I.15Доступность и ассистивные технологии

Fun-ASR-Nano-2512-8bit — конвертированная в формат MLX 8-битная версия многоязычной модели распознавания речи Fun-ASR-Nano-2512 от FunAudioLLM. Репозиторий подготовлен mlx-community с помощью mlx-audio-plus версии 0.1.4; метаданные указывают семейство FunASR и плотную архитектуру. Модель принимает речь и преобразует её в текст, поддерживает более 13 языков, прямой перевод речи на английский и подсказки с предметным контекстом. В README также описан потоковый вывод, а базовая модель предназначена для распознавания диалектов, акцентов и речи на фоне музыки. Лицензия в предоставленных данных не указана.

Granite-Speech-4.1-2B-Plus — плотная модель IBM для распознавания речи, построенная на базе ibm-granite/granite-4.0-1b-base и дообученная на речевых корпусах с разметкой диаризации и временных меток. Она предназначена для корпоративных сценариев преобразования речи в текст на английском, французском, немецком, испанском и португальском языках. Модель поддерживает обычную транскрипцию, разметку реплик по говорящим и временные метки конца каждого слова. Режимы выбираются формулировкой запроса; также можно передавать список ключевых слов для улучшения распознавания имён и терминов, а предыдущую расшифровку — как контекст при инкрементальном декодировании. В версии Plus обычная транскрипция не включает пунктуацию и заглавные буквы. Метки времени кодируются в сотых долях секунды и циклически повторяются каждые 10 секунд, поэтому при восстановлении времени нужно учитывать счётчик циклов. Возможны ошибки распознавания, смещения или нежелательные результаты. Модель распространяется по лицензии Apache-2.0.

Huihui-gemma-3n-E4B-it-abliterated-i1-GGUF — квантизированная GGUF-версия инструкционной мультимодальной модели Huihui-gemma-3n-E4B-it-abliterated, разработанной Huihui AI и подготовленной в виде квантизаций mradermacher. Модель предназначена для работы с текстом, аудио и видео, включая задачи автоматического распознавания речи, автоматического перевода речи и преобразования аудио или видео в текст. В метаданных указан английский язык. Модель относится к семейству Gemma 3n и имеет размер E4B; точная архитектура и размер контекстного окна в README не указаны. Доступны варианты GGUF с разными уровнями квантизации от i1-Q2_K до i1-Q6_K размером примерно от 4,0 до 5,8 ГБ. Более компактные варианты требуют меньше памяти, но могут уступать по качеству; README отдельно рекомендует i1-Q4_K_M как быстрый вариант и отмечает компромисс между размером, скоростью и качеством. К сильным сторонам относятся мультимодальность, поддержка аудио- и видеосценариев и возможность локального запуска через совместимое с GGUF программное обеспечение. Ограничениями являются зависимость качества от выбранной квантизации, отсутствие в README подробных оценок производительности и неизвестные параметры контекста. Модель распространяется по лицензии Gemma; для доступа на Hugging Face требуется принять условия лицензии Google.

Это преобразованная для MLX версия мультимодальной модели alexgusevski/Huihui-Qwen3-VL-8B-Instruct-abliterated-mlx, основанной на Qwen/Qwen3-VL-8B-Instruct. По метаданным это плотная модель Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration и примерно 8 млрд параметров; README сообщает о конвертации исходной модели huihui-ai/Huihui-Qwen3-VL-8B-Instruct-abliterated с помощью mlx-vlm 0.3.10. Модель предназначена для диалога по тексту и изображениям, включая описание и визуальный анализ. Семейство Qwen3-VL также поддерживает анализ видео, OCR и визуальное рассуждение. В метаданных указана задача image-text-to-text и возможности chat и vision; языки и длина контекста в предоставленных данных не установлены. Модификация abliterated помечена в тегах как uncensored. Такие метки не гарантируют качество или безопасность ответов. Модель распространяется по лицензии Apache-2.0; для использования с MLX README указывает библиотеку mlx-vlm.

