I.15Доступность и ассистивные технологии

whisper-small-Kurdish-Sorani-10 — дообученная модель OpenAI Whisper Small с архитектурой WhisperForConditionalGeneration и 153,1 млн параметров. Она предназначена для автоматического распознавания речи, прежде всего на курдском языке сорани. На оценочном наборе указаны WER 13,1989 и орфографический WER 14,4007. Модель принимает аудио и выдаёт текст; в карточке не описаны условия записи, состав обучающих данных или дополнительные ограничения. Распространяется по лицензии Apache-2.0.

Whisper Small Myanmar Partial Freezing — дообученная модель распознавания речи на основе Whisper Small от OpenAI, предназначенная для транскрибирования речи на бирманском языке. Она принимает аудио и выдаёт текст; в карточке описано частичное замораживание энкодера: слои 0–7 оставались замороженными, а слои 8–11 энкодера и все слои декодера обучались. Для бирманской тональной речи применялись изменение скорости аудио и аугментация спектрограммы с сохранением частот основного тона. В README приведены результаты на тестировании: CER 17,94%, WER 56,31% и точное совпадение предложения 2,06%; качество может различаться на других данных и условиях записи. Модель содержит 153,1 млн параметров по метаданным каталога и распространяется в формате safetensors под лицензией Apache-2.0.

Whisper Small Turkmen Language — модель распознавания речи на туркменском языке, созданная Abdyrahman Gudratullayew путём дообучения openai/whisper-small на наборе Common Voice 19. Это мультиязычная архитектура Whisper с 153,1 млн параметров; модель принимает аудио и выдаёт текстовую транскрипцию. На оценочном наборе указаны Loss 0,8752, WER Ortho 54,5959 и WER 46,1854. Эти показатели отражают заметную долю ошибок распознавания, поэтому транскрипции могут требовать проверки. Модель распространяется по лицензии Apache-2.0.

NavAI · whisper-tiny-uzbek — компактная модель распознавания узбекской речи, разработанная NavAI на основе openai/whisper-tiny и дообученная на 753 часах аудио с человеческими расшифровками. В метаданных указано 29,4 млн параметров; README называет размер модели 39 млн. Архитектура — WhisperForConditionalGeneration, веса доступны в формате safetensors и предназначены для использования с Transformers. Модель преобразует узбекскую речь в текст, в первую очередь на латинице (uzn_Latn). Она подходит для транскрибации записей и пакетной обработки аудио; для лучших результатов рекомендуется явно задать язык «uz». Длинные записи обрабатываются окнами по 30 секунд. На четырёх тестовых наборах узбекской речи модель показывает макро WER 18,13% и микро WER 17,2%; качество ниже на энциклопедической речи и редких иностранных именах. Модель слабее справляется с дальними, шумными и выраженно диалектными записями; основной целевой вариант — узбекская речь на латинице. Лицензия модели — Apache-2.0.

smerchi/Arabic-Morocco-Speech_To_Text — дообученная модель распознавания речи на основе Whisper large-v3 от OpenAI. Она предназначена для преобразования аудио на арабском языке в текст; в карточке указан датасет Voice_Cleverlytics. Модель содержит 905,2 млн параметров и использует архитектуру WhisperForConditionalGeneration; веса представлены в формате Safetensors. Для запуска предусмотрена библиотека Transformers. Модель подходит для транскрибации речи на арабском языке, в частности марокканского варианта, о котором говорит название репозитория. Базовая Whisper large-v3 поддерживает многоязычное распознавание речи и перевод аудио в текст, однако карточка этой производной модели не приводит отдельные оценки качества или подробности обучения. Лицензия — Apache-2.0.

Sunbird/asr-whisper-51-african-languages — модель распознавания речи Sunbird, созданная на основе Whisper large-v3 и объединённая с другими вариантами Whisper, включая huwenjie333/whisper-v3-ft-af51. Она предназначена для транскрибации речи на 51 африканском языке, включая суахили, хауса, йоруба, зулу, амхарский, а также английский и французский с африканскими акцентами. Модель дообучена на многоязычном корпусе из открытых и собранных сообществом наборов речевых данных. Карточка сообщает о сравнении с несколькими другими системами распознавания и о более низких WER и CER на большинстве проверенных языков, особенно на некоторых низкоресурсных языках; эти результаты относятся к описанным в README тестовым выборкам. Это предварительная версия: веса, поведение и качество могут измениться, поэтому авторы не рекомендуют закреплять этот чекпойнт в производственных системах. Для Whisper указано ограничение входного аудио до 30 секунд в описанном протоколе оценки. Лицензия — Apache-2.0.

