I.15Доступность и ассистивные технологии

OuteTTS-0.2-500M — модель синтеза речи от OuteAI, основанная на Qwen-2.5-0.5B. Это плотная авторегрессионная языковая модель архитектуры Qwen2 с 499,1 млн параметров; она принимает текст и аудиопромпты и генерирует речь. Контекст по метаданным составляет 32 768 токенов, хотя в README для генерации со speaker profile приводится ориентир 4096 токенов и до примерно 54 секунд аудио без учёта сокращения из-за профиля. Модель предназначена для преобразования текста в речь, следования аудиопромпту и клонирования голоса по профилю диктора. Основной язык — английский; поддержка китайского, японского и корейского заявлена как экспериментальная. README отмечает улучшения естественности звучания, точности следования промпту и разнообразия голосов по сравнению с предыдущей версией. Для качественного клонирования рекомендуются чистый аудиофрагмент длительностью около 10–15 секунд и точная расшифровка; необычные акценты и характеристики голоса могут воспроизводиться менее точно. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Это версия модели NVIDIA Parakeet для автоматического распознавания японской речи и преобразования её в текст. Чекпойнт основан на mlx-community/parakeet-tdt_ctc-0.6b-ja и подготовлен для запуска через MLX на устройствах Apple, включая iPhone и компьютеры Mac с Apple Silicon. В основе — гибридная архитектура FastConformer TDT-CTC; размер модели составляет 0,6 млрд параметров. Веса заранее приведены к формату bfloat16. Это уменьшает размер файлов примерно с 2,49 до 1,25 ГБ и снижает пиковую память при загрузке по сравнению с преобразованием из fp32 во время запуска; по README, изменение типа данных не меняет поведение модели при выводе. Модель предназначена для распознавания японской речи на устройстве. Она распространяется по лицензии CC-BY-4.0 с указанием авторства NVIDIA и mlx-community.

Parler TTS Mini v1.1 GGUF — это квантизированная GGUF-конверсия модели Parler TTS Mini v1.1, разработанной командой parler-tts и подготовленной cstr для работы с CrispASR. Модель предназначена для синтеза речи по текстовому запросу: помимо текста для озвучивания можно задать естественно-языковое описание голоса, темпа, манеры речи и акустической обстановки. Архитектура включает энкодер T5 на базе flan-t5-large примерно на 335 млн параметров, авторегрессионный декодер в стиле MusicGen примерно на 300 млн параметров и аудиокодек Descript Audio Codec примерно на 75 млн параметров. Энкодер использует 24 слоя, декодер — 24 слоя и 9 кодовых книг, а DAC работает с частотой 44 кГц. В комплект входят варианты F16, Q8_0 и Q4_K; в квантизированных версиях веса аудиокодека сохраняются в F16 для снижения слышимых артефактов. Поддерживается английский язык, а максимальная длительность одной генерации составляет около 30 секунд. Сильные стороны модели — управление характеристиками голоса через подробное описание, наличие встроенного BPE-токенизатора и возможность запуска в GGUF-формате через CrispASR, включая использование уменьшенных квантизированных файлов. К ограничениям относятся отсутствие потоковой генерации, зависимость качества от точности описания голоса, различия результатов при одинаковом seed между C++ и PyTorch, а также деградация при жадном декодировании с temperature 0. Модель распространяется по лицензии Apache 2.0.

PhoWhisper-small — модель автоматического распознавания речи для вьетнамского языка, разработанная Thanh-Thien Le, Linh The Nguyen и Dat Quoc Nguyen. Это версия семейства PhoWhisper, полученная дообучением мультиязычной Whisper на 844-часовом наборе вьетнамской речи с разными акцентами. Архитектура — WhisperForConditionalGeneration; модель содержит 153,1 млн параметров и принимает аудио, выдавая текстовую расшифровку. Модель предназначена для транскрибации вьетнамской речи, в том числе записей с различными акцентами. Авторы сообщают о передовых результатах на тестовых наборах для вьетнамского распознавания речи. Репозиторий содержит веса PyTorch и распространяется по лицензии BSD 3-Clause; для публикаций с использованием модели авторы просят цитировать статью PhoWhisper.

