I.15Доступность и ассистивные технологии

LoS Whisper-large-v3 — мультиязычная модель автоматического распознавания речи, разработанная Лабораторией языковых технологий Барселонского суперкомпьютерного центра (BSC) на основе дообучения openai/whisper-large-v3. Модель предназначена для транскрибации речи на испанском, каталанском, галисийском и баскском языках. Модель с архитектурой Whisper содержит 905,2 млн параметров и принимает аудио, выдавая текст. Для дообучения использовали 8 110 часов предварительно обработанных данных; объём данных по четырём языкам выравнивали для сопоставимой производительности. В обучающий набор вошли публичные и институциональные аудиоданные, включая датасеты Common Voice и 3CatParla. Модель подходит для транскрибации записей и аудиоматериалов на поддерживаемых языках. Демографические сведения о говорящих отсутствуют, поэтому в данных могут присутствовать смещения, в том числе из-за использования институциональных материалов. Лицензия — Apache-2.0.

RedHatAI/whisper-large-v3-quantized.w4a16 — квантизированная версия модели openai/whisper-large-v3, разработанная Neural Magic. Это аудио-текстовая модель архитектуры Whisper, которая принимает аудиосигнал и генерирует текст; в метаданных указана поддержка английского языка. Модель предназначена для автоматического распознавания речи и преобразования аудиозаписей в текст. Основная оптимизация — квантизация весов до формата INT4 с конфигурацией w4a16. Она уменьшает требования к памяти и может повысить эффективность инференса по сравнению с исходной моделью, сохраняя архитектуру базовой Whisper large v3. Модель подготовлена для запуска через vLLM версии 0.5.2 и выше; README также указывает возможность использования OpenAI-compatible serving. В примере развертывания задан параметр max_model_len 448, но это значение относится к конфигурации запуска. К ограничениям относятся возможное снижение качества распознавания из-за квантизации и отсутствие в README количественных результатов оценки точности или производительности. Лицензия модели — Apache 2.0.

Это конверсия модели Whisper large-v3-turbo в формат MLX, предназначенная для распознавания речи. Репозиторий описывает использование через библиотеку mlx-whisper; метаданные указывают на архитектуру Whisper и веса в формате safetensors. Модель принимает аудио и преобразует речь в текст. Её можно применять для транскрибации записей и распознавания речи в поддерживаемых Whisper языках. README не приводит сведений о разработчике конверсии, размере модели, конкретных поддерживаемых языках или лицензии.

Whisper Small — модель OpenAI для автоматического распознавания речи, преобразованная в формат OpenVINO IR. Веса сжаты до INT8 с помощью NNCF; модель содержит около 153,1 млн параметров и предназначена для запуска через OpenVINO, Optimum Intel, OpenVINO GenAI или OpenVINO Model Server. Модель решает задачу преобразования англоязычной аудиозаписи в текст и подходит для транскрибации записей, голосовых сообщений и аудиопотоков. Поддерживается интеграция с CPU и совместимыми ускорителями OpenVINO, а также использование через OpenAI-совместимый API при развертывании в OpenVINO Model Server. Ключевые характеристики включают архитектуру Whisper Small, представление OpenVINO IR и асимметричное сжатие весов INT8 с размером группы 128. К преимуществам относятся уменьшенный размер весов и возможность эффективного инференса в экосистеме OpenVINO. Модель ориентирована на английский язык; ограничения исходной модели описаны в оригинальной карточке Whisper Small. Распространяется по лицензии Apache-2.0.

Это русскоязычная модель распознавания речи Whisper small, созданная на основе дообученной модели artyomboyko/whisper-small-ru-v2 и преобразованная в формат GGUF с точностью FP16. Репозиторий подготовлен для запуска через whisper.cpp; модель принимает монофоническое аудио с частотой дискретизации 16 кГц и выдаёт текстовую расшифровку на русском языке. В архитектуре Whisper small — 12 слоёв энкодера и 12 слоёв декодера, размер скрытого представления 768. По данным карточки, файл занимает 483 МБ, а на Xiaomi 11T с whisper.cpp модель выполняет транскрибацию в реальном времени и примерно вдвое быстрее версии F32 на ядрах Cortex-A78. Лицензия — Apache-2.0.

