I.15Доступность и ассистивные технологии

Taeham/wav2vec2-ksponspeech — модель распознавания корейской речи, созданная дообучением Wav2vec2-large-xlsr-53 на данных Ksponspeech. Она принимает аудио и преобразует речь в текст; карточка указывает на обучение на двух частях обучающей выборки Ksponspeech и сообщает WER 0,373 на сторонних тестовых данных. Архитектура — Wav2Vec2ForCTC, размер — 403,1 млн параметров; модель опубликована в формате PyTorch и рассчитана на корейский язык. Модель подходит для транскрибации корейской речи и получения черновых расшифровок аудиозаписей. Точность может улучшаться при унификации записи чисел и символов, нормализации пунктуации и исправлении слов по контексту; указанный WER показывает, что распознанный текст может требовать постобработки. Лицензия — Apache-2.0.

Модель wannaphong/wav2vec2-large-xlsr-53-th-cv8-deepcut — дообученная версия wav2vec2-large-xlsr-53 для распознавания тайской речи. Её разработал Wannaphong на основе Common Voice V8 с добавлением данных Common Voice V7; для целевого текста использована предварительная токенизация deepcut. Архитектура — Wav2Vec2ForCTC, около 402,7 млн параметров, веса доступны в формате PyTorch. Модель предназначена для преобразования тайской аудиозаписи в текст. В тестах на наборах Common Voice V7 и V8 она показала меньшие WER и CER, чем приведённые в README базовые сравнения; результат зависит от способа токенизации текста. Лицензия — Apache-2.0. Ограничения: оценка приведена только на тестовых наборах Common Voice, поэтому качество на других источниках аудио не установлено.

wav2vec2-nepali — модель распознавания речи, разработанная Анишем Шилпакаром путём дообучения Facebook wav2vec2 на данных OpenSLR для непальского языка. Архитектура Wav2Vec2ForCTC содержит около 402,7 млн параметров; модель принимает аудио и преобразует непальскую речь в текст. Подходит для расшифровки речи и голосового ввода, а также для интеграции в системы суммаризации речи или перевода. В карточке заявлена точность 91% в обычных условиях, однако метрика описана без подробностей о протоколе оценки. Модель распространяется в формате PyTorch; сведения о лицензии в предоставленных материалах отсутствуют.

Модель itaihay/wav2vec_asr_swbd — дообученная версия facebook/wav2vec2-large-robust-ft-swbd-300h для автоматического распознавания речи. Она использует архитектуру Wav2Vec2ForCTC, содержит 402,7 млн параметров и принимает аудио, выдавая распознанный текст. В карточке приведён результат оценки: WER 0,5302 и loss 0,3052. README не описывает набор данных для дообучения и сценарии применения, поэтому качество на других данных и языках по этим результатам оценить нельзя. Модель распространяется по лицензии Apache-2.0.

Модель patrickvonplaten/wavlm-libri-clean-100h-base — дообученная версия microsoft/wavlm-base для автоматического распознавания речи. Она использует архитектуру WavLMForCTC и содержит 113,3 млн параметров. Модель обучена на чистой части набора LibriSpeech ASR и предназначена для преобразования речи в текст. На указанном в карточке наборе для оценки модель показала WER 0,0675 и loss 0,0829. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

onnx-community/whisper-base_timestamped — это веб-совместимая версия модели openai/whisper-base, подготовленная сообществом onnx-community. Репозиторий содержит веса в формате ONNX для использования с библиотекой Transformers.js. Модель предназначена для задач автоматического распознавания речи и, судя по идентификатору, может предоставлять результаты с временными метками. Архитектура, размер, поддерживаемые языки, максимальная длина контекста и точные характеристики временных меток в README не указаны. Известно, что исходная модель Whisper разработана OpenAI, однако сведения о конкретных параметрах и возможностях этой версии отсутствуют. Ключевое преимущество модели — возможность запуска в средах, совместимых с Transformers.js, благодаря ONNX-весам. Ограничения, требования к ресурсам, условия лицензирования и дополнительные сценарии использования в предоставленных данных не указаны.

