I.15Доступность и ассистивные технологии

vadimbelsky выпустил дообученную версию Qwen3-ASR-1.7B для распознавания речи на саудовском диалекте арабского языка (KSA). Модель основана на последовательном дообучении базовой Qwen3-ASR-1.7B через версию для диалекта ОАЭ и предназначена для транскрибации аудио с речью из Саудовской Аравии. По оценке на 849 примерах валидационной выборки модель показала WER 11,49% и CER 5,78%, улучшив результаты базовой версии на этом наборе. Она лучше обрабатывает местные выражения и лексику, придерживается неформального написания и реже добавляет лишнюю пунктуацию. Модель принимает аудио и выдаёт текст; репозиторий использует архитектуру Qwen3-ASR и формат safetensors. Лицензия — Apache-2.0.

Qwen3-VL-30B-A3B-Instruct-MLX-5bit — мультимодальная instruction-tuned модель для преобразования изображений и текста в текст. Оригинальную модель разработала команда Qwen, а данную 5-битную MLX-квантизацию подготовила команда LM Studio с использованием mlx_vlm. Модель предназначена для локального запуска на устройствах Apple Silicon. Модель основана на Qwen3-VL-30B-A3B-Instruct и поддерживает сценарии, требующие анализа визуальной и текстовой информации, включая обработку изображений и генерацию ответов по инструкциям. Из технических характеристик указаны размер 30B и конфигурация A3B, 5-битное квантование, архитектура и формат MLX, а также специализация на Apple Silicon. Языки, размер контекстного окна и точный перечень поддерживаемых модальностей в README не уточняются. Ключевые преимущества модели — мультимодальные возможности, instruction-tuned поведение и снижение требований к памяти благодаря 5-битному квантованию, что делает её подходящей для локального использования. Ограничения включают возможную потерю качества из-за квантования и зависимость производительности от оборудования Apple Silicon; конкретные показатели качества и скорости не приведены. Модель распространяется по лицензии Apache-2.0.

QiLong26/Qwen3-VL-8B-VQA-SFT — дообученная модель семейства Qwen3-VL, разработанная на основе Qwen/Qwen3-VL-8B-Instruct. Она предназначена для диалога с изображениями и ответов на вопросы о визуальном содержимом; архитектура — плотная мультимодальная модель Qwen3VLForConditionalGeneration. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель принимает изображения и текстовые запросы, а выдаёт текстовые ответы. Базовая модель также поддерживает анализ видео, OCR и визуальное рассуждение, однако карточка этого дообучения не описывает его отдельные обучающие данные, оценку качества или дополнительные возможности. Модель распространяется по лицензии Apache 2.0.

Re3Cap-CIM-Qwen2.5-VL-7B — мультимодальная модель на базе Qwen2.5-VL-7B-Instruct, дообученная методом GRPO с наградой Cross-modal Identity Mapping (CIM) и стратегией Re³Cap. Её разработчики представляют её в работе EMNLP 2026 Main. Модель предназначена для генерации и уточнения подписей к изображениям. Стратегия Re³Cap использует Caption Refinement Suggester и Caption Quality Assessor, чтобы находить галлюцинации и пропуски в подписи и получать более точные и подробные описания; дополнительной разметки для этого подхода не требуется. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Доступна в формате safetensors по лицензии Apache-2.0. Модель принимает изображения и текстовые инструкции и генерирует текстовые подписи. Карточка описывает её как специализированную для captioning, поэтому качество на других визуальных задачах не подтверждено.

Resemble-Enhance-GGUF — неофициальная конверсия модели Resemble Enhance от Resemble AI в формат GGUF F16 для локального инференса в совместимых с GGML/GGUF средах. Это не новая обученная модель: в репозитории размещён файл с полной версией модели улучшения речи, а исходные проект и веса опубликованы Resemble AI. Модель предназначена для улучшения речи и подавления шума в аудиозаписях. Поддержка функций зависит от используемого рантайма. Репозиторий указывает лицензию MIT для исходного проекта и конверсии; распространение неофициальное.