ARK-ASR-3B — мультиязычная модель распознавания речи, представленная разработчиками проекта AutoArk. Она предназначена для преобразования речи в текст и может использоваться для транскрибации аудио и развёртывания сервиса распознавания через Transformers или vLLM. По карточке модели, в тестах Open ASR Leaderboard она показала средний WER 5,04% на англоязычном коротком аудио и CER 1,80% на AISHELL-1 для китайского языка. Модель содержит около 3,1 млрд параметров и использует авторегрессионную архитектуру Transformers: аудиоэнкодер в стиле Whisper, MLP-адаптер и декодер Qwen. Она принимает аудио с частотой дискретизации 16 кГц и генерирует текст; нативный контекст составляет 32 768 токенов. Заявлена поддержка китайского, английского, немецкого, японского, французского, корейского, испанского, польского, итальянского, румынского, венгерского, чешского, нидерландского, финского, хорватского, словацкого, словенского, эстонского и литовского языков. Веса представлены в формате safetensors, для загрузки используются Transformers и пользовательский код архитектуры arkasr; лицензия — Apache-2.0. Для запуска по инструкции карточки требуется включить trust_remote_code=True. Приведённые показатели относятся к указанным тестовым наборам и сами по себе не гарантируют аналогичное качество на других аудио, акцентах и условиях записи.

Brazley Nemotron 3.5 Lightning Omni — неофициальная мультимодальная модель, созданная Ником Брэзли путём слияния компонентов двух опубликованных чекпойнтов NVIDIA. Текстовая часть основана на Nemotron 3.5 Lightning, а аудио- и визуальные энкодеры и проекторы взяты из Nemotron 3 Nano Omni V2. Обучение не проводилось; веса объединены на уровне модулей и представлены в формате safetensors с ModelOpt-квантизацией. NVIDIA не выпускала эту мультимодальную версию и не проверяла её. Модель принимает текст, изображения, аудио и видео, а отвечает текстом. Она предназначена для понимания документов и изображений, распознавания речи, ответов на вопросы по аудио и видео, включая описание событий во времени. Поддерживает английский язык и контекст до 262 144 токенов; общий размер составляет около 34 млрд параметров, примерно 3 млрд активны на токен. Для запуска автор указывает DGX Spark как минимальную GPU-платформу. Модель доступна для коммерческого использования на условиях лицензий исходных моделей; применяются обе лицензии, а лицензия репозитория обозначена как other.

Breeze ASR 25 — это модель распознавания речи MediaTek Research, дообученная на базе Whisper-large-v2. Она предназначена для транскрибации тайваньского мандаринского китайского языка, включая традиционное письмо, а также речи с переключением между китайским и английским языками внутри фраз и между фразами. Улучшенное выравнивание временных меток подходит для автоматического создания субтитров. Модель имеет архитектуру Whisper и содержит около 905,2 млн параметров. В описании приведены результаты на коротких и длинных аудиозаписях: на нескольких тестах Breeze ASR 25 показывает более низкую частоту ошибок слов, чем сравниваемые версии Whisper и COOL-Whisper. Данные обучения включают синтетическую китайскую речь, английскую речь Common Voice и примеры переключения языков. Модель принимает аудио и выдаёт текстовую транскрипцию. Карточка указывает лицензию Apache-2.0. Оптимизация ориентирована на тайваньский мандаринский и китайско-английскую речь; качество для других языков и условий записи в карточке не охарактеризовано.

