I.15Доступность и ассистивные технологии

BuzzASR Polish — одноязычная модель автоматического распознавания польской речи, разработанная в рамках набора BuzzASR и дообученная полным циклом на основе openai/whisper-large-v3. Модель использует архитектуру WhisperForConditionalGeneration и содержит около 907,3 млн параметров; для польского заменён токенизатор, а при дообучении применялись речевые и текстовые данные. Модель предназначена для преобразования польской речи в текст, например для транскрибации записей и аудио. В README приведены результаты на тестовых выборках FLEURS и Common Voice 25.0; на объединённой выборке указаны CER 7,75% и WER 23,31%. Лицензия модели — MIT. Модель рассчитана только на польский язык. README предупреждает, что качество на других предметных областях и диалектах может отличаться от результатов на использованных тестовых наборах.

PP-OCRv6_small_rec_onnx — модель распознавания текста на изображениях из семейства PaddleOCR, разработанная PaddlePaddle. Она предназначена для задач OCR: извлечения текстового содержимого из изображений и последующего преобразования его в текст. Модель распространяется в формате ONNX и ориентирована на распознавание английского и китайского языков. В README заявлено семейство PP-OCRv6, однако точная архитектура, количество параметров, размер контекста и другие детальные характеристики именно этой версии не указаны. Название small указывает на компактный вариант, но его размер в параметрах также не приведён. Модель может использоваться в прикладных OCR-сценариях, где требуется автоматическое распознавание текста на изображениях. Сильными сторонами являются специализированная направленность на OCR, поддержка английского и китайского языков и формат ONNX, удобный для интеграции с совместимыми средами выполнения. Ограничения связаны с отсутствием в предоставленных данных подробностей о точности, поддерживаемых типах изображений и производительности. Модель распространяется по лицензии Apache 2.0.

PP-OCRv6_tiny_rec — компактная модель распознавания текста на изображениях из семейства PP-OCRv6, разработанного PaddlePaddle. Она предназначена для преобразования изображений текстовых строк в текст и может использоваться как модуль распознавания в OCR-конвейере вместе с детектором текста и другими компонентами PaddleOCR. Модель использует LCNetV4 в качестве backbone, прямую проекцию reshape без encoder neck и декодер с головами CTC и NRTR. По README, она содержит 1,1 млн параметров и поддерживает 49 языков; семейство PP-OCRv6 рассчитано на разные сценарии, включая промышленные изображения, экраны и точечно-матричные символы. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0. Модель узкоспециализирована на распознавании текста и сама по себе не описана как полный OCR-конвейер: для обнаружения текстовых областей могут понадобиться другие модули. Качество зависит от языка, типа изображения и условий съёмки; подробные показатели именно tiny_rec в предоставленном README не приведены.

A7oad/qaf-tasmi-v6 — модель автоматического распознавания речи, опубликованная пользователем A7oad на Hugging Face. Она построена на архитектуре wav2vec2 с классом Wav2Vec2ForCTC и содержит около 402,8 млн параметров. Модель принимает аудио и предназначена для преобразования речи в текст; для загрузки указана библиотека Transformers. Карточка модели создана автоматически и не сообщает о языках, данных обучения, оценках качества или конкретных условиях применения. Лицензия в карточке не указана. Поэтому пригодность для отдельных языков и акустических условий по доступным сведениям оценить нельзя.

gokaygokay/SDXL-Captioner — дообученная версия PaliGemma 224×224, созданная на парах изображение—промпт. Модель принимает изображение и текстовый запрос и формирует текстовый ответ, поэтому подходит для создания подписей и описаний изображений по инструкции. Модель построена на архитектуре PaliGemma и распространяется в формате safetensors для библиотеки Transformers. Карточка указывает английский язык. Лицензия — Apache-2.0. Подробности о размере модели, длине контекста и качестве на конкретных наборах данных в предоставленных источниках не приводятся.

mlx-community/SmolVLM-Instruct-4bit — конверсия модели HuggingFaceTB/SmolVLM-Instruct в формат MLX с 4-битным представлением, выполненная сообществом mlx-community. Это компактная мультимодальная модель семейства Idefics3 для диалога по изображениям и текстовым запросам: она принимает изображение и текст, чтобы отвечать на вопросы о визуальном содержимом и помогать разбирать документы. Модель подходит для сценариев визуальных вопросов и ответов, описания изображений и извлечения сведений из документов. Карточка рекомендует запуск через mlx-vlm; исходная модель обучалась на наборах The Cauldron и Docmatix. Поддерживаемый язык, указанный в метаданных, — английский. Лицензия Apache-2.0.