RUPunct_medium — средняя модель семейства RUPunct для автоматической расстановки пунктуации в русском тексте. По метаданным это модель token classification на архитектуре ELECTRA с 100,6 млн параметров и контекстом до 512 токенов; веса доступны в формате PyTorch. Автор README характеризует её как баланс между производительностью и качеством. Модель может применяться для восстановления пунктуации в текстах без знаков препинания, например в результатах распознавания речи. Репозиторий распространяется по лицензии MIT.

msingiai/sauti-asr — модель распознавания речи на суахили, разработанная Msingi AI в рамках конвейера Sauti ASR и дообученная на базе microsoft/paza-whisper-large-v3-turbo. Это модель семейства Whisper с архитектурой WhisperForConditionalGeneration и примерно 905,3 млн параметров; она принимает аудио и преобразует его в текст. В карточке указано, что это текущий предварительный кандидат Track A для оценки в исследованиях и продуктах. На тесте из 500 образцов кенийской речи на суахили получены WER 13,72% и CER 3,88%.

Skywork-R1V2-38B — открытая мультимодальная модель рассуждений компании Skywork, построенная на архитектуре InternVL Chat. Она принимает изображения и текст и предназначена для визуальных вопросов и ответов, анализа изображений и решения задач, требующих визуального и текстового рассуждения. В README указаны результаты на MMMU — 73,6% и OlympiadBench — 62,6%, а также оценки на MathVision, MMMU-Pro и MathVista; размеры контекста и число параметров в доступных данных не приводятся. Модель распространяется в формате safetensors и лицензирована по MIT. Метаданные указывают поддержку чата и интерфейс вызова инструментов.

SI-Lab/StepCount-7B-SFT-1M — мультимодальная модель на архитектуре Qwen2.5-VL с 7,1 млрд параметров, предназначенная для диалога по изображениям и тексту. Это финальный чекпойнт продолженного supervised fine-tuning модели SI-Lab/StepCount-7b-SFT-1M-ckpt3450 на наборе данных SFT_StepCount_merged_7500_plus_11_50; обучение завершено на шаге 476. Модель принимает изображения и текстовые запросы и формирует текстовые ответы. Метаданные указывают контекст длиной до 128 000 токенов и поддержку vision и chat. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в карточке модели и связанных лицензиях.

Это англоязычная модель автоматического распознавания речи (ASR) в формате GGUF, преобразованная для использования с CrispASR на основе модели nvidia/stt_en_fastconformer_ctc_large, опубликованной NVIDIA. Репозиторий выполнил только конвертацию и/или квантизацию весов: обучение, дообучение, объединение моделей, дистилляция и изменение архитектуры или словаря не проводились. Модель предназначена для преобразования английской речи в текст, в том числе при локальном запуске через CrispASR. Архитектура включает 18-слойный NeMo FastConformer-энкодер и голову Conv1d CTC; используются d_model 512, 8 attention heads, словарь SentencePiece из 1024 элементов и 80 log-mel признаков. Размер модели составляет около 115 млн параметров. Доступны варианты F16 размером 222 МБ, Q8_0 размером 132 МБ, Q5_0 размером 95 МБ и Q4_K размером 83 МБ; Q4_K указан как рекомендуемый. К сильным сторонам относятся компактные квантизованные варианты, поддержка GGUF и адаптация для эффективного локального распознавания речи. Ограничения: модель поддерживает только английский язык, а сведения о точности, устойчивости к шуму, задержке и максимальной длительности контекста в карточке не указаны. Модель распространяется по лицензии CC BY 4.0; права и условия исходной модели NVIDIA сохраняются.

