I.15Доступность и ассистивные технологии

GLM-4.6V-Flash-MLX-6bit — это 6-битно квантованная версия мультимодальной модели GLM-4.6V-Flash, разработанной компанией zai-org. Квантование выполнено командой LM Studio с использованием MLX и mlx_vlm; модель оптимизирована для работы на устройствах Apple Silicon. Модель предназначена для задач image-text-to-text, то есть обработки изображений совместно с текстовыми запросами и генерации текстовых ответов. В карточке указаны поддерживаемые языки китайский и английский. Она может быть полезна для локального мультимодального анализа, визуальных вопросов и ответов, а также сценариев, требующих запуска модели на совместимом оборудовании Apple. Ключевая особенность модели — 6-битное квантование, уменьшающее требования к памяти по сравнению с полноразмерной версией и ориентированное на эффективный запуск через MLX. При этом README не содержит данных о количестве параметров, точной архитектуре исходной модели, размере контекста, производительности или поддерживаемых форматах изображений. Квантование может сопровождаться некоторой потерей качества по сравнению с оригинальной моделью, а совместимость и эффективность зависят от устройства и программной среды. В карточке указана лицензия MIT. LM Studio не является создателем или владельцем модели и не гарантирует её точность, безопасность или пригодность для конкретных задач; результаты могут быть ошибочными или неподходящими.

Richasy/IndexTTS-2.5-GGUF — производная GGUF-версия модели IndexTTS 2.5, разработанной IndexTeam при bilibili. Репозиторий подготовлен неофициально для использования с audio.cpp 0.6 и Rodel.Inference. Модель предназначена для синтеза речи по тексту, клонирования голоса по эталонному WAV-файлу и управления эмоциями через текстовые инструкции. Модель поддерживает китайский, английский, японский, испанский и арабский языки. Для работы требуются явное указание языка и аудиозапись голоса-образца; транскрипция эталонной записи не нужна. Опубликован один файл GGUF в исходном формате данных размером около 7,89 ГБ, содержащий 3 790 тензоров. Квантованная версия не предоставляется. Модель рассчитана на локальный запуск через CPU или CUDA-совместимую инфраструктуру audio.cpp и формирует монофонический WAV с частотой 22,05 кГц. К сильным сторонам относятся мультиязычность, поддержка клонирования голоса, управление эмоциональной окраской и проверенная интеграция с Rodel.Inference. Ограничения реализации включают неполную поддержку нормализации текста WeText и японской нормализации: числа, проценты, дроби и даты требуют предварительной обработки. Потоковая генерация, управление длительностью, эталонное аудио эмоций и восьмимерные векторы эмоций в начальной интеграции отсутствуют. README также предупреждает о возможном ухудшении тембра, эмоций и просодии по сравнению с IndexTTS 2.0; приведённые измерения подтверждают работоспособность и разборчивость, но не качество сходства голоса или эмоций. Модель распространяется по bilibili Model Use License. Для использования необходимо принять лицензию; при распространении требуется сохранять китайский оригинал лицензии, английский перевод, уведомление о производном характере и сторонние лицензии, а также передавать downstream-получателям те же условия. При аудитории свыше 100 миллионов активных пользователей в месяц или выручке более 100 миллионов RMB в год требуется отдельное разрешение по китайским условиям лицензии.

InternLM-XComposer2.5-OL — мультимодальная система на базе InternLM2, разработанная командой InternLM. Она предназначена для длительного потокового взаимодействия с видео и аудио, включая ответы на вопросы о визуальном содержимом. Модель содержит 7,4 млрд параметров и поддерживает контекст до 24 576 токенов. Модель загружается через Transformers с пользовательским кодом репозитория; для аудиокомпонента README также упоминает MS-Swift. Метаданные указывают на задачу visual-question-answering, а каталог дополнительно относит модель к text-generation. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в репозитории.