InfiniteVL-LongSFT — мультимодальная модель семейства InfiniteVL, разработанная исследователями Huazhong University of Science and Technology и Horizon Robotics. Она предназначена для диалогового понимания изображений и видео, ответов на визуальные вопросы, распознавания текста, интерпретации диаграмм и описания сцен. В README указана архитектура с визуальным энкодером на основе Qwen2.5-VL, проекционным MLP и декодером, который сочетает Sliding Window Attention и Gated DeltaNet. Модель содержит 3,1 млрд параметров, использует формат safetensors и библиотеку Transformers. В метаданных указан контекст 128 000 токенов; авторы также сообщают об экспериментах на последовательностях свыше 500 000 токенов, постоянном объёме памяти для длинного контекста и потоковой обработке видео. README описывает двухэтапное обучение, включая дистилляцию от Qwen2.5-VL и последующее instruction SFT, но точная связь именно этого чекпойнта с базовой моделью в метаданных не приведена. Лицензия — Apache-2.0. Заявления о скорости и качестве основаны на результатах авторов и зависят от сценария и оборудования.

Японская модель автоматического распознавания речи Reazon Research на архитектуре wav2vec 2.0 Large, дообученная на крупномасштабном корпусе ReazonSpeech v2.0. Она преобразует японскую речь в текст и подходит для расшифровки коротких записей и длинных аудиоматериалов. В README приведены результаты по метрике CER: среднее значение составило 16,25% на указанных тестовых наборах, а на JSUT-BOOK для длинной речи — 30,98%. Метаданные указывают класс Wav2Vec2ForCTC, около 405,7 млн параметров и поддержку Transformers. Модель принимает аудио и выдаёт текст; заявленный язык — японский. Распространяется по лицензии Apache-2.0.

MiMo-V2.5-ASR — сквозная модель распознавания речи, разработанная командой Xiaomi MiMo. Это плотная модель семейства Qwen2 с 7 млрд параметров; в репозитории представлены веса Safetensors, а для работы используется Transformers. В метаданных указана длина контекста 8192 токена. Модель предназначена для транскрибирования речи на китайском и английском языках, включая китайские диалекты, переключение между китайским и английским, песни, техническую и другую насыщенную терминами речь. Она рассчитана на шумные записи, дальний микрофон и многоголосые разговоры; пунктуацию добавляет при распознавании. README сообщает о высоких результатах на ряде публичных тестов, но конкретные оценки здесь не приведены. Лицензия — MIT.

Monkey — мультимодальная языковая модель, разработанная исследователями Huazhong University of Science and Technology совместно с Kingsoft. Модель содержит 11,4 млрд параметров и принимает изображения с разрешением до 896 × 1344 пикселей, чтобы отвечать на вопросы о визуальных сценах, распознавать мелкие детали и читать плотный текст в документах. Monkey предназначена для описания изображений, визуальных вопросов и ответов, включая задачи с текстом на изображении и документами. Авторы сообщают об оценке на 16 наборах данных и выделяют способность учитывать контекстные связи между объектами и текстовой информацией. Репозиторий содержит веса PyTorch; в метаданных указан контекст 8192 токена. Языки не установлены по предоставленным данным. Лицензия в данных не указана.

Monkey — мультимодальная модель, разработанная исследователями Huazhong University of Science and Technology и Kingsoft для понимания изображений и ответов на вопросы по ним. Модель предназначена для описания изображений, визуальных вопросов и ответов, включая изображения документов с плотным текстом. Monkey использует архитектуру MonkeyLMHeadModel, содержит 11,4 млрд параметров и принимает изображения с разрешением до 896 × 1344 пикселей. Метаданные задают контекст 8192 токена и формат PyTorch. В README отмечены внимание к мелким деталям и тексту на изображениях, а также способность описывать связи между объектами и сценами. Модель обучалась и оценивалась на широком наборе визуальных задач. Лицензия в предоставленных данных не указана.

