I.15Доступность и ассистивные технологии

Higgs Audio v3 8B STT v2 — модель распознавания речи от Boson AI. Она сочетает замороженный аудиоэнкодер Whisper-Large-v3 с декодером Qwen3-8B, дообученным с помощью LoRA и затем объединённым с базовыми весами. Всего в модели 8,91 млрд параметров; она принимает монофонический WAV с частотой 16 кГц и формирует текстовую транскрипцию. Модель предназначена для преобразования речи в текст и оценки качества распознавания на разнообразных ASR-наборах. В README указана поддержка thinking mode для повышения точности; приведены результаты ESB Benchmark для AMI, Earnings22 и GigaSpeech. Метаданные указывают английский язык. Модель распространяется по лицензии Apache-2.0. Результаты в карточке ограничены указанными наборами и сами по себе не подтверждают качество для других языков или акустических условий.

Huihui-Qwen3-VL-4B-Instruct-abliterated — дообученная версия мультимодальной модели Qwen3-VL-4B-Instruct от huihui-ai. Модель построена на плотной архитектуре Qwen3-VL и содержит около 4 млрд параметров. Она принимает текст и изображения и предназначена для диалога, описания и анализа изображений, а также визуальных вопросов и ответов. В модели применена abliteration к текстовой части, чтобы существенно снизить склонность к отказам; часть, обрабатывающая изображения, не изменялась. Это позволяет получать ответы на запросы об изображениях, которые базовая модель могла отклонять, но повышает риск чувствительных, спорных или неподходящих результатов. Модель распространяется в формате Safetensors, использует библиотеку Transformers и лицензирована по Apache-2.0.

InternVL2_5-1B-MPO — компактная мультимодальная модель OpenGVLab для диалога по изображениям. Это вариант семейства InternVL2.5, дообученный с использованием Mixed Preference Optimization (MPO). Архитектура сочетает визуальный энкодер InternViT-300M-448px-V2_5, проектор MLP и языковую часть Qwen2.5-0.5B-Instruct; модель распространяется в формате Safetensors и запускается через Transformers. Модель предназначена для ответов на вопросы по изображениям, распознавания и интерпретации визуальной информации, включая работу с несколькими изображениями и видео. Динамическое разрешение разбивает изображения на фрагменты 448×448 пикселей, а pixel unshuffle сокращает число визуальных токенов. По результатам приведённых в карточке тестов MPO улучшает отдельные показатели, в частности OCRBench и MathVista, по сравнению с InternVL2.5-1B. Карточка не приводит длину контекста или перечень поддерживаемых языков, кроме общей пометки multilingual. Лицензия — MIT.

OpenGVLab/InternVL3-38B-hf — реализация в формате Hugging Face Transformers мультимодальной модели InternVL3, разработанной OpenGVLab. Это дообученная версия OpenGVLab/InternVL3-38B-Instruct с плотной архитектурой InternVL и 38 млрд параметров. Модель принимает текст, изображения и видео и генерирует текстовые ответы; её можно использовать как для диалога по тексту, так и для анализа визуальных данных. Модель предназначена для восприятия и рассуждений по изображениям и видео, ответов на вопросы о визуальном содержимом и мультимодального общения. Семейство InternVL3 также ориентировано на использование инструментов, работу с графическими интерфейсами, промышленный анализ изображений и 3D-восприятие, однако карточка этой версии подтверждает прежде всего обработку изображений и видео через интерфейс image-text-to-text. Реализация поддерживает пакетный инференс и чередование текстовых и визуальных входов. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Языки обозначены как многоязычные. Лицензия указана как other; конкретные условия следует проверять в файлах лицензии репозитория.

Kiel-Vision-2-Pro — дообученная kiel2 модель для диалоговой работы с изображениями и текстом. Она основана на unsloth/qwen2.5-vl-7b-instruct-unsloth-bnb-4bit и использует архитектуру Qwen2.5-VL с 7 млрд параметров. По данным карточки, модель обучали с помощью Unsloth и библиотеки Hugging Face TRL. Модель принимает текстовые запросы и изображения и генерирует текстовые ответы. Она подходит для вопросов по изображениям и других сценариев визуального диалога. В карточке указан английский язык; доступны файлы в форматах Safetensors и GGUF, включая варианты F16 и Q4_K_M. Лицензия — Apache-2.0.

