I.15Доступность и ассистивные технологии

Tiro Qwen3 ASR 1.7B v2 — англоязычная модель распознавания речи, созданная как дообучение Qwen3-ASR-1.7B компанией или автором Tiro. Она предназначена для транскрибации аудио, особенно речи, записанной на расстоянии от микрофона, в реверберационных помещениях и при фоновом шуме. Модель сохраняет общие возможности базовой ASR-системы; в README приведены сравнительные результаты на FFASR, VOiCES, CHiME-4 и открытых тестовых наборах распознавания речи. Модель использует архитектуру Qwen3-ASR плотного типа с тем же числом параметров, что и база Qwen3-ASR-1.7B, и опубликована в формате safetensors с точностью bf16. Метаданные и карточка указывают английский язык. Лицензия — Apache-2.0. README сообщает о лучшем среднем результате на FFASR, но на ближней речи базовая модель немного лучше; результаты отдельных тестов не гарантируют такое же качество на других аудиозаписях.

Xenova/trocr-small-handwritten — версия модели microsoft/trocr-small-handwritten с весами в формате ONNX, подготовленная для работы через библиотеку Transformers.js. Модель предназначена для оптического распознавания рукописного текста: на вход подаётся изображение, а на выходе генерируется распознанная текстовая строка. Модель относится к семейству TrOCR и использует задачу image-to-text. В README не указаны точные сведения об архитектуре, количестве параметров, поддерживаемых языках и размере контекста. Пример демонстрирует распознавание короткой английской рукописной фразы, однако полноценный перечень языков и ограничений качества не приведён. Основное преимущество модели — совместимость с Transformers.js и возможность использования ONNX-весов в веб-сценариях. Лицензия в предоставленных данных не указана.

OK923/ultimate_wav2vec2_aug — модель распознавания речи на основе архитектуры Wav2Vec2, опубликованная OK923. Это версия с дообучением на наборе данных, который в карточке не описан. Модель содержит 402,8 млн параметров и предназначена для преобразования аудиоречи в текст; для работы используется библиотека Transformers. В карточке приведены результаты оценки: loss 0,2547 и WER 0,3097. Эти значения относятся к неописанному набору оценки, поэтому их нельзя напрямую переносить на другие данные и сценарии. Модель распространяется под лицензией Apache-2.0.

VibeVoice-ASR-Streaming-7B — потоковая модель автоматического распознавания речи от Microsoft. Она преобразует поступающую речь в текст и связывает реплики с говорящими, поддерживая пользовательские ключевые слова для имён и специальных терминов. Модель рассчитана на потоковую транскрибацию речи на китайском, английском, французском, немецком, итальянском, японском, корейском, португальском, русском и испанском языках. Архитектура — плотная модель семейства VibeVoice; файлы весов представлены в safetensors, для работы используется Transformers. Поддержка атрибуции говорящих и настраиваемых ключевых слов подходит для транскрибации разговоров и аудио с предметной лексикой. В предоставленных материалах не описаны точность, ограничения по длительности или шуму и требования к ресурсам. Лицензия — MIT.

leophill/w2v-bert-2.0-afrivoices-ea-6l-asr — речевая модель, разработанная для хакатона AfriVoices East Africa ASR командой Digital Umuganda и Maseno Center for Applied Artificial Intelligence. Это дообученная на базе facebook/w2v-bert-2.0 модель Wav2Vec2-BERT 2.0 с архитектурой Conformer и CTC-головой, содержащая 402,7 млн параметров. Она распознаёт речь на шести восточноафриканских языках: луо, календжин, кикуйю, маасаи, сомали и суахили; язык на входе указывать не требуется. Модель принимает монофоническое аудио с частотой 16 кГц и выдаёт строчную транскрипцию без пунктуации. В тесте хакатона она заняла второе место с macro-WER 0,34819; качество зависит от языка, диалекта и формата речи, причём спонтанная длинная речь распознаётся хуже подготовленной. Для повышения точности README рекомендует декодирование pyctcdecode с языковой моделью KenLM для каждого языка. Модель ограничена шестью указанными языками и не предназначена для их идентификации. Лицензия — CC BY 4.0.