Kokoro Vietnamese — Ngọc Huyền — это дообученная модель синтеза речи на базе hexgrad/Kokoro-82M, подготовленная для голоса Ngọc Huyền. Репозиторий содержит инференсный чекпойнт PyTorch, голосовой пакет и конфигурацию с вьетнамским словарём; обучение и дообучение в репозитории не описаны. Модель преобразует текст на вьетнамском языке в речь. Для преобразования графем в фонемы используется vig2p и адаптированный фронтенд Kokoro, который учитывает вьетнамские начальные согласные и тоны. Модель рассчитана на синтез одним голосом; сведений о размере, длине контекста или других поддерживаемых языках карточка не содержит. Лицензия — Apache-2.0. Для работы требуется совместимый инференсный код и вьетнамский фронтенд из репозитория; качество произношения зависит от корректной обработки вьетнамского текста и фонемизации.

LFM2.5-CT-230M — аудиотекстовая модель слияния, опубликованная пользователем ray0rf1re. Она объединяет аудиоэнкодер FastConformer из Parakeet TDT 0.6B-v3 с текстовым декодером LiquidAI LFM2.5-230M через интерфейс мягкой латентной проекции, описанный в Click-to-Align, §3.2. Модель предназначена для обработки аудиовхода и генерации текстового ответа; карточка демонстрирует загрузку через Hugging Face Transformers с пользовательским кодом модели. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. В метаданных основная задача указана как audio-text-to-text, а английский отмечен как язык модели. Размер 230M приведён в названии модели; отдельные сведения о контексте и прикладных ограничениях в предоставленной карточке отсутствуют.

LLaVA-Video-7B-Qwen2-Video-Only — мультимодальная диалоговая модель LMMS-Lab для взаимодействия с видео. Она дообучена на базе lmms-lab/llava-onevision-qwen2-7b-si на видеоданных из LLaVA-Video-178K; архитектура сочетает SO400M и языковую модель Qwen2, содержит 7,1 млрд параметров и использует окно контекста 32 768 токенов. Модель принимает видео, включая до 110 кадров, и формирует текстовые ответы на вопросы о содержимом роликов. По заявлению авторов, на видео-бенчмарках она показывает результаты, сопоставимые с LLaVA-Video-7B-Qwen2. Модель предназначена для диалога по видео и анализа видеосцен. В карточке указаны английский и китайский языки. Модель выпущена в формате Safetensors и распространяется по лицензии Apache 2.0. Авторы отмечают, что обучение проводилось только на видеоданных набора LLaVA-Video-178K.

drbaph/LongCat-AudioDiT-3.5B-bf16 — конверсия модели LongCat-AudioDiT-3.5B от Meituan из FP32 в BF16. Это неавторегрессионная модель синтеза речи на основе диффузии: она использует DiT-трансформер, Wav-VAE и текстовый энкодер и работает в латентном пространстве волновой формы. Версия содержит около 3,5 млрд параметров; преобразование весов и активаций в BF16 сокращает размер файлов примерно с 14 до 7 ГБ и снижает требования к видеопамяти при заявленной авторами незначительной потере качества. Модель предназначена для синтеза речи по тексту, zero-shot клонирования голоса по аудиообразцу и генерации речи нескольких участников. В README приведены результаты 0,818 SIM на Seed-ZH и 0,797 SIM на Seed-Hard. Для запуска рекомендуются ComfyUI и поддерживающая модель нода; указаны требования к NVIDIA GPU с CUDA и примерно 7 ГБ видеопамяти, при этом работа на CPU возможна, но медленна. Репозиторий распространяется по лицензии MIT.