Ba2han/lfm-cpt — дообученная модель Liquid AI на базе LiquidAI/LFM2.5-VL-1.6B. Она принимает изображения вместе с текстовыми запросами и предназначена для диалога по изображениям, распознавания текста и ответов на вопросы по изображениям и документам. Модель использует архитектуру Lfm2VlForConditionalGeneration семейства LFM2-VL и распространяется в формате safetensors для Transformers. Датасет дообучения и результаты оценки не описаны, поэтому качество и специализацию сверх возможностей базовой модели определить нельзя. Лицензия указана как other; конкретные условия использования в доступных сведениях не раскрыты.

Ba2han/lfm-sft — дообученная мультимодальная модель на базе LiquidAI/LFM2.5-VL-1.6B, опубликованная автором Ba2han. Она предназначена для диалога с изображениями и ответов на текстовые запросы с учётом визуального содержимого. Базовая модель Liquid AI поддерживает распознавание текста и ответы на вопросы по изображениям и документам. Модель использует архитектуру LFM2-VL и распространяется в формате safetensors для библиотеки Transformers. Данные обучения, специализированное назначение и оценка качества в карточке не раскрыты. Лицензия указана как other; конкретные условия использования следует проверить в файлах репозитория.

LLaVA-Phi-3-mini — мультимодальная модель семейства LLaVA, разработанная командой XTuner. Она дообучена на основе Microsoft Phi-3-mini-4k-instruct и использует визуальный энкодер CLIP-ViT-Large-patch14-336. Обучение проводилось на наборах ShareGPT4V-PT и InternVL-SFT. Модель предназначена для анализа изображений и генерации текстовых ответов по визуальному содержимому: описания изображений, визуальных вопросов и ответов, распознавания текста и решения задач, связанных с пониманием сцен и документов. Архитектура включает CLIP-визуальный энкодер, MLP-проектор и языковую модель Phi-3-mini; разрешение изображений составляет 336 пикселей, а заявленный контекст — 4096 токенов. Доступны варианты GGUF с точностью FP16 и INT4, совместимые с llama.cpp и Ollama. К сильным сторонам относятся сравнительно компактная языковая основа, поддержка мультимодального диалога и хорошие результаты на ряде тестов понимания изображений, включая MMMU, ScienceQA, HallusionBench и POPE. Ограничения включают зависимость качества от используемого визуального энкодера, возможные ошибки при интерпретации изображений и снижение точности в INT4-варианте по сравнению с FP16. Лицензия в README не указана.

Карточка модели XiaomiMiMo/MiMo-Audio-7B-Base на Hugging Face совпадает с карточкой XiaomiMiMo/MiMo-Audio-7B-Instruct, поэтому описание составлено по ней. MiMo-Audio-7B-Instruct — 7-миллиардная плотная аудиоязыковая модель XiaomiMiMo на архитектуре семейства Qwen2. Она объединяет аудиоэнкодер, языковую модель и аудиодекодер и предназначена для выполнения разнообразных задач с аудио и текстом по инструкциям и примерам. Модель обучена на корпусе инструкций для понимания и генерации аудио и поддерживает контекст до 8192 токенов. Модель подходит для распознавания и понимания речи, диалогов с голосовым вводом и синтеза речи по тексту. В описании семейства также заявлены продолжение речи, преобразование голоса, перенос стиля и редактирование речи. Карточка сообщает о высоких результатах на тестах понимания аудио, голосового диалога и instruct-TTS; эти заявления относятся к оценкам авторов и не гарантируют качество в каждом сценарии. Модель распространяется в формате safetensors по лицензии MIT. Для запуска приведён демонстрационный интерфейс на Gradio; инструкции указывают Linux, Python 3.12 и CUDA 12.0 или новее.