mlx-community/SmolVLM-Instruct-8bit — версия SmolVLM-Instruct, преобразованная сообществом mlx-community в формат MLX с 8-битным представлением весов с помощью mlx-vlm 0.1.2. Модель основана на HuggingFaceTB/SmolVLM-Instruct и использует плотную архитектуру Idefics3 для генерации текста по текстовому запросу и изображению. Она предназначена для диалога с изображениями: отвечает на вопросы о визуальном содержимом и помогает разбирать документы. Версия MLX предназначена для запуска через mlx-vlm; карточка содержит инструкцию установки библиотеки. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0.

ctaguchi/ssc-kbd-mms-model-mix-adapt-max — дообученная модель автоматического распознавания речи, созданная на основе facebook/mms-1b-all. Она использует архитектуру wav2vec2 с CTC-декодированием и содержит 1,3 млрд параметров. Модель принимает аудио и предназначена для преобразования речи в текст; README сообщает результаты оценки: CER 0,1091 и WER 0,5604. Карточка не описывает обучающие данные, целевые языки или предполагаемые сценарии применения. Базовая MMS-1B-All поддерживает более тысячи языков, но целевой набор языков этого дообученного чекпойнта из доступных сведений определить нельзя. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

ctaguchi/ssc-sco-mms-model — дообученная модель распознавания речи на основе facebook/mms-1b-all. Она использует архитектуру Wav2Vec2ForCTC и содержит 1,3 млрд параметров; принимает аудио и преобразует речь в текст. Базовая модель поддерживает более тысячи языков, но язык и набор данных, на которых дообучена эта версия, не указаны. В карточке приведены результаты оценки: CER 0,2065, WER 0,5486 и loss 0,7277. Эти значения относятся к оценочному набору, сведения о котором отсутствуют, поэтому их нельзя напрямую переносить на другие данные. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

TrOCR — модель распознавания текста на изображениях, оптимизированная Qualcomm для устройств на базе чипсетов Qualcomm. Реализация основана на модели microsoft/trocr-small-handwritten и использует связку предварительно обученных image transformer и text transformer для понимания изображения и генерации текста на уровне wordpiece. Модель предназначена для преобразования изображений с рукописным текстом в текстовую последовательность. Модель принимает изображения с разрешением 320×320 пикселей. Энкодер содержит около 23 млн параметров и занимает 87,8 МБ в формате float, декодер — около 38,3 млн параметров и 146 МБ. Доступны предварительно экспортированные варианты в форматах ONNX, QNN_DLC и TFLITE с поддержкой Qualcomm AI Runtime и выполнения на NPU. Также возможен экспорт с пользовательскими весами, формами входных данных, целевым устройством и runtime-конфигурацией. В README не указаны поддерживаемые языки и размер контекстного окна. Сильной стороной модели является адаптация для эффективного локального запуска на мобильных, периферийных и промышленных устройствах Qualcomm; для ряда чипсетов заявлено время инференса декодера примерно от 1,2 до 4,2 мс. Ограничения включают специализацию на распознавании текста с изображений и зависимость производительности от конкретного устройства, runtime и конфигурации. Модель распространяется по лицензии MIT.

TrOCR-Ru — модель распознавания текста на изображениях, созданная дообучением microsoft/trocr-base-handwritten на синтетических наборах данных от nastyboget. Она использует архитектуру Vision Encoder-Decoder и предназначена для OCR рукописного текста, в том числе кириллицы. Модель обучалась на наборах stackmix_hkr_large, stackmix_cyrillic_large и synthetic_cyrillic_large. В карточке приведены результаты на HKR и Cyrillic: точность составляет примерно 64–72%, CER — 6,6–9,3%, WER — 21,6–33,2% в зависимости от тестового набора. Поддерживаются русский и английский языки; модель принимает изображение и выдаёт распознанный текст. Модель распространяется под лицензией Apache-2.0. Метрики показывают ошибки распознавания, поэтому результаты на реальных документах и почерках, отличающихся от обучающих данных, могут быть хуже.