facebook/mms-tts-apb — модель синтеза речи на языке Sa’a (код apb), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на Sa’a. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт семейства MMS-TTS; для синтеза одной и той же фразы могут получаться варианты с разным ритмом, поэтому для повторяемого результата нужен фиксированный seed. Модель доступна через библиотеку Transformers. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-bsc — модель синтеза речи на языке ониан, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на ониан в речевую аудиоволну и предназначена для создания озвучки и речевых интерфейсов на этом языке. Модель использует архитектуру VITS и обучена отдельно для ониан в составе линейки MMS-TTS. VITS объединяет кодирование текста, предсказание длительности и декодирование аудио в сквозной системе; стохастический предиктор длительности позволяет получать варианты ритма, поэтому генерация недетерминирована и для повторения результата нужен фиксированный seed. В репозитории указаны 3,5 млн параметров и форматы PyTorch и Safetensors; модель доступна через Transformers версии 4.33 и выше. Модель рассчитана на синтез речи на ониан и не является универсальной многоязычной моделью: для других языков нужны соответствующие контрольные точки MMS-TTS. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-dbq — модель синтеза речи на языке даба (Daba, код dbq), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS и обучена отдельно для языка даба. В описании VITS указаны текстовый энкодер на основе Transformer, вариационный автоэнкодер, модуль нормализующих потоков, стохастический предиктор длительности и декодер на основе HiFi-GAN. Размер модели — 3,5 млн параметров; доступны веса PyTorch и Safetensors. Для работы с моделью предусмотрена библиотека Transformers версии 4.33 и новее. Предиктор длительности стохастический, поэтому одинаковый текст может звучать по-разному; фиксированный seed позволяет воспроизводить результат. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Модель Dan (dnj-dialect_gweetaawueast) — система синтеза речи Facebook в рамках проекта Massively Multilingual Speech (MMS). Это отдельный чекпойнт для языка Dan, диалект gweetaawueast. Модель принимает текст и генерирует речевую аудиоволну; она построена на архитектуре VITS и содержит около 3,5 млн параметров. VITS синтезирует речь сквозным образом: текстовый энкодер и flow-модуль формируют акустическое представление, а декодер на основе свёрточных слоёв создаёт аудиосигнал. Стохастический предиктор длительности позволяет варьировать ритм произношения; из-за этого результат недетерминирован, и для повторяемого синтеза нужен фиксированный seed. Модель доступна через Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-dop — модель синтеза речи на языке лукпа (Lukpa, код dop) из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на лукпа. Модель построена на архитектуре VITS и обучена как отдельный языковой чекпойнт MMS-TTS. VITS объединяет текстовый энкодер на основе Transformer, вероятностные компоненты и декодер формы сигнала; стохастический предиктор длительности позволяет варьировать ритм речи. Размер модели — 3,5 млн параметров. Для использования подходит библиотека Transformers версии 4.33 и новее. Генерация недетерминирована: для повторения того же результата нужен фиксированный seed. Модель предназначена для одного языка и не заявляет поддержку других языков. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-gbo — модель синтеза речи на северном гребо (Grebo, Northern; gbo), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на этом языке в речевую аудиоволну и предназначена для создания озвучки и речевых интерфейсов на гребо. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, flow-модуль и декодер, построенный по принципу HiFi-GAN. Для одного текста возможны варианты ритма и произношения; генерация стохастическая, поэтому для повторяемого результата требуется фиксированный seed. В метаданных указаны 3,5 млн параметров и форматы PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Модель facebook/mms-tts-gof-script_latin — система синтеза речи на языке гофа, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на гофа, записанный латиницей, в речевую аудиоволну и подходит для озвучивания текстов и создания голосовых материалов на этом языке. Модель использует архитектуру VITS и обучена отдельно для гофа. В карточке указано 3,5 млн параметров; модель доступна в Transformers начиная с версии 4.33 и хранится в форматах PyTorch и Safetensors. Лицензия CC-BY-NC-4.0 разрешает использование на условиях Creative Commons «С указанием авторства — Некоммерческое использование». Длительность и ритм синтезированной речи могут меняться между запусками из-за стохастического предиктора длительности; фиксированный seed позволяет повторить результат. Модель предназначена для гофа в латинской письменности, поэтому её не следует считать универсальным синтезатором для других языков.

facebook/mms-tts-ind — модель синтеза индонезийской речи из текста, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она предназначена для озвучивания индонезийских текстов и доступна через библиотеку Transformers версии 4.33 и выше. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это сквозная система синтеза речи: она преобразует текст в речевую аудиоволну, а стохастический предиктор длительности позволяет варьировать ритм произношения. Генерация недетерминирована; для повторения результата требуется фиксировать seed. Модель подходит для приложений озвучивания текста на индонезийском языке. Репозиторий содержит веса PyTorch и Safetensors. Лицензия CC BY-NC 4.0 требует указания авторства и не допускает коммерческое использование.