MOSS-VL-Instruct-0708 — мультимодальная модель OpenMOSS, полученная supervised fine-tuning базовой MOSS-VL-Base-0708. Она предназначена для офлайн-анализа изображений и видео, следования инструкциям и визуальных рассуждений. Модель принимает текст, изображения и видео и использует архитектуру vision-language с cross-attention, связывающую визуальные представления с языковыми токенами. В README указаны 11 млрд параметров, контекст 256K и поддержка английского и китайского языков. Модель подходит для распознавания текста и разбора документов по изображениям, описания визуальных сцен, ответов на вопросы по видео, распознавания действий и локализации событий по времени. Для видео она использует абсолютные временные метки кадров, а XRoPE кодирует координаты времени, высоты и ширины. Выпущена под лицензией Apache-2.0. Ограничения включают плотные видео, узкоспециализированные области, мелкий текст на изображениях и задачи со строгими числовыми рассуждениями; для них могут потребоваться настройка выборки кадров, специальные инструкции или дообучение.

NbAiLab/nb-wav2vec2-300m-bokmaal-v2 — модель распознавания речи, разработанная лабораторией искусственного интеллекта Национальной библиотеки Норвегии (NbAiLab). Она преобразует аудиозаписи на норвежском букмоле в текст и предназначена, в частности, для транскрибирования речи из парламентского корпуса NPSC. Модель основана на архитектуре wav2vec 2.0 с CTC-выходом и содержит около 402,7 млн параметров. В репозитории также доступны файлы языковой модели 5-граммного типа для декодирования. Модель принимает аудио и выдаёт текст; лицензия — Apache-2.0.

Nemotron-3.5-ASR-Streaming-CoreAI — конверсия модели NVIDIA Nemotron 3.5 ASR Streaming 0.6B, выполненная для Apple Core AI сообществом Core AI Model Zoo. Это модель автоматического распознавания речи для потоковой и офлайн-транскрипции на устройствах Apple; она рассчитана на обработку микрофонного сигнала в реальном времени и аудиозаписей произвольной длительности. Модель использует архитектуру cache-aware FastConformer с 24 слоями, разделёнными на два графа, и декодирование RNN-T с LSTM-предиктором и joint-модулем. Размер базовой модели — около 600 млн параметров. Поддерживаются 40 локалей в одном checkpoint, включая en-US, ja-JP и zh-CN, а также режим автоматического определения языка. Пунктуация и капитализация встроены. Вход — монофонический звук с частотой 16 кГц; потоковая обработка выполняется чанками по 320 мс при lookahead 3, с заявленной задержкой около 320 мс плюс время вычисления. Сильные стороны модели — постоянная задержка при потоковой обработке, отсутствие ограничения на длительность аудио, выполнение на устройстве без обязательной передачи данных в облако, поддержка нескольких языков и проверенная токенная эквивалентность с потоковой эталонной реализацией. В README указана производительность около 26 мс на чанк на M4 Max и 53 мс на iPhone 17 Pro. Ограничения включают крупный объём графов и длительную первую загрузку, а также зависимость от платформы Apple Core AI и соответствующего runtime. Распространение выполняется по лицензии OpenMDW-1.1; в README указано, что коммерческое использование разрешено. Конверсия перераспределяет исходные веса NVIDIA в другом формате сериализации.

Ovis2-8B — мультимодальная модель семейства Ovis для диалога и анализа визуальных данных. Она сочетает визуальный энкодер ViT с языковой моделью; в карточке указаны архитектура Ovis и размер 8B. Модель разработана авторами серии Ovis, а веса опубликованы организацией ATH-MaaS. Использует библиотеку Transformers и распространяется в формате safetensors по лицензии Apache-2.0. Модель отвечает на вопросы по изображениям, обрабатывает несколько изображений и видео, выполняет OCR и извлекает структурированные данные из таблиц и графиков. Обучение также усилило рассуждения по визуальным данным. Заявлена многоязычная поддержка; метаданные карточки перечисляют английский и китайский языки. В README рекомендуется более новая версия Ovis2.5. В описании не приведены длина контекста и подробная оценка ошибок; авторы также предупреждают, что не могут гарантировать отсутствие проблемного или защищённого авторским правом контента.