NVIDIA FastConformer-Hybrid Large (kk-ru) — модель распознавания речи, разработанная NVIDIA для транскрибации казахской и русской речи. Она принимает монофонический аудиосигнал WAV с частотой 16 кГц и возвращает текстовую строку в нижнем регистре. Модель построена на архитектуре FastConformer и содержит около 115 млн параметров. Это гибридная модель с декодерами Transducer и CTC, обученная на обоих типах функций потерь; по умолчанию используется Transducer. Для обучения использовались открытые корпуса казахской речи общим объёмом около 1550 часов и русской речи объёмом около 850 часов. Модель работает через NVIDIA NeMo и доступна как предварительно обученный чекпойнт для распознавания или дообучения. Модель не поддерживает потоковую обработку и не добавляет в результат заглавные буквы и пунктуацию. Качество может снижаться на технической лексике и разговорных вариантах речи, недостаточно представленных в обучающих данных. Лицензия — CC BY 4.0.

Модель droplychee/test-model разработана droplychee и дообучена на базе unsloth/gemma-4-e4b-it-unsloth-bnb-4bit. Это плотная модель семейства Gemma 4 для диалоговых задач с изображениями: она принимает текст и изображения и формирует текстовые ответы. В метаданных также отмечен интерфейс для вызова инструментов. Модель подходит для вопросов по изображениям и диалоговых сценариев, где нужно совместно использовать текст и визуальные данные. Она опубликована в формате safetensors и распространяется по лицензии Apache-2.0. README сообщает, что обучение проводилось с Unsloth и библиотекой TRL; сведения о размере модели и длине контекста не приведены в доступных данных.

Translate Gemma 4 Sub E4B GGUF — мультиязычная дообученная версия Gemma 4, разработанная 17slever17. Модель предназначена для обычного перевода и контекстного перевода субтитров, в частности для потокового и разговорного контента. Она используется в open-source проекте SubWave для перевода субтитров в реальном времени. Модель поддерживает передачу предыдущих исходных и переведённых сегментов, что помогает обрабатывать фразы, разделённые между субтитрами, и сохранять смысл, тон, сленг, неуверенность, повторы, незавершённую речь и особенности разговорного стиля. Также она может учитывать инструкции о стиле, тоне, степени формальности, говорящих, терминологии и глоссариях. Основные языки — английский, русский, испанский, немецкий и японский; французский, португальский, китайский, нидерландский, итальянский и корейский поддерживаются на втором уровне. Другие языки Gemma 4 могут работать, но специально не дообучались для перевода и оценивались ограниченно. Представленная версия распространяется в формате GGUF и предназначена для запуска с llama.cpp. По данным независимого от обучения тестирования в формате Q4, E4B-вариант показал высокие результаты среди сравниваемых моделей по chrF++, BERTScore, COMET-DA и MetricX-24 Ref, хотя уступил Gemma 4 12B по COMETKiwi и MetricX-24 QE. Ограничениями являются зависимость качества от предоставленного контекста, менее изученная поддержка языков за пределами основных и отсутствие в README точных сведений о размере архитектуры и длине контекста. Лицензия — Apache-2.0.

trocr-barbados-fold4 — модель MusaNyaks, дообученная на базе microsoft/trocr-base-handwritten. Она использует архитектуру vision-encoder-decoder и предназначена для распознавания рукописного текста на изображениях, в частности для обработки отдельных строк. Модель принимает изображение и выдаёт текст; формат весов — safetensors, библиотека — Transformers. В README указана оценка Loss 0.8874 на наборе оценки, но сведения о датасете и подробные результаты отсутствуют. Модель распространяется по лицензии MIT. Качество на других данных и ограничения распознавания не описаны.

Ransaka/TrOCR-Sinhala — дообученная модель распознавания текста на изображениях, основанная на Microsoft TrOCR Printed. Она использует архитектуру vision-encoder-decoder и предназначена для OCR на сингальском языке. В метаданных указан синтетический датасет Ransaka/sinhala_synthetic_ocr-large; модель доступна в формате safetensors. Модель можно применять для извлечения сингальского текста из изображений с печатным текстом. Карточка не описывает подробные сценарии использования и результаты оценки; для оценки качества предлагается обратиться к вкладке с метриками обучения. Лицензия — MIT.

