I.15Доступность и ассистивные технологии

Это модель автоматического распознавания финской речи, созданная Jonatas Grosman на основе facebook/wav2vec2-large-xlsr-53. Модель семейства wav2vec2 с архитектурой Wav2Vec2ForCTC содержит 402,7 млн параметров и дообучена на финском языке на обучающей и валидационной выборках Common Voice 6.1 и CSS10. Модель преобразует аудиозаписи на финском языке в текст и подходит для транскрибирования речи. Для подачи аудио требуется частота дискретизации 16 кГц. В README приведены результаты оценки WER и CER на тестовой выборке Common Voice; качество может отличаться на других данных и при иных настройках оценки. Лицензия — Apache-2.0.

imvladikon/wav2vec2-large-xlsr-53-hebrew — модель автоматического распознавания речи на иврите, созданная дообучением facebook/wav2vec2-large-xlsr-53 на нескольких загруженных образцах с YouTube. Она принимает аудио с частотой дискретизации 16 кГц и выдаёт распознанный текст; архитектура — Wav2Vec2ForCTC, число параметров — 402,7 млн. Модель подходит для транскрибирования ивритской речи в текст. Распространяется по лицензии Apache-2.0.

jonatasgrosman/wav2vec2-large-xlsr-53-polish — модель распознавания польской речи, разработанная Jonatas Grosman как дообучение facebook/wav2vec2-large-xlsr-53 на обучающей и валидационной выборках Common Voice 6.1. Это плотная модель архитектуры wav2vec2 с 402,7 млн параметров и выходной головой CTC; доступны веса PyTorch и Flax. Модель принимает аудио и преобразует речь на польском языке в текст. Для подачи аудио требуется частота дискретизации 16 кГц. Она предназначена для автоматического распознавания речи, в том числе записей, подобных материалам Common Voice. Модель распространяется по лицензии Apache-2.0. Карточка демонстрирует применение без языковой модели и перечисляет оценки на тестовой выборке Common Voice 6.0 и наборе speech-recognition-community-v2; конкретные показатели в предоставленном фрагменте отсутствуют.

ifrz/wav2vec2-large-xlsr-galician — модель автоматического распознавания речи на галисийском языке, созданная путём дообучения facebook/wav2vec2-large-xlsr-53. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Обучение проводилось на размеченных аудиоданных OpenSLR 77 и Mozilla Common Voice 8.0; для оценки указана метрика WER 7,12. Модель принимает монофоническую речь с частотой дискретизации 16 кГц и преобразует её в текст. Подходит для транскрибирования галисийской речи и распознавания аудио на галисийском языке. Распространяется по лицензии Apache-2.0.

Galuh/wav2vec2-large-xlsr-indonesian — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на индонезийском наборе Common Voice. Она преобразует аудиозапись речи в текст и рассчитана на распознавание индонезийской речи. Модель построена на архитектуре Wav2Vec2ForCTC и содержит 402,7 млн параметров; входное аудио должно иметь частоту дискретизации 16 кГц. В README приведён результат оценки 18,32% на тестовых данных Common Voice; метрика не уточнена. Указана лицензия Apache-2.0. Карточка не описывает дополнительные ограничения и сценарии использования.

Модель dnikolic/wav2vec2-xlsr-530-serbian-colab — дообученная версия facebook/wav2vec2-xls-r-300m на неизвестном наборе данных для автоматического распознавания речи. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров; репозиторий включает веса PyTorch. Модель предназначена для преобразования сербской речи в текст. Лицензия — Apache-2.0. Карточка не приводит сведений о составе обучающих данных, качестве распознавания и ограничениях применения, поэтому эти характеристики оценить нельзя.

Модель gagan3012/wav2vec2-xlsr-khmer — версия Wav2Vec2-Large-XLSR-53, дообученная на кхмерской речи разработчиком репозитория на данных Common Voice и OpenSLR Kh. Это модель распознавания речи с архитектурой Wav2Vec2ForCTC и примерно 402,7 млн параметров; она принимает аудио и выдаёт распознанный текст. Модель предназначена для преобразования кхмерской речи в текст. Для работы входную речь нужно подавать с частотой дискретизации 16 кГц. В README приведены результаты оценки на тестовой выборке Common Voice: WER 24,96% и CER 6,95%; примеры предсказаний в карточке отображаются письмом деванагари, поэтому их соответствие кхмерскому языку неясно. Веса доступны в форматах PyTorch и Flax. Лицензия — Apache-2.0.

