I.15Доступность и ассистивные технологии

VibeVoice-1.5B — модель синтеза речи из текста, опубликованная проектом VibeVoice; в карточке проекта указана Microsoft. Она предназначена для генерации выразительных длинных разговорных аудиозаписей, например подкастов, с несколькими голосами и естественной сменой реплик. Архитектура сочетает языковую модель и диффузионный акустический декодер, а акустический и семантический токенизаторы работают с частотой 7,5 Гц. Модель имеет контекст 64K токенов и способна создавать записи длительностью примерно до 90 минут с участием до четырёх говорящих. Модель поддерживает английский и китайский языки и генерирует речь, а не музыку или фоновые звуки. В карточке указано, что при генерации автоматически добавляется слышимая оговорка о синтетическом происхождении аудио и скрытая водяная метка. Возможны смещения и ошибки базовой модели; перекрывающаяся речь не моделируется, а речь на других языках может быть непредсказуемой. Разработчики не рекомендуют использовать модель в коммерческих или реальных приложениях без дополнительных испытаний. Лицензия — MIT.

Карточка модели rsxdalv/VibeVoice-Large на Hugging Face совпадает с карточкой aoi-ot/VibeVoice-Large, поэтому описание составлено по ней. VibeVoice-Large — модель преобразования текста в речь семейства VibeVoice, разработанная Microsoft; этот репозиторий содержит копию весов, полученных с ModelScope. Модель предназначена для генерации выразительной длинной разговорной речи, например подкастов и диалогов с несколькими участниками. Она использует плотную архитектуру VibeVoice с LLM для понимания текста и хода диалога, непрерывными акустическими и семантическими токенизаторами с частотой 7,5 Гц и diffusion-head для синтеза акустических деталей. Контекст составляет 32 тыс. токенов; заявлена генерация аудио длительностью примерно до 45 минут с несколькими голосами. Модель рассчитана на английский и китайский языки, поддерживает до четырёх голосов и ориентирована на исследование генерации длинной разговорной речи. Она синтезирует речь, а не музыку, фоновые звуки или эффекты; перекрывающиеся реплики явно не моделируются. Речь на других языках может быть невнятной, а выходы могут содержать ошибки или смещения. README предупреждает о рисках имитации голоса и дезинформации, не рекомендует коммерческое или реальное применение без дополнительной проверки и указывает, что в аудио автоматически добавляются слышимое уведомление об ИИ и водяной знак. Указанная лицензия — MIT.

Это дообученная версия мультиязычной модели распознавания речи Whisper Small, разработанной OpenAI. Модель принимает аудио и предназначена для автоматической транскрипции речи; название репозитория указывает на перенос обучения с ирландского на валлийский и обучение без замороженного декодера. Модель содержит 153,1 млн параметров, использует архитектуру WhisperForConditionalGeneration и опубликована в формате safetensors для Transformers. В README приведены результаты оценки: loss 6,7416, WER 105,8005, BLEU 0,6736, chrF++ 12,5667 и COMET 0,4173. Высокий WER указывает на слабое качество распознавания в указанной оценке. Лицензия — Apache-2.0.

facebook/mms-tts-kwf — модель синтеза речи на языке квара’а (Kwara’ae, код kwf), разработанная Facebook 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: текстовый энкодер на основе Transformer, flow-модуль и декодер, построенный по принципу HiFi-GAN. Вариационный автоэнкодер обучается сквозным образом с вариационными и состязательными функциями потерь; стохастический предиктор длительности позволяет получать разные ритмические варианты одной и той же фразы. Чекпойнт содержит 3,5 млн параметров, доступен в форматах PyTorch и Safetensors и используется через Transformers версии 4.33 или новее. Модель специализирована на одном языке и не предназначена для перевода или распознавания речи. Генерация недетерминирована: для воспроизведения того же аудио требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.