Canary-1b-v2-gguf — это GGUF-конверсия модели Canary 1B v2 от NVIDIA, адаптированная командой handy-computer для запуска в transcribe.cpp. Модель предназначена для офлайн-распознавания речи и перевода в аудио на 25 европейских языках: болгарском, хорватском, чешском, датском, нидерландском, английском, эстонском, финском, французском, немецком, греческом, венгерском, итальянском, латышском, литовском, мальтийском, польском, португальском, румынском, словацком, словенском, испанском, шведском, русском и украинском. Распознавание поддерживается для всех перечисленных языков, а перевод — между английским и остальными языками согласно карточке базовой модели. Это мультитасковая encoder-decoder-модель типа AED примерно на 978 млн параметров, с 32-слойным энкодером FastConformer и 8-слойным Transformer-декодером. На вход подаётся монофонический WAV с частотой 16 кГц. Доступны варианты квантования F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 735 МБ до 3,92 ГБ. На LibriSpeech test-clean заявленный показатель WER составляет около 1,91–1,94% в зависимости от варианта. Модель работает офлайн и поддерживает перевод, но не предназначена для потоковой обработки, автоматического определения языка и вывода временных меток слов или сегментов. Сильными сторонами являются мультиязычность, поддержка распознавания и перевода, хорошее качество на англоязычном тестовом наборе и возможность локального запуска на CPU или GPU через transcribe.cpp. Для использования требуется преобразовать аудио в формат 16 кГц mono WAV и выбрать подходящий GGUF-вариант с учётом доступной памяти и требований к скорости. Лицензия унаследована от базовой модели и указана как CC-BY-4.0.

Это 4-битная MLX-квантизация модели Cohere Transcribe 03-2026, опубликованная Spoke для локального распознавания речи на устройствах Apple Silicon. Модель выполняет транскрибацию аудио в текст; для загрузки используется библиотека mlx-speech, а не mlx-audio. В README указаны квантизация affine с размером группы 64 и результаты внутреннего теста Spoke на 250 образцах LibriSpeech test-clean: WER 1,28%, скорость 0,05× реального времени и пиковое потребление памяти 1,89 ГБ. Эти показатели относятся к описанному тесту и не гарантируют такие же результаты на других данных и устройствах. Базовая модель Cohere Transcribe — специализированная ASR-модель на 2 млрд параметров для 14 языков; языки в предоставленных метаданных не перечислены. Репозиторий распространяется по лицензии Apache-2.0.

Карточка модели Newmetrics/cohere-transcribe-arabic-07-2026 на Hugging Face совпадает с карточкой CohereLabs/cohere-transcribe-arabic-07-2026, поэтому описание составлено по ней. Cohere Transcribe Arabic — открытая модель распознавания речи на 2 млрд параметров, разработанная Cohere и Cohere Labs. Она предназначена для преобразования аудио в текст и оптимизирована для арабского языка, его диалектов и английской речи; также заявлена поддержка арабско-английской речи со смешением языков. В основе — архитектура Conformer encoder-decoder, модель поддерживается библиотекой Transformers и подходит для офлайн-инференса и обслуживания запросов через vLLM. Модель применима для транскрибации арабских аудиозаписей, распознавания диалектной речи и транскрибации английского аудио. Разработчики отмечают высокую точность на арабском и английском и эффективный инференс. Лицензия Apache-2.0. Модель лучше работает с одним заранее выбранным языком; автоматического определения языка нет, а качество на смешанной арабско-английской речи может быть нестабильным. Она не выдаёт временные метки и не выполняет диаризацию говорящих. На тишине и фоновых шумах может генерировать текст, поэтому перед распознаванием полезны шумовой фильтр или VAD.

Dasheng Denoiser — модель для улучшения речи, связанная с работой Efficient Speech Enhancement via Embeddings from Pre-trained Generative Audioencoders, представленной на Interspeech 2025. Репозиторий предоставляет официальный код инференса PyTorch; модель также доступна через Transformers. Модель принимает аудио и предназначена для подавления шума и повышения разборчивости речи в аудиозаписях. В README не приведены сведения о размере, контекстном окне и поддерживаемых языках. Репозиторий распространяется по лицензии Apache-2.0.