ceyda/wav2vec2-base-760-turkish — модель распознавания речи на турецком языке, разработанная на основе ceyda/wav2vec2-base-760 и дообученная на обучающей и валидационной выборках Common Voice. Это архитектура Wav2Vec2 с CTC-декодированием, содержащая 113,3 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; её можно использовать без языковой модели. Модель подходит для транскрибации турецкой речи и оценки систем распознавания на тестовой выборке Common Voice. В README приведены результаты на этой выборке: WER 22,60 и CER 6,05. Модель распространяется по лицензии Apache-2.0.

Модель Gabor Madarasz для распознавания венгерской речи и преобразования её в текст. Это дообученная на венгерских данных модель facebook/mms-1b-all с архитектурой Wav2Vec2ForCTC и примерно 1,3 млрд параметров. Она принимает аудио и предназначена для транскрибации записанной речи, например подкастов, аудиокниг и одноголосых записей. Модель рассчитана на венгерский язык. В тестах автор сообщает WER 0,3068 и CER 0,0727 на FLEURS, а также WER 0,1275 на выборке из Common Voice и Voxpopuli; результаты зависят от набора данных и условий записи. Лицензия — CC0-1.0. Для улучшения выбора слов автор рекомендует декодирование с языковой моделью, например KenLM через beam search.

m3hrdadfi/wav2vec2-large-xlsr-persian — модель распознавания персидской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice на персидском языке (фарси). Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; её можно запускать без отдельной языковой модели. Модель подходит для транскрибации персидской речи и оценки систем распознавания на тестовой части Common Voice. В карточке указан результат WER 32,20%; качество может отличаться на других наборах данных и условиях записи. Лицензия — Apache-2.0.

patrickvonplaten/wavlm-libri-clean-100h-base-plus — модель распознавания речи, разработанная на основе WavLM Base Plus от Microsoft и дообученная на чистой части датасета LibriSpeech для автоматического распознавания речи. Это аудиомодель с архитектурой WavLMForCTC и 113,3 млн параметров; репозиторий содержит веса PyTorch. Модель преобразует речь в текст и подходит для транскрибирования аудиозаписей, в частности речи из сценариев, похожих на LibriSpeech. В карточке приведены результаты оценки на тестовой выборке: loss 0,0819 и WER 0,0683. Сведения о поддерживаемых языках, ограничениях применения и лицензии в предоставленных источниках отсутствуют.

aneforge/whisper-base.en — англоязычная модель распознавания речи семейства Whisper от OpenAI, опубликованная ANEForge для запуска через ANEForge на Apple Neural Engine. Репозиторий содержит байт-в-байт копию весов openai/whisper-base.en в формате safetensors; архитектура — плотная WhisperForConditionalGeneration, размер — 51,7 млн параметров. Модель преобразует аудио в текстовую расшифровку. Она принимает монофонический аудиосигнал с частотой 16 кГц; базовая модель предназначена для английской речи. ANEForge компилирует граф модели в программу для Apple Neural Engine и загружает веса из репозитория. Модель распространяется по лицензии Apache-2.0. README описывает её как неизменённую копию исходной модели, поэтому отдельное дообучение не подтверждается; назначение репозитория — совместимость с ANEForge. Подробности о точности и ограничениях распознавания следует смотреть в карточке исходной модели.

oxide-lab/whisper-base-GGUF — набор квантованных моделей на основе openai/whisper-base, подготовленный в формате GGUF. Модель предназначена для автоматического распознавания речи и поддерживает многоязычные сценарии, включая английский и русский языки. Доступны варианты квантования от q2_k до q8_0. Модели в корневом каталоге совместимы с ML-фреймворком Candle для Rust, а варианты в подкаталоге whisper.cpp — с реализацией whisper.cpp и её CLI-инструментами. Формат GGUF позволяет уменьшить размер модели и ускорить инференс, однако низкие уровни квантования, особенно q2, q3 и q4, могут существенно снижать качество распознавания. В README отдельно отмечены q4_k как компромисс между размером, скоростью и качеством, а q8_0 — как рекомендуемый вариант для производственного использования с минимальными потерями. Модель подходит для локального распознавания аудиофайлов и интеграции в приложения на Rust или C++. Ограничения включают зависимость от выбранного уровня квантования и необходимость использовать совместимые файлы конфигурации и токенизатора для Candle либо правильную версию файлов из каталога whisper.cpp. Указана лицензия MIT, совпадающая с лицензией исходной модели Whisper.