eduardem/piper-tts-romanian — набор из пяти дообученных голосов Piper на архитектуре VITS для синтеза румынской речи из текста. Модели доступны в формате ONNX; синтез неавторегрессионный и рассчитан на детерминированную генерацию аудио, в том числе на CPU. В README указаны женские голоса Lili, Raluca и Sanda, варианты качества high и medium, а также показатели WER для некоторых голосов. Модель подходит для озвучивания румынских статей, рассказов, сообщений и другого текста, включая массовую генерацию аудио. Карточка показывает примеры длинного текста и английских заимствований в румынских предложениях; для длинного ввода автор указывает ограничения и рекомендует отдельный голос Liana, который в этот репозиторий не входит. Лицензия — CC BY-NC 4.0, поэтому коммерческое использование не разрешено.

Pocket TTS (English) — экспорт для loom.cpp модели Kyutai, выпущенной в 2026 году. Это flow language model примерно на 100 млн параметров, которая преобразует текст в речь через латенты аудиокодека Mimi. Веса не изменены относительно kyutai/pocket-tts; репозиторий упаковывает их в формат GGUF и включает встроенный драйвер. Модель рассчитана на синтез речи на английском языке. Встроен голос alba, ещё 25 голосов доступны отдельными файлами; можно также использовать собственный файл состояния голоса. Экспорт предназначен для запуска через loom-py-rt. По умолчанию генерация семплируется с температурой 0,3, поэтому результаты могут различаться; seed позволяет воспроизвести результат. Длинный текст разбивается на предложения длиной до 50 токенов, а более длинные предложения делятся по запятым. Лицензия модели — CC-BY-4.0; для голосов действуют отдельные лицензии записей, некоторые из них запрещают коммерческое использование. Сохраняются ограничения исходной модели Kyutai, включая запрет на имитацию или клонирование голоса без законного согласия и на выдачу синтезированной речи за подлинную запись человека.

openfree/Qwen2.5-VL-32B-Instruct-Q4_K_M-GGUF — это GGUF-конверсия модели Qwen/Qwen2.5-VL-32B-Instruct, выполненная пользователем или организацией openfree с помощью llama.cpp и сервиса GGUF-my-repo. Модель предназначена для мультимодальных задач image-text-to-text: обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. В README указана поддержка английского языка и интеграция с библиотекой transformers и llama.cpp. Модель имеет размер 32B параметров, относится к инструкционно настроенным vision-language моделям и распространяется в квантизированном формате Q4_K_M, что может снизить требования к памяти по сравнению с полной точностью, но потенциально влияет на качество. Формат GGUF ориентирован на локальный запуск через llama.cpp в режиме CLI или сервера. В примере запуска используется контекст 2048 токенов, однако максимальный размер контекста в README не указан. Модель может быть полезна для локального анализа изображений, визуального вопросно-ответного взаимодействия и других сценариев, где требуется сочетать визуальный и текстовый ввод. Ограничения, точные характеристики архитектуры, перечень поддерживаемых языков помимо английского, требования к оборудованию и результаты оценки качества в README не приведены. Указанная лицензия — Apache 2.0.

Модель shemalfoy/qwen2-vl-scicap-afterdaptandsft разработана shemalfoy и дообучена на базе unsloth/qwen2.5-vl-7b-instruct-unsloth-bnb-4bit. Это мультимодальная Qwen2.5-VL модель с плотной архитектурой для генерации текста по текстовым и визуальным входам; поддерживает диалоговый режим и обработку изображений. В карточке указано обучение с использованием Unsloth и библиотеки TRL. Модель предназначена для сценариев, где нужно анализировать изображение и формировать текстовый ответ. README не уточняет специализированные задачи датасета SciCap, качество модели и ограничения по контексту. Лицензия — Apache-2.0.

Мультимодальная модель ryfkn, дообученная на базе unsloth/Qwen3.5-4B-Base для работы с текстом и изображениями. Она предназначена для диалоговых сценариев и генерации текстовых ответов по текстовым запросам и изображениям. Модель семейства Qwen3.5 имеет плотную архитектуру и распространяется в формате safetensors. Модель обучали с использованием Unsloth и библиотеки TRL. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает обучающие данные и оценки качества, поэтому результаты для конкретных задач следует проверять отдельно.