Typhoon2-qwen2vl-7b-vision-instruct — мультимодальная инструктивная модель компании Typhoon AI для работы с изображениями. Она дообучена на базе Qwen/Qwen2-VL-7B-Instruct и построена как плотная decoder-only модель с визуальным энкодером на архитектуре Qwen2; содержит 7,1 млрд параметров и использует библиотеку Transformers. Модель принимает текст и изображения и отвечает на вопросы о визуальном содержимом. Она оптимизирована для задач на основе изображений, включая OCR, анализ диаграмм и визуальные вопросы и ответы; README также сообщает о поддержке видеовхода базовым семейством, но выделяет изображения как основной сценарий этой модели. Основные языки — тайский и английский. Длина контекста — 32 768 токенов. В опубликованной оценке модель показывает результаты на OCRBench, MMBench и ChartQA; в частности, README приводит высокие результаты на ChartQA. Модель находится в разработке и может давать неточные, предвзятые или нежелательные ответы, поэтому результаты следует проверять. Лицензия — Apache-2.0.

Модель GetmanY1/wav2vec2-base-fi-150k-finetuned разработана Ярославом Гетманом и Тамашем Гросом и предназначена для автоматического распознавания финской речи. Это акустическая модель на архитектуре Wav2Vec2 с CTC-выходом, содержащая 113,3 млн параметров и доступная в формате safetensors. Она дообучена на 4600 часах финской речи: разговорной речи из Lahjoita puhetta и материалах парламента Финляндии. Модель принимает аудио с частотой дискретизации 16 кГц и преобразует его в текст. Она подходит для транскрибации финской речи, включая разговорную речь и выступления в парламенте. Базовая модель предварительно обучалась на большом корпусе неразмеченной финской речи. Модель распространяется по лицензии Apache-2.0. Она рассчитана на финский язык; качество распознавания для других языков не заявлено. Для корректной работы входное аудио должно иметь частоту дискретизации 16 кГц.

wav2vec2-finetuned-asr — модель автоматического распознавания речи, дообученная на основе facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, преобразуя речь в текст. Датасет дообучения не указан; сведения о поддерживаемых языках и целевых сценариях отсутствуют. На оценочном наборе указаны Loss 0,4425, WER 0,5418 и CER 0,3254. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Результаты приведены без описания набора данных и методики оценки, поэтому их нельзя уверенно переносить на другие аудио и условия записи.

Модель Lguyogiro/wav2vec2-large-mms-1b-nhi-adapterft-ilv_fold1 — дообученная на наборе audiofolder модель распознавания речи, основанная на facebook/mms-1b-all. Она использует архитектуру Wav2Vec2ForCTC и содержит 1,3 млрд параметров. Модель принимает аудио и преобразует речь в текст; базовая модель поддерживает более тысячи языков, но карточка этой версии не уточняет целевой язык. На указанном наборе оценки модель показала loss 0,6054, WER 0,3871 и CER 0,1165. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

skydheere/wav2vec2-large-mms-1b-somalia — модель распознавания речи на основе wav2vec2-large, дообученная на facebook/mms-1b-all с использованием набора данных xtreme_s. Она принимает аудио и преобразует речь в текст; репозиторий указывает архитектуру Wav2Vec2ForCTC и размер около 1,3 млрд параметров. На оценочной выборке приведены loss 0,5553 и WER 0,4330. Карточка не описывает поддерживаемый язык и условия применения подробнее. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

DrishtiSharma/wav2vec2-large-xls-r-300m-hi-CV7 — модель распознавания речи, разработанная Drishti Sharma и дообученная на базе facebook/wav2vec2-xls-r-300m на наборе Common Voice 7.0 для языка хинди. Она использует архитектуру Wav2Vec2 с CTC-выходом и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст на хинди. Модель подходит для транскрибирования записей речи и оценки систем распознавания хинди. В README указаны значения loss 0,6588 и WER 0,2987 на оценочном наборе. Модель распространяется по лицензии Apache-2.0.

CAiRE/Wav2Vec2-Large-XLSR-53-Cantonese — модель распознавания речи, дообученная CAiRE на основе facebook/wav2vec2-large-xlsr-53 на кантонском языке с использованием Common Voice Corpus 8.0. Модель построена на архитектуре Wav2Vec2ForCTC, содержит 406,6 млн параметров и принимает аудиозаписи с частотой дискретизации 16 кГц, преобразуя речь в текст без языковой модели. Модель предназначена для автоматической транскрибации кантонской речи; в README приведён результат CER 18,55% на тестовой части Common Voice для zh-HK. Доступна в формате PyTorch по лицензии Apache-2.0. В карточке не указаны сведения о длине контекста.

