I.15Доступность и ассистивные технологии

nttdataspain/vit-gpt2-stablediffusion2-lora — модель архитектуры VisionEncoderDecoder, разработанная nttdataspain. Это дообученная с применением LoRA модель ViT для генерации текстовых описаний изображений; README сообщает об обучении на наборе изображений Stable Diffusion 2.0. Она предназначена для сценариев, где нужно получить подпись к изображению. В метаданных указаны поддержка английского языка и форматы PyTorch и safetensors. Модель распространяется по лицензии MIT. README заявляет о разумном времени работы, но не приводит количественных оценок качества или производительности.

Модель Selest/wav2vec2-bert-assyrian-urmi-asr — дообученная Selest версия Wav2Vec2BertForCTC на аудиоданных у́рмийского диалекта ассирийского новоарамейского языка в сирийской традиции письма. Она преобразует речь в текст и принимает аудиопризнаки log-mel, подготовленные SeamlessM4TFeatureExtractor; частота дискретизации — 16 кГц. В основу положена facebook/w2v-bert-2.0, обучение включало аугментацию скорости речи. Модель содержит около 402,7 млн параметров и распространяется в формате Safetensors для Transformers. Модель предназначена для автоматического распознавания ассирийской новоарамейской речи, в частности записей урмийского варианта. Качество зависит от условий записи и охвата словаря, поэтому перед применением в конкретной предметной области нужна оценка на соответствующих аудиозаписях. Лицензия — Apache-2.0.

wav2vec2-bert-CV16-en-libri — модель распознавания речи, дообученная на базе facebook/w2v-bert-2.0 на чистой части набора LIBRISPEECH_ASR. Она использует архитектуру Wav2Vec2BertForCTC и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; карточка указывает английское направление по названию модели. В README приведены результаты оценки: WER 0,0708 и CER 0,0194 на оценочном наборе. Модель распространяется по лицензии MIT. Подробности о сценариях применения, контексте записи и известных ограничениях в карточке не раскрыты.

Модель SIL AI — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на тагальском языке. Она принимает аудио и преобразует речь в текст; обучающие данные взяты из набора SIL-AI/bloom-speech, раздел TGL, связанного с Bloom Library. На оценочной выборке указаны WER 0,2457 и CER 0,0769. Модель предназначена для распознавания тагальской речи в сценариях, связанных с материалами Bloom. Это proof of concept: авторы не гарантируют качество в конкретных условиях. Для использования необходимо соблюдать лицензию SIL RAIL-M License.

sanchit-gandhi/wav2vec2-gpt2-wandb-grid-search — модель распознавания речи на архитектуре SpeechEncoderDecoderModel. По карточке, её обучили с нуля на датасете LibriSpeech ASR; формат весов — PyTorch. Модель предназначена для преобразования аудиозаписей речи в текст. Карточка не приводит сведений о размере, контексте, языках, качестве распознавания или конкретных сценариях применения. Эти характеристики нельзя надёжно определить по имеющимся данным. Лицензия в доступных сведениях не указана.

facebook/wav2vec2-large-es-voxpopuli — большая модель Facebook AI на архитектуре Wav2Vec2, предварительно обученная на неразмеченной испаноязычной части корпуса VoxPopuli. Модель содержит 402,7 млн параметров и предназначена для использования как основа для распознавания речи после тонкой настройки на целевой задаче. Она принимает аудио и поддерживает автоматическое распознавание речи на испанском языке. Чекпойнт доступен в форматах PyTorch и Flax; карточка рекомендует дообучить его для конкретного языка или сценария. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но некоммерческое.

rifkat/wav2vec2-large-xls-r-300m-uz — модель распознавания узбекской речи, разработанная в рамках проекта GptUZ. Она предназначена для преобразования аудиозаписей на узбекском языке в текст. Архитектура — Wav2Vec2ForCTC семейства wav2vec2; модель содержит около 402,7 млн параметров и распространяется в формате PyTorch. По карточке модели, обучение проводилось на открытых и закрытых данных. Модель выпущена под лицензией Apache-2.0. Длина контекста и подробности о составе обучающих данных в предоставленных источниках не описаны.

Wav2Vec2-Large-XLSR-53-Sakha — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на якутском языке (саха) на данных Common Voice. Она преобразует аудиозапись речи в текст и рассчитана на распознавание речи на саха; для входного аудио требуется частота дискретизации 16 кГц. Модель использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. В тесте на данных Common Voice для саха указан результат 32,23%; README не уточняет метрику, поэтому его нельзя напрямую трактовать как точность или ошибку распознавания. Опубликованы веса PyTorch и Flax. Лицензия — Apache-2.0.