Scrya/whisper-large-v2-cantonese — дообученная модель распознавания речи на базе OpenAI Whisper Large V2. Она обучена на разделах train и validation датасета Mozilla Common Voice 11.0 и предназначена для преобразования кантонской речи в текст. Модель использует архитектуру Whisper с 905,2 млн параметров; для оценки указана метрика CER 6,2133 на тестовой выборке Common Voice 11.0. Модель принимает аудио и выдаёт текст. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Карточка не описывает ограничения по качеству, шуму или условиям записи.

Shiry/whisper-large-v2-he — дообученная модель распознавания речи на основе OpenAI Whisper Large-v2. Она предназначена для преобразования аудиозаписей на иврите в текст. Модель содержит около 905,2 млн параметров и использует архитектуру Whisper; для дообучения применялся датасет google/fleurs, вариант he_il. В оценке на тестовой выборке указаны loss 0,5483 и WER 27. Модель принимает аудио и выдаёт текстовую транскрипцию. Репозиторий распространяется под лицензией Apache-2.0. Карточка не описывает дополнительные сценарии применения или ограничения качества, поэтому результат следует оценивать на записях, похожих на целевые по условиям записи и речи.

vumichien/whisper-large-v2-mix-jp — дообученная пользователем vumichien модель распознавания речи на базе OpenAI Whisper large-v2. Она предназначена для преобразования японской речи в текст; дообучение проведено на наборе vumichien/preprocessed_jsut_jsss_css10_common_voice_11. Архитектура WhisperForConditionalGeneration, около 905,2 млн параметров. В README приведены результаты оценки: WER 7,6453 и CER 4,7187, но описание тестового набора и условий оценки отсутствует. Модель принимает аудио и выдаёт текст. Распространяется по лицензии Apache-2.0.

Whisper Large v3 Nepali — модель распознавания речи, созданная Кира́ном Пантхой путём дообучения openai/whisper-large-v3 на сбалансированном наборе OpenSLR54 для непальского языка. Модель содержит 905,2 млн параметров и использует архитектуру Whisper; она принимает аудио и преобразует речь в текст. Подходит для транскрибации непальской речи. В README приведены результаты оценки на тестовой выборке: WER 18,725 и CER 4,4861. Репозиторий распространяется по лицензии Apache-2.0.

Whisper Large v3 Turbo Nepali — модель распознавания речи, дообученная Kiran Pantha на базе openai/whisper-large-v3-turbo с использованием датасета OpenSLR54. Она предназначена для преобразования речи на непальском языке в текст. Модель построена на архитектуре Whisper и содержит 905,2 млн параметров; для инференса доступны веса в формате safetensors. На указанном в карточке наборе оценки модель получила loss 0,1707, WER 23,6343 и CER 5,4903. Эти результаты относятся к конкретной оценочной выборке и не гарантируют такую же точность на других записях. Лицензия модели — MIT.

sajilck разработала Whisper Small Malayalam — модель распознавания речи на базе Whisper Small от OpenAI, дообученную на объединённом корпусе из шести наборов данных с речью на малаялам. Модель предназначена для транскрибирования малаяламской речи; в метаданных указаны архитектура Whisper, 153,1 млн параметров и формат safetensors. Для подачи аудио README указывает WAV, 16 кГц, моно, PCM 16 бит. Модель обучалась на аудиозаписях с прочитанной речью, краудсорсинговых данных и новостных трансляциях. В README приведены результаты 37,64% WER на тестовом наборе CommonVoice Malayalam и 43,5% WER / 7,3% CER на тесте из разных источников после фильтрации дубликатов. Лицензия — Apache-2.0. Качество может быть ниже на спонтанной разговорной речи и отдельных диалектах; иностранные имена модель может передавать фонетически на малаялам. README сообщает, что обычный запуск через Transformers на CPU медленнее реального времени. Указанная там версия уступает более новой sajilck/whisper-small-malayalam-v2 по оценке на тесте без утечек данных.