Canary-1B — многоязычная модель распознавания и перевода речи от NVIDIA, доступная как предварительно обученный чекпойнт для NeMo. Она предназначена для преобразования аудио в текст: распознаёт английскую, немецкую, испанскую и французскую речь, а также переводит речь с английского на немецкий, французский или испанский и обратно на английский. Для текста можно включать или отключать пунктуацию и заглавные буквы. Модель содержит 1 млрд параметров и использует архитектуру encoder-decoder: энкодер FastConformer с 24 слоями и Transformer-декодер с 24 слоями. На вход подаётся монофоническое аудио с частотой дискретизации 16 кГц и указаниями задачи и языков; на выходе — распознанный или переведённый текст. Для работы используется инструментарий NVIDIA NeMo. Модель обучена на 85 тысячах часов речи, включая публичные, собранные Suno и внутренние данные. Карточка приводит оценки WER на тестовой выборке Common Voice 16.1: 7,97 для английского, 4,61 для немецкого, 3,99 для испанского и 6,53 для французского. Результаты зависят от языка и условий записи; эти показатели не гарантируют точность на других данных. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

NVIDIA NeMo Canary 1B Flash — многозадачная речевая модель с 883 млн параметров для распознавания речи и перевода речи в текст. Она использует архитектуру encoder-decoder: FastConformer-энкодер и Transformer-декодер; модель реализована для NeMo и опубликована в формате safetensors. Модель распознаёт английскую, немецкую, французскую и испанскую речь. Она также переводит речь с английского на немецкий, французский и испанский, а с этих трёх языков — на английский. Для этих языков доступна экспериментальная генерация временных меток слов и сегментов. Заявлена скорость более 1000 RTFx на наборах Open ASR Leaderboard; для аудио длиннее 40 секунд рекомендуется обработка частями, а для временных меток — чанками по 10 секунд. На вход подаются монофонические WAV или FLAC-файлы с частотой 16 кГц, на выходе — текст, при необходимости с временными метками. Для работы требуется NVIDIA NeMo. Модель не обрабатывает специальные символы и может требовать обратной нормализации текста; качество распознавания зависит от языка и характеристик записи. Лицензия CC-BY-4.0 допускает коммерческое использование.

Canary 1B v2 GGUF — мультиязычная модель NVIDIA для автоматического распознавания речи и перевода речи, преобразованная в формат GGUF проектом CrispStrobe/CrispASR. Модель содержит около 978 млн параметров и предназначена для работы с runtime canary-main. Она поддерживает 25 европейских языков, включая русский, английский, немецкий, французский, испанский, украинский и польский. Язык источника и язык результата задаются явными токенами, что снижает риск ошибок автоматического определения языка. Архитектура включает 32-слойный аудиоэнкодер FastConformer и 8-слойный Transformer-декодер с механизмами self-attention и cross-attention. Модель принимает монофонический звук 16 кГц, использует 128 мел-фильтров и словарь SentencePiece на 16 384 токена; максимальный контекст декодера — 1024 токена. При совпадении языков выполняется распознавание речи, а при различии — перевод. Поддерживаются переводы между английским и 24 другими языками в обоих направлениях. Заявленная средняя ошибка распознавания на английском составляет 7,15% по Open ASR Leaderboard. Сильные стороны модели — мультиязычность, явное указание языков, поддержка распознавания и speech translation, а также несколько вариантов квантования: от F16 до Q4_K, рекомендованного для экономии памяти. Ограничения включают необходимость использования совместимого runtime canary-main, обязательный выбор исходного и целевого языков и отсутствие в описании сведений о встроенной сегментации или временных метках. Модель распространяется по лицензии CC-BY-4.0.

evewashere/cohere-transcribe-03-2026-ungated — публичное зеркало модели Cohere Transcribe, созданное для загрузки без токена доступа к gated-репозиторию. Исходную модель разработали Cohere и Cohere Labs. Это специализированная модель распознавания речи с архитектурой Cohere ASR и 2 млрд параметров; она принимает аудио и выдаёт текст. Поддерживает арабский, немецкий, греческий, английский, испанский, французский, итальянский, японский, корейский, нидерландский, польский, португальский, вьетнамский и китайский языки. Модель предназначена для транскрибации речи, в том числе в приложениях и сервисах с локальным или серверным инференсом. Разработчики заявляют высокую точность на 14 языках и скорость до трёх раз выше других специализированных ASR-моделей сопоставимого размера. Репозиторий использует формат Safetensors и поддерживается Transformers и vLLM. Лицензия — Apache-2.0. Лучшие результаты модель показывает, когда язык аудио заранее задан и остаётся одним из поддерживаемых. В ней нет автоматического определения языка, временных меток и разделения речи по говорящим; на смешанной речи качество непостоянно. Модель может ошибочно транскрибировать тихий фоновый шум, поэтому для таких записей полезны VAD или шумовой фильтр.