Parakeet TDT 0.6B V2 — модель автоматического распознавания речи, разработанная NVIDIA и преобразованная в формат GGUF для использования с transcribe.cpp. Она предназначена для офлайн-транскрибации английской речи с автоматическими пунктуацией и капитализацией, а также прогнозированием временных меток на уровне токенов. Модель подходит для расшифровки записей, голосовых заметок, интервью и других аудиоматериалов. Архитектура включает 600-миллионный FastConformer-подобный Conformer-энкодер и декодер TDT/RNNT transducer. На вход подаётся монофонический WAV-файл с частотой 16 кГц, на выходе формируется текстовая расшифровка. Доступны варианты квантования F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 475 МБ до 2,47 ГБ. На наборе LibriSpeech test-clean показатель WER составляет 1,68% для F32 и 1,72% для Q4_K_M. Сильные стороны модели — высокая точность английской транскрибации, поддержка пунктуации, капитализации и временных меток, а также возможность локального запуска с различными уровнями квантования. Ограничения — отсутствие потокового режима, поддержки других языков, автоматического определения языка и перевода; для работы требуется предварительно подготовленный звук в формате 16 кГц, моно WAV. Использование регулируется лицензией CC-BY-4.0, унаследованной от базовой модели.

Это версия модели распознавания речи NVIDIA Parakeet TDT 0.6B V3, подготовленная theoracleguy для совместимости с MLX и рабочих процессов преобразования речи в текст на устройствах Apple. Она предназначена для локальной транскрибации аудио через OpenVox и совместимые инструменты, включая mlx-audio и parakeet-mlx. Модель использует кодировщик FastConformer и декодер Token-and-Duration Transducer (TDT), имеет размер 0,6 млрд параметров и поддерживает 25 европейских языков, включая русский, английский, испанский, французский и немецкий. Репозиторий распространяет веса в формате safetensors; библиотека MLX рассчитана на устройства Apple Silicon. Карточка характеризует модель как быструю и точную для многоязычного распознавания, но подробные показатели качества и языковые ограничения следует оценивать по карточке исходной модели NVIDIA. Лицензия репозитория — CC BY 4.0.

Карточка модели tomsanbear/pp-ocrv5-mobile-rec на Hugging Face совпадает с карточкой PaddlePaddle/PP-OCRv5_mobile_rec_safetensors, поэтому описание составлено по ней. PP-OCRv5_mobile_rec_safetensors — мобильная модель распознавания текстовых строк из изображений, разработанная командой PaddleOCR и представленная в формате safetensors. Она предназначена для эффективного распознавания печатного и рукописного текста, включая сложные случаи: вертикальный и искажённый текст, пиньинь, редкие символы и художественные надписи. Модель поддерживает упрощённый и традиционный китайский, английский и японский языки. В README приведены метрики для нескольких типов текста; среднее значение составляет 0,8015 по метрике, где строка считается ошибочной при неверном распознавании хотя бы одного символа. Модель ориентирована на распознавание отдельных строк, поэтому для обработки целых страниц требуется предварительное обнаружение и выделение строк. Лицензия — Apache 2.0.

