I.15Доступность и ассистивные технологии

Re3Cap-CIM-InternVL3-8B — мультимодальная модель для описания изображений, разработанная на основе OpenGVLab/InternVL3-8B-Instruct. Модель дообучена с помощью GRPO и награды Cross-modal Identity Mapping (CIM) с использованием стратегии Re³Cap, которая уточняет подписи к изображениям с опорой на поиск похожих изображений. Re³Cap сочетает Caption Refinement Suggester и Caption Quality Assessor для выявления галлюцинаций и пропусков в описаниях. Такой подход предназначен для генерации более точных и подробных подписей без дополнительных аннотаций. Модель принимает изображения и текстовые запросы и выдаёт текст; карточка также указывает поддержку диалога и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Re3Cap-SC-InternVL3-8B — мультимодальная модель на основе InternVL3-8B-Instruct, дообученная методом GRPO с наградой keyword-level self-correction и стратегией Re³Cap для уточнения описаний изображений. Разработчики применили Caption Refinement Suggester и Caption Quality Assessor, чтобы выявлять галлюцинации и пропущенные детали в исходных подписях. Модель предназначена для создания и уточнения подписей к изображениям: retrieval-guided refinement помогает получать более точные и подробные описания без дополнительных аннотаций. Она принимает изображения и текстовые запросы, а выдаёт текст. Репозиторий содержит веса в формате safetensors; модель основана на InternVL3-8B-Instruct и распространяется по лицензии Apache-2.0.

terra-cognita-ai выпустила оптимизированную версию Google Gemma 4 E4B Instruct для анализа изображений и диалога по визуальному содержимому. Это мультимодальная модель с архитектурой Gemma 4, предназначенная для сценариев image-to-text и общения с изображениями; в метаданных указана поддержка английского языка. Модель основана на google/gemma-4-E4B-it: 30% весов обрезаны, а оставшиеся линейные веса языковой части упакованы в int4 по схеме W4A16 с QAT и дистилляцией. Визуальная и аудиочасти, проекторы и выходная голова остаются в bf16. Сжатие снижает требования к вычислениям и энергии, а модель можно запускать через Transformers или vLLM с форматом compressed-tensors. На GPU Ada, включая L4 и RTX 4090, vLLM использует Triton attention и имеет дополнительную задержку относительно пути FlashAttention, доступного на Ampere и Hopper. Лицензия — Gemma; применяются условия лицензии Google Gemma.

Sibilia-TTS — модель синтеза речи из текста на итальянском языке, опубликованная DeepMount00. Она предназначена для создания естественной, чёткой и плавной итальянской речи с характерными для стандартного итальянского произношением и просодией. В карточке заявлены сценарии для голосовых помощников, аудиокниг, образовательных материалов и средств доступности. Модель использует плотную архитектуру CSM с классом CsmForConditionalGeneration и содержит 977,3 млн параметров. Репозиторий хранит веса в формате safetensors; заявленная длина контекста — 2048 токенов. Автор сообщает о сравнительных преимуществах в естественности звучания, просодии и снижении артефактов, однако описание не приводит методику или численные результаты бенчмарков. Лицензия — Apache-2.0.

Xenova/speecht5_tts — модель синтеза речи на основе Microsoft SpeechT5, адаптированная сообществом Xenova для работы в Transformers.js. Репозиторий содержит ONNX-веса, совместимые с JavaScript-средой и веб-приложениями. Для генерации полного аудиосигнала используется отдельный вокодер SpeechT5 HiFi-GAN. Модель преобразует текст в речь и поддерживает управление характеристиками голоса через speaker embeddings. Она предназначена для озвучивания текста в браузере или Node.js, создания голосовых интерфейсов и других приложений text-to-speech. В примере используется частота дискретизации 16 кГц; выход представлен как аудиомассив Float32Array. Доступны варианты вычислений fp32, fp16, q8 и q4, что позволяет выбирать между качеством, скоростью и потреблением памяти. В README не указаны точный размер модели, языковой охват, максимальная длина контекста и дополнительные модальности. Для получения наилучшей точности рекомендуются не квантизированные веса fp32. Модель требует токенизатор, процессор, speaker embeddings и вокодер, поэтому сама по себе не является полностью автономным генератором аудио. Лицензия в предоставленных данных не указана.