vhdm/whisper-large-fa-v1 — модель распознавания речи на архитектуре Whisper, созданная разработчиком vhdm дообучением openai/whisper-large-v3-turbo на персидских аудиозаписях из набора vhdm/persian-voice-v1.1. Модель содержит 905,2 млн параметров и предназначена для транскрибации персидской речи: голосовых заметок, подкастов, видео и интервью, а также для создания поисковых расшифровок. Она поддерживает входное аудио и выдаёт текст; для чистой персидской речи в карточке указана частота ошибок слов WER 14,07%. Модель распространяется по лицензии MIT. Обучение проводилось на чистой речи из конкретного набора данных, поэтому качество может снижаться на шумных записях, акцентах и диалектах. Модель не оптимизирована для потокового распознавания и иногда может генерировать правдоподобные, но неверные слова.

whisper-large-v3-ca-punctuated-3370h — акустическая модель распознавания каталонской речи, дообученная Лабораторией языковых технологий Барселонского суперкомпьютерного центра в рамках проекта AINA. Она основана на openai/whisper-large-v3 и предназначена для преобразования каталонских аудиозаписей в текст с пунктуацией и заглавными буквами. Модель с архитектурой Whisper содержит 905,2 млн параметров и обучалась на 3369 часах и 53 минутах каталогских аудиоданных из Common Voice 17.0 и набора 3CatParla. Обучение на тщательно расшифрованных данных помогает сохранять пунктуацию и регистр в транскрипциях. Для работы доступны веса PyTorch и библиотека Transformers; модель принимает аудио и выдаёт текст. Модель рассчитана на распознавание каталонской речи и может уступать при работе с другими языками или акустическими условиями, не представленными в обучающих данных. Лицензия — Apache-2.0.

bofenghuang/whisper-large-v3-french-distil-dec16 — дистиллированная версия Whisper Large V3 French, созданная путём сокращения числа слоёв декодера с 32 до 16 и обучения на крупном наборе данных. Модель предназначена для распознавания французской речи и преобразования аудио в текст. Она содержит около 905,2 млн параметров, построена на архитектуре Whisper и поддерживает аудиовход; карточка описывает использование через Transformers и совместимые реализации Whisper. Сокращённый декодер уменьшает расход памяти и ускоряет вывод при сохранении качества, соответствующего числу оставшихся слоёв. В README также отмечено снижение риска галлюцинаций при длинных транскрипциях и возможность ускорения исходной модели Whisper Large V3 French через speculative decoding. Для длинного аудио можно использовать разбиение на фрагменты, но такой способ может немного уступать последовательному алгоритму по качеству. Модель распространяется по лицензии MIT.

Whisper large-v3 Persian — модель распознавания речи, созданная дообучением openai/whisper-large-v3 на персидских аудиозаписях из Mozilla Common Voice 17.0. Модель построена на архитектуре Whisper, содержит 905,2 млн параметров и принимает аудио, выдавая распознанный текст. Для запуска используется библиотека Transformers; веса представлены в формате safetensors. Модель предназначена для транскрибации речи на персидском языке. В README указано, что при дообучении использовали более 200 тысяч примеров; на оценочной выборке WER составил 26,5381. Авторы отмечают, что ошибки написания в датасете приводят к грамматическим недостаткам распознанного текста. Лицензия — Apache-2.0.