CuongLD разработал wav2vec2-large-xlsr-vietnamese — модель распознавания вьетнамской речи, дообученную на базе facebook/wav2vec2-large-xlsr-53. Это акустическая модель Wav2Vec2 с выходной CTC-головой; размер модели составляет 402,7 млн параметров. Модель преобразует аудиозаписи речи в текст и подходит, например, для расшифровки голосовых сообщений и записей. В обучении использовались Common Voice и Infore_25h; для входного аудио требуется частота дискретизации 16 кГц. В карточке приведён результат оценки 58,63% на тестовых данных Common Voice, но метрика не уточнена. Модель рассчитана на вьетнамский язык. Репозиторий содержит веса PyTorch и Flax. Лицензия — Apache-2.0.

facebook/wav2vec2-xls-r-1b-21-to-en — модель перевода речи, разработанная Facebook (Meta) на основе Wav2Vec2-XLS-R. Она принимает аудио на одном из 21 языков и генерирует текстовый перевод на английский. Архитектура — SpeechEncoderDecoderModel: энкодер инициализирован из facebook/wav2vec2-xls-r-1b, декодер — из facebook/mbart-large-50; модель дообучена на парах перевода датасета CoVoST 2. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Модель подходит для перевода записей и устной речи на английский, например для обработки многоязычного аудио и демонстрационных сценариев. В карточке указаны французский, немецкий, испанский, каталанский, итальянский, русский, китайский, португальский, персидский, эстонский, монгольский, нидерландский, турецкий, арабский, шведский, латышский, словенский, тамильский, японский, индонезийский и валлийский как исходные языки. Карточка также предлагает оценивать модель на CoVoST 2, но не приводит численные результаты. Модель ориентирована на перевод только в английский; качество может зависеть от языка, акцента и условий записи.

Модель wav2vec2-xlsr-ft-cy-verbatim разработана Techiaith и представляет собой дообученную версию facebook/wav2vec2-large-xlsr-53 для автоматического распознавания речи на валлийском языке. Она использует архитектуру Wav2Vec2ForCTC, содержит 402,7 млн параметров и обучена на наборе транскрипций techiaith/banc-trawsgrifiadau-bangor. Репозиторий содержит веса PyTorch. Модель предназначена для преобразования валлийской речи в текст, в том числе для дословной транскрибации аудиозаписей. В README приведены результаты на оценочной выборке: loss 0,4357 и WER 0,3262. Модель распространяется по лицензии Apache-2.0; подробные сведения о предполагаемых сценариях применения и ограничениях в карточке не приведены.

emads/whisper-large-v3-urdu-v2 — модель распознавания речи, созданная дообучением Whisper large-v3 для пакистанского урду. Принимает аудио и по управляющему токену декодирования выводит текст в одном из трёх вариантов: письмом урду насталик, романизированным урду или смешанной записью урду и английского с английскими фрагментами латиницей. Архитектура — плотная encoder-decoder модель WhisperForConditionalGeneration, около 905,3 млн параметров; репозиторий содержит веса Safetensors. Модель предназначена для транскрибации пакистанской речи, включая переключение между урду и английским, например в звонках, интервью и разговорных записях. В README приведены результаты на тестах FLEURS Urdu, Common Voice Urdu и Roman Urdu; для выбора регистра требуется передавать соответствующий токен в префиксе декодера. Модель наследует мультиязычную основу Whisper, но обучение и заявленные сценарии ориентированы на урду Пакистана и его письменные варианты. Для длинных записей нужна внешняя нарезка на фрагменты до 30 секунд. Распознавание разговорного пакистанского аудио при переключении языков обозначено как известная слабая сторона; романизация следует разговорным вариантам написания. Лицензия модели — Apache-2.0.

robello2/whisper-medium-full-clinical-r16 — дообученная модель OpenAI Whisper Medium для автоматического распознавания речи. Она принимает аудио и преобразует речь в текст; дообучение выполнено на наборе данных afrispeech-200. Модель построена на архитектуре Whisper и содержит около 455,8 млн параметров согласно описанию базовой модели. В карточке приведены результаты оценки: Loss 0,7557, WER 22,4040 и CER 8,9223. Эти показатели относятся к указанному набору оценки и сами по себе не гарантируют качество на других данных. Модель распространяется по лицензии Apache-2.0.

wcyat/whisper-small-yue — дообученная модель семейства Whisper для автоматического распознавания речи. Модель содержит 153,1 млн параметров и принимает аудио, выдавая распознанный текст. В README указана оценка WER 56,8538 на наборе для проверки; название обучающего набора обозначено как None. Подробности об обучающих данных и предполагаемых сценариях применения не приведены.