Карточка модели natalie5/Ming-UniAudio-16B-A3B на Hugging Face совпадает с карточкой inclusionAI/Ming-UniAudio-16B-A3B, поэтому описание составлено по ней. Ming-UniAudio-16B-A3B — аудиомодель от inclusionAI для совместного понимания, генерации и редактирования речи. Она использует архитектуру BailingMM и единый непрерывный аудиотокенизатор MingTok-Audio на основе VAE и каузального Transformer, объединяющий семантические и акустические признаки. Модель принимает и выдаёт аудио; единая языковая модель поддерживает задачи понимания и генерации речи, а Diffusion Head предназначен для синтеза с высоким качеством звучания. Модель подходит для распознавания и анализа речи, синтеза аудио и редактирования речи по инструкциям на естественном языке, включая семантические и акустические изменения без ручного указания временных отрезков. В карточке заявлены конкурентные результаты на тестах понимания и генерации речи. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Описание не приводит размер контекста и перечень поддерживаемых языков.

Mahmoud Ashraf опубликовал конверсию чекпойнта MMS-300M из TorchAudio в формат Hugging Face Transformers. Модель построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров; в README она описана как обученная на данных для принудительного выравнивания речи и текста. Модель предназначена для forced alignment: сопоставления заданного текста с аудиозаписью и определения временного положения слов или токенов. Это полезно для подготовки субтитров, разметки речевых данных и анализа произнесённой речи. Она принимает аудио и связана с распознаванием речи; для работы выравнивателя требуется текст, который нужно сопоставить с записью. Чекпойнт сохранён в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Moonshine Streaming Tiny — компактная модель автоматического распознавания речи, разработанная Useful Sensors и представленная в формате GGUF командой handy-computer для работы с transcribe.cpp. Это 34-миллионная encoder-decoder-модель, предназначенная для преобразования английской речи в текст в пакетном и потоковом режимах с низкой задержкой, в том числе на периферийных устройствах. Модель принимает монофонический WAV с частотой 16 кГц и выдаёт транскрипцию. Архитектура сочетает лёгкий аудиофронтенд с частотой 50 Гц, эргодический Transformer-энкодер с ограниченным вниманием по скользящему окну и авторегрессионный декодер. Поддерживается только английский язык; перевод, многоязычная обработка, автоматическое определение языка и временные метки не поддерживаются. Доступны варианты F32 размером 178 МБ, F16 размером 90 МБ и Q8_0 размером 50 МБ. Сильными сторонами модели являются потоковая обработка, небольшой размер, пригодность для CPU и edge-устройств, а также близкое соответствие эталонной реализации Hugging Face. Для LibriSpeech test-clean заявлен показатель WER около 4,52–4,53%. Ограничения включают работу только с английской речью, отсутствие перевода и временных меток, необходимость входного аудио 16 кГц mono WAV и отсутствие поставляемых вариантов Q6_K, Q5_K_M и Q4_K_M. Модель распространяется по лицензии MIT, унаследованной от базовой модели UsefulSensors/moonshine-streaming-tiny.

simran14/mr-val-f2 — дообученная модель распознавания речи на архитектуре Whisper, разработанная на базе simran14/mr-val-e. Она предназначена для преобразования аудиозаписей в текст; в метаданных указан датасет Common Voice 17.0. Модель содержит 153,1 млн параметров и распространяется в формате Safetensors. В README приведён результат оценки WER 0,5368 на тестовом наборе, однако подробности протокола оценки и условия применения не описаны. Лицензия в предоставленных данных не указана.

NbAiLab создала эту модель распознавания речи на норвежском языке букмол для проекта Robust Speech Event. Это дообученная версия экстрактора признаков VoxRex Национальной библиотеки Швеции на архитектуре Wav2Vec2 с CTC-декодированием; в метаданных указано 402,7 млн параметров. Основным источником обучающих данных был корпус парламентских выступлений NPSC. Модель преобразует аудио в текст и рассчитана прежде всего на автоматическую транскрипцию речи на букмоле, в том числе парламентских выступлений. На тестовом наборе она показала WER 7,03% и CER 2,69% с 5-граммовой языковой моделью KenLM; без неё показатели составили 9,79% и 3,11%. Использование языковой модели улучшает результат. Репозиторий содержит веса в форматах PyTorch и Safetensors, лицензия — Apache-2.0.