Модель Elizabeth Mwangi — дообученная версия OpenAI Whisper large-v3 для автоматического распознавания речи на суахили. Она обучена на данных всех пяти доменов AfriVoice и на Common Voice Swahili; в первую очередь предназначена для речи кенийских говорящих, в том числе с нестандартными речевыми особенностями. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и доступна в формате safetensors. Модель подходит для транскрибации записей на суахили, включая речь из разных прикладных доменов. В README приведены результаты на тестовых наборах: WER 0,244 на AfriVoice и 0,201 на Common Voice Swahili. Это показатели на указанных наборах, поэтому качество на других источниках и условиях записи может отличаться. Лицензия — Apache-2.0.

Модель JacobLinCool — дообученная версия OpenAI Whisper Large V3 Turbo для автоматического распознавания речи на традиционном китайском языке, вариант Тайваня. Она принимает аудио и преобразует речь в текст без необходимости задавать подсказку. Модель содержит около 905,2 млн параметров и построена на архитектуре Whisper; для обучения использован набор Common Voice Corpus 19.0 Chinese (Taiwan), примерно 50 тысяч обучающих примеров общей длительностью 44 часа. На тестовом наборе указаны WER 32,56 и CER 8,60. Модель наследует мультиязычную систему определения языка Whisper, где варианты китайского используют общий токен `zh`, поэтому качество распознавания упрощённого китайского может снижаться. Лицензия — MIT.

inesc-id/WhisperLv3-FT — дообученная модель распознавания речи на основе OpenAI Whisper large-v3, созданная на датасете 425. Это мультиязычная архитектура Whisper с 905,2 млн параметров, предназначенная для преобразования аудио в текст. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. В карточке приведён результат оценки на тестовом наборе: loss 0,1162 и WER 3,9720; единицы измерения и условия оценки не описаны. Базовая модель поддерживает транскрибацию и перевод аудио в текст, однако для этой версии README не уточняет конкретные языки, сценарии применения или ограничения. Лицензия — Apache-2.0.

sgangireddy/whisper-medium-tr — дообученная модель распознавания речи на базе openai/whisper-medium, созданная для турецкого языка. Она принимает аудио и преобразует речь в текст; для дообучения использовался турецкий раздел набора Common Voice 11.0. Модель содержит 455,8 млн параметров и опубликована в формате PyTorch. В карточке приведены результаты оценки: WER 10,50 на тестовом наборе Common Voice 11.0 и 9,26 на Google FLEURS; для исходной модели указаны значения 20,89 и 10,4 соответственно. Модель распространяется по лицензии Apache-2.0. Карточка не описывает условия записи аудио, разбиение данных или ограничения на шумную речь, поэтому качество в таких сценариях по приведённым результатам оценить нельзя.

Whisper-squeezeformer-v9_train_CM — дообученная на Common Voice модель распознавания речи на основе Whisper-small от OpenAI. Она предназначена для преобразования аудио в текст; в README приведён результат оценки на тестовом наборе: WER 16,4239 и loss 0,4028. Модель содержит 153,1 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors. Метаданные указывают английский язык. Лицензия — Apache-2.0. Подробности о целевом варианте английского языка, настройках обучения и ограничениях применения в карточке не приведены.

MediaCatch/xls-r-300m-danish-mc-v2 — модель распознавания речи, разработанная MediaCatch и дообученная на базе MediaCatch/xls-r-300m-danish-mc на предварительно обработанном датасете. Она использует архитектуру wav2vec2 с CTC-декодированием и содержит 402,7 млн параметров. Модель предназначена для автоматического преобразования датской речи в текст. На указанном в карточке наборе оценки показала WER 0,0875 и loss 0,1570. Принимает аудио и выдаёт текст; библиотека для работы — Transformers. Модель распространяется по лицензии Apache-2.0. Карточка не описывает состав и условия записи обучающих данных, ограничения по акустическим условиям или рекомендуемую область применения.