Hanhpt23/whisper-tiny-slisa — модель распознавания речи на базе Whisper, дообученная разработчиком на датасете Hanhpt23/SLISA. Она предназначена для преобразования аудиозаписей в текст. В карточке приведён результат оценки на тестовом наборе: loss 0,0002 и WER 0,0; описание набора и методики оценки не раскрыто, поэтому эти значения сами по себе не позволяют судить о качестве на других данных. Модель содержит 29,4 млн параметров и распространяется в формате safetensors. В метаданных указан английский язык и лицензия Apache-2.0. Сведений о поддерживаемых языках помимо английского, длине контекста и дополнительных ограничениях применения нет.

Это конвертированная в формат CTranslate2 и квантованная до int8 модель Whisper Turbo Khmer v9 для распознавания речи на кхмерском языке. Исходную модель разработали авторы репозитория 1morecupofhottea/whisper-turbo-khmer-v9; этот репозиторий меняет формат весов для запуска на CPU. Модель преобразует аудио с кхмерской речью в текст. В README приведён результат CER 0,1645 на 150 фразах FLEURS для km_kh и медианное время обработки 5,62 секунды на фразу при четырёх потоках CPU; это собственная оценка платформы Vatana AI, а не независимый бенчмарк. Для декодирования README рекомендует использовать CTranslate2 напрямую и удалять управляющие токены по имени: сборка текста в faster-whisper может некорректно обрабатывать кхмерские токены. Указана лицензия MIT.

Модель vasilis/xls-r-et-V-3 — дообученная версия facebook/wav2vec2-xls-r-1b для автоматического распознавания эстонской речи. Она использует архитектуру Wav2Vec2ForCTC и обучалась на эстонской части набора Mozilla Common Voice 8.0. Модель принимает аудио и выдаёт распознанный текст. В карточке указаны результаты оценки на тестовом наборе: значение функции потерь 0,8824 и WER 0,5246. Модель опубликована в формате PyTorch по лицензии Apache-2.0.

Карточка модели 360ZhiNao/360VL-8B на Hugging Face совпадает с карточкой qihoo360/360VL-8B, поэтому описание составлено по ней. 360VL-8B — открытая мультимодальная модель компании Qihoo 360 для диалога по изображениям и тексту. Она дообучена на основе Meta Llama 3 8B Instruct и использует трансформерную авторегрессионную языковую модель с многоветвевым проектором, предназначенным для улучшения понимания изображений. Модель принимает изображения и текст и формирует текстовые ответы; поддерживает многоходовой диалог с одним изображением, визуальные вопросы и распознавание текста на изображениях. В README указано разрешение изображений до 672×672 пикселей, а контекст по метаданным составляет 8192 токена. Поддерживаются китайский и английский языки. Модель подходит для анализа содержимого изображений, извлечения и обобщения информации, а также ответов на вопросы по изображению. Вес модели содержит 7,5 млрд параметров и опубликован в формате safetensors. Лицензия — Apache 2.0.

Карточка модели amandabenson/acestep-transcriber-fork на Hugging Face совпадает с карточкой ACE-Step/acestep-transcriber, поэтому описание составлено по ней. ACE-Step Transcriber — мультиязычная модель транскрибации, используемая ACE-Step v1.5 для разметки обучающих данных. В карточке указана архитектура Qwen2.5-Omni; модель принимает аудио и формирует структурированный текст с распознанной речью или текстом песен, а также пометками частей композиции, например куплетов, припева и инструментальных фрагментов. Модель предназначена для распознавания речи и пения, извлечения текста песен, создания субтитров и анализа музыкальной структуры. Она поддерживает более 50 языков, включая китайский, японский, корейский, вьетнамский, тайский, индонезийский, малайский, филиппинский, хинди, бенгальский, тамильский и урду. Репозиторий содержит веса в формате Safetensors, используется библиотека Transformers. Лицензия — MIT.

ASR-cv-corpus-ug-22-2 — модель распознавания речи на основе архитектуры wav2vec2-bert, дообученная автором piyazon на базе piyazon/ASR-cv-corpus-ug-16. Она предназначена для преобразования аудиозаписей в текст; в README указаны результаты оценки: loss 0,0371 и WER 0,0283. Данные обучения и подробности о сценариях применения не приведены. Модель распространяется в формате safetensors через библиотеку Transformers; сведения о лицензии в доступных данных отсутствуют.