OpenASR/firered-aed-l-v2 — модель автоматического распознавания речи, созданная FireRedTeam и упакованная для работы в среде OpenASR. Она предназначена для локального преобразования речи в текст, включая распознавание путунхуа, английского языка и их смешанной речи, а также китайских диалектов и акцентов. Модель может применяться для транскрибации аудио на CPU и GPU без использования Python во время инференса. В основе лежит attention-based encoder-decoder архитектура с Conformer-энкодером и Transformer-декодером. Модель содержит 1,1 млрд параметров и является развитием FireRedASR2-AED; она обучена с использованием расширенного словаря. Заявлены высокие результаты на китайской речи: средний CER 3,05% на четырёх публичных тестах путунхуа, 11,67% на 19 тестах китайских диалектов и акцентов, а также 1,17% на тесте песенных текстов. Для aishell1 указан CER 0,57%. Доступны варианты fp16, q8_0 и q4_k; q4_k уменьшает размер и пиковое потребление памяти, а fp16 ориентирован на максимальную точность. Модель особенно сильна в распознавании китайской речи, диалектов, акцентов, код-свитчинга и песенного вокала. Ограничения включают Mandarin-first специализацию и отсутствие в README сведений о поддерживаемых языках помимо китайского и английского, максимальной длине контекста и точности на других типах аудио. Пакеты распространяются по лицензии Apache-2.0, унаследованной от исходной модели FireRedASR2-AED.

Fun-ASR-Nano-2512-4bit — компактная многоязычная модель распознавания речи из сообщества mlx-community, преобразованная из FunAudioLLM/Fun-ASR-Nano-2512 в формат MLX с помощью mlx-audio-plus 0.1.4. Она принимает аудио и выдаёт текст, поддерживает потоковую транскрипцию, распознавание с подсказками и перевод речи в английский текст. В README заявлена поддержка более 13 языков; полный перечень приведён в карточке исходной модели. Модель предназначена для запуска через библиотеку mlx-audio-plus. В метаданных указана лицензия? Она не предоставлена, поэтому условия использования определить нельзя.

Fun-ASR-Nano-2512-fp16 — версия Fun-ASR-Nano-2512, преобразованная сообществом mlx-community в формат MLX с точностью fp16 с помощью mlx-audio-plus 0.1.4. Это компактная многоязычная модель распознавания речи на архитектуре FunASR, принимающая аудио и выдающая текст. Она поддерживает более 13 языков, распознавание с пользовательским контекстом, потоковый вывод и перевод речи в английский текст. Модель подходит для транскрибации аудио и речи в реальном времени, а также для распознавания терминологии в специализированных областях с подсказками. Перевод речи в английский текст заявлен как отдельный сценарий. Полный перечень языков доступен в карточке исходной модели, но в предоставленных данных он не указан. Репозиторий содержит веса safetensors в преобразованном формате MLX; базовая модель — FunAudioLLM/Fun-ASR-Nano-2512.

CALISTA-INDUSTRY/gemma_3_4B_reasoning_multimodal_en_ft_v2 — мультимодальная модель на основе Gemma 3, дообученная Мохаммадом Яни и Ризки Сулаеманом из Politeknik Negeri Indramayu для рассуждений по изображениям и тексту. Архитектура Gemma 3 с плотными весами; в метаданных базовая модель указана как unsloth/gemma-3-1b-it-unsloth-bnb-4bit. Модель принимает изображения и текст и предназначена для визуальных вопросов и ответов, описания изображений, мультимодального диалога и выполнения инструкций с визуальным вводом. Карточка заявляет поддержку английского языка, а метаданные также содержат код id. Модель доступна в форматах Safetensors и GGUF и рассчитана на использование через Transformers. Лицензия в метаданных указана как Gemma, тогда как README заявляет Apache 2.0; сведения о лицензии в источниках расходятся, поэтому перед использованием следует проверить условия в репозитории. Скорость работы в реальном времени без дополнительной оптимизации не заявлена.

zeromodels публикует версию Gemma 4 E2B IT в формате Keras 3. Это конверсия весов Google Gemma 4, реализованная для запуска с TensorFlow, Torch и JAX; в репозитории веса хранятся в bfloat16. По README, модель принимает изображения, аудио и текст и выдаёт текст, а также поддерживает текстовый диалог через Gemma4Processor и инструменты генерации текста. Указан размер 5,1 млрд параметров с эмбеддингами и 2,3 млрд эффективных параметров; базовая модель — google/gemma-4-E2B-it. Семейство Gemma 4 использует скользящее окно внимания на 512 токенов для варианта E2B, но полный контекст модели в карточке не уточнён. Модель подходит для диалогов, ответов по изображениям и аудио и генерации текста. README отсылает к карточке Google за подробностями о модели и условиях использования; лицензия репозитория — Apache 2.0.