Roo-Voice — это дообученная командой Roo модель синтеза речи на базе OpenMOSS-Team/MOSS-TTS-Local-Transformer. Полное supervised fine-tuning на записях одного диктора закрепляет баритон и эстуарный акцент Roo; для синтеза также требуется reference.wav, поставляемый вместе с моделью и задающий подачу. Это модель для генерации речи из текста, а не универсальный клонировщик голосов. Чекпойнт использует архитектуру MossTTSLocal и представлен в формате PyTorch safetensors с точностью bfloat16; размер указан примерно как 5,8 ГБ. Речь генерируется монофонической с частотой 24 кГц. Модель ориентирована на английский язык. Лицензия — Apache-2.0. Модель предназначена для синтеза текста голосом Roo с характерным баритоном и акцентом. Ограничения: требуется reference.wav, поддерживается один голос, а для запуска в формате BF16 нужна совместимая NVIDIA GPU; для Apple Silicon автор предлагает отдельную сборку MLX.

VibeVoice-Large — модель преобразования текста в речь семейства VibeVoice, разработанная Microsoft; этот репозиторий содержит копию весов, полученных с ModelScope. Модель предназначена для генерации выразительной длинной разговорной речи, например подкастов и диалогов с несколькими участниками. Она использует плотную архитектуру VibeVoice с LLM для понимания текста и хода диалога, непрерывными акустическими и семантическими токенизаторами с частотой 7,5 Гц и diffusion-head для синтеза акустических деталей. Контекст составляет 32 тыс. токенов; заявлена генерация аудио длительностью примерно до 45 минут с несколькими голосами. Модель рассчитана на английский и китайский языки, поддерживает до четырёх голосов и ориентирована на исследование генерации длинной разговорной речи. Она синтезирует речь, а не музыку, фоновые звуки или эффекты; перекрывающиеся реплики явно не моделируются. Речь на других языках может быть невнятной, а выходы могут содержать ошибки или смещения. README предупреждает о рисках имитации голоса и дезинформации, не рекомендует коммерческое или реальное применение без дополнительной проверки и указывает, что в аудио автоматически добавляются слышимое уведомление об ИИ и водяной знак. Указанная лицензия — MIT.

Модель vocametrix/wav2vec2-xlsr-53-stuttering-classification разработана для классификации типов заикания в речи. Это модель Wav2Vec2ForSequenceClassification на базе facebook/wav2vec2-large-xlsr-53, дообученная сквозным образом на датасете SEP-28k-Extended. Она относит речевые фрагменты к повторениям звуков, повторениям слов и блокам речи. Модель рассчитана на аудиоанализ для систем поддержки речевой терапии и анализа нарушений плавности речи. Для длинных записей автор рекомендует нарезку на фрагменты по 4 секунды с перекрытием 50%. На тестировании с разбиением по говорящим взвешенная F1 составила 43% для повторений звуков, 56% для повторений слов и 32% для блоков, поэтому результаты могут быть неточными и требуют осторожной интерпретации. Модель распространяется по лицензии Apache-2.0.

Mungert/AesCoder-4B-GGUF — GGUF-квантизированная версия AesCoder-4B, разработанной авторами из Microsoft Research Asia, Shanghai Jiao Tong University и Peking University. Модель основана на Qwen/Qwen3-4B-Instruct-2507 и предназначена для генерации кода, ориентированного прежде всего на дизайн веб-страниц и визуальную эстетику интерфейсов. Она обучалась с использованием датасета AesCode-358K и подхода GRPO-AR с агентной оценкой исполняемости, статической и интерактивной эстетики кода. Модель относится к классу text-generation, имеет около 4 миллиардов параметров и поддерживает работу в формате GGUF через llama.cpp и совместимые инструменты. В README указана возможность запуска с максимальной длиной контекста 262144 токена при использовании vLLM, однако точные характеристики контекстного окна самой модели не уточнены. Сильная сторона — специализация на создании функционального и визуально качественного кода для веб-дизайна; версия не предназначена как универсальная модель для любых программных задач. Квантизация с повышением точности отдельных важных слоёв может улучшать качество при заданном уровне битности, но увеличивает размер файла. Модель распространяется по лицензии Apache-2.0. Для GGUF-версии заявлено использование llama.cpp, а конкретные параметры квантизации должны определяться выбранным файлом модели.