CrisperWhisper 2.0 medium — модель распознавания речи от Nyra Labs на архитектуре Whisper, содержащая 455,8 млн параметров. Она преобразует аудио в текст и позволяет выбирать режим транскрипции: verbatim сохраняет произнесённые заполнители пауз, повторы, обрывы слов и вокальные события, а intended выдаёт отредактированный текст с привычным форматированием чисел и дат. Модель также поддерживает временные метки для отдельных слов и транскрипцию длинных записей с продолжением между аудиофрагментами. Модель предназначена для подготовки точных расшифровок разговорной и дикторской речи, анализа речевых особенностей и создания текстовых данных для обучения. В README заявлена многоязычная работа для большинства языков, поддерживаемых Whisper; метаданные карточки отдельно отмечают английский и немецкий. Для запуска предусмотрена библиотека crisperwhisper, включая варианты исполнения на PyTorch и CTranslate2. В README для стандартных моделей указана лицензия на некоммерческие исследования с возможностью получить коммерческую лицензию. Заявленные показатели точности и таймингов приведены разработчиком на его бенчмарках и тестовых наборах; результаты могут отличаться на других аудиозаписях и языках.

MLX-версия модели DeepSeek-OCR-8bit, разработанная сообществом mlx-community и конвертированная из prince-canuma/DeepSeek-OCR с использованием mlx-vlm 0.3.10. Модель относится к классу vision-language и предназначена для задач OCR и генерации текста по изображениям, включая описание визуального содержимого. Модель работает с изображениями и текстовыми запросами, поддерживает мультиязычные сценарии и использует 8-битное представление в формате MLX. README не содержит сведений о точной архитектуре, количестве параметров или размере контекстного окна. Для запуска требуется библиотека mlx-vlm; пример использования предусматривает генерацию до 100 токенов при температуре 0.0. К сильным сторонам относятся специализированная направленность на OCR, поддержка мультимодального ввода и оптимизация для экосистемы MLX. Ограничения включают отсутствие в README подробностей о качестве распознавания, поддерживаемых языках, архитектуре и вычислительных требованиях. Модель распространяется по лицензии MIT.

MLX-community/GLM-OCR-8bit — это 8-битная версия модели GLM-OCR, преобразованная в формат MLX из исходной модели zai-org/GLM-OCR с помощью mlx-vlm 0.3.11. Модель предназначена для задач преобразования изображений в текст, включая распознавание и анализ содержимого изображений, например документов и других визуальных материалов. Модель поддерживает работу с изображениями и текстовыми запросами через библиотеку mlx-vlm. В карточке указана поддержка китайского, английского, французского, испанского, русского, немецкого, японского и корейского языков. Сведения о точной архитектуре, количестве параметров, максимальной длине контекста и показателях качества не приведены. 8-битное представление ориентировано на запуск в экосистеме MLX, однако конкретные требования к оборудованию также не указаны. Модель распространяется по лицензии MIT. Для использования предлагается установить mlx-vlm и запускать генерацию с указанием изображения, текстового запроса, температуры и максимального числа токенов. Ограничения, связанные с точностью распознавания, поддержкой отдельных форматов изображений и безопасностью результатов, в карточке модели не описаны.