Typhoon Whisper Turbo — модель автоматического распознавания речи на тайском языке, разработанная командой Typhoon и SCB 10X. Она дообучена на архитектуре OpenAI Whisper Large v3 Turbo и содержит 905,2 млн параметров. В карточке указаны четыре слоя декодера против 32 у Whisper Large v3 и обучение примерно на 11 000 часах тайской речи из GigaSpeech2, Common Voice и курируемых публичных медиаматериалов. Модель предназначена для офлайн-транскрибации тайской речи. Нормализация обучающих данных нацелена на обработку чисел, маркеров повторов и неоднозначностей, зависящих от контекста. В README сообщается о конкурентном качестве на наборах GigaSpeech2, TVSpeech и Google Fleurs, а также о меньших задержке и требованиях к памяти по сравнению со стандартными моделями Whisper; конкретные численные результаты не приведены. Модель принимает аудио и выдаёт текст. Она оптимизирована для тайского языка, а качество может снижаться на диалектах и акцентах, недостаточно представленных в обучающих данных. README рекомендует её прежде всего для офлайн-распознавания, а не потоковой транскрибации. Лицензия — MIT; в карточке также упоминаются условия использования OpenTyphoon.

VibeVoice-ASR-BitNet GGUF — конверсия модели microsoft/VibeVoice-ASR-BitNet в формат GGUF для использования с CrispASR. Это модель автоматического распознавания речи, предназначенная для преобразования 24 кГц моноаудио в текст, в том числе при локальном запуске через CrispASR, C API или Python. Поддерживаются английский, китайский, французский, итальянский, корейский, португальский и вьетнамский языки. Архитектура включает двойной VAE-энкодер и декодер на базе Qwen2. Базовая модель содержит 1,5 млрд параметров; языковая модель имеет 28 слоёв, скрытое представление размером 1536, 12 attention-голов и 2 KV-головы. Аудиообработку выполняет ConvNeXt-подобный одномерный CNN-энкодер с акустическим представлением 64d и семантическим представлением 128d. Доступны варианты размером от 1,05 до 1,55 ГБ с разной степенью квантования; проекции LM используют тернарное квантование TQ2_0, а VAE и embedding — Q4_0, Q5_0, Q8_0 или F16. По данным README, все варианты показали идентичный результат транскрибации на тестовом аудио JFK, включая наиболее компактный вариант aggro, однако подтверждение качества ограничено этим тестом. Модель ориентирована на эффективное локальное распознавание речи с уменьшенным размером файлов и стандартной поддержкой ggml, но README не содержит сведений о точности на широком наборе данных, задержке, устойчивости к шуму или поддержке других аудиоформатов. Распространяется по лицензии MIT; репозиторий содержит только конверсию и квантование исходных весов без дообучения или изменения архитектуры.

VideoLLaMA3-7B-Image — мультимодальная модель семейства VideoLLaMA 3, разработанная командой DAMO-NLP-SG. Она предназначена для понимания изображений и видео: принимает визуальные данные вместе с текстом и формирует ответы на вопросы и выводы о содержимом сцен. Карточка описывает её как вариант Image на базе Qwen2.5-7B; метаданные указывают дообучение Qwen/Qwen2.5-7B-Instruct. Модель имеет плотную архитектуру Videollama3Qwen2ForCausalLM и 7,1 млрд параметров, работает через Transformers, распространяется в формате safetensors и поддерживает контекст длиной 32 768 токенов. В карточке отмечены обучение на наборах данных для понимания изображений, документов и видео, а среди языков — английский. Лицензия — Apache-2.0. Модель подходит для визуальных вопросов и ответов, описания изображений и интерпретации видеосцен в диалоговом режиме. Доступные сведения не уточняют ограничения по разрешению изображений, длительности видео или точности на отдельных типах задач.