Audio8-ASR-0.1B ONNX Runtime — локальный пакет распознавания речи, связанный с основной моделью Audio8-ASR-0.1B. Он включает ONNX-графы и средства инференса через ONNX Runtime, а также веб-интерфейс, локальный HTTP API и CLI для транскрибирования аудиофайлов. Модель автоматически определяет язык речи; заявлена поддержка английского, китайского, кантонского, французского, японского, немецкого и корейского языков. Пакет содержит варианты графов декодера fp32, int8 и int4, а аудиобашни — fp32 и int8. По умолчанию используются int8 для декодера и аудиобашни; есть опциональное усиление заданных ключевых слов при декодировании. Репозиторий предназначен для локального инференса на CPU через ONNX Runtime; для GPU требуется совместимый пакет ONNX Runtime GPU и доступный провайдер. Для работы аудио преобразуется в моно и передискретизируется до 16 кГц. Runtime обрезает аудио длиннее 30 секунд, а контекст декодера ограничен 512 токенами. Сильное усиление ключевых слов может приводить к ошибочным вставкам или повторам. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но ограничивающая коммерческое применение.

AuroraCap-7B-VID-xtuner — мультимодальная модель для создания подписей к изображениям и видео. Это вариант AuroraCap в формате Xtuner, разработанный для инференса и дальнейшего обучения; в карточке указаны ссылки на статью, код и обучающий набор AuroraCap-trainset. Модель основана на Vicuna 7B v1.5 16K с архитектурой Llama и содержит 6,6 млрд параметров. Она принимает визуальные данные и формирует текстовые описания; заявленный контекст составляет 4096 токенов. В метаданных основной задачей автора указана генерация текста, однако назначение модели и тег video-text-to-text указывают на описание видео. Модель распространяется под лицензией Apache-2.0. README отмечает, что формат Xtuner подходит для инференса и продолжения обучения; заявлена также возможность ускорять обучение с помощью объединения токенов при сохранении близкого качества. Подробности о поддерживаемых языках и ограничениях качества не приведены.

base_phase3 — модель распознавания речи на архитектуре wav2vec2, дообученная nguyenminhly на основе nguyenminhly/base_phase2. Она предназначена для преобразования аудиозаписей в текст. В метаданных указаны 113,3 млн параметров и формат PyTorch. В README приведены результаты оценки: WER 0,1305 и loss 0,2736; названы 44 000 шагов обучения и 49,44 эпохи. Язык распознавания и состав обучающих данных не описаны, поэтому область применения по языку или тематике определить нельзя. Модель распространяется по лицензии CC BY-NC 4.0, которая требует указания авторства и ограничивает коммерческое использование.

Карточка модели Bercraft/blip-image-captioning-large на Hugging Face совпадает с карточкой Salesforce/blip-image-captioning-large, поэтому описание составлено по ней. Salesforce/blip-image-captioning-large — модель семейства BLIP, разработанная Salesforce Research для описания изображений. Это базовая модель с визуальным энкодером ViT-Large, обученная на наборе COCO; архитектура поддерживает генерацию текста по изображению. Модель предназначена для создания подписей к изображениям в условном и безусловном режимах. Её можно применять для автоматического описания фотографий и визуального наполнения каталогов. Карточка не сообщает о поддержке нескольких языков, поэтому основной сценарий — генерация текстовых описаний без заявленной языковой специализации. Модель опубликована в форматах PyTorch, Safetensors и TensorFlow. Лицензия — BSD-3-Clause. Авторы отмечают, что выпуск предназначен для исследований и не проверен для всех практических сценариев; перед внедрением следует оценить точность, безопасность и справедливость результатов.

WhisperLv3-FT-EP-CPP — модель распознавания речи на европейском португальском языке, созданная дообучением Whisper large-v3 на данных CAMOES (Capitalized, Punctuated and Pós-Acordo). Она предназначена для преобразования речи в текст, в том числе для исследований и оценки качества распознавания, а также для демонстраций и прототипов транскрибации. Модель основана на архитектуре WhisperForConditionalGeneration, содержит около 905,2 млн параметров и принимает аудио, выдавая текст. В карточке не приведены длина контекста и подробные показатели качества. Лицензия в предоставленных данных не указана.