ClarkBear/Gemma4-e2b-mobile-actions-200 — экспериментальная дообученная модель на базе Google Gemma 4 E2B IT, созданная для преобразования запросов к мобильному помощнику в вызовы функций. Она обучалась с помощью LoRA на 200 примерах набора google/mobile-actions, после чего веса адаптера объединили с базовой моделью; репозиторий содержит веса для Transformers и артефакт LiteRT-LM для экспериментов на устройстве. Поддерживаются функции создания контактов и событий календаря, показа карты, открытия настроек Wi-Fi, отправки почты и управления фонариком. В оценке на 200 отложенных примерах формат вызова был корректным в 94% случаев, точность выбора функции составила 94%, а обязательные аргументы присутствовали в 92% случаев. Модель принимает текстовые запросы и выдаёт текстовые вызовы инструментов. В метаданных базовая Gemma обозначена как мультимодальная, однако карточка этой производной описывает именно текстовый сценарий мобильных действий. Лицензия — Gemma.

MLX Seed-VC v2 от Avdpro — нативный для MLX составной чекпойнт конвертации голоса, перенесённый с зафиксированной версии inference pipeline Seed-VC. Он объединяет CFM- и AR-модели, два квантователя ASTRAL, CAMPPlus, HuBERT Large (слой 18) и BigVGAN v2; веса хранятся в safetensors, конфигурация — в JSON. Модель принимает исходное аудио и аудио-образец голоса, чтобы преобразовать голос в исходной записи с сохранением тембра целевого говорящего. Профиль по умолчанию использует 30 шагов диффузии; также доступны быстрый профиль с 10 шагами и AR-профиль с 30 шагами. Модель распространяется по лицензии GPL-3.0; README отсылает к NOTICE.md за сведениями о лицензиях закреплённых исходных чекпойнтов.

rnjema-unima/mms-tts-ibo-baseline — подготовленный к дообучению прокси-чекпойнт для синтеза речи на игбо. Он рассчитан на обучение с конфигурацией `ibo_tts` датасета Google WAXAL; данные для этой конфигурации предоставлены Media Trust. Модель основана на VITS и использует веса йоруба-модели `facebook/mms-tts-yor` как акустическую и просодическую отправную точку, которую адаптируют к игбо при дообучении. Размер модели по метаданным — 3,5 млн параметров. Архитектура VITS выполняет преобразование текста в речь без отдельного вокодера. Репозиторий содержит конфигурационные файлы и исправления, необходимые для запуска обучения; сами веса в нём не хранятся, а загружаются из базового чекпойнта. Поэтому карточка описывает основу для дообучения, а не готовую модель синтеза игбо для непосредственного использования. Лицензия репозитория — CC-BY-NC-4.0; данные WAXAL указаны под CC-BY-SA-4.0. README не приводит оценок качества синтеза на игбо, а использование весов йоруба в качестве донора означает, что качество адаптированной модели зависит от последующего обучения на целевом языке.

THChou1220/gemma-4-e2b-kinetics54K-SQ_FFT — полное дообучение Gemma 4 E2B от Google, выполненное на 54 618 инструктивных примерах с синтетическими видеоданными, полученными на основе Kinetics. Модель использует архитектуру Gemma4ForConditionalGeneration и распространяется в формате safetensors; метаданные указывают поддержку диалога и зрения. Модель предназначена для диалоговых задач с визуальным вводом, связанных с видео и действиями в роликах Kinetics. Обучение проведено за одну эпоху с максимальной длиной последовательности 3072 токена. Лицензия в предоставленных данных не указана.

Lafzyn — модель на базе Qwen/Qwen3.5-0.8B, дообученная для преобразования текста на урду в Международный фонетический алфавит (IPA). Она предназначена для получения произношения слов и фраз на урду и может использоваться как фонетический компонент систем синтеза речи, словарей и лингвистических инструментов. Это специализированная модель, а не универсальный чат-бот. В карточке указано обучение на 100 000 пар «урду–IPA» и оценка на 500 отложенных примерах: средняя ошибка на уровне символов IPA (PER) составила 16,94%, а полностью совпали с эталоном 88 транскрипций из 500. Методика разделения данных описана не полностью, поэтому результаты следует трактовать с осторожностью. Модель ориентирована на современный стандартный урду; качество для диалектов и смешения языков не оценивалось. Репозиторий распространяется под лицензией Apache-2.0. Карточка не уточняет источник и лицензию обучающих данных.