zeromodels/gemma-4-e4b — реализация Gemma 4 E4B в формате Keras 3, подготовленная командой zeromodels на основе google/gemma-4-E4B. Модель принимает изображения, аудио и текст и генерирует текстовые ответы; для загрузки и обработки мультимодальных входов используется Gemma4Processor. Также доступен текстовый сценарий генерации через Gemma4TextGenerate и Gemma4Tokenizer. Вариант E4B имеет 4,5 млрд эффективных параметров и 8 млрд параметров с учётом эмбеддингов, 42 слоя и окно скользящего внимания 512 токенов. Веса хранятся в bfloat16. Реализация работает с TensorFlow, Torch и JAX; по умолчанию загружается в bfloat16, также предусмотрена загрузка в float32 и дополнительная квантизация int8. Модель предназначена для мультимодального диалога и генерации текстовых ответов. Лицензия — Apache 2.0.

GPA (General Purpose Audio) — компактная модель, объединяющая распознавание речи, синтез речи и преобразование голоса в одном авторегрессионном трансформере с общей языковой основой. Репозиторий Audio8 включает обучающие и дообучающие конвейеры, примеры инференса и средства развертывания; карточка также описывает отдельный дистиллированный вариант GPA-TTS для синтеза речи на устройствах с ограниченными ресурсами. Основной GPA построен на плотной архитектуре Qwen3ForCausalLM, содержит 246,5 млн параметров и поддерживает контекст до 32 768 токенов. В модели объединены обработка аудио и текста для ASR, TTS и преобразования голоса; заявлены английский и китайский языки. Проект подчёркивает потоковый и параллельный инференс, а GPA-TTS — клонирование голоса по короткому образцу и локальную работу без внешней LLM. Модель предназначена для голосовых приложений, включая облачное развертывание и сценарии на периферийных устройствах. Репозиторий лицензирован по Apache-2.0. Приведённые в README таблицы результатов частично опущены, поэтому по этой карточке нельзя независимо оценить сравнительное качество модели.

Карточка модели Edge0/GPA на Hugging Face совпадает с карточкой Audio8/GPA, поэтому описание составлено по ней. GPA (General Purpose Audio) — компактная модель, объединяющая распознавание речи, синтез речи и преобразование голоса в одном авторегрессионном трансформере с общей языковой основой. Репозиторий Audio8 включает обучающие и дообучающие конвейеры, примеры инференса и средства развертывания; карточка также описывает отдельный дистиллированный вариант GPA-TTS для синтеза речи на устройствах с ограниченными ресурсами. Основной GPA построен на плотной архитектуре Qwen3ForCausalLM, содержит 246,5 млн параметров и поддерживает контекст до 32 768 токенов. В модели объединены обработка аудио и текста для ASR, TTS и преобразования голоса; заявлены английский и китайский языки. Проект подчёркивает потоковый и параллельный инференс, а GPA-TTS — клонирование голоса по короткому образцу и локальную работу без внешней LLM. Модель предназначена для голосовых приложений, включая облачное развертывание и сценарии на периферийных устройствах. Репозиторий лицензирован по Apache-2.0. Приведённые в README таблицы результатов частично опущены, поэтому по этой карточке нельзя независимо оценить сравнительное качество модели.

onnx-community/granite-docling-258M-ONNX — ONNX-версия модели granite-docling-258M, разработанной IBM Granite и опубликованной сообществом onnx-community. Модель предназначена для преобразования изображений страниц документов в структурированное представление Docling с использованием сценариев image-to-text и Vision2Seq. Она может обрабатывать страницы научных статей и другие документные изображения, извлекая текст и элементы разметки с координатами. Модель использует связку vision encoder, текстовых embedding-слоёв и decoder-модели, экспортированных в ONNX для запуска через Transformers.js или ONNX Runtime. Заявленный размер базовой модели — 258M параметров. Поддерживается мультимодальный ввод изображений и текстовых инструкций; в README приведён запрос на преобразование страницы в Docling. Максимальная длина генерируемого ответа в примере составляет 4096 новых токенов, однако общий размер контекста и перечень поддерживаемых языков не указаны. К сильным сторонам относятся компактный размер, возможность локального запуска в браузере или через ONNX Runtime, потоковая генерация и структурированный формат вывода с элементами документа и координатами. Разбиение изображения на несколько фрагментов может повысить точность, но увеличивает потребление памяти. README не содержит результатов бенчмарков, подробностей о качестве на разных типах документов или ограничениях по языкам, поэтому возможности модели за пределами описанных сценариев следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