facebook/mms-tts-iou — модель синтеза речи на языке тума-ируму, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания фраз и создания голосового вывода на этом языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, flow-модуль и декодер, формирующий аудиоволну. Размер модели — 3,5 млн параметров. Для каждого языка MMS-TTS обучается отдельный чекпойнт; синтез может быть недетерминированным, поэтому для повторяемого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-jav — модель синтеза речи на яванском языке из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует текст на яванском языке в речевую аудиоволну и подходит для озвучивания текстов и создания речевых интерфейсов на этом языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это сквозная система синтеза речи с вероятностным предсказателем длительности, поэтому один и тот же текст может звучать с разным ритмом; для воспроизводимого результата нужно зафиксировать seed. Чекпойнт предназначен для яванского языка и доступен в библиотеке Transformers версии 4.33 и выше. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не приводит оценок качества или подробностей о голосе и обучающих данных.

facebook/mms-tts-mak — модель синтеза речи на языке макасар, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на макасар в речевую волну и предназначена для озвучивания текстов и создания речевого вывода на этом языке. Модель использует архитектуру VITS: вариационный автоэнкодер с текстовым энкодером на основе Transformer, flow-модулем, стохастическим предсказателем длительности и декодером, построенным по принципу HiFi-GAN. Размер — 3,5 млн параметров. Контрольная точка обучена отдельно для макасарского языка и доступна в Transformers версии 4.33 и новее. Генерация недетерминирована: для повторения того же результата требуется фиксированный seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-poh-dialect_eastern — модель синтеза речи на языке Poqomchi’ восточного диалекта из проекта Massively Multilingual Speech компании Facebook. Она преобразует текст на Poqomchi’ в речевую аудиоволну и предназначена для озвучивания текстов на этом языке. Модель использует архитектуру VITS и содержит 3,5 млн параметров. Это отдельный чекпойнт, обученный для одного языка; модель доступна через библиотеку Transformers. Стохастический предсказатель длительности может создавать разные варианты ритма для одного текста, поэтому для повторяемого результата нужен фиксированный seed. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерческое. Модель рассчитана на Poqomchi’ восточного диалекта, поэтому её не следует считать универсальным или многоязычным синтезатором.

facebook/mms-tts-tnp — модель синтеза речи на основе VITS, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на языке Whitesands в речевую аудиоволну; для каждой языковой версии MMS-TTS обучается отдельный чекпойнт. Модель содержит около 3,5 млн параметров и доступна в форматах PyTorch и Safetensors, в том числе через Transformers версии 4.33 и новее. Архитектура VITS объединяет текстовый энкодер на основе Transformer, потоковый модуль, стохастический предиктор длительности и HiFi-GAN-подобный декодер. Предиктор позволяет получать разные ритмические варианты одной и той же фразы, поэтому результат может меняться между генерациями; фиксированный seed позволяет воспроизвести тот же аудиосигнал. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-vid — модель синтеза речи на видунда, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на языке видунда в речевую аудиоволну и предназначена для озвучивания текста и создания речевых данных для этого языка. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, потоковый модуль с текстовым энкодером на базе Transformer, стохастический предсказатель длительности и декодер HiFi-GAN-подобного типа. В репозитории указано 3,5 млн параметров; чекпойнт доступен в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Модель обучена отдельно для видунда и не заявлена как многоязычная. Предсказатель длительности стохастический, поэтому генерация недетерминирована; для повторения той же аудиоволны требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-waw — модель синтеза речи на языке вайвай, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текстов на вайвай. Модель построена на архитектуре VITS: она объединяет вариационный автокодировщик, flow-модуль с текстовым энкодером на основе Transformer, стохастический предиктор длительности и декодер, основанный на HiFi-GAN. Размер модели — 3,5 млн параметров; контрольная точка доступна в форматах PyTorch и Safetensors и используется через Transformers версии 4.33 и новее. Для повторяемого результата при генерации требуется фиксировать seed, поскольку модель использует стохастический предиктор длительности. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