Nemotron Speech Streaming EN 0.6B GGUF — конверсия модели NVIDIA nemotron-speech-streaming-en-0.6b, подготовленная handy-computer для работы с transcribe.cpp. Это англоязычная модель автоматического распознавания речи, предназначенная для преобразования аудио в текст в офлайн- и потоковом режимах, включая сценарии с низкой задержкой и пакетной обработкой. Модель поддерживает пунктуацию и капитализацию. В основе лежит примерно 600 млн параметров, архитектура cache-aware FastConformer с RNN-T-декодером и потоковым механизмом внимания. Поддерживается английский язык; модель работает с аудио и генерирует текст, но не поддерживает перевод и автоматическое определение языка. Реализована потоковая обработка с сохранением контекста внимания до 1,12 секунды. Доступны варианты GGUF от F32 и F16 до квантованных Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 475 МБ до 2,47 ГБ. Заявленная WER на LibriSpeech test-clean составляет 2,29–2,38% в зависимости от квантования. Сильные стороны модели — поддержка потокового распознавания, хорошее качество английской транскрипции, пунктуация и капитализация, а также несколько вариантов квантования для различного баланса качества и требований к памяти. Ограничения — специализация только на английской речи, отсутствие перевода и определения языка; в README не приведены сведения о поддерживаемой длине контекста, устойчивости к шуму и качестве на других языках или доменах. Модель распространяется по NVIDIA Open Model License; условия следует уточнять в полном тексте лицензии NVIDIA.

JANGQ-AI/Ornith-1.0-35B-JANG_6M — мультимодальная модель для диалога с изображениями, основанная на Ornith-1.0-35B от DeepReinforce. Она предназначена для сценариев, где нужно задавать вопросы по изображениям и получать текстовые ответы. Архитектура семейства Qwen3.5 MoE сочетает 30 слоёв Gated-DeltaNet и 10 слоёв полного внимания; в текстовой части 256 маршрутизируемых экспертов и скрытая размерность 2048. Визуальный энкодер сохранён в fp16. Это вариант JANG_6M с 8-битным вниманием и 6-битными маршрутизируемыми экспертами, смешанной точностью и размером группы 64; заявленный размер — около 26 ГБ. Для запуска требуется MLX Studio или среда vMLX: стандартный mlx_lm некорректно загружает этот формат. Модель распространяется по лицензии MIT.

P2R-8B — модель тонкой настройки на 8 млрд параметров, разработанная авторами работы Perceive-to-Reason: Decoupling Perception and Reasoning for Fine-Grained Visual Reasoning на основе Qwen/Qwen3-VL-8B-Instruct. Она использует двухэтапный подход P2R, разделяющий восприятие визуальных деталей и последующее рассуждение; обучение проводилось с помощью стратегии обучения с подкреплением PRA-GRPO. Модель предназначена для детального визуального анализа и ответов на вопросы об изображениях. В README приведены результаты на V-Star, HR-Bench-4K, HR-Bench-8K и MME-RealWorld-Lite, где P2R-8B превосходит исходную Qwen3-VL-8B-Instruct по указанным метрикам. Она принимает изображения и текстовые запросы и генерирует текст. Доступна в формате safetensors для Transformers; лицензия — Apache-2.0.