Audio8 TTS Preview 0.6B — предварительная многоязычная модель синтеза речи с нулевым клонированием голоса от Edge0. Она построена на архитектуре DualAR, вдохновлённой Fish Audio S2 Pro: медленный авторегрессионный трансформер предсказывает семантические токены аудиокадров, а быстрый — кодовые книги аудиокодека. Основная модель содержит около 601 млн параметров; в репозитории также есть кодек с частотой 44,1 кГц, токенизатор и процессор. Модель генерирует речь по тексту и может имитировать голос по аудиозаписи и соответствующей ей расшифровке. Заявлена поддержка кантонского и китайского, нидерландского, английского, французского, немецкого, итальянского, японского, корейского, польского и испанского языков. В README описаны запуск на GPU и варианты развертывания для CPU через отдельную ONNX INT4-версию, а также обслуживание через адаптер SGLang Omni. Модель компактна по сравнению с крупными системами, а приведённые в карточке результаты показывают конкурентные показатели на нескольких тестах синтеза речи. Это Preview-чекпойнт с ограниченным охватом языков и диалектов; длинные, шумные или неверно расшифрованные эталонные записи могут ухудшать стабильность и сходство голоса. Для клонирования голоса следует получать согласие говорящего и раскрывать факт синтетической генерации. Лицензия — Apache-2.0.

BakLLaVA-1 — мультимодальная модель семейства LLaVA, разработанная на базе текстового бэкбона Mistral 7B с архитектурой LLaVA 1.5. Она принимает изображения и текстовые запросы, а в ответ генерирует текст. Модель предназначена для диалога по изображениям, визуальных вопросов и ответов, описания изображений и выполнения инструкций с визуальным контекстом; поддерживает несколько изображений в одном запросе. В карточке сообщается, что первая версия на базе Mistral 7B превзошла Llama 2 13B на нескольких бенчмарках. Обучение включало пары изображение–текст, мультимодальные инструкции, наборы VQA и диалоговые данные. Репозиторий содержит веса Safetensors и рассчитан на использование через Transformers. Лицензия указана как Llama 2. Авторы отдельно предупреждают, что обучающие данные включают корпус LLaVA с ограничениями на коммерческое использование, поэтому коммерческое применение этой версии может быть ограничено. Количественные результаты бенчмарков и полный перечень ограничений в карточке не приведены.

Bunny-Llama-3-8B-V — мультимодальная модель семейства Bunny, разработанная командой Bunny и построенная на визуальном энкодере SigLIP и языковой модели Llama-3-8B-Instruct. Она принимает изображения и текстовые запросы и генерирует текстовые ответы, поэтому подходит для диалога о содержимом изображений и визуальных вопросов и ответов. Размер модели — 7,5 млрд параметров, контекст — 8192 токена; карточка также упоминает отдельную версию v1.1 для изображений высокого разрешения до 1152 × 1152 пикселей. Модель распространяется под лицензией Apache-2.0. Карточка не приводит количественных оценок качества; заявленный предел разрешения 1152 × 1152 относится к v1.1, а не обязательно к этой версии.

Chat-UniVi — мультимодальная модель для понимания изображений и видео, описанная авторами в работе «Unified Visual Representation Empowers Large Language Models with Image and Video Understanding». Она использует архитектуру ChatUniViLlamaForCausalLM с 6,6 млрд параметров и принимает текст вместе с визуальными данными. Для представления изображений и видео модель применяет динамические визуальные токены, которые передают пространственные детали изображений и временные связи в видео. Модель обучена совместно на смешанном наборе изображений и видео, поэтому подходит для задач с обоими типами входных данных. Chat-UniVi предназначена для вопросов и ответов и других текстовых задач на основе визуального содержания. Контекст составляет 4096 токенов; формат весов — PyTorch. Лицензия указана как llama2. Карточка сообщает о высокой результативности в экспериментах, но не приводит численных оценок, поддерживаемых языков или подробностей ограничений.