Granite-speech-3.3-2b — компактная речевая языковая модель IBM, основанная на granite-3.3-2b-instruct и адаптированная к обработке аудио. Она предназначена прежде всего для автоматического распознавания речи (ASR) и автоматического перевода речи (AST), а также поддерживает текстовые сценарии через базовую языковую модель. Модель использует двухэтапную схему: сначала преобразует аудио в текст, затем по отдельному вызову обрабатывает этот текст языковой моделью. Модель поддерживает речевой ввод на английском, французском, немецком, испанском и португальском языках. Она ориентирована на преобразование речи в текст и перевод между этими языками и английским, а также на перевод с английского на японский и мандаринский китайский. В версии 3.3.2 улучшена точность распознавания английской речи благодаря более глубокому акустическому энкодеру и дополнительным данным обучения. Модель содержит около 2 млрд параметров; точное максимальное окно контекста в README не указано. Сильными сторонами являются компактность, мультиязычность, поддержка ASR и AST и пригодность для корпоративных приложений, работающих с речевыми данными. Ограничение двухпроходной архитектуры заключается в необходимости явно выполнять отдельный второй вызов для обработки транскрибированного текста. Лицензия — Apache 2.0.

Idefics2-8b-base — базовая мультимодальная модель от Hugging Face для обработки изображений и текста. Она принимает текстовые запросы и одно или несколько изображений, в том числе чередующиеся с текстом, и генерирует текстовые ответы. Модель предназначена для описания изображений, визуальных вопросов и ответов, чтения текста на изображениях и документах, а также анализа диаграмм и графиков. Модель содержит 8 млрд параметров и построена на архитектуре Idefics2: визуальный кодировщик SigLIP обрабатывает изображения, после чего Perceiver pooling и проекция объединяют визуальные признаки с текстовыми эмбеддингами языковой модели Mistral. Поддерживаются изображения с разными пропорциями и разрешением до 980 × 980 пикселей; несколько изображений и текст могут подаваться в чередующемся порядке. Основной язык карточки — английский. Модель служит основой для специализированной настройки. Версия base уступает Idefics2-8b в следовании инструкциям; для готового диалогового применения авторы рекомендуют инструкционную версию, а для длинных ответов — Idefics2-8b-chatty. Генерировать изображения модель не умеет. В README также отмечена несовместимость с Transformers версий 4.41.0–4.43.3. Лицензия — Apache 2.0.

Idefics3-8B-Llama3 — мультимодальная модель Hugging Face, принимающая текст и одно или несколько изображений в произвольном чередовании и формирующая текстовые ответы. Визуальная часть использует SigLIP SO400M, а языковая основана на Meta-Llama-3.1-8B-Instruct. Модель относится к семейству Idefics3 и доступна в формате safetensors через Transformers. Модель предназначена для ответов на вопросы по изображениям, описания визуального содержимого, распознавания текста и анализа документов, а также визуальных рассуждений. Она может работать и с текстом без изображений; генерировать изображения не умеет. В README указан английский как язык модели. Для кодирования изображения 364×364 используются 169 визуальных токенов; большие изображения делятся на фрагменты и кодируются отдельно. Модель улучшает результаты Idefics2 на приведённых в карточке тестах, особенно на задачах понимания документов. Постобучение включало supervised fine-tuning без RLHF, поэтому ответы могут быть краткими и иногда требуют уточнения запроса. Результаты могут содержать фактические ошибки; модель не предназначена для критически важных решений и сценариев, где необходимы достоверные выводы. Лицензия — Apache 2.0.

Карточка модели Goat7777721/Inquisitive-Omni-1.0 на Hugging Face совпадает с карточкой Qwen/Qwen3-Omni-30B-A3B-Instruct, поэтому описание составлено по ней. Qwen3-Omni-30B-A3B-Instruct — мультимодальная модель общего назначения от команды Qwen компании Alibaba. Она принимает текст, изображения, аудио и видео и формирует потоковые ответы текстом и естественной речью; вариант Instruct включает компоненты Thinker и Talker. Архитектура MoE использует разделение на Thinker и Talker, а модель рассчитана на низколатентное взаимодействие в реальном времени и управление поведением через системные промпты. Модель предназначена для голосовых диалогов, распознавания и понимания речи, описания аудио и видео, а также ответов на вопросы по изображениям и смешанным мультимодальным входам. README заявляет поддержку 119 языков для текста, 19 языков для речевого ввода и 10 для речевого вывода; среди явно перечисленных языков речи есть русский. В примере запуска указан максимальный контекст 65 536 токенов. Для работы предлагаются Transformers и vLLM; README отмечает, что на момент публикации требовалась установка Transformers из исходников. Лицензия в метаданных обозначена как other, без уточнения условий.