Это модель автоматического распознавания испанской речи на базе Wav2Vec2-Large-XLSR-53 с поддержкой языковой модели. Её подготовил Patrick von Platen как демонстрацию интеграции pyctcdecode с Transformers; в README описана замена стандартного Wav2Vec2Processor на Wav2Vec2WithLMProcessor. Модель предназначена для преобразования аудиозаписей на испанском языке в текст. В сравнении на 512 образцах тестовой части Spanish Common Voice она показала WER 8,44% и CER 2,93%, против 10,20% и 3,24% у указанной базовой модели без языковой модели. Доступны веса PyTorch, TensorFlow и Flax; размер модели — около 402,7 млн параметров. Репозиторий распространяется по лицензии Apache-2.0. Результаты оценки относятся к указанной выборке Common Voice; качество на других типах речи и в иных акустических условиях в карточке не измеряется.

wav2vec2-xls-r-1b-ca-lm — модель распознавания каталонской речи, созданная PereLluis13 и дообученная на основе facebook/wav2vec2-xls-r-300m. Она использует архитектуру wav2vec2 с классификационной CTC-головой и принимает аудио, преобразуя его в текст. Для обучения использованы датасеты Mozilla Common Voice 8.0 (каталонская часть), tv3_parla и parlament_parla. Модель предназначена для автоматической транскрипции каталонской речи. В README отмечено, что точность может быть ниже для менее представленных диалектов; также возможны смещения и особенности исходных краудсорсинговых данных. Модель распространяется по лицензии Apache-2.0.

mpoyraz/wav2vec2-xls-r-300m-cv7-turkish — модель автоматического распознавания речи на турецком языке, созданная дообучением facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2 с CTC-выходом и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; при дообучении использовались проверенная часть Common Voice 7.0 TR, кроме тестовой выборки, и MediaSpeech. Для улучшения распознавания автор также подготовил турецкую n-граммную языковую модель на материалах Википедии с KenLM. Модель подходит для транскрибации турецкой речи и оценки систем распознавания на наборах Common Voice и Speech Recognition Community. В README приведены результаты: WER 8,62 и CER 2,26 на тестовой выборке Common Voice 7 TR, а также WER 30,87 и CER 10,69 на dev-наборе Speech Recognition Community. Эти значения относятся к указанным наборам и не гарантируют такую же точность на других записях. Модель распространяется по лицензии CC BY 4.0.

ovsyannikovls/whisper-base-ru — модель распознавания речи семейства Whisper, дообученная автором репозитория на неизвестном наборе данных. Она предназначена для преобразования аудиозаписей в текст; карточка приводит результат оценки WER 33,1041, но не описывает тестовый набор и условия измерения. Модель распространяется в формате Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Подробности о данных обучения, поддерживаемых языках, контекстном окне и сценариях применения в карточке не приведены.

itayinbar/whisper-he-100m — модель распознавания речи на иврите, созданная на основе OpenAI Whisper Base. Она предназначена для преобразования ивритской речи в текст и протестирована на наборах eval-d1, he_speech_kan и eval-whatsapp. В карточке указаны показатели WER 12,99%, 16,62% и 21,67% соответственно. Модель содержит 94,36 млн параметров; её архитектура Whisper расширена до 12 слоёв энкодера и 12 слоёв декодера. Вместо многоязычного словаря Whisper используется байтовый BPE-токенизатор на 8 192 токена для иврита. Модель обучена на 3 112,7 часах вручную транскрибированной речи. Метаданные указывают форматы ONNX и Safetensors и лицензию Apache-2.0. Модель подходит для расшифровки ивритской речи, в том числе записей заседаний, краудсорсинговых аудиозаписей и сообщений. По приведённым результатам она уступает ivrit.ai на перечисленных тестах; показатели относятся к конкретным наборам оценки и не гарантируют аналогичное качество на других аудиоисточниках.

Модель speech-transformer/whisper-large-processed_dataset-20250627-100p — дообученная версия Whisper large-v3 от OpenAI для автоматического распознавания речи и преобразования аудио в текст. Она содержит около 905,2 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors для библиотеки Transformers. На оценочном наборе указаны Loss 0,1988 и WER 9,8178; состав этого набора и условия оценки не описаны. Модель принимает аудио и выдаёт текст. README не сообщает, на каких данных и языках проводилось дообучение, поэтому нельзя определить её специализацию или качество на конкретных языках и типах записей. Базовая модель Whisper large-v3 мультиязычная, однако переносить все её языковые возможности на эту дообученную версию без данных о тренировке нельзя. Лицензия — Apache-2.0.