IbrahimDayax/xls-r-1b-somali-stt-asr — модель распознавания сомалийской речи в текст, разработанная IbrahimDayax как дообучение facebook/wav2vec2-xls-r-1b. Она использует архитектуру Wav2Vec2 XLS-R с CTC-головой и содержит около 1,3 млрд параметров по метаданным. Модель принимает аудио и выдаёт текст; она предназначена для автоматического распознавания сомалийской речи, а не для синтеза речи. В README для нормализованного текста на проверенной выборке из 781 примера указаны WER 6,83% и CER 1,42%. Авторы сообщают о сравнении с другими публичными сомалийскими ASR-моделями, отмечая, что обучающие данные включали обучающую часть источника, из которого взята тестовая выборка. Модель выпущена под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

tomascufaro/xls-r-es-test — дообученная модель распознавания речи на базе facebook/wav2vec2-large-xlsr-53. Она использует архитектуру wav2vec2 с CTC-декодированием и содержит около 402,7 млн параметров. Модель обучена на испанской части набора Common Voice 8.0 и предназначена для преобразования испанской речи в текст. На оценочной выборке указаны WER 0,1261 и CER 0,035. Модель принимает аудио и выдаёт текст; результаты на других языках и типах аудио в карточке не приведены. Лицензия — Apache-2.0.

shpotes/xls-r-eus — модель автоматического распознавания речи, дообученная на базе facebook/wav2vec2-xls-r-300m на наборе MOZILLA-FOUNDATION/COMMON_VOICE_8_0 для баскского языка. Она построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель преобразует аудиозапись речи в текст и подходит для транскрибирования баскской речи, в том числе записей в стиле Common Voice. В README указаны результаты оценки на тестовой выборке: WER 0,1787 и loss 0,2278. Модель опубликована под лицензией Apache-2.0. Карточка не описывает специальные ограничения и условия записи, поэтому качество на других наборах данных и в иных акустических условиях по этим сведениям оценить нельзя.

Модель разработана Samuel Olubukun как дообученная версия Coqui XTTS-v2 для синтеза речи на йоруба. Она принимает текст и короткий аудиофрагмент длительностью 3–10 секунд, чтобы синтезировать речь с переносом характеристик голоса; также сохраняет возможности базовой модели по клонированию голоса и межъязыковому переносу. Архитектура XTTS-v2 включает авторегрессионный GPT-декодер и вокодер спектрограмм на основе дискретного VAE; размер модели — 521,8 млн параметров. Для поддержки йоруба расширен BPE-токенизатор и добавлен языковой тег [yo]. Модель обучена на 8 000 пар аудио и текста из йоруба-раздела OpenBibleTTS. Она особенно подходит для синтеза формальной начитанной речи на йоруба, в том числе с голосом из короткого образца. Обучающие данные ограничены библейской тематикой и литургическим регистром, поэтому естественность разговорной, быстрой или неформальной речи может быть ниже. Автоматические метки дикторов и выравнивание сегментов могут содержать неточности. Лицензия унаследована от Coqui Public Model License / MRCUL.

ZwZ-4B — мультимодальная модель для детального восприятия изображений, разработанная inclusionAI на основе Qwen3-VL-4B-Instruct. Это плотная модель семейства Qwen3-VL с 4 млрд параметров, предназначенная для ответов на вопросы об изображениях и распознавания мелких визуальных деталей. Обучение сочетает дистилляцию Region-to-Image и обучение с подкреплением на наборе ZwZ-RL-VQA из 74 тысяч примеров. Модель обрабатывает изображение за один проход без увеличения отдельных областей во время вывода и без вызовов инструментов. Авторы сообщают о высоких результатах на тестах детального восприятия и улучшениях в визуальном рассуждении, сценариях GUI-агентов и обнаружении изображений, созданных ИИ. Доступны веса Safetensors для Transformers; лицензия — Apache-2.0.

ASR-Somali — модель распознавания речи на основе архитектуры Wav2Vec2ForCTC с 402,7 млн параметров. Она создана дообучением facebook/wav2vec2-large-xlsr-53 и предназначена для преобразования сомалийской речи в текст. В карточке приведены результаты оценки: потеря 0,3660 и WER 0,3060. Модель принимает аудио и выдаёт текст; репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Подробности о данных обучения и ограничениях в карточке не раскрыты.

Salesforce BLIP VQA CapFilt Large — модель для ответов на вопросы об изображениях, основанная на архитектуре BLIP с визуальным энкодером ViT-Large. Она использует совместное обучение языкового и визуального компонентов; в описании BLIP указано применение фильтрации шумных пар изображение–текст и генерации синтетических подписей при подготовке данных. Модель предназначена для visual question answering: она принимает изображение и вопрос на естественном языке и формирует текстовый ответ. В README также приведены примеры условной и безусловной генерации подписей к изображениям. Модель подходит для вопросов о содержимом изображений, а также для генерации описаний изображений. Карточка ссылается на широкую оценку BLIP в задачах понимания и генерации изображений, но конкретные показатели именно этого чекпойнта не приведены. Доступны веса PyTorch и TensorFlow. Лицензия — BSD 3-Clause; README отмечает исследовательское назначение выпуска и рекомендует отдельно оценивать точность, безопасность и справедливость перед применением.