Palmyra Vision — мультимодальная модель компании Writer для диалога о визуальных данных. Она принимает изображение вместе с текстовым запросом и формирует текстовый ответ: подходит для вопросов об изображениях, диаграммах, документах, инфографике и визуальных задачах на рассуждение. В README указано обучение на наборе PixMo из 1 млн пар изображение—текст; архитектура — плотная MolmoForCausalLM, размер по метаданным — 12,8 млрд параметров, контекст — 4096 токенов. Модель объединяет компоненты, связанные с Writer/Palmyra-Large и openai/clip-vit-large-patch14-336. Для обслуживания рекомендован vLLM; также описан запуск через Transformers. В README приведены результаты на 11 академических тестах, включая ChartQA, DocQA, TextVQA и MathVista. Указано, что модель может испытывать трудности с прозрачными изображениями; для входных изображений может потребоваться формат RGB, а прозрачность рекомендуется предварительно заменить фоном. Метаданные указывают английский язык. Условия лицензии в предоставленных данных не приведены.

Parakeet CTC 0.6B GGUF — это квантизированные GGUF-версии модели автоматического распознавания речи parakeet-ctc-0.6b, разработанной совместно командами NVIDIA NeMo и Suno.ai и подготовленной для работы с transcribe.cpp. Модель предназначена для офлайн-транскрибации английской речи в текст на 16 кГц моноаудио с использованием жадного CTC-декодирования без внешней языковой модели. В основе модели лежит FastConformer-Large примерно на 600 млн параметров с линейной CTC-головой. Поддерживается только английский язык; результат выводится строчными буквами без пунктуации. Модель не поддерживает потоковую обработку, перевод и автоматическое определение языка, но может возвращать токеновые временные метки. Доступны варианты F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 469 МБ до 2,44 ГБ. На наборе LibriSpeech test-clean показатель WER составляет 1,84–1,90% в зависимости от квантизации. Сильные стороны модели — высокая точность распознавания английской речи, простой и быстрый CTC-декодер, а также возможность локального запуска через transcribe.cpp на CPU, Metal или Vulkan. Ограничения включают работу только с английским языком, отсутствие пунктуации, перевода и потокового режима. Модель распространяется по лицензии CC-BY-4.0, унаследованной от базовой модели NVIDIA.

Parakeet TDT 0.6B V3 GGUF — квантованная сборка модели автоматического распознавания речи NVIDIA Parakeet TDT 0.6B V3, подготовленная в формате GGUF Q4_K_M. Модель предназначена для преобразования речи в текст и использования в приложении Vibe, где она работает совместно с Silero VAD для транскрибации ограниченных по длительности и длинных аудиозаписей. В README указано, что это модель размером 0,6 млрд параметров в GGUF-представлении; сведения о поддерживаемых языках, точной архитектуре, максимальном контексте, модальностях и показателях качества не приведены. Ключевое преимущество — адаптация для локального использования через Vibe и совместимость с механизмом определения речевой активности. Ограничения по качеству, производительности и аппаратным требованиям не описаны. Для исходной модели указана лицензия CC-BY-4.0; перед использованием следует ознакомиться с условиями этой лицензии.

Parakeet Unified EN 0.6B CoreML — модель автоматического распознавания речи на английском языке, разработанная командой FluidInference на основе Parakeet от NVIDIA. Она оптимизирована для работы на платформах Apple через CoreML и используется в Swift SDK FluidAudio. Модель предназначена для офлайн-транскрибации аудиофайлов и низколатентного потокового распознавания речи. Она построена на архитектуре FastConformer-RNNT с примерно 0,6 млрд параметров, поддерживает аудио в формате mono 16 кГц, автоматически расставляет пунктуацию и добавляет капитализацию. Входной контекст обрабатывается с коэффициентом субдискретизации 8, размер словаря SentencePiece составляет 1024 токена. Одна и та же модель поддерживает пакетный режим с окнами до 15 секунд и несколько потоковых вариантов с задержкой от 0,32 до 2,08 секунды. Для потоковой обработки доступны разные компромиссы между задержкой, скоростью и качеством; заявленный WER на LibriSpeech test-clean составляет около 1,68% для пакетного режима и 1,79% для потокового режима с задержкой 2,08 секунды. Доступны версии с FLOAT16 и INT8-энкодером, причём INT8 ориентирована на более высокую производительность. Модель предназначена только для английской речи и не подходит для многоязычной транскрибации; для неанглийского аудио в README рекомендуется Parakeet TDT v3. Производительность и интеграция ориентированы на экосистему Apple и CoreML. Модель распространяется по лицензии CC-BY-4.0.

