирования голоса.

Карточка модели YaWai23/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 kiranpantha/w2v-bert-2.0-nepali — дообученная версия facebook/w2v-bert-2.0 для автоматического распознавания непальской речи. Она принимает аудио и выдаёт текст; архитектура Wav2Vec2-BERT реализована классом Wav2Vec2BertForCTC. Модель содержит 402,7 млн параметров и обучалась на наборе OpenSLR54-Balanced-Nepali. На указанном в карточке наборе оценки получены Loss 0,2212, WER 0,2525 и CER 0,0565. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT. Карточка не описывает дополнительные сценарии, языки помимо непальского или практические ограничения качества; приведённые метрики относятся только к указанной оценочной выборке.

w2vbert-lingala-sd3 — модель автоматического распознавания речи, разработанная как дообученная версия sulaimank/w2vbert-lingala-waxal-punct-v2. Она построена на архитектуре Wav2Vec2-BERT с CTC-выходом, содержит 402,8 млн параметров и принимает аудио, выдавая распознанный текст. По названию и базовой модели предназначена для распознавания речи на языке лингала; README приводит метрики оценки, включая WER 0,1038 с сохранением пунктуации и 0,0530 после её удаления. Модель подходит для транскрибации аудиозаписей на лингала. Данных о контекстном окне, составе обучающего набора, лицензии и конкретных ограничениях в предоставленных источниках нет.

Модель khanhld/wav2vec2-base-vietnamese-160h — дообученная авторами на примерно 160 часах вьетнамской речи версия Wav2Vec2 для автоматического распознавания речи. Она использует архитектуру Wav2Vec2ForCTC, содержит 113,3 млн параметров и принимает аудио, выдавая распознанный текст на вьетнамском языке. Обучающие данные собраны из VIVOS, Common Voice, FOSD и VLSP 100h. Модель предназначена для преобразования вьетнамской речи в текст. В README приведены результаты WER 15,05 на VIVOS и 10,78 на Common Voice 8.0 без языковой модели; интеграция языковой модели в описанной ASR-системе ещё не выполнена. Распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

Модель vitouphy/wav2vec2-xls-r-300m-japanese — дообученная на Common Voice 8.0 японская система автоматического распознавания речи, созданная на основе facebook/wav2vec2-xls-r-300m. Она преобразует аудио в японский текст, выводя его в хирагане. Для подготовки текста и токенизации автор преобразовал кандзи и катакану в хирагану с помощью pykakasi и использовал fugashi. Модель построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. В README приведены результаты оценки на Common Voice и speech-recognition-community-v2, включая CER и WER; применение языковой модели улучшает указанные метрики. Модель подходит для транскрибирования японской речи, когда требуется запись хираганой. Лицензия — Apache-2.0.

Модель anuragshas/wav2vec2-xls-r-300m-sk-cv8-with-lm — акустическая модель распознавания речи на базе facebook/wav2vec2-xls-r-300m, дообученная на словацкой части Mozilla Common Voice 8.0. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров; входом служит аудио, а результатом — текстовая расшифровка речи на словацком языке. Модель предназначена для автоматического распознавания словацкой речи. В карточке приведены результаты на тестовой выборке Common Voice 8: WER 26,707 без языковой модели и 18,609 при оценке с языковой моделью. Репозиторий включает веса PyTorch, лицензия — Apache-2.0. Ограничения и дополнительные сценарии применения в карточке не описаны.

BSC-LT/whisper-3cat-balearic — модель автоматического распознавания речи, созданная лабораторией языковых технологий Barcelona Supercomputing Center. Это дообученная версия Whisper large-v3 с архитектурой Whisper и 905,2 млн параметров; модель обучали на 90 часах вручную расшифрованных телепередач на каталонском языке из корпуса 3catparla_asr. Модель предназначена для транскрибации каталонской речи, особенно с балеарским акцентом, в обычный текст без пунктуации. Она принимает аудио и выдаёт текст; основная область применения — расшифровка каталонских аудиозаписей и телеэфиров. Модель распространяется в формате PyTorch через Transformers по лицензии Apache-2.0.

steja/whisper-large-shona — модель распознавания речи на архитектуре Whisper Large v2, дообученная автором steja на наборе google/fleurs для языка шона (вариант sn_ZW). Она преобразует аудио в текст и предназначена прежде всего для автоматической транскрипции речи на шона. Модель содержит около 905,2 млн параметров и опубликована в формате PyTorch. На оценочной выборке указана WER 37,5 и loss 0,9189; это результаты конкретной оценки, которые не гарантируют такой же точности на других записях. Модель распространяется по лицензии Apache-2.0.