KB-Whisper Medium — модель распознавания речи, выпущенная Национальной библиотекой Швеции (KBLab). Это дообученная версия Whisper Medium от OpenAI с 455,8 млн параметров, предназначенная прежде всего для расшифровки шведской речи в текст. Модель обучали в два этапа на более чем 50 000 часах шведской аудиозаписи с транскрипциями; для второго этапа применялись более строгие фильтры качества данных. Модель предлагает варианты транскрипции с разной степенью подробности: стандартный, более компактный для субтитров и более дословный. Авторы сообщают о снижении WER на шведской речи относительно OpenAI Whisper, однако приведённые в карточке таблицы неполны, поэтому оценить результаты именно версии Medium по ним нельзя. Доступны реализации и веса для Hugging Face, ONNX и CTranslate2, а также отдельные варианты для whisper.cpp. Модель принимает аудио и генерирует текстовую транскрипцию. Карточка указывает шведский язык; сведений о контекстном окне нет. Распространяется по лицензии Apache-2.0.

Kotoba-Whisper-v1.1 — японская модель распознавания речи на базе kotoba-tech/kotoba-whisper-v1.0, разработанная Kotoba Technologies в сотрудничестве с Asahi Ushio. Она использует архитектуру Whisper и насчитывает около 905 млн параметров. Модель принимает аудио и выдаёт японскую транскрипцию; встроенный конвейер добавляет пунктуацию и улучшает временные метки с помощью Stable-ts. Модель предназначена для транскрибирования японской речи, в том числе длинных аудиозаписей, и поддерживает подсказки при распознавании. В README приведено сравнение скорости на 50 минутах речи: версия 1.1 с пунктуацией и временными метками работает медленнее версии 1.0 с отключёнными временными метками. Для использования нужны Transformers версии 4.39 или новее, а также Stable-ts и punctuators. Лицензия — Apache-2.0.

LFM2.5-VL-1.6B-GGUF — квантизированная версия универсальной vision-language модели LFM2.5-VL-1.6B от Liquid AI, опубликованная Unsloth. Модель предназначена для задач, объединяющих изображения и текст, включая описание изображений, визуальное понимание, OCR и анализ документов, а также локальные сценарии на устройствах с ограниченными ресурсами. В основе используется языковая часть LFM2.5-1.2B-Base и vision encoder SigLIP2 NaFlex, оптимизированный для изображений, размером 400M параметров; общий заявленный размер базовой модели — 1,6B параметров. Модель поддерживает контекст до 32 768 токенов и словарь из 65 536 токенов. Она работает на английском, арабском, китайском, французском, немецком, японском, корейском и испанском языках. Обрабатывает изображения с исходным разрешением до 512×512 пикселей, сохраняет нестандартные пропорции, а большие изображения разбивает на неперекрывающиеся тайлы с дополнительной миниатюрой для общего контекста. Максимальное число визуальных токенов и тайлов можно настраивать, выбирая баланс между скоростью и качеством. Сильные стороны модели — улучшенное следование инструкциям, мультиязычное понимание изображений, обработка нескольких изображений, высокое разрешение и OCR. Она подходит для общих vision-language сценариев и потокового описания видео. Ограничение — низкая пригодность для задач, требующих глубоких энциклопедических знаний. Для запуска в llama.cpp необходим параметр --jinja; карточка также указывает исправленный Unsloth chat template. Лицензия обозначена как lfm1.0, с отдельной ссылкой на текст лицензии Liquid AI.