Карточка модели baidu/Qianfan-VL-3B на Hugging Face совпадает с карточкой coblack/Qianfan-VL-3B, поэтому описание составлено по ней. Qianfan-VL-3B — мультимодальная языковая модель команды Baidu AI Cloud Qianfan для работы с изображениями и текстом. Версия 3B основана на Qwen2.5-3B; визуальный энкодер построен на InternViT, а изображения обрабатываются с динамическим разбиением на патчи с поддержкой разрешения до 4K. Модель принимает изображения и текстовые запросы и формирует текстовые ответы; заявленная длина контекста — 32k токенов. Модель предназначена для OCR в реальном времени и на устройствах с ограниченными ресурсами, распознавания рукописного текста, формул и содержимого документов, а также анализа структуры страниц, таблиц и диаграмм и ответов на вопросы по документам. В README заявлена поддержка многоязычных данных, а метаданные карточки указывают английский и китайский языки. Поддержка Chain-of-Thought в этой версии отсутствует; возможности рассуждений, указанные для вариантов 8B и 70B, к ней не относятся. Модель опубликована в формате safetensors и предназначена для использования с Transformers; README также описывает развертывание через vLLM. Лицензия в метаданных обозначена как other, а README не приводит её условий, поэтому перед использованием следует проверить лицензионную информацию карточки Hugging Face.

mlx-community/Qwen2.5-VL-7B-Instruct-8bit — конвертированная в формат MLX 8-битная версия инструкционной мультимодальной модели Qwen2.5-VL-7B-Instruct, подготовленная сообществом mlx-community. Модель предназначена для диалоговых задач с изображениями: она принимает текстовые запросы и изображения и формирует текстовые ответы, включая анализ визуального содержимого. Модель основана на плотной архитектуре Qwen2.5-VL с 7,1 млрд параметров и контекстом до 128 000 токенов. В метаданных указаны возможности чата, работы с изображениями и интерфейс вызова инструментов; основной тег задачи — image-text-to-text. Репозиторий содержит веса в формате safetensors, а README указывает на конвертацию через mlx-vlm 0.1.11. Лицензия — Apache-2.0. Модель подходит для визуальных вопросов и ответов, анализа изображений и чтения документов по изображению. README перенаправляет за подробностями возможностей к карточке исходной модели, поэтому специфические результаты и ограничения для этой сборки не описаны.

litert-community/Qwen2-VL-2B — это квантизированная on-device-версия мультимодальной модели Qwen2-VL-2B-Instruct, разработанной командой Alibaba Qwen и преобразованной в формат LiteRT-LM для запуска на устройствах и настольных системах. Модель принимает изображения и текстовые запросы, а генерирует текстовые ответы; предназначена для локального анализа изображений, визуальных вопросов и ответов, описания сцен, подсчёта объектов, чтения документов и OCR. Архитектура включает vision encoder Qwen2-VL ViT с 32 слоями и размерностью 1280, адаптер PatchMerger и языковой декодер Qwen2-1.5B с 28 слоями, скрытым размером 1536 и GQA. Vision encoder использует фиксированный размер изображения 672×672 и формирует 576 визуальных токенов. Весовые параметры vision-части квантизированы до int8, декодера — до int4; размер файла составляет около 1,78 ГБ. Контекст KV-кэша — 4096 токенов. Поддерживаются одно или несколько изображений, а запуск возможен на macOS, Linux, Windows и совместимых мобильных устройствах через LiteRT-LM. Сильные стороны модели — локальная обработка без передачи изображений на сервер, хорошее описание сцен и ответы на общие вопросы, чтение текста в документах, подсчёт объектов и работа с таблицами. В описанных проверках она показывала точную транскрипцию синтетического документа и корректное визуальное заземление. Ограничение связано с тем, что runtime использует последовательные одномерные позиции вместо исходного M-RoPE: модель может правильно прочитать ячейки таблицы, но ошибиться при сравнении значений между строками и столбцами. Изображения принудительно приводятся к размеру 672×672, что также может ограничивать работу с мелкими деталями. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen2-VL-2B-Instruct — инструктивно настроенная мультимодальная модель на архитектуре Qwen2-VL, опубликованная Unsloth на основе Qwen/Qwen2-VL-2B-Instruct. Она принимает текстовые запросы вместе с изображениями и формирует текстовые ответы; поддерживает обработку изображений разных разрешений и видео. Размер модели — 1,5 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для визуальных вопросов и ответов, анализа изображений, чтения текста на изображениях и диалога по видеоматериалам. В README также заявлена поддержка распознавания текста на разных языках, включая английский, китайский, японский, корейский и ряд других языков; в метаданных карточки указан английский. Архитектура использует динамическое разрешение изображений и мультимодальные позиционные представления M-ROPE. Модель не обрабатывает звук в видео, может ошибаться при подсчёте объектов, сложных многошаговых инструкциях и пространственных рассуждениях; сведения в обучающих данных об изображениях актуальны до июня 2023 года. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3.7 Flash — мультимодальная модель рассуждения с поддержкой изображений, разработанная Alibaba. Она предназначена для мультимодальных агентов, визуального программирования, поиска и взаимодействия с компьютером, а также задач распознавания объектов и пространственного понимания. Модель принимает текст и изображения и генерирует текст.