Это дообученная на базе openai/whisper-medium модель распознавания речи, опубликованная пользователем dianavdavidson. Она предназначена для преобразования аудиоречи в текст; название указывает на настройку для хинди и датасет Vaani, однако README не уточняет обучающие данные и сценарии применения. В метаданных указаны архитектура Whisper, библиотека Transformers и формат весов safetensors. В README приведены результаты оценки: Loss 0,4088 и Global WER 29,3511. Эти значения описывают оценку на указанном наборе, но без сведений о методике и данных их нельзя напрямую переносить на другие аудиозаписи. Модель распространяется по лицензии Apache-2.0.

Whisper Small Malayalam — модель распознавания речи, созданная Kavya Manohar дообучением openai/whisper-small на наборе Common Voice 13. Она предназначена для преобразования речи на малаялам в текст. Модель содержит 153,1 млн параметров и использует архитектуру WhisperForConditionalGeneration; веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. На указанном в карточке наборе оценки модель получила значение WER 86,1789 и loss 0,5060. Эти результаты характеризуют только приведённую оценку и не гарантируют точность на других записях; подробности условий оценки в карточке отсутствуют.

steja/whisper-small-somali — модель распознавания речи на основе OpenAI Whisper Small, дообученная автором на подмножестве so_so датасета Google FLEURS. Она предназначена для преобразования аудиозаписей на сомалийском языке в текст; архитектура Whisper содержит около 153,1 млн параметров. В оценке на тестовой выборке указаны loss 2,0764 и WER 66,5950. Модель подходит для транскрибирования сомалийской речи в записях и голосовых материалах. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0. Высокий указанный WER свидетельствует о существенных ошибках распознавания, поэтому транскрипции могут требовать проверки и исправления.

smutuvi/whisper-small-sw-common-voice — дообученная модель автоматического распознавания речи на базе openai/whisper-small. Она предназначена для преобразования аудиозаписей речи на суахили в текст. В README приведены результаты оценки: loss 0,4254 и WER 32,1287; подробности о наборе данных и условиях оценки не раскрыты. Модель использует архитектуру Whisper и содержит 153,1 млн параметров. Базовая Whisper-small — мультиязычная модель для транскрибирования речи и перевода аудио на английский, однако эта версия дообучена для распознавания суахили. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

TheirStory/whisper-small-xhosa — дообученная модель OpenAI Whisper-small для автоматического распознавания речи на языке isiXhosa. Она предназначена для транскрибирования аудиозаписей на isiXhosa; архитектура основана на Whisper, число параметров — 153,1 млн. Модель обучалась на корпусе NCHLT isiXhosa Speech Corpus объёмом около 56 часов: это короткие прочитанные вслух фразы, записанные на смартфон вне студии; в корпусе участвовали 209 дикторов. В README приведён показатель WER 29,73%. Он отражает качество на оценке автора, но сам по себе не гарантирует такую же точность на других типах речи и условиях записи. Модель распространяется по лицензии Apache-2.0; корпус обучения указан под лицензией CC BY 3.0.

EYEDOL/whisper-tiny-hausa2 — модель автоматического распознавания речи на основе архитектуры Whisper, дообученная разработчиком EYEDOL на наборе EYEDOL/naija-voices-hausa-split_0-5. Модель содержит 29,4 млн параметров и предназначена для преобразования речи на хауса в текст. В README приведены результаты оценки: WER 0,4809, орфографический WER 0,5454 и loss 0,6946. Указанные результаты относятся к оценочному набору; сведений о контексте применения и дополнительных языках карточка не содержит. Модель распространяется по лицензии Apache-2.0.