zai-org представила CogVLM — открытую визуально-языковую модель для диалога по изображениям. Вариант в этом репозитории содержит 6,6 млрд параметров и использует архитектуру CogVLMForCausalLM; в README для семейства описаны визуальный энкодер ViT, MLP-адаптер, предварительно обученная языковая модель GPT и модуль визуального эксперта. Максимальная длина контекста — 2048 токенов. Модель предназначена для описания изображений, ответов на вопросы о них и задач визуального понимания, включая распознавание объектов и чтение текста на изображении. README приводит результаты семейства CogVLM на бенчмарках для генерации подписей, визуальных вопросов и локализации объектов. Метаданные указывают формат safetensors. Сведения о лицензии и ограничениях применения в предоставленных материалах отсутствуют.

DhVaani — модель синтеза речи с клонированием голоса, разработанная ARTPARK-IISc и дообученная на основе k2-fsa/ZipVoice. Она принимает целевой текст и несколько секунд эталонной речи вместе с её расшифровкой, затем генерирует речь голосом говорящего из записи. Модель использует архитектуру ZipVoice с flow matching и посимвольный токенизатор для индийских письменностей; базовая модель содержит 123 млн параметров. Речь выводится с частотой 24 кГц. Модель рассчитана на 27 языков Индии и поддерживает разные письменности, включая деванагари, бенгальско-ассамское письмо, тамильское и телугу. Наиболее полно представлены английский, хинди, бенгальский, маратхи, каннада, телугу и ряд других языков; для санскрита, догри, кашмирского и раджастхани обучающих данных существенно меньше. Репозиторий распространяет веса в safetensors, лицензия — Apache-2.0. DhVaani подходит для многоязычного синтеза речи и переноса голоса по короткому аудиопримеру. Качество зависит от объёма данных для конкретного языка; смешение английских слов с индийскими языками может давать неровную просодию. Лучше использовать чистую запись одного говорящего длительностью 3–10 секунд; редкие символы и эмодзи вне словаря пропускаются.

Florence-2-large-hf — модель семейства Florence-2, опубликованная на Hugging Face как совместимая с библиотекой Transformers. По метаданным она относится к задачам image-text-to-text, то есть предназначена для преобразования визуального содержимого изображения в текстовый ответ или описание. Модель может применяться в сценариях, где требуется анализ изображений с формированием текста, например для генерации описаний изображений, визуальных вопросов и ответов или извлечения сведений из визуального содержимого. README является автоматически созданной карточкой и не содержит подтверждённых сведений о разработчике, архитектуре, числе параметров, поддерживаемых языках, длине контекста, обучающих данных, результатах оценки или лицензии. Основное ограничение — недостаток технической и эксплуатационной документации в карточке модели; фактические возможности, качество на конкретных наборах данных и условия использования требуют дополнительной проверки.

GIT-base — базовая по размеру модель GenerativeImage2Text, разработанная Microsoft и представленная в статье Wang et al. Это декодер Transformer, который получает визуальные токены изображения от CLIP и предыдущие текстовые токены, а затем генерирует текст. Модель содержит 80,1 млн параметров, использует архитектуру GitForCausalLM и обучена на 10 млн пар изображение—текст. Модель предназначена прежде всего для создания подписей к изображениям. Архитектура также позволяет применять её для визуальных вопросов и ответов по изображениям и видео, описания видео и классификации изображений с выдачей класса текстом. В метаданных указана поддержка английского языка и контекст 1024 токена. GIT-base принимает изображение и выдаёт текст; для задач, требующих специализированного качества, подходят дообученные версии. Карточка не приводит оценки качества, а результат генерации зависит от изображения и формулировки запроса. Модель распространяется по лицензии MIT.

microsoft/git-base-vatex — модель GIT (Generative Image-to-Text), разработанная Microsoft и дообученная на наборе VATEX. Это декодер-трансформер, который принимает токены изображения, полученные CLIP, и текстовые токены и генерирует следующий текстовый токен. Версия GIT-base предварительно обучалась на 10 миллионах пар изображение–текст; в репозитории доступны веса в форматах PyTorch и Safetensors. Размер модели — 80,1 млн параметров, максимальный контекст — 1024 токена. Модель предназначена прежде всего для генерации описаний к видео. Архитектура также подходит для описания изображений, визуальных вопросов и ответов по изображениям или видео и текстовой классификации изображений. Обучение на VATEX ориентирует этот вариант на подписи к видео; карточка не приводит отдельной оценки качества. Модель принимает изображения и текст и генерирует текст. Указанный в карточке язык — английский. Лицензия MIT.