BuzzASR/turkish — специализированная модель распознавания турецкой речи, созданная в рамках набора BuzzASR и дообученная разработчиками проекта на базе openai/whisper-large-v3. Это плотная модель WhisperForConditionalGeneration примерно с 905,2 млн параметров, использующая библиотеку Transformers и формат safetensors. Она принимает аудио и выдаёт текстовую транскрипцию; конфигурация генерации уже содержит подсказку языка и задачи, поэтому отдельный параметр языка не требуется. Модель предназначена для автоматической транскрибации речи на турецком языке. В тестах на FLEURS и Common Voice 25 авторы сообщают CER 2,0% и 4,67% соответственно, а на объединённом наборе — CER 4,0% и WER 12,44%; эти результаты относятся к указанным тестовым выборкам и не гарантируют такое же качество на других данных. Модель монолингвальная, поэтому не предназначена для распознавания других языков; качество на иных тематиках, акцентах и диалектах может отличаться. Лицензия — MIT.

Umong/wav2vec2-large-mms-1b-bengali — модель распознавания речи, созданная дообучением facebook/mms-1b-all на датасете Common Voice 13.0. Она принимает аудио и преобразует речь на бенгали в текст; архитектура — Wav2Vec2ForCTC, размер — 1,3 млрд параметров. На оценочной выборке указаны loss 0,2591 и WER 0,3256. Модель подходит для транскрибирования речи на бенгали. Распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства, но запрещающей коммерческое применение.

nguyenvulebinh/wav2vec2-large-vi-vlsp2020 — модель распознавания вьетнамской речи на основе архитектуры wav2vec2, разработанная Nguyen Vu Lebinh. Модель с 402,8 млн параметров предварительно обучена на 13 тысячах часов неразмеченной вьетнамской речи с YouTube и дообучена на 250 часах размеченных данных набора VLSP ASR 2020 с частотой дискретизации 16 кГц. Модель преобразует аудиозаписи на вьетнамском языке в текст и предназначена для автоматического распознавания речи. На тестовом наборе VLSP T1 для большой версии указана частота ошибок слов WER 6,90 без языковой модели и 5,32 с языковой моделью 5-грамм. В репозитории представлены веса PyTorch; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

infinitejoy/wav2vec2-large-xls-r-300m-arabic — модель распознавания речи, полученная дообучением facebook/wav2vec2-xls-r-300m на арабской части набора Mozilla Common Voice 7.0. Она принимает аудио и преобразует речь в текст; архитектура — Wav2Vec2ForCTC семейства wav2vec2, число параметров — около 402,8 млн. Модель предназначена для автоматической транскрипции арабской речи. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка описывает оценивание на тестовой выборке Common Voice 7, но метрики WER и loss приведены как NA. Поэтому по карточке нельзя оценить точность распознавания или устойчивость модели на других акцентах, условиях записи и типах речи.

jayashreedevi2020/wav2vec2-large-xls-r-300m-assamese — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на наборе Common Voice 11.0. Она принимает аудио и преобразует речь на ассамском языке в текст; архитектура основана на Wav2Vec2 с CTC-выходом и содержит около 402,7 млн параметров. Модель подходит для транскрибирования записей и оценки распознавания ассамской речи. В README приведены результаты на оценочной выборке: WER 0,6470 и loss 0,9825; качество может зависеть от условий записи и соответствия аудио данным обучения. Лицензия — Apache-2.0.

Модель anuragshas/wav2vec2-large-xls-r-300m-bg — акустическая модель распознавания речи на базе Wav2Vec2, дообученная на болгарском разделе датасета Mozilla Common Voice 8.0. Базовая модель — facebook/wav2vec2-xls-r-300m; архитектура использует CTC для преобразования аудиоречи в текст. В репозитории указано 402,7 млн параметров и формат PyTorch. Модель предназначена для автоматической транскрипции болгарской речи, в частности записей, похожих на данные Common Voice. На тестовой выборке Common Voice 8 автор приводит WER 30,07% без языковой модели и 21,195% с языковой моделью; также указаны loss 0,2473 и WER 0,3002 на оценочной выборке. Эти результаты зависят от набора данных и процедуры оценки. Для использования требуются аудиоданные; результатом является текстовая транскрипция. Модель опубликована под лицензией Apache-2.0. Карточка содержит мало сведений о практических ограничениях и рекомендуемых условиях применения, поэтому качество на иных акцентах, условиях записи и типах речи по этим данным оценить нельзя.

Модель infinitejoy/wav2vec2-large-xls-r-300m-greek — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания греческой речи. Она основана на архитектуре Wav2Vec2ForCTC и обучена на греческой части Mozilla Common Voice 7.0. Модель принимает аудио и выдаёт распознанный текст; число параметров — около 402,7 млн. По результатам оценки на тестовой выборке указаны loss 0,6592 и WER 0,4564. Модель подходит для транскрибирования грекоязычных записей, однако приведённый WER указывает на заметное число ошибок распознавания. Распространяется по лицензии Apache-2.0.