matiss/vllm-translategemma-4b-it — версия TranslateGemma, подготовленная для запуска через vLLM. Google разработала исходную модель как компактную мультимодальную модель перевода на архитектуре Gemma 3; эта карточка описывает изменения шаблона чата, конфигурации модели и параметров генерации для совместимости с vLLM. Модель переводит текст между 55 языками и может извлекать текст из изображения и переводить его. Для изображений предусмотрен вход с разрешением 896 × 896 пикселей, кодируемый в 256 токенов; общий контекст составляет 2K токенов. Модель предназначена для перевода в приложениях и средах с ограниченными ресурсами, включая локальные компьютеры и облачную инфраструктуру. Она принимает текст и изображения и выдаёт переведённый текст. Качество зависит от обучающих данных; модель может ошибаться в передаче нюансов, неоднозначных выражений и фактов. Репозиторий содержит веса в формате safetensors; лицензия — Gemma, использование регулируется условиями Google Gemma.

w2v-bert-timit-demo — дообученная AbidGru модель распознавания речи на базе facebook/w2v-bert-2.0. Она использует архитектуру Wav2Vec2BertForCTC и предназначена для преобразования входящего аудио в текст. В репозитории указано 402,7 млн параметров; модель распространяется в формате safetensors и рассчитана на работу с библиотекой Transformers. Набор данных для дообучения не описан, поэтому область применения, языковую поддержку и качество распознавания по имеющимся сведениям определить нельзя. Лицензия модели — MIT.

jbetker/wav2vec2-large-robust-ft-libritts-voxpopuli — модель автоматического распознавания речи на архитектуре wav2vec2-large, разработанная jbetker дообучением facebook/wav2vec2-large-robust-ft-libri-960h на наборах LibriTTS и VoxPopuli. Она преобразует аудио в текстовые транскрипции с пунктуацией, что особенно полезно для подготовки текстов к синтезу речи, где пунктуация влияет на просодию. Модель содержит 402,8 млн параметров и доступна в формате PyTorch. В карточке указана оценка WER 4,45% на валидационном наборе LibriSpeech; для базовой модели приводится 4,3%. Обучение велось на чистом аудио, поэтому модель хуже подходит для шумных записей. Условия лицензии в предоставленных данных не приведены.

Модель infinitejoy/wav2vec2-large-xls-r-300m-indonesian — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на индонезийском языке. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель обучена на индонезийской части набора Mozilla Common Voice 7.0. Модель принимает аудио и преобразует речь в текст; её можно применять для расшифровки индонезийских записей и речевых данных. В README приведены результаты оценки: WER 0,3256 и loss 0,2759. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

fathyy разработал wav2vec2-large-xlsr-53-fourth-train как дообученную версию fathyy/wav2vec2-large-xlsr-53-third-train для автоматического распознавания речи. Модель построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров; для работы используется библиотека Transformers. В карточке приведены результаты оценки: loss 1,3589 и WER 0,7930. Датасет обучения и целевые языки не определены в доступных сведениях, поэтому применимость к конкретному языку или сценарию подтвердить нельзя. Модель распространяется под лицензией Apache-2.0.

Wav2Vec2-Large-XLSR-53-Frisian — модель распознавания фризской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель предназначена для преобразования аудиозаписей на фризском языке в текст. Для распознавания входная речь должна быть записана с частотой дискретизации 16 кГц. В оценке на тестовой части Common Voice указано значение 16,25%; метрика в карточке не уточнена. Модель распространяется по лицензии Apache-2.0. Карточка описывает обучение и оценку на Common Voice; результаты могут отличаться на других данных и условиях записи.