MuXodious/LFM2.5-VL-3B-absolute-heresy — мультимодальная дообученная версия LFM2.5-VL-3B, созданная с помощью инструмента Heretic и метода abliteration для уменьшения отказов модели. Она принимает текст и изображения и предназначена для визуального диалога, распознавания текста на изображениях, анализа страниц с разметкой макета и обнаружения объектов по текстовому запросу. Модель использует языковую основу LFM2.5-2.6B и визуальный энкодер SigLIP2 NaFlex; контекст составляет 32 768 токенов. Поддерживает 17 языков, включая русский, английский, китайский, арабский, хинди и европейские языки. Базовая модель рассчитана на локальное и периферийное развертывание, а карточка этой версии приводит показатели снижения отказов и низкого KL-расхождения. Подходит для коротких запросов по изображениям, распознавания и структурирования сканированных документов, а также визуального поиска объектов. Разработчик базовой модели рекомендует сценарии с высокой пропускной способностью и малой задержкой; модель не рекомендуется для задач с длинным контекстом и интенсивными рассуждениями. В метаданных указана лицензия other; конкретные условия лицензии следует проверить в репозитории.

MERaLiON-2-10B — мультимодальная языковая модель для речи и аудио, разработанная I2R, A*STAR в Сингапуре. Она объединяет локализованный аудиоэнкодер Whisper Large v3 с текстовым декодером Gemma 2 9B и содержит 8,1 млрд параметров. Модель дообучена на 120 000 часах аудио и речи для распознавания речи, вопросов и ответов по аудио, суммаризации диалогов, создания аудиоподписей и понимания звуковой сцены. Модель рассчитана на многоязычные сценарии Сингапура и Юго-Восточной Азии: распознаёт английскую, китайскую, малайскую, тамильскую, индонезийскую, тайскую и вьетнамскую речь, включая местные акценты, разговорные выражения и переключение языков. Принимает монофоническое аудио с частотой 16 кГц длительностью до 300 секунд; для транскрибации и перевода README рекомендует аудиофрагменты до 30 секунд. Основная задача в каталоге — автоматическое распознавание речи. Модель предназначена для понимания речи и аудио, а не для вызова инструментов, математических или программных задач. Распространяется по лицензии MERaLiON Public License; перед использованием следует проверить её условия для конкретного сценария.

Ming-flash-omni Preview — предварительная мультимодальная модель компании inclusionAI, дообученная на основе Ling-flash-2.0. Это разреженная MoE-модель с 100 млрд параметров, из которых активны 6 млрд на токен; архитектура указана как BailingMM2NativeForConditionalGeneration. Модель принимает текст, изображения, аудио и видео и может выдавать текст, изображения и аудио. Модель предназначена для мультимодального диалога: понимания изображений и видео, распознавания речи с учётом контекста и китайских диалектов, синтеза речи, генерации и редактирования изображений. Среди заявленных возможностей — генеративная сегментация, улучшенное сохранение сцены и идентичности при редактировании, а также отрисовка текста внутри изображений. Разработчик сообщает о сильных результатах на мультимодальных тестах, включая контекстное распознавание речи и распознавание 15 китайских диалектов. Модель опубликована под лицензией MIT. Это Preview-версия; карточка не приводит длину контекста и подробные требования к оборудованию. Для практического применения следует учитывать большой общий размер модели и проверять качество на целевых задачах.

Moondream-Caption — компактная мультимодальная модель семейства Moondream, разработанная wraps на основе vikhyatk/moondream2 и дообученная для создания описаний изображений. Она принимает изображение и генерирует текстовую подпись с описанием видимых объектов и сцены. Модель рассчитана на автоматическое составление подписей к изображениям, например для их каталогизации или добавления текстовых описаний. В качестве обучающих данных использован набор изображений, созданных с помощью flux1_dev, с проверенными описаниями. Модель работает через библиотеку Transformers; файлы весов представлены в формате safetensors. Результаты могут быть менее точными на изображениях, заметно отличающихся от обучающих данных, а также на сложных или абстрактных сценах. Лицензия — Apache-2.0.

