I.15Доступность и ассистивные технологии

Wav2Vec2-Large-XLSR-53-Odia — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 для языка одия в рамках работы над распознаванием речи для индийских языков с малым объёмом данных и переключением языков. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель преобразует аудиоречь на одия в текст. Для распознавания входную речь следует подавать с частотой дискретизации 16 кГц; README приводит результат оценки 68,75% на тестовых данных Odia из Common Voice. Модель предназначена для ASR, в том числе для сценариев с ограниченными обучающими данными. Веса опубликованы в формате PyTorch по лицензии Apache-2.0. Указанный результат оценки относится к конкретному тестовому набору и сам по себе не гарантирует качество на других записях или условиях записи.

kingabzpro/wav2vec2-large-xlsr-53-punjabi — модель распознавания речи на основе архитектуры Wav2Vec2ForCTC, дообученная на базе Harveenchadha/vakyansh-wav2vec2-punjabi-pam-10 на датасете Common Voice. Она преобразует аудиозаписи на панджаби в текст и подходит для транскрибирования речи, в том числе записей из Common Voice. Модель содержит 113,3 млн параметров и распространяется в форматах PyTorch и safetensors. На тестовой выборке Common Voice 8.0 указаны WER 0,4939 и CER 0,2238. Лицензия — Apache-2.0.

Amrrs/wav2vec2-large-xlsr-53-tamil — модель распознавания речи на тамильском языке, разработанная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice. Она принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. В README приведён тестовый результат 82,94%, но не уточнена метрика, поэтому это значение нельзя напрямую трактовать как точность распознавания. Модель подходит для транскрибации записей и голосового ввода на тамильском языке. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0.

Wav2Vec2-Large-XLSR-53-Telugu — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на телугу. Она принимает речь и преобразует её в текст; для распознавания входной звук должен иметь частоту дискретизации 16 кГц. Обучение проводилось на 70% набора OpenSLR SLR66 для телугу. Модель построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Репозиторий включает веса PyTorch и Flax. В карточке приведён результат тестирования 44,98%, но не уточнена метрика, поэтому его нельзя напрямую интерпретировать как точность распознавания. Модель распространяется по лицензии Apache-2.0.

Модель arijitx/wav2vec2-large-xlsr-bengali разработана на основе facebook/wav2vec2-large-xlsr-53 и дообучена для распознавания речи на бенгальском языке. Она принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; для вывода используется архитектура Wav2Vec2ForCTC. Размер модели — около 402,8 млн параметров. Модель предназначена для автоматической транскрибации бенгальской речи. При проверке на отложенной выборке примерно из 4200 высказываний автор получил WER 32,45%; результат показывает качество именно на этой выборке и не гарантирует такую же точность на других данных. Для использования указана лицензия CC BY-SA 4.0.

Модель tanmoyio/wav2vec2-large-xlsr-bengali — дообученная Tanmoyio версия facebook/wav2vec2-large-xlsr-53 для автоматического распознавания бенгальской речи. Она преобразует аудиозаписи в текст и предназначена для расшифровки речи на бенгальском языке; в карточке описано обучение на наборе примерно из 196 тысяч высказываний и оценка на тестовых данных OpenSLR. Модель основана на архитектуре Wav2Vec2ForCTC и содержит 402,8 млн параметров. Для входного аудио требуется частота дискретизации 16 кГц. Репозиторий содержит веса PyTorch и распространяется по лицензии CC BY-SA 4.0.