Idan/fga-vqa — модель визуальных вопросов и ответов на основе Factor Graph Attention, разработанная Иданом Селой. Она совместно обрабатывает вопрос и признаки изображения и выбирает ответ из словаря на 3000 вариантов. Модель предназначена для открытого VQA на изображениях COCO и принимает текст вопроса вместе с визуальными региональными признаками; по README, оценка на COCO val2014 составила 61,55 по метрике VQA. Веса сохранены в формате safetensors и доступны через Transformers. Репозиторий описывает исследовательскую реализацию метода из CVPR 2019. Для использования нужны токенизированный вопрос и заранее извлечённые признаки изображения; модель не принимает исходное изображение непосредственно через показанный интерфейс. Лицензия — MIT. README отмечает, что вариант с множественным выбором из того же репозитория имеет неисправность, но это замечание относится к отдельной неопубликованной модели, а не к данному чекпойнту.

FunctionGemma 270M phone assistant — текстовая модель, дообученная автором ankit-pn на базе google/functiongemma-270m-it. Она преобразует команды пользователя в вызовы 20 инструментов для управления функциями телефона: будильниками, таймерами, настройками устройства, календарём, напоминаниями, сообщениями, звонками, приложениями, музыкой, навигацией, поиском в интернете и заметками. На светские беседы и неподдерживаемые запросы модель отвечает текстом без вызова инструмента. Модель построена на архитектуре Gemma 3 Text, содержит 257 млн параметров и рассчитана на контекст до 32 768 токенов. Она работает с английским и хинглишем; для вызовов инструментов требуется использовать те же схемы и системный промпт, на которых проводилось обучение. В тесте на 800 примерах модель показала точное совпадение вызова и аргументов в 75,4% случаев, правильный выбор инструмента — в 93% случаев, долю ошибок разбора — 0,25%. Результаты основаны на одном запуске и синтетическом наборе данных, поэтому качество на реальных командах может отличаться. Вызовы следует проверять перед выполнением на устройстве. Модель распространяется на условиях Gemma Terms of Use.

PVD-160k-Mistral-7b-GGUF — квантизированная версия модели PVD-160k-Mistral-7b, разработанной Mike Wang и его исследовательской группой; квантизацию выполнил Richard Erkhov. Модель создана в рамках проекта Visually Descriptive Language Model (VDLM), посвящённого рассуждениям о векторной графике с использованием текстовых визуальных описаний, включая SVG-представления и Primal Visual Description. Модель предназначена для задач визуального вопросно-ответного взаимодействия и рассуждений по изображениям, состоящим из двумерных объектов и геометрических фигур. В README упоминаются анализ пространственных отношений, решение простых лабиринтов и другие задачи, требующие точного восприятия низкоуровневых визуальных деталей. Архитектурно это модель на базе Mistral 7B, обученная на наборе данных PVD-160K; заявленная модальность — image-to-text. Языки и размер контекстного окна в доступных данных не указаны. Основное преимущество модели — специализация на текстовом описании и рассуждении о векторной графике, а также возможность запуска в формате GGUF с различными вариантами квантизации размером примерно от 2,53 до 7,17 ГБ. Ограничения включают зависимость качества от выбранного уровня квантизации и отсутствие подробных сведений о поддерживаемых языках, контекстном окне и результатах на конкретных бенчмарках в представленном README. Модель распространяется по лицензии Apache-2.0.

VibeVoice-7B-hf — совместимая с Transformers версия модели VibeVoice, разработанная Microsoft и опубликованная Эриком Беззамом. Она преобразует текстовые сценарии в выразительную длинную речь и диалоги, например подкасты, с поддержкой до четырёх говорящих и генерации аудио длительностью до 45 минут. Для синтеза используются непрерывные акустические и семантические токенизаторы с частотой 7,5 Гц, языковая модель для понимания контекста и потока диалога и диффузионный компонент для создания акустических деталей. Модель поддерживает английский и китайский языки; можно подать референсное аудио для клонирования голоса. Модель предназначена для исследований и разработки. Она генерирует только речь, не поддерживает наложение реплик и может выдавать неожиданные, предвзятые или неточные результаты; речь на других языках не поддерживается. В README указано, что в каждом аудиофайле автоматически добавляется слышимое уведомление о генерации ИИ и незаметная водяная метка. Лицензия — MIT; авторы не рекомендуют коммерческое или реальное применение без дополнительных испытаний.