Granite-speech-3.2-8b — компактная speech-language модель IBM, созданная на базе ibm-granite/granite-3.2-8b-instruct и предназначенная для обработки речи. Она поддерживает автоматическое распознавание речи (ASR) и автоматический перевод речи (AST), прежде всего для английского языка. Модель выпущена 2 апреля 2025 года и ориентирована на корпоративные приложения, работающие с аудиовходами. Модель использует двухпроходную архитектуру: сначала преобразует аудиофайл в текст, после чего отдельным явно инициируемым вызовом обрабатывает транскрипцию базовой языковой моделью. В состав входят речевой энкодер на базе 10 Conformer-блоков с обучением CTC, блочный механизм внимания для аудиофрагментов длительностью 4 секунды и speech projector. Указанный размер базовой языковой модели — 8 миллиардов параметров. Для входа используются монофонические аудиоданные с частотой 16 кГц. Сильными сторонами модели являются компактность, поддержка как распознавания, так и перевода речи, а также возможность перевода с английского на французский, испанский, итальянский, немецкий, португальский, японский и китайский языки. Ограничения включают необходимость выполнять два последовательных вызова, основную ориентацию на английскую речь и отсутствие преимуществ перед специализированными Granite-моделями при работе только с текстом. Модель распространяется по лицензии Apache 2.0.

InternVL2-2B — мультимодальная инструкционно-настроенная модель семейства InternVL 2.0, разработанная OpenGVLab. Она объединяет визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую модель internlm2-chat-1_8b; общий размер составляет около 2,2 млрд параметров. Модель предназначена для диалога по изображениям и видео, визуальных вопросов и ответов, понимания документов и диаграмм, чтения текста на изображениях, а также научных и математических задач с визуальным контекстом. Модель принимает текст и изображения; README также сообщает об обучении на данных с видео и длинным текстом. Заявлено окно контекста 8 тысяч токенов. Карточка позиционирует её как мультиязычную, но конкретные языки не перечисляет. Для запуска предусмотрена интеграция с Transformers и LMDeploy. Репозиторий распространяется по лицензии MIT. Среди сильных сторон — сочетание диалоговых возможностей языковой модели с анализом изображений, документов, диаграмм и сценического текста; в README приведены результаты профильных визуальных и видео-бенчмарков. Описание не подтверждает отдельный выход с видео или структурированными рамками объектов: ответы модели формируются в текстовом диалоге.

InternVL3.5-38B-HF — мультимодальная модель семейства InternVL, разработанная OpenGVLab и представленная в формате Hugging Face Transformers. Это дообученная версия InternVL3_5-38B-MPO с плотной архитектурой InternVLForConditionalGeneration и 38 млрд параметров. Модель принимает изображения вместе с текстовыми запросами и формирует текстовые ответы; поддерживает многоязычные сценарии. Модель предназначена для диалога по изображениям и решения задач визуального анализа и рассуждения, включая распознавание текста на изображениях, ответы на вопросы и интерпретацию визуальных материалов. В README также заявлены возможности взаимодействия с графическими интерфейсами и embodied-сценарии для семейства InternVL3.5. Для запуска 38B версии требуются две видеокарты A100; чекпойнт доступен в формате safetensors и работает с Transformers. Семейство InternVL3.5 использует Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптивной обработки визуальных токенов; заявлены улучшения качества рассуждений и эффективности относительно InternVL3. Репозиторий распространяется по лицензии Apache-2.0. Конкретное значение длины контекста в предоставленных сведениях не приведено.