Карточка модели ccoreilly/wav2vec2-large-xlsr-catala на Hugging Face совпадает с карточкой softcatala/wav2vec2-large-xlsr-catala, поэтому описание составлено по ней. Модель Wav2Vec2-Large-XLSR-Català разработана сообществом Softcatalà как дообученная версия facebook/wav2vec2-large-xlsr-53 для распознавания речи на каталанском языке. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель преобразует входную речь в текст и предназначена для транскрибирования каталанской речи, в том числе записей из корпусов Common Voice и ParlamentParla. Для работы аудио следует подавать с частотой дискретизации 16 кГц; языковая модель для описанного сценария не обязательна. В README приведены значения WER 6,92% на тестовом разделении CV+ParlamentParla, 12,99% на Google Crowdsourced Corpus и 13,23% на аудиокниге «La llegenda de Sant Jordi». Авторы предупреждают, что разделение Common Voice 6.1 пересекается с обучающими и оценочными данными: оценка на тестовом наборе CV будет смещённой. Модель распространяется по лицензии Apache-2.0.

gvs/wav2vec2-large-xlsr-malayalam — модель распознавания речи на малаяламском языке, созданная дообучением facebook/wav2vec2-large-xlsr-53 на корпусах Indic TTS Malayalam, OpenSLR Malayalam, SMC Malayalam и IIIT-H Indic Speech Databases. Модель основана на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров; для распознавания принимает речь с частотой дискретизации 16 кГц и выдаёт текстовую транскрипцию. Модель предназначена для автоматического преобразования записей речи на малаяламском языке в текст. В README приведён результат оценки WER 28,43% на тестовой части объединённого набора данных; качество на других записях может отличаться. Модель распространяется по лицензии Apache-2.0.

Модель lgris/wav2vec2-large-xlsr-open-brazilian-portuguese — дообученная версия Wav2Vec 2.0 Large XLSR для распознавания речи на бразильском варианте португальского языка. Она преобразует аудиозаписи в текст и предназначена для транскрибации речи, включая записи, похожие на обучающие данные: чтение предложений и аудиокниг, а также добровольческие записи. Модель содержит 402,7 млн параметров и использует архитектуру Wav2Vec2ForCTC. Для обучения объединили данные CETUC, Multilingual LibriSpeech, VoxForge, Common Voice 6.1 и Lapsbm; исходную модель дообучили в fairseq, а представленный репозиторий содержит конвертированную версию. В README приведены результаты с ошибкой распознавания 12,90% на тесте Common Voice и 35,22% на TEDx, что указывает на заметное снижение качества на речи вне обучающего домена. Модель распространяется по лицензии Apache-2.0. Она ориентирована на португальскую речь Бразилии; результаты на иных языках, акцентах и условиях записи не подтверждены приведёнными данными.

Wav2Vec2-Large-XLSR-53-Persian V2 — модель распознавания речи на фарси, созданная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice. Она принимает аудио и преобразует речь в текст; для входной записи требуется частота дискретизации 16 кГц. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. Модель рассчитана на фарси и поддерживает автоматическое распознавание речи. В оценке на тестовой части Common Voice для фарси указана доля ошибок слов WER 31,92%. Модель опубликована в форматах PyTorch и Flax под лицензией Apache-2.0. Результат оценки относится к указанному тестовому набору и сам по себе не гарантирует такую же точность на других записях.

Whisper Large Punjabi — модель распознавания речи, созданная Drishti Sharma дообучением openai/whisper-large-v2 на наборе Common Voice 11.0. Она преобразует речь на панджаби в текст и подходит для транскрибирования записей и аудио с речью. Модель использует архитектуру Whisper Large v2, содержит около 905,2 млн параметров и распространяется в формате PyTorch. В карточке приведён результат оценки на тестовой выборке: WER 19,7125 и loss 0,2846. Модель ориентирована на панджаби; лицензия — Apache-2.0. README не описывает ограничения и условия оценки подробнее, поэтому результат может не отражать качество на иных аудиоданных.

Модель dmusingu/WHISPER-SMALL-SWAHILI-ASR-CV-14 — дообученная Denis Musinguzi версия Whisper для автоматического распознавания речи на суахили. Она обучена на наборе Common Voice 14.0 и предназначена для преобразования аудио с речью в текст. В метаданных указаны архитектура Whisper, 153,1 млн параметров и формат весов safetensors; базовая модель — openai/whisper-large. На оценочной выборке README приводит Loss 0,4428, WER 0,2513 и CER 0,0983. Модель подходит для транскрибации записей и голосовых материалов на суахили. Лицензия — Apache-2.0. Результаты приведены только для указанной оценочной выборки Common Voice 14.0; README не сообщает подробностей о методике оценки или поведении на других аудиоданных.