WEBGEN-4B-Preview-GGUF — предварительная модель для генерации веб-интерфейсов, разработанная Tesslate и основанная на Qwen/Qwen3-4B-Instruct-2507. Модель ориентирована на преобразование текстового запроса в HTML, CSS и Tailwind CSS, особенно для создания современных адаптивных макетов с подходом mobile-first. Она предназначена для прототипирования веб-дизайна и генерации пользовательских интерфейсов; по умолчанию не предполагает использование внешнего JavaScript. Модель содержит около 4 миллиардов параметров и распространяется в формате GGUF для запуска с llama.cpp. Заявлена поддержка английского языка. К сильным сторонам относятся специализация на веб-генерации, компактный размер, пригодность для работы на ноутбуках и стремление к единообразным, адаптивным результатам. Это исследовательская preview-версия, поэтому в README не приведены количественные оценки качества, подробные сведения о контекстном окне и системные требования; качество и полноту генерируемого кода следует проверять на конкретных сценариях. При подготовке GGUF применялся экспериментальный подход к квантованию с повышением точности отдельных важных слоёв, что может увеличить размер файла. В метаданных указана лицензия Apache-2.0. Карточка описывает открытые веса, но конкретные ограничения и рекомендации по эксплуатации следует уточнять для выбранного файла квантования.

litert-community/FunctionGemma_270M_Mobile_Actions — дообученная модель на базе google/functiongemma-270m-it, предназначенная для вызова функций в мобильном помощнике. Она использует плотную архитектуру Gemma 3 и содержит 257 млн параметров; карточка указывает контекст до 32 768 токенов и обучение на наборе google/mobile-actions. Модель преобразует текстовые запросы в структурированные вызовы функций для управления фонариком и настройками Wi-Fi, создания контактов и событий календаря, отправки электронной почты и отображения мест на карте. Она рассчитана на мобильных и голосовых помощников, а также локальное выполнение на устройстве; результат следует разбирать как вызовы функций, а не как обычный ответ пользователю. Карточка сообщает о 99,67% точности по токенам на валидации, но это значение не гарантирует аналогичного качества на новых запросах. Поддерживается английский язык. Модель может ошибаться за пределами семи предусмотренных действий; корректная обработка даты и времени зависит от контекста с текущими датой и временем, а формат аргументов может отличаться от ожидаемого. Указана лицензия Gemma.

dousery/functiongemma-mobile-actions — компактная текстовая модель, дообученная автором dousery на базе unsloth/functiongemma-270m-it для преобразования команд пользователя в вызовы функций мобильных действий. Она предназначена для сценариев управления календарём, электронной почтой, контактами, картами, Wi‑Fi и фонариком; обучение выполнено методом SFT с LoRA на наборе google/mobile-actions, после чего адаптер объединён с весами. Модель имеет плотную архитектуру Gemma 3 Text, около 257 млн параметров и контекст до 32 768 токенов. Поддерживает английский язык и опубликована в формате safetensors по лицензии Apache-2.0. Модель подходит для прототипов и специализированных помощников, которые интерпретируют мобильные команды и формируют структурированные вызовы функций. Обучение карточки описано как короткое — 100 шагов, поэтому надёжность на командах вне мобильных действий не подтверждена. В README также отмечены возможные колебания формата даты и более низкая скорость на CPU.

Shapes — компактная модель Desert Ant Labs для распознавания геометрических фигур, нарисованных одним штрихом. Она принимает упорядоченные точки штриха в координатах холста и определяет класс фигуры, а также подбирает векторную геометрию для её выравнивания и привязки; неуверенные или неподходящие штрихи отклоняются. Модель распознаёт линии, прямоугольники, треугольники, эллипсы и звёзды, а также класс отказа для каракулей и незавершённых фигур. Предназначена для интерактивного ввода стилусом, например для преобразования эскизов в аккуратные фигуры в интерфейсах на основе PencilKit. Доступны варианты LiteRT/TFLite и Core ML; заявлены размер около 1,3 МБ для TFLite и 200 КБ для Core ML, а также выполнение за несколько миллисекунд на устройстве. Модель рассчитана только на одиночные штрихи: фигуры из нескольких штрихов не распознаются. Она настроена на намеренно нарисованные фигуры и может отклонять очень неровные или неоднозначные контуры. В метаданных указана лицензия other, поэтому конкретные права использования следует проверять в файлах репозитория.