CogniSoftOrg/canary-1b-v2-mlx-bf16 — неофициальная конверсия модели NVIDIA Canary-1B-v2 для запуска на Apple Silicon через MLX и mlx-audio. Основная модель распознаёт речь и выдаёт текст; в репозитории также есть CTC-компонент для выравнивания текста по аудио и получения временных меток. Веса конвертированы из формата NVIDIA NeMo в safetensors с точностью bf16 без дообучения и квантизации. Модель построена на архитектуре FastConformer: 32-слойный аудиоэнкодер и 8-слойный Transformer-декодер. Она рассчитана на распознавание речи на 25 европейских языках, включая русский, и поддерживает перевод речи между английским и другими языками этого набора. Для CTC-выравнивания README указывает временные метки примерно с шагом 80 мс. README сообщает о проблемах совместимости в коде инференса mlx-audio 0.4.3: возможна ошибка типов в масках декодера, параметры языков могут фильтроваться, а жадное декодирование может зацикливаться на сложной записи. CTC-компонент может искажать текст на дальней или сложной речи, поэтому предназначен прежде всего для выравнивания. Лицензия — CC BY 4.0; конверсия не связана с NVIDIA и не одобрена ею.

Это перепакованная для vLLM модель распознавания речи reson8/canary-1b-v2-vllm на основе NVIDIA Canary-1B-v2. Репозиторий содержит веса исходной модели в формате safetensors, приведённые к bfloat16, и конфигурацию для загрузки через архитектуру cohere_asr в vLLM 0.19.0. Архитектура включает энкодер Conformer и 8-слойный декодер Transformer; в README указано около 1 млрд параметров, тогда как метаданные репозитория содержат значение 151 млн. Модель предназначена для транскрибации речи и развёртывания за OpenAI-совместимым API vLLM, включая endpoint /v1/audio/transcriptions. Базовая Canary-1B-v2 поддерживает распознавание на 25 европейских языках и перевод речи между английским и другими языками из этого набора; конкретно для этой перепаковки метаданные перечисляют 21 язык. Лицензия — CC BY 4.0, унаследованная от исходного релиза NVIDIA. Это преобразованная упаковка исходных весов, а не новая обученная модель. Репозиторий не загружается напрямую через Transformers AutoModelForSpeechSeq2Seq: для него нужны веса с исходными ключами NeMo и совместимая реализация vLLM. Поведение, точность и ограничения наследуются от NVIDIA Canary-1B-v2.

HiTZ/cap-punct-es — модель центра HiTZ при Университете Страны Басков UPV/EHU для восстановления заглавных букв и пунктуации в испанском тексте. Она обучена с нуля на базе Marian NMT на корпусе примерно из 9,8 млн предложений. Архитектура — MarianMTModel, размер — 41,6 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст без регистра и пунктуации и возвращает восстановленный текст. Модель предназначена для обработки испанских предложений, в том числе распознанной речи и текста, в котором при подготовке удалили регистр и знаки препинания. В оценках на подвыборках FLORES-101 и Common Voice модель снизила WER с 19,55% до 5,99% и с 22,42% до 5,75% соответственно. Лицензия — Apache 2.0. Результаты зависят от соответствия входного текста обработке, использованной при обучении; разработчики также отмечают возможные смещения и нежелательные искажения.

Caspi-1.7B — модель распознавания речи, созданная OzLabs путём дообучения Qwen/Qwen3-ASR-1.7B на парах ивритской речи и транскрипций. Она предназначена прежде всего для транскрибации разговорного, краудсорсингового и вещательного аудио на иврите, пакетной и потоковой обработки, а также для оценки и разработки систем распознавания речи. Модель относится к семейству Qwen3-ASR и принимает аудио, выдавая текстовую транскрипцию; поддерживаются пакетный и потоковый режимы, а также работа с речью, пением и песнями с фоновой музыкой. Основной язык — иврит; базовая модель многоязычная, однако Caspi позиционируется как специализированный ивритский чекпойнт, а не как универсальный многоязычный релиз. В приведённых тестах результаты различаются по наборам данных: модель превосходит сравниваемый Whisper-чекпойнт на части разговорных тестов, но уступает на вещательном наборе. Известные ограничения включают ошибки на коротких фонетически похожих словах, шумной или сжатой записи, перекрывающейся речи, акцентах, неформальной речи, именах и жаргоне, а также при переключении языков. Качество зависит от записи, сегментации и соответствия предметной области обучающим данным. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.