Whisper Large v3 Ai — дообученная Nurlan Salahaddinov версия мультиязычной модели OpenAI Whisper large-v3 для распознавания речи и преобразования аудио в текст. Модель содержит 905,2 млн параметров и основана на архитектуре Whisper; для обучения использован набор Mozilla Common Voice 17.0. Карточка приводит результат WER 1,1952 на оценочной выборке. Модель предназначена для автоматической транскрибации аудиозаписей, в частности для распознавания азербайджанской речи. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0.

Whisper Large-v3 MLX — модель автоматического распознавания речи, опубликованная сообществом mlx-community и предназначенная для использования с библиотекой mlx-whisper. Она преобразует аудиозаписи в текст и подходит для сценариев транскрибации речи. Модель основана на Whisper Large-v3, однако в README не указаны её точные архитектурные характеристики, количество параметров, поддерживаемые языки, модальности или размер контекста. Также не приведены сведения о сильных сторонах и ограничениях модели, поэтому их нельзя достоверно оценить по имеющимся данным. Модель распространяется по лицензии MIT и предназначена для запуска через mlx-whisper; в README приведён пример использования с репозиторием mlx-community/whisper-large-v3-mlx.

ivrit-ai/whisper-large-v3-turbo — модель распознавания речи на иврите, разработанная ivrit-ai посредством дополнительного обучения OpenAI Whisper Large v3 Turbo. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration и 905,2 млн параметров; она принимает аудио и преобразует его в текст. Модель предназначена главным образом для транскрибации речи на иврите, включая записи заседаний Кнессета, чтение текстов и другие аудиозаписи. Модель обучена на корпусах crowd-transcribe-v5, crowd-recital-whisper-training и данных пленарных заседаний Кнессета. Для распознавания следует явно задавать язык иврита. Определение языка ухудшилось, поэтому модель рассчитана преимущественно на аудио на иврите; перевод аудио не обучался и работает неудовлетворительно. Модель распространяется в формате safetensors и доступна на условиях лицензии Apache-2.0.

cahya/whisper-medium-id — модель распознавания речи на индонезийском языке, созданная дообучением openai/whisper-medium на датасетах Common Voice 11, MagicData, TITML и Google Fleurs. Она использует архитектуру Whisper и содержит 455,8 млн параметров; для работы доступна в формате PyTorch через Transformers. Модель предназначена для преобразования индонезийской речи в текст. В карточке приведён пример транскрибации аудиофайла с настройкой языка распознавания. На тестовых выборках указана частота ошибок слов (WER) 3,83 на Common Voice 11 и 9,74 на Google Fleurs; на Common Voice результат базовой Whisper Medium в той же оценке составил 12,62. Модель распространяется по лицензии Apache-2.0. Описание не приводит сведений о длине контекста или подробных ограничениях; приведённые оценки относятся к конкретным тестовым выборкам и не гарантируют аналогичное качество на других типах аудио.

Jingmiao/whisper-small-chinese_base — дообученная модель распознавания речи на архитектуре Whisper Small, разработанная на основе openai/whisper-small. Она предназначена для преобразования китайской речи в текст; обучение проводилось на китайской части набора google/fleurs (cmn_hans_cn). Модель содержит 153,1 млн параметров и опубликована в формате PyTorch. На указанном в карточке наборе для оценки модель достигла значения WER 16,6439 и loss 0,3573. Лицензия Apache-2.0.

Whisper Small Fine-Tuned for Indian Speech — дообученная RakshithFury модель на базе openai/whisper-small для автоматического распознавания речи. Она предназначена для транскрибации индийской речи, в том числе на хинди и каннада, а также английской речи; в обучении использованы наборы Shrutilipi, IndicVoices-R и FLEURS English. Модель обучалась на последовательностной задаче транскрибации Whisper и рассчитана на работу с разборчивой речью, включая записи с некоторым фоновым шумом и быстрой речью. Обучающая выборка включала около 9 000 аудиофрагментов длительностью от 5 до 15 секунд. Качество может зависеть от языка, акцента, шума, скорости речи, предметной лексики и смешения языков; возможны ошибки, пропуски и галлюцинации, особенно в неразборчивом аудио. Карточка не приводит результаты оценки WER или CER. Лицензия в метаданных не указана.