Qwen3-VL-2B-Thinking — компактная мультимодальная модель семейства Qwen3-VL, представленная в репозитории Unsloth как дообученная версия Qwen/Qwen3-VL-2B-Thinking. Модель построена на плотной архитектуре Qwen3VLForConditionalGeneration и предназначена для диалоговой работы с текстом и изображениями, визуальных рассуждений и анализа видео. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Transformers. Модель подходит для распознавания объектов и текста на изображениях, ответов на вопросы по визуальному содержимому, анализа пространственных отношений, STEM-задач и понимания видеособытий с временными отметками. Карточка базовой модели заявляет контекст 256K токенов с возможностью расширения до 1M и поддержку OCR на 32 языках; эти характеристики описывают семейство Qwen3-VL и не подтверждены отдельными измерениями именно этой копии. В карточке также упомянуты сценарии визуального управления интерфейсами и генерации кода интерфейсов по изображениям или видео. Модель ориентирована на мультимодальные запросы с изображениями и текстом; описание семейства также указывает на анализ видео. Основные заявленные сильные стороны — визуальное восприятие, OCR, пространственное понимание и рассуждения. Качество отдельных задач в README не приведено, поэтому его следует проверять на целевых данных. Лицензия репозитория — Apache-2.0.

llmfan46/Qwen3-VL-32B-Instruct-uncensored-heretic — версия Qwen3-VL-32B-Instruct, изменённая независимым автором методом abliteration для снижения частоты отказов. Это плотная мультимодальная модель на 32 млрд параметров с архитектурой Qwen3-VL, предназначенная для диалога по тексту и изображениям, визуального анализа, OCR и рассуждений по визуальным данным. В карточке описана поддержка видео и контекст до 256 тысяч токенов базовой модели; расширение до миллиона токенов заявлено для семейства Qwen3-VL. Автор приводит результаты PIQA и MMLU: на PIQA вариант набрал 93,31% против 93,09% у исходной модели, а на MMLU — 81,44% против 82,44%. В README также указаны 15 отказов из 100 тестовых запросов против 99 у оригинала. Эти результаты относятся к тестам автора и не гарантируют качество на других задачах. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0.

prithivMLmods/Qwen3-VL-8B-Thinking-abliterated-v1-GGUF — GGUF-квантизированная версия 8-миллиардной vision-language модели Qwen3-VL-8B-Thinking, разработанная prithivMLmods на базе модели Alibaba. Она предназначена для мультимодального понимания и генерации текста по изображениям и видео, включая описание сцен, визуальное рассуждение, анализ сложного или чувствительного контента, работу с художественными, техническими и абстрактными материалами, а также задачи OCR и визуальных датасетов. Модель ориентирована преимущественно на английский язык, при этом заявлена поддержка OCR на 32 языках и адаптация к многоязычным запросам. Модель поддерживает различные соотношения сторон и разрешения, видео, сложные макеты, пространственное восприятие, длинный контекст более 256K токенов и механизм Interleaved-MRoPE. Доступны варианты квантования от Q2_K до Q8_0, IQ4_XS и F16; размеры файлов составляют примерно от 3,28 до 16,4 ГБ, а для мультимодального проектора требуются отдельные файлы mmproj. Для запуска в README указаны Transformers с GPU и ориентировочная потребность в 16–24 ГБ видеопамяти; также заявлена совместимость с llama.cpp. Сильными сторонами являются мультимодальное рассуждение, анализ изображений и видео, OCR, пространственное понимание и большой контекст. Abliterated-вариант позиционируется как менее ограниченный стандартными фильтрами, поэтому может генерировать откровенный или потенциально небезопасный контент и требует осторожного применения в продуктивных системах. Модель распространяется по лицензии Apache-2.0.