argmaxinc/whisperkit-coreml — репозиторий Argmax с моделями Whisper в формате Core ML для WhisperKit, SDK распознавания речи на устройствах Apple Silicon. Модель предназначена для преобразования аудио в текст, включая локальную транскрибацию на устройствах Apple. Репозиторий использует библиотеку WhisperKit и содержит файлы Core ML. В карточке указана лицензия MIT. README упоминает отдельный платный SDK Argmax Pro для транскрибации в реальном времени с разделением по говорящим и пользовательским словарём; эти возможности не заявлены для данной модели.

bardsai/whisper-large-v2-pl-v2 — дообученная BardsAI версия Whisper Large v2 для автоматического распознавания польской речи. Модель построена на архитектуре Whisper и содержит 905,2 млн параметров; она принимает аудио и выдаёт распознанный текст. Модель дообучена на Common Voice 11.0 и FLEURS. В карточке приведены результаты оценки: loss 0,3684 и WER 7,2802. Она подходит для транскрибирования польской речи, в том числе записей, похожих на данные этих наборов. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

mlx-community/whisper-large-v3-turbo — модель автоматического распознавания речи, преобразованная в формат MLX из large-v3-turbo. Разработчик исходной модели в README не указан, как и подробности об архитектуре, размере, поддерживаемых языках и длине контекста. Модель предназначена для транскрибирования аудиофайлов в текст с использованием библиотеки mlx-whisper и может применяться в сценариях автоматического распознавания речи на совместимом с MLX оборудовании. Сильной стороной является адаптация к экосистеме MLX, однако доступные данные не позволяют оценить точность, производительность, языковое покрытие и ограничения модели. Лицензия в README не указана.

Это версия Whisper large-v3-turbo, преобразованная в формат CTranslate2 для использования с faster-whisper и квантованная до int8. Репозиторий подготовлен для быстрого вывода на CPU и распознавания речи на аудиозаписях. Указанный в метаданных язык модели — венгерский. Модель принимает аудио и выдаёт распознанный текст. Это преобразование и квантование модели OpenAI, а не самостоятельное дообучение. В карточке не приведены сведения о лицензии и конкретные ограничения точности; качество распознавания может зависеть от записи и языка аудио.

crossdelenna/whisper_med_alex.en — дообученная модель распознавания речи на базе Whisper, опубликованная пользователем crossdelenna. Она предназначена для преобразования аудио в текст; название указывает на английскую версию, а карточка сообщает о дообучении на наборе данных, который не описан. Архитектура — WhisperForConditionalGeneration, размер — 455,8 млн параметров; для работы используется Transformers, веса опубликованы в формате safetensors. В README приведён результат оценки WER 5,3233 и loss 0,0002, однако набор данных и условия оценки не раскрыты, поэтому эти цифры не позволяют надёжно судить о качестве на других аудиозаписях. Модель распространяется по лицензии Apache-2.0.

zeynepgulhan/whisper-medium-mediaspeech-cv-tr — дообученная модель распознавания речи на базе openai/whisper-medium, разработанная автором репозитория. Она предназначена для преобразования аудио в текст; в карточке приведены результаты оценки: loss 0,1813 и WER 9,9776. Модель содержит 455,8 млн параметров, построена на архитектуре Whisper и распространяется в формате PyTorch. Базовая Whisper-medium мультиязычная, однако язык и особенности обучающих данных этой дообученной версии не установлены: README ссылается на набор данных «None» и не раскрывает область применения. Лицензия — Apache-2.0. Оценка WER приведена без описания набора тестов и условий измерения, поэтому её нельзя напрямую переносить на другие данные.