MLX-версия мультимодальной модели Qwen3.6-35B-A3B-5bit, разработанная сообществом mlx-community на основе Qwen/Qwen3.6-35B-A3B. Модель преобразована в формат MLX с использованием mlx-vlm версии 0.4.4 и предназначена для запуска в экосистеме MLX. Модель относится к классу image-text-to-text и рассчитана на сценарии, где требуется обработка изображений и генерация текстовых ответов, например описание изображений. В обозначении указаны общий размер 35B, конфигурация A3B и 5-битное представление, однако README не содержит подробностей об архитектуре, фактическом числе активируемых параметров, поддерживаемых языках и размере контекстного окна. Сильной стороной является адаптация к MLX и 5-битное квантование, потенциально уменьшающее требования к памяти при запуске, но точные характеристики производительности и качества в README не приведены. Лицензия модели — Apache-2.0. Для полного описания возможностей следует обращаться к карточке исходной модели Qwen/Qwen3.6-35B-A3B.

cstr/qwen3-tts-0.6b-customvoice-GGUF — GGUF-квантизированная версия модели Qwen3-TTS-12Hz-0.6B-CustomVoice, разработанной Qwen/QwenLM и подготовленной для работы с CrispASR. Это модель синтеза речи из текста с фиксированными голосами: она генерирует аудио без эталонного WAV-файла и клонирования голоса. Модель предназначена для локального text-to-speech и поддерживает английский, китайский, немецкий, французский, итальянский, испанский, португальский, японский и корейский языки. Доступны девять встроенных голосов, включая мужские и женские варианты; для Dylan и Eric предусмотрены диалектные режимы пекинского и сычуаньского китайского. Используется talker на базе Qwen3 с 28 слоями, скрытым размером 1024, 16 головами внимания и 8 KV-головами. Выход представляет собой 16 кодовых книг RVQ по 2048 значений, декодируемых отдельным Qwen3-TTS-Tokenizer-12Hz в монофонический PCM-аудиосигнал 24 кГц. В поставке указан файл Q8_0 размером около 968 МБ, рекомендованный авторами; по заявлению README, проверка через ASR показывает в основном точное соответствие синтезированного текста исходному. Сильные стороны модели — компактный размер, работа без референсного аудио, несколько готовых голосов и интеграция с локальным CrispASR. Ограничения — отсутствие произвольного клонирования и дизайна голоса, необходимость отдельной модели кодека и совместимого runtime, а также ограниченный набор встроенных голосов и языковых режимов. Модель распространяется по лицензии Apache 2.0. Для генерации требуется совместный файл Qwen3-TTS-Tokenizer-12Hz-GGUF; README описывает использование через backend qwen3-tts-customvoice в CrispASR.

mlx-community/Qwen3-TTS-12Hz-0.6B-Base-4bit — модель синтеза речи, преобразованная сообществом mlx-community в формат MLX из Qwen/Qwen3-TTS-12Hz-0.6B-Base с использованием mlx-audio 0.3.0. Модель предназначена для преобразования текста в аудио и поддерживает сценарии генерации речи, включая клонирование голоса по эталонной аудиозаписи. Она может использоваться через библиотеку mlx-audio, командную строку или Python API на устройствах, совместимых с MLX. Ключевые характеристики — размер базовой модели 0,6 млрд параметров, 4-битное квантование и частота дискретизации 12 Гц, указанная в названии модели. README не содержит сведений о точной архитектуре, поддерживаемых языках, максимальной длине контекста, качестве синтеза и ограничениях клонирования голоса, поэтому эти свойства нельзя достоверно оценить по представленным данным. Модель распространяется по лицензии Apache-2.0.

senga-LUK-aligned-stoploss-4k-speecht5 — модель синтеза речи из текста на архитектуре SpeechT5, дообученная на базе microsoft/speecht5_tts. Она предназначена для преобразования текстового ввода в аудио; карточка приводит значение loss 0,0833 на оценочном наборе, но не описывает его состав или методику оценки. Модель опубликована в формате safetensors и распространяется по лицензии MIT. Описание голоса, поддерживаемых языков и практических ограничений в карточке не раскрыто.