Модель infinitejoy/wav2vec2-large-xls-r-300m-marathi-cv8 — версия wav2vec2-XLS-R-300M, дообученная разработчиком на наборе Mozilla Common Voice 8.0 для распознавания речи на маратхи. Она принимает аудио и преобразует речь в текст; архитектура реализована как Wav2Vec2ForCTC. В репозитории указано 402,7 млн параметров. Модель предназначена для автоматической транскрибации аудиозаписей на маратхи, например записей речи и голосовых сообщений. На оценочном наборе Common Voice 8.0 для маратхи указаны loss 0,6483 и WER 0,6049; последнее значение указывает на заметное число ошибок распознавания. Распространяется по лицензии Apache-2.0.

shniranjan/wav2vec2-large-xlsr-300m-nepali — модель распознавания речи на основе архитектуры Wav2Vec2ForCTC из семейства wav2vec2. Она преобразует аудио на непальском языке в текст и предназначена для сценариев автоматической транскрипции речи. В метаданных указано 402,7 млн параметров; веса доступны в форматах PyTorch и Safetensors. Модель можно использовать напрямую, без языковой модели. Карточка не сообщает о специальных ограничениях качества или условиях применения; лицензия в предоставленных данных не указана.

infinitejoy/wav2vec2-large-xls-r-300m-welsh — модель распознавания речи на архитектуре Wav2Vec2ForCTC, разработанная дообучением facebook/wav2vec2-xls-r-300m на валлийской части набора Mozilla Common Voice 7.0. Она преобразует аудио с речью на валлийском языке в текст и подходит для транскрибирования записей и голосовых сообщений. В оценке на указанном наборе достигла WER 0,2702 и loss 0,2650. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

Модель scottykwok/wav2vec2-large-xlsr-cantonese разработана участником scottykwok и представляет собой wav2vec 2.0 XLSR, дообученную для автоматического распознавания кантонской речи. Она принимает аудио и выдаёт текстовую транскрипцию; модель основана на wav2vec2-large-xlsr-53 и обучалась на Common Voice zh-HK версии 6.1.0. Архитектура — Wav2Vec2ForCTC, размер — 406,3 млн параметров. Для тестовой части Common Voice zh-HK автор сообщает CER 15,11%. Модель рассчитана на кантонский язык; карточка не приводит длину аудиозаписи или контекста. Распространяется по лицензии CC BY-SA 4.0.

Thanish разработал модель автоматического распознавания речи на тамильском языке, дообучив facebook/wav2vec2-large-xlsr-53 на данных Common Voice. Это модель Wav2Vec2ForCTC с 402,7 млн параметров, принимающая аудио и выдающая распознанный текст. Для входной речи требуется частота дискретизации 16 кГц; модель можно использовать без отдельной языковой модели. В карточке приведён результат 100% на тестовых данных Common Voice, но без описания метрики и протокола оценки это число нельзя считать полной оценкой качества. Модель распространяется по лицензии Apache-2.0.

Модель asr-africa/wav2vec2-xls-r-akan-50-hours — дообученная на распознавании речи версия wav2vec2-xls-r-300m, разработанная автором репозитория asr-africa. Она предназначена для автоматического преобразования речи на языке акан в текст. Модель содержит около 402,7 млн параметров, использует архитектуру Wav2Vec2ForCTC и принимает аудио; библиотека для работы — Transformers. На оценочной выборке указаны WER 0,3065 и CER 0,0949. Датасет обучения не раскрыт, поэтому результаты нельзя уверенно переносить на другие условия записи и варианты речи. Лицензия — Apache-2.0.

Whisper Large-V3 Portuguese — дообученная модель распознавания речи на базе openai/whisper-large-v3, созданная автором репозитория zuazo на датасете Mozilla Common Voice 13.0 для португальского языка. Она принимает аудио и генерирует текстовую транскрипцию; архитектура — WhisperForConditionalGeneration, размер — 905,2 млн параметров. На указанном в карточке наборе оценки модель показала WER 4,6003 и loss 0,4315. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает дополнительные сценарии применения или ограничения.

Viraj008/whisper-small-mr_v4 — дообученная модель распознавания речи на базе Viraj008/whisper-small-mr_v3, разработанная Viraj Patil. Модель семейства Whisper содержит 153,1 млн параметров и предназначена для преобразования аудио в текст на маратхи. В метаданных указана архитектура WhisperForConditionalGeneration и формат safetensors; дообучение выполнено на Common Voice 17.0. На оценочном наборе указаны loss 0,2132 и WER 34,4975. Модель распространяется по лицензии Apache-2.0. Она предназначена для автоматического распознавания речи; сведений о контекстных ограничениях и других сценариях применения в карточке нет.