PP-OCRv6 — модель оптического распознавания символов, экспортированная для библиотеки React Native ExecuTorch в виде программ ExecuTorch .pte, готовых к запуску непосредственно на устройстве. Исходные компоненты разработаны PaddlePaddle и включают отдельные модели детектирования текста PP-OCRv6_small_det_safetensors и распознавания текста PP-OCRv6_small_rec_safetensors. Репозиторий software-mansion/react-native-executorch-pp-ocrv6 предоставляет их объединённые варианты для детектирования и распознавания текста на изображениях. Модель предназначена для OCR-сценариев в мобильных приложениях, включая поиск текстовых областей на изображении и преобразование обнаруженного текста в последовательность символов. Поддерживаются бэкенды Core ML, Vulkan и XNNPACK, а также варианты с точностью int8, fp16 и fp32. Размеры файлов составляют от 7,9 до 29,6 МБ. Выход распознавателя представляет собой распределение вероятностей по символам заданного набора; используется CTC, индекс 0 зарезервирован под blank. Точный состав языков и символов определяется файлом charset.json и в README не раскрыт. Файлы опубликованы для ExecuTorch v1.4.1; обратная совместимость с более старыми версиями не гарантируется. Core ML-вариант является многофункциональной моделью для операций detect и recognize, требует iOS 18 или новее и ExecuTorch не ниже 1.3; первая загрузка на устройстве выполняет однократную специализацию ANE для каждой формы входа. Лицензия репозитория — Apache-2.0.

UBC-NLP/Simba-W — модель распознавания речи из серии Simba, разработанной UBC-NLP для африканских языков. Это дообученная на данных SimbaBench версия Whisper large v3; карточка описывает её как систему для транскрибирования речи, а метаданные указывают архитектуру Whisper с 905,2 млн параметров и формат safetensors. Модель предназначена для распознавания речи на 43 африканских языках, включая амхарский, арабский, хауса, игбо, суахили, йоруба и зулу, а также французский и португальский. Она рассчитана на аудиоввод и выдаёт текстовые транскрипции; для запуска поддерживается библиотека Transformers. README заявляет о высокой точности благодаря обучающим данным с разными доменами, но не приводит численных результатов именно для этой модели. Модель распространяется по лицензии CC BY 4.0. Она предназначена для ASR; заявленная для семейства Simba возможность синтеза речи не подтверждена для этой конкретной модели.

SmolVLM-500M-Instruct — компактная мультимодальная модель компании Hugging Face для диалогов по изображениям. Она построена на архитектуре Idefics3 и объединяет языковую модель SmolLM2-360M-Instruct с визуальным энкодером SigLIP; число параметров в предоставленных данных не указано. Модель принимает изображения и текстовые запросы, включая чередующиеся последовательности этих входов, и генерирует текст на английском языке. Модель предназначена для ответов на вопросы об изображениях, описания визуального содержимого, распознавания текста на изображениях, понимания документов и диаграмм, а также создания историй по визуальным материалам. Сжатое представление изображений и лёгкая архитектура рассчитаны на эффективный запуск: в README указано потребление около 1,23 ГБ видеопамяти для обработки одного изображения. Модель не генерирует изображения. В README приведены рекомендации по настройке разрешения изображений и использованию пониженной точности для экономии ресурсов. Ответы могут быть фактически неверными; модель не предназначена для решений с серьёзными последствиями для людей. Лицензия — Apache 2.0.