Модель cdli/whisper-small-Swahili_finetuned_small_CV20 — дообученная версия Whisper Small от разработчика CDLI для автоматического распознавания речи на суахили. Она принимает аудио и генерирует текстовую расшифровку; подходит для транскрибирования записей и речи из датасета Common Voice. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 153,1 млн параметров и распространяется в формате safetensors через библиотеку Transformers. В README приведены значения WER: 0,261 на dev-наборе и 0,295 на test-наборе; до настройки они составляли 0,849 и 0,856 соответственно. Сведения о лицензии отсутствуют в предоставленных источниках.

BlueRaccoon/whisper-small-uz — модель автоматического распознавания речи, созданная участником мероприятия Whisper fine-tune sprint. Это дообученная версия openai/whisper-small с архитектурой Whisper и 153,1 млн параметров; она принимает аудио и преобразует речь в текст на узбекском языке. Обучение и оценка проводились на узбекских данных Mozilla Common Voice 11 и Google FLEURS. В оценке указана частота ошибок слов (WER) 23,65 на тестовом наборе Common Voice 11 и 47,15 на FLEURS. Эти результаты относятся к указанным наборам и не гарантируют такое же качество на других записях. Модель распространяется по лицензии Apache-2.0.

Whisper-tiny-fa — модель распознавания персидской речи, созданная дообучением openai/whisper-tiny авторами aictsharif на персидской части Common Voice 17.0. Она преобразует аудио в текст и предназначена для транскрибации записей и речи с микрофона, создания персидских субтитров и голосового управления приложениями. Модель построена на архитектуре encoder-decoder Transformer Whisper и содержит 29,4 млн параметров; для работы используется библиотека Transformers. Модель рассчитана на персидский язык. В тестировании, описанном в карточке, указаны WER 0,915 и CER 0,428. Качество может снижаться на шумных записях, при акцентах и диалектах, слабо представленных в обучающих данных; модель может хуже распознавать другие языки и не подходит для сценариев со строгими требованиями к задержке. Лицензия — Apache-2.0.

BLIP-2 Flan-T5-XXL — модель Salesforce для генерации текста по изображению и текстовому запросу. Она объединяет визуальный энкодер на основе CLIP, трансформер Q-Former и большую языковую модель Flan-T5-XXL; энкодер изображения и языковая модель используются с замороженными весами, а Q-Former связывает их представления. Модель предсказывает следующий текстовый токен с учётом изображения и предыдущего текста. Модель подходит для создания подписей к изображениям, ответов на вопросы о содержимом изображения и диалогов с опорой на изображение. В метаданных указаны архитектура BLIP-2, библиотека Transformers, форматы PyTorch и safetensors и английский язык. Репозиторий распространяется по лицензии MIT. Карточка предупреждает о возможных ошибках, смещениях и генерации неподходящего содержания, унаследованных от Flan-T5 и интернет-датасетов изображений и текстов. Модель не оценивалась в реальных приложениях; перед применением следует оценить её безопасность, точность и справедливость с учётом конкретного сценария.

Tanmoyshome/bn-parler-tts — модель синтеза речи на бенгальском языке, созданная дообучением ai4bharat/indic-parler-tts на отфильтрованной части речевого корпуса SUBAK.KO. Она принимает текст для озвучивания и текстовое описание звучания, которым можно задать пол говорящего, темп и чёткость записи. Модель построена на архитектуре Parler-TTS; текстовый энкодер базовой модели заморожен, а декодер и языковая голова дообучены. Весы опубликованы в формате safetensors, для работы используется Transformers. Модель предназначена для генерации бенгальской речи из текста, например для озвучивания материалов и управления базовыми характеристиками голоса через описание. Обучение проводилось на многоголосой читательской речи с отбором записей по качеству. Идентичность голоса может меняться между генерациями; тонкая настройка эмоций и выбор конкретного именованного голоса не поддерживаются. Для модели указана лицензия Apache-2.0.