CMUBYE phoneme encoder — модель Pransfrance на архитектуре wav2vec2-XLS-R-300M, дообученная для распознавания фонем и оценки произношения. Она принимает английскую речь и с помощью CTC выдаёт последовательность фонем из 42-токенного IPA-словаря. Модель предназначена для анализа произношения на уровне фонем и слов; её можно использовать как замену vitouphy/wav2vec2-xls-r-300m-timit-phoneme. На тестовой выборке speechocean762 без пересечения дикторов с обучающей выборкой модель показала PER 0,1755, корреляцию фонемных оценок с оценками людей 0,705 и словесных оценок 0,665. Она обучалась 10 эпох на всех 24 слоях трансформера. Репозиторий содержит веса safetensors, размер модели — 402,7 млн параметров. Лицензия — Apache-2.0. Обучающая выборка ориентирована на изучающих английский с родным китайским; около 46% участников были детьми 6–8 лет. Модель может переноситься на других изучающих английский как второй язык, но для конкретной целевой группы рекомендуется дообучение на профильных аудиозаписях.

PD Band Explainer — прототип студенческого health-tech проекта для пояснения результатов классификатора движений с носимого устройства простым языком для лиц, ухаживающих за человеком с болезнью Паркинсона. Модель принимает структурированные результаты классификатора, например тип события, уверенность, качество сигнала и недавние события, и формирует пояснения в формате диалога. В репозитории также есть артефакт отдельного классификатора на scikit-learn; это не часть языковой модели. Языковая модель основана на Qwen с объединённым LoRA-адаптером и экспортирована в GGUF для локального запуска через LM Studio, Ollama или llama.cpp. Доступны также файлы safetensors и отдельные файлы адаптера. Модель предназначена для ведения журнала и поддержки обзора событий ухаживающими лицами; README рекомендует передавать только структурированные результаты, а не сырые данные IMU. Лицензия репозитория — Apache-2.0. Это студенческий прототип, а не медицинское устройство: модель не предназначена для диагностики болезни Паркинсона, рекомендаций по лекарствам или экстренной помощи. Метрики классификатора получены на синтетических окнах IMU и не подтверждают клиническую валидность.

handy-computer/medasr-gguf — это GGUF-конверсия модели MedASR, разработанной Google, для офлайн-распознавания английской медицинской речи. Модель предназначена прежде всего для диктовки в радиологии, внутренней и семейной медицине, а также для преобразования медицинской речи в текст на локальном устройстве через transcribe.cpp. В основе лежит 17-слойный Conformer-энкодер с RoPE attention, macaron FFN и CTC-головой SentencePiece на 512 токенов. Используется жадное CTC-декодирование без языковой модели и beam search. Поддерживается английский язык; потоковое распознавание, перевод и автоматическое определение языка не поддерживаются, доступны токеновые временные метки. Модель поставляется в вариантах F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 83 до 421 МБ. Сильная сторона модели — специализация на медицинской диктовке и возможность офлайн-работы; на внутренних наборах RAD-DICT, GENERAL-DICT и FM-DICT заявлен WER 6,6–9,3%, однако эти данные нельзя независимо воспроизвести. На LibriSpeech test-clean WER составляет около 17,86–18,14%, поэтому модель не оптимальна для общей речи. Q8_0 рекомендуется как основной вариант, а Q5_K_M — как более компактная альтернатива; Q4_K_M демонстрирует заметное ухудшение качества. Использование регулируется лицензией Health AI Developer Foundations; условия опубликованы Google.