IC_ver6e_coco_swin_gpt2_50Apc_1e — модель генерации текстовых описаний изображений, разработанная VK246 и дообученная на наборе COCO от базовой модели VK246/IC_ver6d_coco_swin_gpt2_50Bpc_1e. Архитектура — vision-encoder-decoder на базе VisionEncoderDecoderModel: на вход подаётся изображение, на выходе генерируется текстовое описание. Репозиторий содержит веса PyTorch. Модель предназначена для автоматического описания изображений и оценки таких описаний на тестовой выборке COCO. В README приведены метрики оценки, включая CIDEr 19.1116, ROUGE-1 42.2076 и BLEU-4 10.5581. Сведения о поддерживаемых языках, длине контекста и условиях лицензии в доступных данных отсутствуют.

ICver6Lcocoswingpt250B1e — дообученная на наборе COCO модель VK246 для генерации текстового описания по изображению. Она построена на архитектуре vision-encoder-decoder: визуальный энкодер Swin обрабатывает изображение, а декодер GPT-2 формирует текст. В метаданных Hugging Face указана задача image-text-to-text и формат PyTorch. Модель предназначена для автоматического описания изображений и оценки качества таких описаний. В README приведены результаты на тестовом наборе: CIDEr 72,6054, ROUGE-1 41,2906 и BLEU-4 10,0894. Данных о поддерживаемых языках, размере модели и лицензии в предоставленных источниках нет.

Salesforce/instructblip-flan-t5-xxl — мультимодальная модель InstructBLIP, разработанная Salesforce и представленная в исследовании Dai и соавторов. Она сочетает визуальную часть BLIP-2 с языковой моделью Flan-T5-xxl и настроена следовать инструкциям о содержимом изображения. Модель принимает изображение вместе с текстовым запросом и формирует текстовый ответ, например описание или ответ на вопрос об изображении. Модель подходит для визуальных вопросов и ответов, описания изображений и других сценариев взаимодействия с изображением на естественном языке. В метаданных указан английский язык. Весовые файлы доступны в форматах PyTorch и Safetensors; лицензия — MIT. Авторы рекомендуют оценивать точность, безопасность и справедливость модели перед применением: она не оценивалась для всех возможных сценариев, а ошибки особенно важны в высокорисковых областях.

InternVL3-9B — мультимодальная модель OpenGVLab семейства InternVL3 для диалога и задач, связывающих изображения с текстом. Она построена по схеме ViT-MLP-LLM: визуальный кодировщик InternViT соединён с языковой моделью через MLP-проектор. Для языковой части семейства используются предварительно обученные LLM, включая Qwen 2.5; в этой версии применяется динамическое разбиение изображений на фрагменты 448×448 и поддерживаются несколько изображений и видео. Модель предназначена для описания и анализа изображений, визуальных вопросов и ответов, мультимодальных рассуждений, понимания видео, GUI-сценариев, работы с инструментами и 3D-сцен. Подходит также для задач на чистом тексте. README описывает развитие возможностей в семействе InternVL3, но не приводит отдельные показатели качества или точную длину контекста именно этой модели. Метаданные связывают репозиторий с OpenGVLab/InternVL3-9B-Instruct как с базовой дообученной моделью; файлы представлены в формате safetensors. Лицензия — MIT.

KaniTTS EXPO2025 Osaka Japanese — компактная модель синтеза японской речи, представленная как подарок от Кыргызской Республики к Expo Osaka 2025. Это дообученная версия KaniTTS Pretrain v0.3 с архитектурой LFM2 и примерно 460 млн параметров по метаданным; README указывает размер 370 млн параметров. Модель принимает текст и генерирует речь на японском языке. В README описан двухэтапный конвейер: языковая модель формирует сжатые аудиотокены, затем нейрокодек синтезирует звуковую волну. Указана частота дискретизации 22 кГц и контекст 128 000 токенов по метаданным. Модель предназначена для разговорных помощников с низкой задержкой, экранных дикторов, языкового обучения и запуска на ограниченных ресурсах. README сообщает о генерации 15 секунд аудио примерно за секунду и потреблении около 2 ГБ VRAM на RTX 5090; эти показатели относятся к указанной конфигурации оборудования. Лицензия — Apache 2.0. Среди ограничений названы ухудшение качества при входах длиннее 2000 токенов и ограниченная выразительность эмоций без дополнительного дообучения; произношение и просодия могут наследовать смещения обучающих данных.