theshivam7/whisper-tiny-indian-english — полное дообучение Whisper Tiny от OpenAI, выполненное автором репозитория с помощью Transformers Seq2SeqTrainer. Модель предназначена для транскрибации речи на английском языке с индийским акцентом, в частности академических лекций в стиле NPTEL. В основе — Whisper Tiny с 39 млн параметров; модель принимает аудио и выдаёт текст. Она обучалась на корпусе TIE_shorts и оценивалась на его тестовой выборке. На тесте TIE_shorts модель показала WER 19,14% против 22,10% у исходной Whisper Tiny. Это улучшение не достигло статистической значимости после поправки на множественные сравнения. Обучающая и тестовая выборки содержат записи одних и тех же говорящих, поэтому часть выигрыша может объясняться адаптацией к дикторам; на другие варианты английского и области применения модель не оценивалась. Лицензия — Apache-2.0.

NaufalAqil18/whisper-tiny-indov2 — дообученная NaufalAqil18 модель распознавания речи на базе OpenAI Whisper Tiny. Она преобразует аудио в текст; размер модели составляет 29,4 млн параметров, архитектура — WhisperForConditionalGeneration. Модель обучена на датасете generator и предназначена для транскрибации аудиозаписей. В README приведены результаты оценки: loss 0,3805, WER 30,6093 и CER 14,6600. Лицензия — Apache-2.0. Карточка не уточняет языки аудио и условия тестирования, поэтому результаты сами по себе не позволяют судить о качестве распознавания в конкретном сценарии.

XTTS-v2 — многоязычная модель синтеза речи от Coqui. Она генерирует речь по тексту и клонирует голос по короткому аудиофрагменту длительностью около шести секунд, в том числе при переносе голоса на другой язык. Модель поддерживает 17 языков: английский, испанский, французский, немецкий, итальянский, португальский, польский, турецкий, русский, нидерландский, чешский, арабский, китайский, японский, венгерский, корейский и хинди. XTTS-v2 улучшает обусловливание по голосу, поддерживает несколько эталонных аудиозаписей и смешивание голосов, а также перенос эмоций и стиля. Заявленная частота дискретизации выходного аудио — 24 кГц. Кодовая база поддерживает инференс и дообучение. В метаданных указан формат PyTorch и лицензия other; конкретные условия лицензии следует сверять с карточкой модели и сопровождающими материалами Coqui.

ZipVoice — модель синтеза речи с текстовым энкодером и flow decoder, подготовленная в форматах ONNX и GGUF для RLX. Репозиторий eugenehp/zipvoice содержит конвертированную раскладку upstream-чекпойнта, включая компоненты энкодера, декодера и вокодера. Модель предназначена для преобразования текста в речь через runtime RLX; README отмечает, что это staging-сборка, а не основной runtime-пакет. Лицензия репозитория — Apache-2.0.

Это модель автоматического распознавания речи на базе архитектуры Wav2Vec2ForCTC с 113,3 млн параметров, разработанная автором gary109. Она дообучена на наборе GARY109/AI_LIGHT_DANCE — ONSET-IDMT-MDB-ENST-2, поверх gary109/ai-light-dance_drums_ft_pretrain_wav2vec2-base-new_onset-idmt-mdb-2. Репозиторий содержит веса PyTorch. Модель принимает аудио и предназначена для преобразования речи в текст. В README приведены результаты оценки: loss 0,6379 и WER 0,3792. Язык распознавания, рекомендуемые сценарии и ограничения применения в карточке не описаны. Лицензия в предоставленных данных не указана.

Это готовый конвейер для запуска FastVLM на процессоре: модуль ONNX преобразует изображение в эмбеддинги, а языковая часть на основе Qwen2-0.5B в формате GGUF генерирует текстовый ответ. Репозиторий musk12 включает веса и серверный код на основе llama.cpp; для запуска GPU не требуется. Модель принимает изображение и необязательную текстовую подсказку, поддерживает визуальные вопросы и ответы, а также задачи распознавания текста и деталей изображения. Доступны варианты обработки изображения 512×512 с 64 визуальными токенами и 1024×1024 с 256 токенами: первый быстрее, второй лучше подходит для мелкого текста и деталей, но имеет более высокую задержку. В README приведены результаты тестов на CPU, однако фактическая скорость зависит от оборудования. Сервер обрабатывает запросы последовательно. Модель распространяется по лицензии Apache-2.0.