Mercury-T3 — экспериментальный чекпойнт RaonDuplex, дообученный для диалога с учётом времени в режиме полного дуплекса: модель обрабатывает входящую речь и формирует речь в ответ, пока разговор продолжается. Она обучена за два эпоха на 4 440 синтетических полнодуплексных диалогах; временные метки слов получены принудительным выравниванием сгенерированного аудио. Частота кадров аудио составляет 12,5 кадра в секунду, частота дискретизации — 24 кГц. В README приведены измерения согласованности текста и аудио на 100 отложенных диалогах, однако результаты неполны: для самого чекпойнта ключевые значения не заполнены, а набор данных, код обучения и скрипты оценки недоступны. Модель выпущена под кодовым названием, пока связанная статья проходит анонимное рецензирование. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

MMDuet2 — видеомультимодальная модель для проактивного взаимодействия во время воспроизведения видео. Она может отвечать на реплики пользователя и самостоятельно выбирать подходящие моменты для ответа по ходу видео. Модель разработана авторами проекта MMDuet2 и дообучена на базе Qwen2.5-VL-3B-Instruct с помощью многоходового обучения с подкреплением. Модель построена на архитектуре Qwen2.5-VL, содержит 3,1 млрд параметров и поддерживает контекст длиной до 128 000 токенов. Она рассчитана на лёгкую работу и взаимодействие в реальном времени; авторы отмечают, что ответы не должны быть чрезмерно редкими, частыми или повторяющимися. Карточка указывает поддержку английского языка. Лицензия в предоставленных данных не указана.

Edmon02/speecht5_finetuned_voxpopuli_nl — промежуточный экспериментальный чекпойнт модели SpeechT5 для преобразования текста в речь. Несмотря на суффикс «nl» в названии, README указывает, что модель продолжает Edmon02/speecht5_finetuned_hy; суффикс не означает, что это нидерландская production-модель. Чекпойнт сохранён для воспроизводимости, его не рекомендуют для инференса или нового обучения. Модель относится к архитектуре SpeechT5 и предназначена для синтеза речи из текста. README рекомендует вместо неё Edmon02/speecht5_finetuned_voxpopuli_hy. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Сведений о размере модели, длине контекста и поддерживаемых языках в доступных данных нет.

Mercury-L3 — экспериментальная модель полного дуплексного преобразования речи в речь, опубликованная под кодовым именем авторами, чей связанный исследовательский материал находится на анонимном рецензировании. Модель дообучена на 4 440 синтетических полнодуплексных диалогах в течение двух эпох; временные метки слов получены принудительным выравниванием сгенерированного аудио. Архитектура RaonDuplexModel, формат весов safetensors, библиотека Transformers. Модель предназначена для диалогового общения с учётом временной структуры речи, когда обработка входящего и генерация исходящего аудио происходят в режиме полного дуплекса. Частота кадров составляет 12,5 кадра в секунду, частота аудио — 24 кГц. В README приведено измерение согласованности аудио с текстовым потоком решений на 100 диалогах, однако результаты ограничены и не используют эталонные расшифровки. Лицензия CC BY-NC 4.0 запрещает коммерческое использование. Обучающий код, данные и скрипты оценки не опубликованы.

Surt v3 — это дообученная Surinder Singh модель Whisper-small для распознавания Gurbani в аудиозаписях с выводом текста на гурмукхи. Модель предназначена для транскрибации спокойного чтения Sehaj Path и музыкального исполнения киртана; она обучена с нуля от базовой openai/whisper-small на примерно 660 часах канонизированных аудиозаписей и размеченных текстов. Архитектура — WhisperForConditionalGeneration, библиотека — Transformers; в README указаны входное аудио 16 кГц, моно, обрабатываемое фрагментами до 30 секунд, и язык Punjabi с режимом transcribe. На согласованных тестовых наборах заявлены WER 16,31% для Sehaj Path и 54,80% для киртана. Модель специализирована на Gurbani: она не обучалась на повседневной пенджабской речи, катхе, английском, хинди и других языках, поэтому качество для них может быть низким. Результаты также могут ухудшаться на шумных записях и аудио с акустикой, отличной от обучающих веб-записей. Модель распространяется по лицензии Apache-2.0.

jjnhuang/whisper-small-finetuned-iwslt-irish-welsh-curriculum — дообученная модель автоматического распознавания речи на базе OpenAI Whisper Small. Она содержит 153,1 млн параметров и использует архитектуру WhisperForConditionalGeneration; модель принимает аудио и предназначена для преобразования речи в текст. В README указано, что для обучения использован датасет «None», поэтому состав обучающих данных и целевые языки этого варианта нельзя надёжно установить. Приведённые результаты оценки включают WER 99,6296 и BLEU 2,9795; эти показатели указывают на низкое качество распознавания и перевода в описанном тесте. Модель распространяется по лицензии Apache-2.0.