Whisper Small Shona ASR — модель распознавания речи на базе архитектуры Whisper, представленная в репозитории Code-Dev/whisper-small-shona-v3. Она предназначена для преобразования аудиозаписей на шона в текст; в карточке указана оптимизация для языка шона и этапы дообучения на FLEURS и фрагментах Библии. Для последнего этапа README сообщает WER 25,52%, а метаданные указывают класс WhisperForConditionalGeneration и формат safetensors. Модель принимает аудио и выдаёт текст. Лицензия и размер модели в доступных данных не приведены.

LWobole/whisper-small-tagalog — дообученная модель семейства Whisper от автора репозитория LWobole, созданная на базе openai/whisper-small и предназначенная для автоматического распознавания речи на тагальском языке. Модель содержит 153,1 млн параметров, использует архитектуру WhisperForConditionalGeneration и опубликована в формате safetensors для Transformers. Модель обучалась на наборе fleurs_fil_ph и оценивается по распознаванию речи; в README приведены loss 0,4392 и WER 16,6557 на оценочной выборке. Она подходит для преобразования тагальской речи в текст. Лицензия — Apache-2.0. Подробности об условиях записи аудио, качестве в разных акустических условиях и иных ограничениях в карточке не раскрыты.

Whisper Tamil Medium — модель распознавания речи на основе архитектуры Whisper, дообученная Vasista22 на корпусах тамильской речи в рамках спринта по тонкой настройке Whisper. Модель принимает аудио и генерирует текстовую транскрипцию на тамильском языке; её можно применять для расшифровки записей и оценки качества распознавания на тамильских аудиокорпусах. Модель содержит около 455,8 млн параметров. В репозитории представлены варианты PyTorch и Flax; карточка также приводит пример использования через Whisper JAX. Обучение проводилось на нескольких общедоступных корпусах тамильской речи, включая IISc-MILE, ULCA, Shrutilipi, Microsoft Speech Corpus, Fleurs и Babel. Лицензия — Apache-2.0.

Модель kapilkd13/xls-r-300m-hi-prod — дообученная для распознавания речи на хинди версия facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и предназначена для преобразования аудиозаписей на хинди в текст; обучение проводилось на наборе Mozilla Common Voice 7.0 для хинди. Число параметров — около 402,8 млн. На оценочной выборке указано значение WER 0,434. Модель подходит для транскрибации речи на хинди, однако это значение указывает на заметные ошибки распознавания. Репозиторий содержит веса PyTorch и опубликован по лицензии Apache-2.0.

AnyAudio-Judge-30B — модель для оценки соответствия текстового описания аудиозаписи заданным критериям. Она разработана авторами AnyAudio-Judge на основе Qwen3-Omni-30B-A3B-Captioner и дообучена на корпусе AnyAudio-Judge SFT Corpus; выпущен вариант после этапа SFT без последующего этапа GRPO. Для каждого пункта рубрики модель отвечает «да» или «нет» и приводит одно предложение с аудиодоказательством. Вероятности ответов по пунктам можно объединять в детальную оценку соответствия, чтобы выявлять частичные расхождения между аудио и подписью. В бенчмарке AnyAudio-Judge Bench авторы сообщают точность 84,45 для английского и 85,26 для китайского; эти результаты относятся к описанной в карточке оценке. Модель принимает аудио и текстовые инструкции с рубрикой, а выдаёт текстовые ответы и обоснования. Карточка указывает поддержку английского и китайского языков. Модель распространяется по лицензии Apache-2.0.

BLIP-2 Flan T5-xl COCO — модель Salesforce для генерации текста по изображению, дообученная на COCO. Она объединяет визуальный энкодер CLIP-подобного типа, трансформер Q-Former и языковую модель Flan-T5-xl. Энкодер изображения и языковая модель используют предварительно обученные и замороженные веса, а Q-Former связывает визуальные признаки с языковой моделью. Модель принимает изображение и, при необходимости, текстовый запрос, чтобы сформировать текстовый ответ. Модель подходит для создания подписей к изображениям и ответов на вопросы об их содержимом; также возможен диалог с изображением и историей переписки в запросе. В метаданных указаны английский язык и форматы PyTorch и Safetensors. Репозиторий распространяется по лицензии MIT. Модель унаследовала ограничения Flan-T5 и обучающих интернет-данных: ответы могут быть неточными или отражать предвзятость и неподходящее содержание. Карточка сообщает, что модель не проверялась в реальных приложениях; перед применением следует оценить её точность, безопасность и справедливость в конкретном сценарии.