Модель reazon-research/japanese-zipformer-base-k2-rs35kh-bpe — японская система автоматического распознавания речи на архитектуре Zipformer. Разработчики Reazon Research дообучили базовую japanese-zipformer-base-k2 с помощью k2 на крупном корпусе ReazonSpeech v2.0; в репозитории опубликованы веса Safetensors для использования через библиотеку Transformers. Размер модели — около 96,5 млн параметров. Модель предназначена для преобразования японской речи в текст, в том числе для распознавания коротких аудиозаписей. В тестах README указаны значения CER 9,71% на JSUT-BASIC5000, 11,00% на Common Voice и 13,07% на TEDxJP-10K; на наборе JSUT-BOOK для длинной речи результат не приведён. Модель распространяется по лицензии Apache-2.0.

Kokoro 82M Core ML — это оптимизированная для устройств Apple версия модели синтеза речи Kokoro-82M, разработанной hexgrad и преобразованной в Core ML mattmireles. Модель предназначена для локального и автономного преобразования текста в речь без подключения к API и без передачи данных в облако. Она ориентирована на приложения для macOS и iOS, использующие Swift и Core ML, включая озвучивание текста непосредственно на Apple Silicon и iPhone. Модель имеет архитектуру исходной Kokoro-82M, поддерживает английский язык и работает с аудио с частотой дискретизации 24 кГц. Для эффективного выполнения на Apple Silicon исходный конвейер разделён на пять компонентов: этап определения длительности с BERT и LSTM, выравнивание, выполняемое в Swift, а также этапы расчёта F0, шума и декодирования. Вычисления распределяются между CPU, GPU и Neural Engine с учётом их особенностей. Поставляются предварительно скомпилированные файлы .mlpackage; холодный запуск может занимать несколько секунд из-за компиляции Core ML. Сильные стороны модели — автономная работа, отсутствие API-ключей и эксплуатационных затрат, а также высокая скорость на совместимом оборудовании. По приведённым измерениям, на Mac Studio M2 синтез 30 секунд речи занимает около 379 мс, а на iPhone 15 Pro Max — около 6,4 секунды. Производительность зависит от устройства, версии ОС и режима выполнения; на iPhone используется менее эффективная по сравнению с Mac staged-конфигурация, а результаты бенчмарков могут изменяться. Модель распространяется по лицензии Apache-2.0.

LiquidAI/LFM2.5-VL-3B-ONNX — ONNX-версия мультимодальной модели LFM2.5-VL-3B, разработанная компанией Liquid AI. Это гибридная модель нового поколения, ориентированная на edge AI и запуск непосредственно на устройствах. Модель принимает изображения и текст и генерирует текстовые ответы, поэтому предназначена для визуального анализа, описания изображений и построения мультимодальных приложений с локальным или браузерным выполнением. Модель имеет размер 3 млрд параметров и поставляется в формате ONNX для использования с ONNX Runtime и Transformers.js версии 4.0 или новее. README указывает поддержку WebGPU, включая запуск в браузере, а также варианты представления FP16 и квантования Q4 для отдельных компонентов, что помогает снизить требования к памяти. Заявленные сильные стороны — сочетание качества, скорости и эффективности памяти при edge-развёртывании. Поддерживаются арабский, китайский, английский, французский, немецкий, хинди, индонезийский, итальянский, японский, корейский, польский, португальский, русский, испанский, тайский и вьетнамский языки. Длина контекста в предоставленных данных не указана. Модель распространяется по лицензии lfm1.0; подробные условия находятся в файле LICENSE.