ggml-org/sesame-csm-1b-GGUF — версия модели Sesame CSM 1B в формате GGUF, опубликованная ggml-org. Она предназначена для синтеза речи по тексту; карточка указывает английский язык и задачу text-to-speech. Репозиторий содержит GGUF-файлы, поэтому модель можно использовать в совместимых средах запуска GGUF. Лицензия — Apache-2.0. Карточка не описывает параметры синтеза, голосовые характеристики или ограничения качества. README называет модель оригинальной, но не приводит сведений о разработчике исходной модели или о её базовой модели.

Soprano-1.1-80M — компактная модель синтеза речи, разработанная авторами проекта Soprano. Она построена на архитектуре Qwen3ForCausalLM и содержит 75,5 млн параметров; модель рассчитана на локальное выполнение на устройстве и принимает текст, а на выходе генерирует речь. В карточке заявлены высокая скорость, потоковая генерация и возможность пакетной обработки. Контекст модели — 1024 токена. Модель подходит для озвучивания английского текста в приложениях и локальных сценариях, где важны быстрая генерация и выразительная речь. По сообщению авторов, версия 1.1 реже галлюцинирует, чем Soprano-80M, однако независимых результатов оценки в карточке нет. Модель поддерживает только английский язык, не умеет клонировать голоса, а редкие слова может произносить неверно из-за ограниченного объёма обучающих аудиоданных. Лицензия — Apache-2.0.

Soprano-80M-bf16 — версия модели Soprano, преобразованная сообществом mlx-community из ekwek/Soprano-80M в формат MLX для библиотеки mlx-audio. Это компактная плотная причинная языковая модель примерно на 75,5 млн параметров, предназначенная для синтеза речи по тексту. Карточка указывает задачу text-to-speech и поддержку voice cloning; исходная модель Soprano описана в отдельной карточке. Репозиторий содержит веса safetensors в формате MLX с точностью bf16 и рассчитан на использование через mlx-audio. Для модели указан контекст 512 токенов. Лицензия — Apache-2.0. Подробности о поддерживаемых языках, голосах и качестве синтеза следует сверять с карточкой исходной модели.

Это модель синтеза речи xiankai123/speecht5_finetuned_fleurs_de_de, дообученная на наборе данных FLEURS на основе microsoft/speecht5_tts. Она предназначена для преобразования текста в речь; в метаданных указана архитектура SpeechT5ForTextToSpeech и форматы PyTorch и Safetensors. На оценочном наборе автор сообщает значение loss 0,3628. Модель распространяется по лицензии MIT. Карточка не приводит подробностей о голосе, качестве синтеза и ограничениях. По названию репозитория и суффиксу de_de модель ориентирована на немецкий язык; эта языковая специализация не подтверждена отдельным описанием в README.

juancopi81/speecht5_finetuned_voxpopuli_es — модель синтеза речи из текста, созданная дообучением microsoft/speecht5_tts на датасете VoxPopuli. Она предназначена для преобразования текста в речь; в карточке приведено значение loss 0,4454 на оценочном наборе. Модель построена на архитектуре SpeechT5 и распространяется в форматах PyTorch и Safetensors. Модель подходит для озвучивания испаноязычного текста в приложениях и экспериментах с синтезом речи. Лицензия MIT разрешает её использование на условиях этой лицензии. README не описывает голос, качество звучания или ограничения применения.

Avitas8485/speecht5_tts_commonvoice_en_04 — модель синтеза английской речи на базе SpeechT5, дообученная на наборе данных LJSpeech поверх Avitas8485/speecht5_tts_commonvoice_en_03. Она принимает текст и генерирует речь; в README приведено значение loss 0,3719 на наборе оценки. Модель может подойти для озвучивания английского текста и экспериментов с синтезом речи. Репозиторий распространяется по лицензии MIT.