google/paligemma-3b-ft-ocrvqa-896 — модель семейства PaliGemma от Google, дообученная для визуальных вопросов и ответов с чтением текста на изображениях (OCR-VQA). Это компактная модель «изображение-текст»: принимает изображение и текстовый запрос, а в ответ генерирует текст. Архитектура PaliGemma объединяет визуальный энкодер SigLIP и языковую модель Gemma; вариант рассчитан на разрешение изображений 896 пикселей по названию репозитория. Модель предназначена для одношагового взаимодействия: можно задавать вопросы об изображении, включая вопросы, требующие распознавания надписей, и получать текстовый ответ. Она не рассчитана на многоходовый диалог и лучше подходит для специализированных сценариев с чёткими запросами, чем для свободного общения. Лицензия — Gemma. Ответы могут содержать фактические ошибки, а качество снижается на сложных или неоднозначных запросах, тонких языковых нюансах и задачах, требующих здравого смысла. Модель может наследовать смещения обучающих данных; для использования в продуктах необходимы проверка ответов и меры безопасности.

OpenASR/parakeet-tdt-0.6b-v3 — локальная мультиязычная модель автоматического распознавания речи, разработанная NVIDIA и упакованная проектом OpenASR в формат .oasr. Она предназначена для преобразования аудио в текст на CPU и GPU, включая транскрибацию записей и потоков. Модель автоматически определяет язык речи и поддерживает 25 европейских языков: болгарский, хорватский, чешский, датский, нидерландский, английский, эстонский, финский, французский, немецкий, греческий, венгерский, итальянский, латышский, литовский, мальтийский, польский, португальский, румынский, словацкий, словенский, испанский, шведский, русский и украинский. Модель содержит около 600 млн параметров и сочетает энкодер FastConformer с декодером Token-and-Duration Transducer (TDT), который предсказывает длительность токенов и пропускает соответствующее число аудиокадров. Это повышает скорость декодирования и обеспечивает нативные временные метки слов. Обучение на корпусах Granary и NeMo ASR Set 3.0 позволило сохранять пунктуацию и регистр в расшифровке. Доступны варианты fp16, q8_0 и q4_k; сборка q8_0 рекомендована как компромисс между качеством и размером, а q4_k — для устройств с ограниченной памятью. Сильные стороны модели — поддержка большого числа европейских языков, автоматическое определение языка, высокая скорость локального инференса, временные метки слов и работа без Python во время выполнения. Ограничения включают специализацию только на распознавании речи и отсутствие данных о точности для всех языков и сценариев в представленном README. Модель и производные пакеты распространяются по лицензии CC-BY-4.0, требующей указания авторства NVIDIA.

Модель mukowaty/punctuate-16 восстанавливает пунктуацию в тексте, выполняя поклассовую разметку токенов. Она основана на XLM-RoBERTa и работе Oliver Guhr; в модели около 305,2 млн параметров, а максимальный контекст составляет 514 токенов. В метаданных указана поддержка болгарского, английского, немецкого, французского, испанского, итальянского, польского, нидерландского, чешского, португальского, словенского, греческого, шведского, венгерского, румынского, словацкого и датского языков. Модель подходит для автоматического восстановления знаков препинания в текстах, где пунктуация была удалена или утрачена, например при подготовке распознанной речи к чтению. Она выпущена в формате PyTorch. Сведения о лицензии в доступных источниках отсутствуют.

Qwen2-VL-OCR-2B-Instruct-GGUF — мультимодальная модель для преобразования изображений в текст, разработанная как дообученная версия Qwen/Qwen2-VL-2B-Instruct и опубликованная пользователем или организацией prithivMLmods. Она сочетает визуальное и текстовое понимание с диалоговым взаимодействием и предназначена прежде всего для OCR, распознавания небрежного рукописного текста, анализа изображений, решения математических задач и вывода формул в формате LaTeX. Модель поддерживает сценарии image-to-text и VQA, а также задачи, связанные с кодом. В метаданных указан английский язык. Модель имеет размер 2B параметров согласно названию базовой модели и распространяется в формате GGUF с вариантами от FP16 до низкоразрядных квантований Q2–Q8 и i1/IQ. Это позволяет выбирать между качеством, скоростью и требованиями к памяти, однако README не содержит количественных оценок качества, сведений о длине контекста, точном наборе поддерживаемых языков и ограничениях распознавания. Лицензия — Apache-2.0; условия конкретного запуска зависят от совместимого программного обеспечения для GGUF.