LLaVA-NeXT (LLaVA-1.6) — мультимодальная чат-модель, разработанная командой авторов LLaVA-NeXT; этот вариант использует NousResearch/Nous-Hermes-2-Yi-34B как языковую основу. Архитектура объединяет большую языковую модель и предварительно обученный визуальный энкодер. Модель принимает изображения и текст и генерирует текстовые ответы; повышенное разрешение изображений и улучшенное обучение визуальным инструкциям предназначены для улучшения распознавания текста на изображениях и рассуждений на основе визуального контекста. Модель подходит для описания изображений, ответов на вопросы о них и диалоговых мультимодальных сценариев. В карточке заявлена двуязычная поддержка, а метаданные указывают английский язык. Размер 34B следует из используемой языковой основы. Репозиторий содержит веса Safetensors и предназначен для работы с Transformers. В карточке не приведены сведения о длине контекста и лицензии этого конкретного чекпойнта.

LLaVA-NeXT (LLaVA 1.6) — мультимодальная чат-модель, разработанная авторами LLaVA-NeXT и опубликованная на Hugging Face. Она объединяет предварительно обученную языковую модель Vicuna-7B с предварительно обученным визуальным энкодером и предназначена для диалога по изображениям. По сравнению с LLaVA 1.5 модель использует более разнообразные данные визуальной инструкционной настройки и поддерживает динамически повышенное разрешение изображений. Это помогает отвечать на вопросы о содержимом изображений, описывать их, распознавать текст и рассуждать о визуальных сценах. Входные данные — текст и изображения; ответы выдаются в текстовом виде. Карточка указывает английский язык. Модель применима для визуальных вопросов и ответов, описания изображений и мультимодального чат-бота. В репозитории используются веса Safetensors; лицензия указана как Llama 2. Карточка отмечает, что отдельная модельная карточка авторами не подготовлена, поэтому сведения о возможностях и ограничениях ограничены приведённым описанием.

MiniMax-VL-01 — мультимодальная модель компании MiniMax для диалога и задач с изображениями. Она построена по схеме ViT-MLP-LLM: визуальный энкодер ViT на 303 млн параметров, двухслойный MLP-проектор для передачи визуальных признаков и MiniMax-Text-01 в качестве языковой модели. Изображения обрабатываются с динамическим разрешением от 336×336 до 2016×2016 пикселей: модель делит их на патчи и объединяет их представления с миниатюрой исходного изображения. Модель предназначена для ответов на вопросы об изображениях, их описания и выполнения инструкций с визуальным контекстом; также поддерживает диалог и вызов внешних функций со структурированными параметрами JSON. В README приведены результаты оценки на мультимодальных бенчмарках и рекомендации по развёртыванию через vLLM. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

facebook/mms-tts-asm — модель синтеза речи на ассамском языке из проекта Massively Multilingual Speech компании Meta. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на ассамском. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, flow-модуль, стохастический предсказатель длительности и декодер речи в стиле HiFi-GAN. Размер составляет 3,6 млн параметров. Для каждого языка в проекте обучен отдельный чекпойнт; из-за стохастического предсказателя длительности результат может меняться между запусками, поэтому для воспроизводимости нужен фиксированный seed. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-fra — модель синтеза французской речи из текста из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она предназначена для преобразования французской последовательности текста в речевую аудиоволну и может использоваться для озвучивания текстов и приложений синтеза речи. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это сквозная система на основе вариационного автоэнкодера с текстовым энкодером, flow-модулем, декодером в стиле HiFi-GAN и вероятностным предсказателем длительности; поэтому одна и та же фраза может звучать с разным ритмом. Для воспроизводимого результата требуется фиксировать seed. Модель поддерживается библиотекой Transformers версии 4.33 и новее. Чекпойнт обучен отдельно для французского языка и ориентирован на синтез речи на французском. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-ukr — модель синтеза речи на украинском языке из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания украинских фраз и создания речевого вывода в приложениях. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это сквозная система с текстовым энкодером, потоковым модулем и декодером HiFi-GAN; предсказатель длительности позволяет варьировать ритм произношения. Для повторяемого результата генерации требуется фиксировать seed, поскольку модель недетерминирована. Доступна через Transformers версии 4.33 и новее. Модель предназначена для украинского языка. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Moonshine Streaming Tiny — Spanish — модель автоматического распознавания испанской речи с потоковой расшифровкой. Модель разработана Moonshine AI и предназначена для постепенного преобразования аудио в текст с небольшими задержками, в том числе на устройствах с ограниченными ресурсами. Репозиторий содержит конвертированный чекпойнт; архитектура включает аудиофронтенд с частотой 50 Гц, скользящий оконный Transformer-энкодер и декодер. В метаданных указано 13,8 млн параметров, тогда как README сообщает 27 млн; размер модели в источниках расходится. Модель обучена преимущественно на автоматически размеченном испанском аудио, дополненном меньшим набором транскрибированной речи. На двух тестах чтения испанской речи указана макро-WER 5,919 для чекпойнта при используемом в репозитории правиле остановки. Эти результаты не характеризуют телефонную, шумную, спонтанную или выраженную региональную речь. Автоматические метки могут переносить ошибки модели-учителя, а на коротких или шумных фрагментах возможны циклы повторения; рекомендуется ограничивать длину вывода и передавать attention mask. Лицензия — MIT.