Piyola-v1 — модель автоматического распознавания речи на узбекском языке, созданная дообучением Whisper Large V3 Turbo. Она принимает аудио и преобразует речь в текст; подходит для транскрибации узбекских записей. Модель основана на архитектуре Whisper, содержит около 905,2 млн параметров и опубликована в формате safetensors с точностью BF16. Лицензия — Apache-2.0.

Qaari 0.1 Urdu — мультимодальная модель для распознавания текста на изображениях на языке урду. Она разработана Ahmed Wasfy и представляет собой дообученную версию Qwen2-VL-2B, предназначенную прежде всего для OCR документов и изображений с текстом на урду. Модель принимает изображение и текстовую инструкцию, а в ответ генерирует текстовую расшифровку содержимого документа. Модель имеет архитектуру Qwen2-VL с размером 2B параметров и дообучалась на 10 000 синтетических пар изображений текста на урду и эталонных транскрипций. В обучении использовались шрифты AlQalam Taj Nastaleeq, Alvi Nastaleeq, Gandhara Suls, Jameel Noori Nastaleeq и NotoNastaliqUrdu; проверенные размеры шрифта составляют от 14 до 40 пунктов. На заявленном наборе данных Qaari 0.1 Urdu показала WER 0,048, CER 0,029, BLEU 0,916 и соотношение длины 0,978, превзойдя базовую Qwen2-VL-2B и Tesseract. Сильные стороны модели — специализация на урду, высокая точность распознавания и поддержка письменности Nastaleeq. К ограничениям относятся возможное снижение качества на шрифтах и размерах, не представленных при дообучении, сложных лигатурах, нестандартных вариантах Nastaleeq, изображениях низкого разрешения и цифровых дисплеях. Модель распространяется на условиях лицензии базовой модели Qwen2-VL-2B; точные условия в README не приведены.

oddadmix/qwen3-asr-1.7b-arabic-dialectal-v2 — дообученная oddadmix модель распознавания речи на базе Qwen/Qwen3-ASR-1.7B-hf с архитектурой Qwen3-ASR и 1,7 млрд параметров. Она предназначена для транскрибации арабской речи с разных диалектов в текст; модель обучена на сбалансированном по диалектам наборе oddadmix/lahgtna-v3-small. В карточке приведены результаты на тестовой выборке примерно из 2600 аудиофрагментов: WER 0,478 и CER 0,182 при оценке нормализованного текста без диакритики. По опубликованным примерам и метрикам качество различается между диалектами: легче распознаются Gulf/Levantine, а магрибские диалекты сложнее. Модель принимает аудио и выдаёт текст, работает через Transformers; длина контекста не указана. Веса распространяются по лицензии Apache-2.0. Результаты карточки относятся к указанному тестовому набору, поэтому качество на других записях и условиях может отличаться.

Re3Cap-CIM-Qwen2-VL-7B — мультимодальная модель на 7,1 млрд параметров, дообученная на Qwen/Qwen2-VL-7B-Instruct методом GRPO. Она предназначена для описания изображений: стратегия Re³Cap уточняет подпись с помощью поиска изображений по её тексту, а компоненты Caption Refinement Suggester и Caption Quality Assessor помогают выявлять галлюцинации и пропущенные детали. Обучение также использует награду Cross-modal Identity Mapping, которая оценивает сходство изображений, найденных по подписи, с исходным изображением. Модель принимает изображения и текстовые запросы и выдаёт текстовые подписи; архитектура — Qwen2-VL для условной генерации, формат весов — safetensors. Нативный контекст составляет 32 768 токенов. Карточка описывает задачу генерации подписей, но не уточняет набор поддерживаемых языков. Модель выпущена под лицензией Apache-2.0. Заявленное улучшение точности и детализации основано на описанном подходе; численные результаты и конкретные пределы качества в карточке не приведены.