OpenVoiceOS/stt_en_quartznet15x5_onnx — англоязычная модель автоматического распознавания речи, подготовленная OpenVoiceOS как ONNX-экспорт исходной модели NVIDIA stt_en_quartznet15x5, обученной с использованием NVIDIA NeMo. Модель предназначена для преобразования английской речи в текст, включая офлайн-распознавание аудиофайлов и интеграцию в голосовые системы OpenVoiceOS. Исходный вариант использует архитектуру QuartzNet15x5 с символьным CTC-декодированием. Модель содержит ONNX-граф в формате FP32 с энкодером и CTC-головой, словарь токенов и конфигурацию для onnx-asr. Используются 64 мел-фильтра, коэффициент прореживания 2 и входные 16 кГц PCM WAV-файлы. Для запуска требуется ONNX Runtime; PyTorch и NeMo не нужны. Экспорт проверен сравнением с исходной NeMo-моделью: на эталонном фрагменте получены идентичные транскрипции. Основные ограничения — отсутствие готового варианта int8 и необходимость поддержки препроцессора nemo64 в используемом runtime; для этого могут потребоваться форк onnx-asr или runtime backfill OpenVoiceOS. Данные о точности, обучающих корпусах и известных ограничениях перенесены в карточку исходной модели и здесь не приведены. Лицензия — CC BY 4.0.

TowerVideo-2B — мультимодальная языковая модель семейства TowerVision от utter-project. Она принимает текст, изображения и видео и генерирует текст; архитектура объединяет Tower-Plus на 2 млрд параметров с визуальным энкодером SigLIP2-patch14-384 через мультимодальный адаптер. Модель поддерживает контекст до 8192 токенов и предназначена для многоязычного описания и понимания визуального содержимого, ответов на вопросы, суммаризации и перевода с учетом контекста изображения или видео. Модель обучена на видео- и текстовой части набора VisionBlocks, включающей видеоданные LLaVA-Video. В карточке заявлена поддержка более 20 языков и диалектов; среди перечисленных — английский, немецкий, испанский, французский, китайский, японский, хинди, русский и украинский. Для запуска авторы рекомендуют точность bfloat16. Лицензия CC-BY-NC-SA-4.0 разрешает использование на некоммерческих условиях с атрибуцией и распространением производных материалов на тех же условиях.

Карточка модели ponkyky/ultravox-v0_7-glm-4_6 на Hugging Face совпадает с карточкой fixie-ai/ultravox-v0_7-glm-4_6, поэтому описание составлено по ней. Ultravox v0.7 GLM 4.6 — мультимодальная речевая языковая модель от Ultravox.ai. Она объединяет языковую модель GLM 4.6 с речевым энкодером whisper-large-v3-turbo: принимает речь и текстовый контекст, после чего формирует текстовый ответ. Модель предназначена для распознавания речи, понимания аудио, ответов на вопросы по аудиозаписям и перевода речи. В README сообщается о тестировании на BigBenchAudio, VoiceBench, CoVoST 2 и LibriSpeech; в частности, приведены результаты для аудио-рассуждений, речевого перевода и распознавания. Метаданные указывают архитектуру Ultravox и формат safetensors. Версия v0.7 построена на GLM 4.6; README также описывает обучение на смеси наборов для ASR, речевого перевода и аудио с шумом. Модель принимает аудио вместе с текстом, например текстовую системную инструкцию и голосовое сообщение, и выдаёт текст. В карточке заявлена поддержка многозадачных сценариев работы с речью, однако точные ограничения по языкам и размеру контекста не приведены. Лицензия — MIT. README указывает, что использование собственных системных инструкций учитывалось при оценке; результаты тестов сами по себе не гарантируют качество на других данных.