SPUPER-qwen3.5-9b-acaciawl-add — дообученная мультимодальная модель семейства Qwen3.5, созданная на основе Qwen/Qwen3.5-9B с помощью TRL. Она предназначена для диалогового взаимодействия и обработки запросов с изображениями; в карточке приведён пример генерации ответа на текстовый вопрос через Transformers. Модель имеет плотную архитектуру Qwen3_5ForConditionalGeneration и распространяется в формате safetensors. Метаданные указывают на поддержку зрения и чата. Лицензия, языки и размер контекста в предоставленных данных не описаны.

Supertonic — система синтеза речи из текста, разработанная Supertone для быстрого локального запуска на устройствах. Репозиторий содержит модель в формате ONNX, рассчитанную на работу через ONNX Runtime; поддерживаются пакетная обработка и настройка числа шагов инференса. По данным разработчика, модель насчитывает 66 млн параметров и может обрабатывать числа, даты, валюты, сокращения и сложные выражения без предварительной нормализации текста. Модель предназначена для создания речи в приложениях, браузерах, на серверах и периферийных устройствах. README заявляет высокую скорость синтеза на потребительском оборудовании и локальную обработку, без обращения к облаку. В карточке указан английский язык; примеры интеграции доступны для Python, Node.js и браузера, но это языки программирования и платформы, а не языки синтеза. Выход — аудио WAV с глубиной 16 бит. Репозиторий распространяется по лицензии OpenRAIL. README отдельно отмечает, что режим GPU через ONNX Runtime не протестирован; показатели скорости приведены разработчиком для конкретного оборудования и настроек, поэтому они не гарантируют такую же производительность на других устройствах.

svara-tts-v1-GGUF — это квантованные файлы модели Svara TTS v1, разработанной kenpath и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для синтеза речи из текста, включая многоязычные и индийские языковые сценарии, а также задачи с низкой задержкой, zero-shot-синтезом и управлением эмоциями, если это поддерживается исходной моделью. В карточке указана архитектурная основа Orpheus и использование LoRA, дискретных аудиотокенов и библиотеки Transformers. Поддерживаются хинди, бенгальский, маратхи, телугу, каннада, бходжпури, магадхи, чхаттисгархи, майтхили, ассамский, бодо, догри, гуджарати, малаялам, пенджаби, тамильский, непальский, санскрит и английский языки. Размер исходной модели и максимальная длина контекста не указаны. Доступны варианты квантования от Q2_K размером около 1,5 ГБ до F16 размером около 6,7 ГБ. Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а F16 — как избыточный по объёму. Квантование уменьшает требования к ресурсам, но варианты с более низкой точностью могут снижать качество синтеза. В README также не приведены подробности о качестве голосов, поддерживаемых дикторах, требованиях к запуску и совместимости конкретных инструментов. Лицензия модели — Apache-2.0.

Tortoise — модель преобразования текста в речь, разработанная James Betker. Она предназначена для синтеза речи с несколькими голосами и реалистичными просодией и интонацией. В метаданных указана архитектура GPT-2, форматы PyTorch и Safetensors, а также контекст 1012 токенов; модель рассчитана на английский язык. Модель подходит для озвучивания текста разными голосами и создания речи с выразительной интонацией. Репозиторий распространяется по лицензии Apache-2.0. В карточке не приведены сведения о размере модели, обучающих данных и результатах оценки.

cstr/vibevoice-realtime-0.5b-GGUF — это конвертация потоковой модели синтеза речи VibeVoice-Realtime-0.5B, разработанной Microsoft, в формат GGUF для использования с CrispASR. Модель предназначена для преобразования текста в речь в реальном времени, включая озвучивание на английском, немецком, французском, итальянском, японском, корейском, нидерландском, польском, португальском и испанском языках. Архитектура включает 4-слойную и 20-слойную версии Qwen2 для текстового и речевого кондиционирования, prediction head на основе AdaLN и SwiGLU, 20-шаговый DPM-Solver++, classifier-free guidance, sigma-VAE-декодер и классификатор EOS для автоматического определения длины. Доступны варианты F16 размером около 2 ГБ, Q8_0 размером около 1,2 ГБ и Q4_K размером около 699 МБ; для Q8_0 и Q4_K основные Qwen2-backbone квантуются, а компоненты, влияющие на качество генерации, сохраняются в полной точности. Выходной формат — монофонический WAV с частотой 24 кГц. Для работы необходим voice prompt: поставляемые голосовые пакеты задают фиксированную идентичность диктора и включают 25 демонстрационных голосов для разных языков. Модель не поддерживает клонирование голоса на лету; для этого рекомендуется другая модель VibeVoice. Сильными сторонами являются потоковая генерация, мультиязычность, компактные квантизованные варианты и заявленное точное совпадение текста после обратной проверки через ASR. Модель распространяется по лицензии MIT.