EYEDOL Nemotron 3.5 ASR Streaming — Hausa — это дообученная модель автоматического распознавания речи на базе nvidia/nemotron-3.5-asr-streaming-0.6b. Модель обучали ещё 15 эпох на 41,2 часа аудиозаписей на языке хауса из наборов EYEDOL/naija-voices-hausa-split_2-0 и EYEDOL/naija-voices-hausa-split_2-1. Для работы используется библиотека NeMo; архитектура — FastConformer с RNNT, согласно тегам карточки. Модель предназначена для потоковой транскрибации речи на хауса. В README приведена оценка на тестовой выборке с раздельными по говорящим обучающей и тестовой частями: при потоковом инференсе с чанками по 80 мс WER составил 34,06%, CER — 9,82%. Тексты обучающих транскрипций нормализованы: хаусские буквы ɗ, ɓ, ƙ, ƴ заменены на d, b, k, y, поэтому точное восстановление этих букв не подтверждено. В метаданных указана лицензия other; конкретные условия использования README не раскрывает. Результаты оценки относятся к описанному тестовому набору и режиму потокового инференса и не гарантируют такое же качество на других аудиозаписях.

OpenCaption-2B-VL-SFT-v1.0 — мультимодальная модель для создания подробных описаний изображений, разработанная на основе Qwen/Qwen3-VL-2B-Instruct и дообученная PrithivMLmods. Она предназначена для генерации развернутых подписей, которые передают композицию сцены, объекты и их взаимное расположение, атрибуты, действия, освещение и фон. Архитектура — плотная Qwen3-VL для условной генерации; размер базовой модели — 2 млрд параметров. Модель принимает изображения и текстовые запросы и выдаёт текст. Карточка указывает английский язык; специальный основной язык не заявлен. Модель подходит для подробного описания изображений, визуального анализа сцен и экспериментов с качеством подписей и визуальным обоснованием. Выпущена как экспериментальная версия, поэтому качество может меняться в зависимости от предметной области и стиля изображения; возможны галлюцинации, а модель не предназначена для строгой проверки наличия объектов. Распространяется в формате safetensors по лицензии Apache-2.0.

Qwen3-ForcedAligner-0.6B-hf — модель принудительного выравнивания речи от команды Qwen. Она принимает аудио и готовую расшифровку, а затем предсказывает временные метки для её единиц; распознавать речь для получения текста может отдельная ASR-модель. Модель поддерживает китайский, английский, кантонский, французский, немецкий, итальянский, японский, корейский, португальский, русский и испанский языки и выравнивает аудио длительностью до пяти минут. Модель относится к семейству Qwen3-ASR и использует архитектуру Qwen3ASRForTokenClassification. Нерегрессионный режим выполнения делает её подходящей для пакетной обработки аудио; в README также описано ускорение с помощью torch.compile. Метаданные указывают библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0. Для работы требуется аудио и текстовая транскрипция, полученная заранее, например, с помощью Qwen3-ASR или другой системы распознавания речи. Модель предназначена для разметки времени произнесённых слов или других единиц, а не для самостоятельного распознавания речи; в README также не заявлена поддержка иных типов аудио, кроме речи.