BricksDisplay/NeuTTS-Air-GGUF — набор GGUF-конвертаций компактной модели синтеза речи NeuTTS Nano, разработанной Neuphonic. Модель предназначена для локального on-device преобразования текста в речь и мгновенного клонирования голоса по короткому аудиореференсу. Указанный язык — английский. Архитектура разделена на две части: LLM-компонент на архитектуре llama преобразует фонемизированный текст и коды референсного голоса в речевые токены, а NeuCodec преобразует эти токены в аудио PCM с частотой 24 кГц и обратно. Базовая модель содержит около 228 млн параметров, из которых примерно 117 млн активны. Для работы требуется предварительная фонемизация через espeak-ng, phonemizer или эквивалентный инструмент; исходные английские строки без фонемизации могут работать некорректно. Размер контекста и точные требования к ресурсам не указаны. К сильным сторонам относятся компактность, возможность локального запуска, поддержка квантованных вариантов от Q2 до Q8 и мгновенное клонирование голоса. Ограничения включают зависимость от отдельного codec.cpp или совместимого рантайма для NeuCodec, необходимость кодировать референсное аудио и выполнять фонемизацию на стороне хоста, а также отсутствие заявленной поддержки языков помимо английского. Репозиторий распространяется по лицензии, обозначенной как other; конкретные условия лицензии в README не приведены.

omniASR-CTC-300M-baoule-1000steps — модель распознавания речи на языке бауле, полученная дообучением facebook/omniASR-CTC-300M по официальной рецептуре Meta для CTC на подмножестве bau_tts датасета google/WaxalNLP. Она принимает аудио и преобразует речь в текст; обучение завершено за 1000 шагов, опубликован чекпойнт последнего шага. На dev-выборке из 98 примеров указаны WER 35,15% и UER 10,95%. Модель построена на архитектуре Wav2Vec2ForCTC, использует Fairseq2 и неизменённый токенизатор omniASR_tokenizer_v1; обучающие аудиозаписи имели длительность от 2 до 60 секунд. Лицензия — Apache-2.0. Указанные метрики получены на небольшой выборке и не гарантируют аналогичного качества на других данных.

Модель sapinsapin/omniASR_W2V_7B_SSL-ctc-char-pld_ceb — система автоматического распознавания речи на себуанском языке, разработанная в рамках проекта halohalo. Это дообученная на Philippine Language Dataset (PLD) модель ylacombe/omniASR_W2V_7B_SSL с архитектурой Wav2Vec2ForCTC и символьным CTC-выходом; размер составляет 8,6 млрд параметров. Она принимает аудиозаписи в формате WAV, с частотой 16 кГц и одним каналом, и преобразует речь в текст. Модель обучена на 24 059 фрагментах чистой прочитанной речи и предназначена для распознавания себуанской речи, а также сравнительных экспериментов. На тесте с новыми дикторами и предложениями указаны CER 17,02% и WER 49,46%; языковая модель на 4-граммах может дополнительно снизить WER на 4–7 процентных пунктов. Лицензия репозитория — CC-BY-NC-4.0; авторы отдельно указывают, что обучающие данные PLD предназначены только для исследований, поэтому чекпойнт позиционируется как исследовательский артефакт.

Mahmoud Ibrahim подготовил дообученную модель Qwen3-TTS-12Hz-0.6B для синтеза арабской речи с пользовательским профилем голоса ali. Модель предназначена для преобразования текста в аудио на арабском языке, с акцентом на египетский диалект; в карточке Hugging Face указана задача text-to-speech и архитектура Qwen3TTSForConditionalGeneration. Модель распространяется в формате safetensors по лицензии Apache-2.0. README указывает базовую модель Qwen3-TTS-12Hz-0.6B. Сведения о размере и длине контекста в предоставленных метаданных и README отсутствуют.