InternVL3.5-8B-HF — мультимодальная модель OpenGVLab для диалогов и рассуждений по изображениям и тексту. Это плотная модель семейства InternVL с архитектурой InternVLForConditionalGeneration, представленная в формате Hugging Face Transformers; она дообучена на базе OpenGVLab/InternVL3_5-8B-MPO. Модель принимает изображения вместе с текстовыми запросами и формирует текстовые ответы. Подходит для описания изображений, визуальных вопросов и ответов, чтения текста и документов на изображениях, а также решения задач на понимание и рассуждение по визуальным данным. Семейство InternVL3.5 использует Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптивной обработки визуальных токенов; карточка также указывает возможности чата и зрения. В описании семейства упоминаются GUI-взаимодействие и embodied agency, но для этой конкретной 8B-версии они отдельно не подтверждены. В README для моделей до 30 млрд параметров указана возможность запуска на одной GPU A100; число параметров этой версии в переданных метаданных не приведено, поэтому ресурсную оценку для неё нельзя подтвердить отдельно. Поддержка обозначена как multilingual, без перечня конкретных языков. Модель распространяется по лицензии Apache-2.0.

mlx-community/InternVL3-9B-8bit — мультимодальная чат-модель семейства InternVL3, преобразованная в формат MLX из `models/InternVL3-9B` с помощью mlx-vlm 0.1.25. Она предназначена для диалога по изображениям и задач визуального понимания с ответами на естественном языке. Модель принимает текст и изображения и генерирует текст; в метаданных также отмечен интерфейс вызова инструментов и мультиязычная поддержка. Репозиторий содержит веса в формате safetensors и доступен по лицензии Apache-2.0. Метаданные связывают модель с дообучением OpenGVLab/InternVL3-1B-Instruct и указывают датасет OpenGVLab/MMPR-v1.2, однако README описывает конверсию из InternVL3-9B; поэтому точная цепочка происхождения и базовая модель требуют осторожной интерпретации. Размер 9B указан в имени модели, а исходная модельная карточка предлагается как источник дополнительных сведений.

BuzzASR/japanese — монолингвальная модель автоматического распознавания японской речи, разработанная в рамках набора BuzzASR. Она создана полным дообучением openai/whisper-large-v3 с заменой токенизатора на японский и текстовым мультитасковым дообучением. Модель содержит около 907,3 млн параметров, использует архитектуру Whisper и библиотеку Transformers. Модель предназначена для транскрибации японской речи в текст. В README приведены результаты на тестовых наборах FLEURS и Common Voice 25.0: нормализованный CER составляет 14,49% и 26,58% соответственно; на объединённом наборе CER — 21,08%. По заявлению авторов, на объединённом тесте это примерно на 1,1 раза ниже CER, чем у Whisper-large-v3 в режиме zero-shot. Языковая и задачная подсказка задана в конфигурации генерации. Модель рассчитана только на японский язык; качество на других предметных областях, диалектах и условиях записи может отличаться. Она лицензирована по MIT.

Kotoba-Whisper v1.0 — японская модель автоматического распознавания речи, разработанная Asahi Ushio совместно с Kotoba Technologies. Это дистиллированная модель семейства Whisper: полный энкодер взят от Whisper large-v3, а двухслойный декодер инициализирован первым и последним слоями учительской модели. Модель содержит 905,2 млн параметров и предназначена для транскрибации японской речи; обучена на 1 253 часах аудио ReazonSpeech с частотой дискретизации 16 кГц. По заявлению авторов, она работает в 6,3 раза быстрее Whisper large-v3 при сопоставимой частоте ошибок. В тестах на ReazonSpeech v1.0 показала лучшие CER и WER, чем large-v3, а на CommonVoice 8 и JSUT Basic 5000 — конкурентные результаты. Репозиторий содержит веса Safetensors; модель поддерживается Transformers версии 4.39 и новее. Лицензия — Apache-2.0. Модель ориентирована на японскую речь и может уступать на других языках и за пределами распределения обучающих данных. Версия v2.0 новее; результаты качества зависят от набора данных и метрики.

Карточка модели Rqwannn/locate-anything на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели Bigg-Iron/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели ccqwe/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

mesolitica/malaysian-whisper-tiny — дообученная компанией Mesolitica модель Whisper Tiny для распознавания малайской и английской речи. Она предназначена для транскрибирования стандартного и местного вариантов малайского языка, а также стандартного английского и Manglish — разговорной смеси малайского и английского. В карточке перечислены обучающие данные IMDA STT, корпуса малайской разговорной речи, псевдоразметка видео и аудиокниг, а также частный набор Haqkiem TTS Dataset. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 29,4 млн параметров и принимает аудио, выдавая распознанный текст. Для аудио длиннее 30 секунд README рекомендует разбивать запись на фрагменты и распознавать их отдельно. Модель опубликована в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.