facebook/wav2vec2-large-xlsr-53-italian — модель распознавания итальянской речи, опубликованная Facebook. Она основана на архитектуре Wav2Vec2 с выходной головой CTC и примерно 402,7 млн параметров. Модель предназначена для преобразования аудиозаписей на итальянском языке в текст; в карточке приведена оценка на тестовой части Common Voice для итальянского языка — 22,1%. Репозиторий содержит веса PyTorch и Flax. Модель подходит для расшифровки записей и оценки систем распознавания итальянской речи. Лицензия — Apache-2.0. Результат оценки приведён без пояснения метрики, поэтому по карточке нельзя определить, означает ли 22,1% ошибку или другую величину качества.

wav2vec2-large-xlsr-mvc-swahili — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53. Она предназначена для преобразования аудиозаписей на суахили в текст и обучена на данных Common Voice 13.0. Модель использует архитектуру Wav2Vec2ForCTC, содержит около 402,7 млн параметров и принимает аудио, выдавая текст. Базовая модель предварительно обучена на речи 53 языков. В README отмечена проблема со словарём: при обучении не учли некоторые специальные символы, поэтому распознавание таких символов может работать некорректно. Модель распространяется по лицензии Apache-2.0.

Baybars/wav2vec2-xls-r-300m-cv8-turkish — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на турецкой части датасета Common Voice. Это архитектура Wav2Vec2 с CTC-декодированием; метаданные указывают 402,7 млн параметров и формат PyTorch. Модель принимает аудио и преобразует речь в текст на турецком языке. Модель предназначена для автоматической транскрипции турецкой речи, в том числе записей в сценариях, похожих на Common Voice. В README приведены результаты на тестовом наборе: WER 0,3098 и CER 0,0764. Для языкового декодирования также описана n-граммная модель KenLM, обученная на статьях турецкой Википедии; она упоминается отдельно от основного чекпойнта. Модель распространяется по лицензии Apache-2.0. Оценка качества приведена для конкретного набора данных и не гарантирует таких же результатов на других акцентах, условиях записи или типах аудио; README не содержит подробностей о таких ограничениях.

BSC-LT/whisper-3cat-cv21-valencian — акустическая модель распознавания речи, созданная лабораторией Language Technologies Laboratory Барселонского суперкомпьютерного центра. Это дообучение Whisper large-v3 с 905,2 млн параметров на 397 часах 55 минутах аудиозаписей из Corts Valencianes и Common Voice v21, отобранных для валенсийского акцента каталанского языка. Модель предназначена для транскрибации аудио на каталанском языке, особенно с валенсийским акцентом, в обычный текст без пунктуации. Она принимает аудио и выдаёт текст; использует архитектуру Whisper и библиотеку Transformers. Лицензия — Apache-2.0.

arun100/whisper-base-bn-6 — модель автоматического распознавания речи на основе Whisper Base, дообученная разработчиком на бенгальской части набора Mozilla Common Voice 16.0. Она преобразует входящую речь в текст и предназначена для транскрибирования бенгальской речи. Модель содержит 51,7 млн параметров и опубликована в формате Safetensors под лицензией Apache-2.0. На оценочной выборке указаны Loss 0,2078 и WER 28,8185. Эти результаты относятся к конкретной выборке и сами по себе не гарантируют такое же качество на других записях; подробности об условиях записи и ограничениях в карточке не приведены.

Whisper Hinglish Preview — модель распознавания речи на основе Whisper large-v3, разработанная Trelis и специализированная для хинглиша: речи с переключением между хинди и английским. Она также предназначена для транскрибации преимущественно хинди и английской речи; архитектура — WhisperForConditionalGeneration, размер — 905,3 млн параметров. Модель принимает аудио и выдаёт текст. Для заявленного качества автор рекомендует явно задавать язык распознавания в стандартном интерфейсе Whisper. Внутренние оценки автора показывают улучшение относительно исходных Whisper large-v3 и Vaani на ряде тестов хинглиша и хинди, но не лидерство на всех наборах; результаты получены по собственному протоколу нормализации и сопоставления. Это исследовательская предварительная версия, и веса или результаты могут измениться. Модель распространяется по лицензии Apache-2.0.