Re3Cap-CLIP-Qwen2.5-VL-7B — мультимодальная модель для описания изображений, созданная дообучением Qwen2.5-VL-7B-Instruct. В работе применены GRPO, награда на основе сходства изображения и текста CLIP и стратегия Re³Cap, разработанная для уточнения подписей к изображениям с помощью retrieval-guided refinement. Модель предназначена для генерации более точных и подробных подписей к изображениям. Компоненты Caption Refinement Suggester и Caption Quality Assessor помогают выявлять в подписи галлюцинации и пропущенные детали. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает изображения с текстовыми инструкциями; заявленная длина контекста — 128 000 токенов. В карточке указана лицензия Apache-2.0. README связывает метод с основной статьёй EMNLP 2026, но не приводит сравнительных метрик или подробностей о датасетах, поэтому качество на конкретных типах изображений по этим данным оценить нельзя.

ssc-aln-mms-model-mix-adapt-max — модель распознавания речи на базе архитектуры wav2vec2 с выходной головой CTC, разработанная автором репозитория. По README, модель обучена с нуля на неизвестном наборе данных. Она предназначена для преобразования аудио в текст; в карточке приведены результаты оценки: CER 0,2065, WER 0,5208 и loss 1,0180. Модель содержит 1,3 млрд параметров, сохранена в формате safetensors и использует библиотеку Transformers. Язык распознавания, состав обучающих данных и условия лицензии в предоставленных материалах не раскрыты. Поэтому приведённые метрики нельзя переносить на конкретные языки или сценарии без дополнительной проверки.

Step-Audio-Chat — мультимодальная языковая модель семейства Step1 от StepFun, компонент системы Step-Audio. Она предназначена для понимания и генерации человеческой речи и объединяет распознавание речи, семантическое понимание аудио, диалоговое управление, клонирование голоса и синтез речи. Архитектура — плотная Step1ForCausalLM; метаданные указывают 155,4 млрд параметров, а README — 130 млрд. Модель принимает аудио и текст и предназначена для диалоговых сценариев с речью. Для модели опубликованы веса в формате safetensors. Лицензия — Apache-2.0. Карточка упоминает оценки на аудиотестах, но доступные сведения не содержат конкретных результатов, поэтому качество отдельных функций по ним оценить нельзя.

Tara — модель автоматического распознавания речи, разработанная Trelis для транскрибации хинди и смешанной речи хинди–английский. Она построена на архитектуре Whisper large-v3 и поддерживает отдельный режим смешанного кода: английские слова записываются латиницей, а хинди — деванагари. По метаданным репозитория модель содержит 905,3 млн параметров; принимает аудио с частотой 16 кГц и выдаёт текст. В карточке заявлены также сильные результаты для английской речи и устойчивость к шуму, телефонным записям, спонтанной речи и различным акцентам. Модель предназначена для голосовых помощников, аналитики звонков, субтитров и конвейеров обработки речевых данных. Для максимальной точности нужно выбирать режим распознавания по языку записи; смешанный режим подходит и для чистого хинди. Оценка в карточке проведена на аудиофрагментах длительностью до 30 секунд, поэтому более длинные записи рекомендуется разбивать на части. Поддержка других индийских языков не заявлена. Лицензия — Apache 2.0.

Image-Captioning-ML/Vit-GPT2-COCO2017Flickr-115k-12 — дообученная модель для создания текстовых описаний изображений. Она использует архитектуру vision-encoder-decoder: визуальный вход обрабатывается энкодером, а текст генерирует декодер. В метаданных указан формат safetensors и лицензия Apache-2.0. Модель подходит для автоматического создания коротких подписей к изображениям и генерации описаний для наборов фотографий. README приводит результаты оценки: длина генерации около 11,93 токена, loss 0,5262, ROUGE-1 40,547, ROUGE-2 14,9559 и ROUGE-L 36,6474. Базовая модель указана как NourFakih/Vit-GPT2-COCO2017Flickr-115k-12. Данные дообучения в README названы неизвестными, поэтому результаты нельзя уверенно переносить на другие типы изображений; языки генерации также не описаны.