CASA-Qwen2_5-VL-3B-LiveCC — мультимодальная модель Kyutai для создания субтитров и текстовых описаний видео в реальном времени. Она основана на Qwen2.5-VL-3B-Instruct и дообучена на наборе LiveCC; архитектура использует слои CASA с перекрёстным вниманием для объединения визуальной и языковой информации. Модель содержит 3,1 млрд параметров, работает с видео и текстом и имеет контекст длиной до 128 000 токенов. Модель предназначена для генерации временно привязанных описаний видеопотока: кадры извлекаются с частотой 2 кадра в секунду, а текст можно выводить как субтитры в момент генерации. В README приведён пример описания животного в естественной среде. Для загрузки используется Transformers с включённым trust_remote_code. Репозиторий распространяется по лицензии CC BY-NC-SA 4.0, которая запрещает коммерческое использование и требует соблюдать условия атрибуции и распространения производных материалов. Карточка демонстрирует сценарий описания видео, но не сообщает о точности, задержке или качестве на других типах видеоматериалов. Указанный в метаданных английский язык — единственный подтверждённый язык карточки; переносимость на другие языки не установлена.

onnx-community/Florence-2-large-ft — ONNX-версия модели Microsoft Florence-2-large-ft, подготовленная для работы с библиотекой Transformers.js. Это мультимодальная модель для преобразования изображений и текстовых запросов в текст; в README приведён сценарий генерации подписей к изображениям, включая более подробное описание содержимого сцены. Модель предназначена для использования в JavaScript-приложениях, в том числе непосредственно в веб-среде через Transformers.js и WebGPU. Она поддерживает условную генерацию текста на основе изображения и задания, переданного специальным текстовым промптом. Доступны ONNX-веса с вариантами точности FP16 и FP32 для отдельных компонентов, а также квантованными вариантами Q4 для encoder и decoder, что может снизить требования к ресурсам. В README указано, что модель относится к семейству Florence-2 и имеет крупный вариант (large), но точные параметры, размер, список языков и максимальная длина контекста не приведены. Сильной стороной является готовность к запуску в Transformers.js и поддержка веб-сценариев; ограничения включают зависимость от совместимого процессора и необходимость самостоятельно выбирать конфигурацию весов и параметры генерации. Лицензия — MIT.

FonBench MMS-1b Fon — модель автоматического распознавания речи на языке фон, разработанная Инес Ассия Хункупону из ESGIS Bénin. Это дообученная на всём наборе параметров версия facebook/mms-1b-all с архитектурой Wav2Vec2ForCTC и примерно 1 млрд параметров. Модель предназначена для транскрибации записанной речи на фон; её можно использовать в образовательных и исследовательских проектах, а также как компонент систем документирования, субтитров и доступности. Лицензия — CC-BY-4.0. Модель обучена на наборе alaleye/fon: записи монофонические, с частотой 16 кГц, преимущественно чистые студийные, прочитанные или полуспонтанные. В тестировании на дикторах, не встречавшихся при обучении, показаны WER 19,27% и CER 6,02%. Модель выводит строчные символы и не восстанавливает надёжно тоновые различия, отсутствующие в орфографии обучающих данных. Качество может снижаться на региональных вариантах, шумной или дальней речи и при переключении между фоном и французским; результаты не следует использовать в критически важных медицинских или юридических сценариях без независимой проверки.

InternVL3-38B-Instruct — мультимодальная модель OpenGVLab для диалога и анализа изображений. Это версия SFT семейства InternVL3: она прошла мультимодальное предварительное обучение и supervised fine-tuning, но не этап MPO. Архитектура следует схеме ViT-MLP-LLM: визуальный модуль InternViT соединён через MLP-проектор с языковой моделью; обработка изображений использует динамическое разбиение на фрагменты 448×448 и позиционное кодирование V2PE. Модель также обучалась на видеоданных. Модель предназначена для ответов на вопросы по изображениям, мультимодальных рассуждений и понимания видео, а также для задач с интерфейсами GUI, инструментами и 3D-сценами. Семейство заявлено как мультиязычное; карточка описывает текстовые и визуальные возможности, однако точный размер параметров и длина контекста для этой версии в предоставленных данных не указаны. В сравнении с InternVL 2.5 авторы заявляют улучшение мультимодального восприятия и рассуждений. Модель доступна по лицензии Apache-2.0. Ограничения включают отсутствие этапа MPO у этой SFT-версии; для неизвестных изображений или видео возможны ошибки интерпретации, а качество и производительность зависят от используемых разрешений и вычислительных ресурсов.