Dragneel/whisper-medium-nepali-openslr — модель распознавания речи на архитектуре Whisper Medium, созданная дообучением openai/whisper-medium на корпусе непальской речи OpenSLR 54. Она преобразует непальскую аудиозапись в текст и предназначена для расшифровки речи, например записей и речевых материалов на непальском языке. В метаданных указано 455,8 млн параметров; README сообщает примерно о 154 часах обучающих аудиоданных и WER 14,04%. Модель принимает аудио и выдаёт текст. Распространяется по лицензии Apache-2.0.

jlondonobo/whisper-medium-pt — дообученная модель распознавания речи на базе Whisper Medium, созданная для транскрибирования аудио на португальском языке. Разработчик дообучил openai/whisper-medium на наборе mozilla-foundation/common_voice_11; архитектура — WhisperForConditionalGeneration, формат весов — PyTorch, размер по метаданным — 455,8 млн параметров. Модель преобразует португальскую речь в текст. В README приведён результат WER 6,579 на Common Voice 11 и заявлено улучшение относительно исходной Whisper Medium; это оценка на указанном наборе данных, а не гарантия качества на других записях. Для коротких аудиофрагментов предлагается Transformers pipeline, а для длинных транскрипций README описывает отдельный способ запуска с оригинальным алгоритмом Whisper. Лицензия — Apache-2.0.

arun100/whisper-small-derived-hi-1 — дообученная модель Whisper Small, созданная на основе vasista22/whisper-hindi-small. Она предназначена для автоматического распознавания речи на хинди и преобразования аудио в текст. Модель содержит 153,1 млн параметров; в карточке указана оценка WER 10,1104 на наборе оценки Common Voice 16.0 для хинди. Модель принимает аудио и выдаёт текст. Она опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. README не сообщает подробностей об условиях записи речи, шумоустойчивости или ограничениях применения.

hezarai/whisper-small-fa — модель распознавания речи на основе Whisper small, дообученная Hezar AI на персидской части набора Common Voice 13. Она преобразует персидскую речь в текст и предназначена для сценариев автоматической транскрибации. Модель распространяется в формате PyTorch и используется через библиотеку Hezar. В карточке не приведены сведения о лицензии и ограничениях качества.

whisper-small-faroese-5k-steps-100h — модель автоматического распознавания речи на фарерском языке, созданная Карлосом Даниэлем Эрнандесом Мена в Language and Voice Lab Университета Рейкьявика. Это дообученная версия openai/whisper-small: модель Whisper с 153,1 млн параметров обучали 5 000 шагов на 100 часах фарерской речи и транскрипций из набора Ravnursson Faroese Speech and Transcripts проекта Ravnur. Модель принимает аудио и преобразует речь в текст. Она предназначена для транскрибирования фарерской речи, в том числе материалов, связанных с Фарерскими островами. В репозитории указана лицензия CC BY 4.0.

qanastek/whisper-small-french-uncased — дообученная модель распознавания речи на базе openai/whisper-small, созданная для транскрибирования французской речи. Она использует архитектуру Whisper с 153,1 млн параметров и обучена на французской части набора Mozilla Common Voice 11.0. Модель принимает аудио и выдаёт текст; в README приведены результаты оценки на французских наборах Common Voice 11.0, VoxPopuli и FLEURS: WER 15,38%, 16,29% и 13,98% соответственно, с нормализацией. Модель подходит для транскрибирования французских аудиозаписей и речевых данных. Доступна в формате PyTorch по лицензии Apache-2.0. Оценки WER относятся к указанным наборам и условиям нормализации; README не описывает дополнительные сценарии или ограничения.

anggiatm/whisper-small-id — модель автоматического распознавания речи, дообученная автором anggiatm на базе openai/whisper-small с использованием набора Common Voice 17.0. Она преобразует индонезийскую речь в текст; размер модели — 153,1 млн параметров, архитектура — WhisperForConditionalGeneration. В оценке на тестовом наборе указаны loss 0,0931 и WER 6,5965. Модель предназначена для транскрибирования индонезийской речи. Распространяется по лицензии Apache-2.0.