VILA-HD-8B-PS3-1.5K-C-RADIOv2 — мультимодальная языковая модель NVIDIA для анализа изображений высокого разрешения. Она принимает RGB-изображения и текстовые запросы, а отвечает текстом. Модель предназначена для извлечения визуальных признаков и ответов на вопросы об изображениях; поддерживает изображения размером до 1536 × 1536 пикселей и текстовый контекст до 12 288 токенов. Модель построена на архитектуре LlavaTopDownLlamaModel и основана на PS3-1.5K-C-RADIOv2. Репозиторий содержит веса в формате safetensors. Для запуска предусмотрена интеграция VILA; NVIDIA оптимизирует модели этого семейства для GPU, а в карточке перечислена совместимость с Ampere, Blackwell, Hopper и Jetson. Карточка описывает модель как предназначенную для исследований и разработок. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные материалы на тех же условиях; коммерческое использование не разрешено.

wasmdashai/vits-ar — арабская модель синтеза речи, разработанная Wasmdash AI на архитектуре VITS с использованием предварительно обученных весов Facebook vits ara. Она преобразует текст на арабском языке в речевую аудиоволну и рассчитана на стандартный арабский текст и различные диалектные формы, включая разговорные выражения и местную лексику. В карточке качество звука оценено как среднее. Модель содержит около 3,5 млн параметров, использует архитектуру VITS и обучалась на данных Common Voice 17.0 и wasmdashai/db-arabic-f1-nn. Для применения указан Transformers версии 4.33 и выше. Репозиторий распространяется под лицензией AFL-3.0.

Карточка модели sanaye/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.

wav2vec2-balti-specaugment — модель распознавания речи, разработанная автором репозитория YuvrajGujari и дообученная на базе facebook/wav2vec2-xls-r-300m на наборе данных generator. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель предназначена для преобразования аудиозаписей речи в текст; название указывает на настройку для языка балти и применение SpecAugment при обучении. На оценочном наборе указаны Loss 0,2866 и WER 0,2212. Модель принимает аудио и выдаёт текст. Базовая модель мультиязычная, но конкретная поддержка языков и пределы качества этой версии в карточке подробно не описаны. Лицензия — Apache-2.0.

Модель infinitejoy/wav2vec2-large-xls-r-300m-bulgarian — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания болгарской речи. Она использует архитектуру wav2vec2 с CTC-выходом и обучена на болгарской части набора Mozilla Common Voice 7.0. Модель принимает аудио и преобразует речь в текст; в оценке на тестовой выборке указаны loss 0,4487 и WER 0,4674. Модель подходит для транскрибации болгарской речи, например записей и голосовых сообщений. Опубликована по лицензии Apache-2.0. Указанный WER свидетельствует о заметных ошибках распознавания, поэтому качество следует проверять на аудио, похожем на целевое; подробные ограничения и рекомендации в карточке не приведены.

PereLluis13/Wav2Vec2-Large-XLSR-53-catalan — модель распознавания каталонской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на датасете Common Voice 6. Она использует архитектуру Wav2Vec2 с CTC-декодированием и содержит около 402,7 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц и выдаёт текстовую расшифровку на каталонском языке. Модель подходит для распознавания речи в аудиозаписях и оценки качества ASR на каталонском материале Common Voice. В карточке приведён результат 8,11% на тестовой выборке Common Voice; автор предупреждает, что существуют более новые каталонские модели, обученные на Common Voice 8 и показывающие лучшие результаты. Лицензия — Apache-2.0.