Карточка модели droplychee/droplychee1212 на Hugging Face совпадает с карточкой droplychee/droplychee-2.1-27b, поэтому описание составлено по ней. droplychee-2.1-27b — дообученная разработчиком droplychee мультимодальная плотная модель семейства Qwen3.5 на базе Qwen/Qwen3.8-27B. Она предназначена для диалога с текстом и изображениями и может использоваться в сценариях, где нужно учитывать визуальный контекст при ответе. В метаданных указаны поддержка vision и интерфейс вызова инструментов; размер базовой модели — 27 млрд параметров. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка сообщает, что обучение выполнялось с Unsloth и библиотекой Hugging Face TRL. Данные не описывают конкретные наборы для дообучения, оценку качества или длину контекста, поэтому эти характеристики нельзя установить по доступной информации.

ERNIE-4.5-VL-28B-A3B-PT — мультимодальная MoE-модель Baidu для диалогового взаимодействия с текстом и изображениями. Это вариант с весами PyTorch в формате Transformers; модель прошла постобучение с использованием SFT и методов оптимизации предпочтений. Архитектура относится к семейству ERNIE 4.5 MoE VLM: всего 28 млрд параметров, из которых для каждого токена активируется около 3 млрд. Контекст — до 131 072 токенов. Модель предназначена для понимания изображений и текста, ответов на вопросы о визуальном содержимом, мультимодальных рассуждений и генерации текста в чате. Поддерживает английский и китайский языки. В карточке указана совместимость с Transformers; для запуска приведён пример с vLLM и параметром доверия к удалённому коду. Модель распространяется по лицензии Apache-2.0. Карточка не приводит конкретных оценок качества или подробного списка ограничений, поэтому результаты для целевых сценариев следует проверять отдельно.

Khalsuu/filipino-wav2vec2-l-xls-r-300m-official — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на наборе данных filipino_voice. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель предназначена для преобразования аудиозаписей на филиппинском языке в текст. В карточке приведены результаты оценки на тестовой выборке: loss 0,4672 и WER 0,2922. Указана лицензия Apache-2.0. Описание не содержит сведений о дополнительных сценариях использования или других языках.

zeromodels/gemma-4-e2b — конверсия Gemma 4 E2B от Google в формате Keras 3, подготовленная для библиотеки zeromodels. Реализация работает с TensorFlow, PyTorch и JAX; веса хранятся в bfloat16. README указывает 5,1 млрд параметров с учётом эмбеддингов и 2,3 млрд эффективных параметров. Модель принимает изображения, аудио и текст и выдаёт текст; доступен текстовый диалоговый интерфейс. Она подходит для ответов на вопросы по изображениям и аудио, а также для обычной генерации текста. В карточке приведены размер окна скользящего внимания — 512 токенов — и примеры загрузки через Keras 3. Язык, явно указанный в метаданных карточки, — английский. Репозиторий заявлен как дообучение google/gemma-4-E2B, однако описанные изменения представлены как Keras-конверсия. Лицензия — Apache 2.0; за подробностями об условиях использования README отсылает к карточке Google Gemma.

Achta/gemma-4-E4B-it-distilled-awq — сжатая версия мультимодальной Gemma 4 E4B Instruct, подготовленная командой ECE-ILAB для соревнования Resilient AI Challenge 2026 в треке image-to-text. Модель предназначена для визуальных вопросов и ответов (VQA), включая анализ диаграмм, документов, изображений с текстом и научных иллюстраций; также поддерживает диалог с изображениями. Модель основана на google/gemma-4-E4B-it и прошла дистилляцию эмбеддингов Per-Layer Embedding с последующей W4A16-квантизацией линейных слоёв языкового декодера. Аудио- и визуальная башни, lm_head и модули эмбеддингов сохранены в BF16. Контекст в конфигурации запуска ограничен 2048 токенами, а генерация — 40 новыми токенами. Чекпойнт занимает 11 ГБ; на тестовой конфигурации с GPU L4 он использовал 9,73 ГиБ видеопамяти. Для запуска авторы указывают vLLM и конфигурацию из репозитория; модель проверена на стеке соревнования. Она лицензирована по условиям Gemma. Карточка описывает настройку прежде всего для коротких ответов на VQA: ограничение длины генерации может обрезать более развёрнутые ответы, а указанный лимит контекста 2048 токенов может быть тесен для длинных запросов.

HEQ-M1.2 — дообученная Hothaifa мультимодальная модель на архитектуре Gemma 4, основанная на unsloth/gemma-4-31b-it-unsloth-bnb-4bit. Она предназначена для диалоговых сценариев с изображениями и текстом, включая ответы на вопросы по изображению. Модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель принимает изображения и текст и генерирует текст; в метаданных также указана поддержка интерфейса вызова инструментов. Язык карточки — английский. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Данных о размере параметров и длине контекста в предоставленных сведениях нет.