bayartsogt/whisper-small-mn-8 — дообученная модель семейства Whisper от разработчика bayartsogt на базе openai/whisper-small. Она предназначена для автоматического распознавания речи и преобразования аудио в текст; в метаданных указаны датасеты Common Voice 11.0, FLEURS и два монгольских набора данных. Модель содержит 153,1 млн параметров и распространяется в формате PyTorch. В карточке приведены результаты оценки: WER 26,5185 и CER 9,4681. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Подробные инструкции по применению и ограничения в карточке не описаны.

erenfazlioglu/whisper-small-turkish-tr-best — дообученная модель распознавания речи на основе OpenAI Whisper Small. Она предназначена для преобразования аудио в текст; в README приведён результат оценки WER 26,3414 и loss 0,3166. Название репозитория указывает на турецкий язык, однако README не уточняет состав данных или языковой охват. Модель содержит 153,1 млн параметров, использует архитектуру WhisperForConditionalGeneration и доступна в формате PyTorch. Распространяется по лицензии Apache-2.0.

duytran3112/whisper-sm-vivos — дообученная модель распознавания речи на базе openai/whisper-small, опубликованная на Hugging Face. Она предназначена для преобразования аудио в текст; карточка сообщает о дообучении на наборе данных, название которого указано как None. Модель построена на архитектуре Whisper, содержит 153,1 млн параметров и принимает аудио, выдавая текст. В оценке на тестовом наборе указаны Loss 0,2370 и WER 54,8563; высокий WER может ограничивать точность транскрибирования. Лицензия — Apache-2.0.

Whisper Small (Thai): Combined V4 — модель распознавания речи на основе архитектуры Whisper, дообученная BioDataLab для транскрибирования тайской речи. Она предназначена для преобразования аудио на тайском языке в текст и может применяться для расшифровки записей и голосовых данных. В README указана оценка WER 13,14 на тестовой части Common Voice 13 с токенизатором Deepcut; для обучения использовались дополненные данные Common Voice 13, FLEURS и курируемые наборы данных. Модель содержит 153,1 млн параметров, использует архитектуру Whisper и библиотеку Transformers. Лицензия — Apache-2.0. Метаданные связывают её с openai/whisper-small, тогда как README называет базовой моделью openai/whisper-medium; поэтому точное происхождение по этим источникам не согласуется.

X-ASR-zh-en — модель распознавания речи на китайском и английском языках, разработанная в рамках серии X-ASR на базе icefall. Это Zipformer transducer, обученный примерно на 1 млн часов открытых и собранных речевых данных и поставляемый в формате ONNX для запуска через sherpa-onnx. Модель поддерживает потоковое распознавание с вариантами размера чанка 160, 480, 960 и 1920 мс, а также офлайн-декодирование; в распознанном тексте поддерживаются пунктуация и регистр. Модель предназначена для транскрибации китайской и английской речи, в том числе в сценариях с низкой задержкой, а также для офлайн-распознавания. Её можно использовать в исследованиях, оценке качества, демонстрациях и экспериментах по развёртыванию. Фактическая задержка зависит от оборудования, параллельной нагрузки, разбиения аудио на чанки, настройки определения конца высказывания и конфигурации сервера. Технический отчёт с подробностями обучения и оценки ещё не опубликован. Лицензия — Apache-2.0.