Русскоязычная версия Qwen3-TTS-12Hz-1.7B-Base, подготовленная для локального сервера синтеза речи voicy. Модель дообучена следовать знаку ударения U+0301 в тексте, что помогает задавать произношение русских омографов и слов с нестандартным для модели ударением. Текст без знаков она озвучивает как исходная модель, а автоматическую расстановку ударений перед синтезом может выполнять voicy с помощью RUAccent и словаря произношений. Это речевая модель семейства Qwen3-TTS с говорящей частью на базе трансформера. Для дообучения использована LoRA ранга 16 на слоях внимания и MLP; адаптер влит в веса. Репозиторий содержит варианты GGUF и ONNX, включая квантизированные GGUF, для запуска через llama.cpp или ONNX Runtime. Модель рассчитана только на русский язык и сценарии синтеза речи, в том числе клонирование голоса по аудиообразцу в совместимом сервере. В описанном автором эксперименте модель чаще следовала явно заданному ударению, чем исходная, при этом качество ударений на обычном тексте существенно не изменилось. Оценка проводилась автоматическим измерителем с заметной долей ложных тревог, а прослушивание проверял один человек без слепого теста. Расстановка знаков RUAccent может ошибаться, и модель не всегда соблюдает их на словах с сильной привычной формой произношения. Лицензия — Apache-2.0.

Экспериментальная модель автоматического распознавания речи из проекта Ghanaian Speech Lab. Это дообученная версия Whisper Small с замороженным энкодером, адаптированная на очищенных обучающих примерах GhanaNLP и обучавшаяся с повторным включением данных Waxal. В репозитории указано 15 171 обучающее наблюдение, 1 024 примера проверки Waxal, 326 примеров проверки GhanaNLP и 512 строк регрессионных тестов Waxal; обучение ограничено 1 200 шагами. Модель предназначена для транскрибирования речи на аканском языке и связанных вариантов, включая твийский; карточка также указывает связь с данными GhanaNLP и Waxal. Контроль регрессии на Waxal включён в обучение. Артефакт помечен как экспериментальный и не рекомендован для промышленного применения до прохождения проверок на отложенных данных и прослушивания носителями ганского английского/языка. Архитектура — Whisper Small, около 153,1 млн параметров; модель принимает аудио и выдаёт текст. Лицензия — CC BY-SA 4.0.

Soloni TDT-CTC 114M — модель распознавания речи на языке бамбара, разработанная RobotsMali и дообученная на базе nvidia/parakeet-tdt_ctc-110m с помощью NVIDIA NeMo. Она преобразует аудио в текст и поддерживает два способа декодирования: TDT и CTC. Модель построена на гибридной архитектуре FastConformer-TDT-CTC. Модель предназначена для транскрибации речи на бамбара, в том числе записей формата WAV. Ожидаемый вход — монофонический звук с частотой 16 кГц; препроцессор также выполняет пересэмплирование аудио с более высокой частотой. Выход — текстовая транскрипция. Обучение проводилось на 37 часах размеченной речи бамбара из набора bam-asr-early. В приведённых оценках WER составил 36,58% для TDT и 40,56% для CTC на Bam ASR Early; это жадное декодирование без внешней языковой модели. Модель не добавляет пунктуацию и заглавные буквы. В README отмечены возможные трудности с обобщением на разные условия записи и диалекты; проект продолжает развиваться. Лицензия — CC BY 4.0.

UniAR-SFT — контрольная точка модели UniAR, разработанной авторами работы «UniAR: Unified Multimodal Autoregressive Modeling with Shared Context—Visual Tokenizer is Key to Unification» для понимания изображений, генерации изображений и их редактирования в едином авторегрессионном Transformer. Это версия после supervised fine-tuning и до этапа RL, предназначенная также как отправная точка для собственного обучения с подкреплением. Модель объединяет языковую основу Qwen3-8B и визуальный токенизатор BSQ на базе SigLIP2-So400M ViT с DeepStack-связями; для декодирования изображений используется SD3.5-Medium DiT с внедрением признаков SigLIP. Общие дискретные визуальные токены позволяют модели интерпретировать изображения и работать с визуальными токенами, которые она сама генерирует. Карточка содержит компоненты для понимания и генерации изображений. Репозиторий распространяется по лицензии Apache-2.0. Метаданные Hugging Face указывают задачу image-to-text; другие заявленные в README возможности не представлены отдельными pipeline-тегами.