Audio8 TTS Preview — компактная многоязычная модель синтеза речи от разработчика репозитория developerjeremylive. Модель насчитывает около 0,6 млрд параметров и использует архитектуру DualAR: медленный авторегрессионный трансформер предсказывает семантические токены аудиокадров, а быстрый — кодовые последовательности аудиокодека. В репозитории также есть кодек 44,1 кГц, токенизатор и процессор. Модель преобразует текст в речь и поддерживает клонирование голоса по короткому аудиопримеру без отдельного дообучения. Заявлены кантонский и китайский, нидерландский, английский, французский, немецкий, итальянский, японский, корейский, польский и испанский языки. Карточка приводит сравнительные результаты на тестах Seed-TTS и CV3, но они получены с разными нормализаторами и оценщиками, поэтому служат ориентиром, а не строгим рейтингом. Лицензия — Apache-2.0. Это предварительная версия с ограниченным охватом языков и диалектов. Длинные, шумные или неверно транскрибированные референсные записи могут снизить стабильность генерации и сходство голоса. Для работы с пользовательской записью требуется совпадающая с речью расшифровка; клонирование голоса следует выполнять с согласия его носителя.

Карточка модели Visionboxx/audio-flamingo-3 на Hugging Face совпадает с карточкой nvidia/audio-flamingo-3, поэтому описание составлено по ней. Audio Flamingo 3 (AF3) — открытая большая аудиоязыковая модель, разработанная NVIDIA для понимания речи, звуков и музыки, ответов на вопросы по аудио и рассуждений. Она подходит для анализа коротких и длинных аудиозаписей, голосового диалога и интерактивных помощников для работы со звуком и музыкой. Архитектура сочетает аудиоэнкодер AF-Whisper, MLP-адаптер и декодерную языковую модель Qwen2.5-7B; в AF3-Chat также предусмотрен потоковый синтез речи. Модель принимает аудио и текст, обрабатывает аудио длительностью до 10 минут и текстовый контекст до 16 000 токенов. Основной язык в карточке — английский. На выходе модель формирует текст, а в голосовом режиме может выдавать речь. Модель поддерживает многошаговый диалог с аудио и опциональное рассуждение; её обучали на наборах данных для речи, звуков и музыки. Для запуска предусмотрены PyTorch и Hugging Face Transformers; авторы ориентируют применение на NVIDIA A100/H100. Лицензия обозначена как other, а карточка ограничивает использование некоммерческими исследовательскими целями.

AuK — базовая модель Tencent для генерации и редактирования речи с 1,5 млрд параметров. Она использует диффузионный трансформер и единый интерфейс инструкций на естественном языке. Для работы модели отдельно загружаются MLLM-энкодер Qwen2.5-Omni-3B и VAE. Модель предназначена для синтеза речи по тексту, в том числе zero-shot и по инструкциям, а также для редактирования речевого содержимого и акустических характеристик, улучшения речи и разделения источников. Вариант AuK-Flash — отдельная дистиллированная модель для быстрого вывода за четыре шага; этот репозиторий содержит базовую AuK. В метаданных указан формат safetensors и лицензия MIT. Данные не уточняют поддерживаемые естественные языки, длину контекста или ограничения качества; возможности модели зависят от внешних компонентов, загружаемых при запуске.

Модель chatterbox-fp16 — конвертированная в формат MLX версия Chatterbox от Resemble AI, подготовленная сообществом mlx-community для библиотеки mlx-audio. Она синтезирует речь по тексту и поддерживает клонирование голоса по аудиообразцу. Для генерации речи можно задавать код языка; заявлена поддержка 23 языков, включая русский, английский, арабский, немецкий, японский и китайский. Модель распространяется в формате safetensors и рассчитана на запуск через mlx-audio. Лицензия — Apache-2.0. Репозиторий создан 17 декабря 2025 года. Размер модели и длина контекста в предоставленных данных не приведены. Подробности о качестве синтеза и ограничениях клонирования отсылаются к карточке исходной модели.