Salesforce AI Research разработала XGen-MM — семейство больших мультимодальных моделей, продолжающее серию BLIP. Эта версия — инструктивно дообученная модель на базе Phi-3 Mini для диалога по изображениям и тексту; семейство обучалось на данных для создания описаний изображений и чередующихся последовательностях изображений и текста. Модель поддерживает изображения высокого разрешения с эффективной выборкой визуальных токенов. Модель предназначена для ответов на вопросы об изображениях, описания сцен и других задач визуального понимания в формате диалога. В карточке приведены результаты оценок на мультимодальных бенчмарках, включая MMBench, MME, MMMU и ScienceQA. Размер параметров и длина контекста для этой конкретной версии в предоставленных данных не указаны. Модель принимает изображения и текст и генерирует текст; в метаданных указан английский язык. Известные ограничения включают возможные смещения из обучающих данных и ошибки в точности, безопасности и справедливости; качество ответа может зависеть от исходного разрешения изображения. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование, а авторы рекомендуют оценивать риски перед применением.

Модель shahukareem/xls-r-300m-dv — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи. Она принимает аудио и выдаёт текст; обучение проводилось на Common Voice, а в карточке указаны результаты оценки: loss 0,2855 и WER 0,2665. Архитектура — Wav2Vec2ForCTC, число параметров — около 402,7 млн. Модель подходит для преобразования речевых записей в текст. Суффикс dv и тег языка dv указывают на связь с языком, однако README не раскрывает расшифровку кода и детали языковой поддержки. Модель распространяется по лицензии Apache-2.0.

Zhimu-1.0 — диалоговая мультимодальная модель AIR-CAS-kx, дообученная на базе Qwen/Qwen3-VL-8B-Instruct. Она принимает текст и изображения и формирует текстовые ответы; архитектура относится к семейству Qwen3-VL и реализована классом Qwen3VLForConditionalGeneration. Базовая модель предназначена для диалога, анализа изображений и видео, OCR и визуального рассуждения. Модель можно применять для вопросов по изображениям, извлечения текста с изображений и визуального диалога. В карточке Zhimu-1.0 подробности о целевых сценариях и результатах оценки не приведены. Указана лицензия other; конкретные условия использования следует сверять с лицензией репозитория и базовой модели.

Карточка модели nuresens/ALL_PAD_MERGE_v3 на Hugging Face совпадает с карточкой nuresens/ALL_PAD_MERGE_v2, поэтому описание составлено по ней. nuresens/ALL_PAD_MERGE_v2 — дообученная мультимодальная модель семейства Mistral3 на базе aitf-komdigi/KomdigiITS-3B-PAD-CPT. Разработчик — nuresens; для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель принимает изображения и текст и предназначена для диалоговых сценариев с визуальным содержимым, включая ответы на вопросы по изображениям. В карточке также заявлен интерфейс для вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Количество параметров и длина контекста в предоставленных источниках не указаны.

AndesVL-4B-Thinking — мультимодальная модель из семейства AndesVL, разработанного OPPO. Она построена на базе языковой модели Qwen3 и визуального энкодера; семейство AndesVL рассчитано на эффективное развёртывание на мобильных устройствах и охватывает модели размером от 0,6 до 4 млрд параметров. Для этой версии README не приводит отдельную конфигурацию компонентов или точное число параметров. Модель предназначена для диалоговых сценариев с изображениями: визуальных вопросов и ответов, анализа текстонасыщенных изображений и нескольких изображений, а также задач рассуждения и работы с графическим интерфейсом. Поддерживает многоязычные сценарии; конкретные языки для этой версии не перечислены. В README также описаны методы адаптации и сжатия семейства, но не уточняется, применены ли они именно к этому чекпойнту. Репозиторий использует Transformers и формат PyTorch. Лицензия — Apache-2.0. Заявления о высокой производительности и ускорении относятся к семейству AndesVL и не сопровождаются в доступной части README результатами именно этой версии.

apodex-1.0-2B-SFT-rebased — объединённая модель, созданная с помощью LazyMergekit на основе Qwen/Qwen3.5-2B-Base и apodex/Apodex-1.0-2B-SFT. Она предназначена для диалоговой работы с текстом и изображениями; архитектура Qwen3.5 — плотная, с 2 млрд параметров. Модель доступна в формате safetensors и поддерживает интерфейс вызова инструментов. Лицензия — Apache-2.0.