I.15Доступность и ассистивные технологии

Tejveer12 разработал эту модель как дообученную версию openai/whisper-large-v3-turbo для распознавания английской речи с индийским акцентом. Это модель WhisperForConditionalGeneration на 905,2 млн параметров, предназначенная для преобразования аудио в текст; основное применение — транскрибация записей и речи на английском языке с индийским акцентом. Модель работает с аудио на входе и выдаёт текст. В README приведены результаты оценки: loss 0,2065 и WER 7,5056; описание методики оценки и единиц измерения WER не приведено. Модель распространяется по лицензии MIT.

InternVL3.5-GPT-OSS-20B-A4B-Preview — мультимодальная модель OpenGVLab для диалога и рассуждений по тексту и изображениям. Она объединяет языковую модель openai/gpt-oss-20b с визуальным энкодером OpenGVLab/InternViT-300M-448px-V2_5; в метаданных указана архитектура InternVLChatModel. Репозиторий создан в августе 2025 года, веса представлены в формате Safetensors и распространяются по лицензии Apache-2.0. Модель предназначена для ответов на вопросы об изображениях, визуального анализа и мультимодальных рассуждений, а также для текстового диалога. Семейство InternVL3.5 использует маршрутизатор визуального разрешения и методы обучения Cascade RL; карточка семейства также заявляет возможности взаимодействия с графическими интерфейсами и embodied-задачи, но не подтверждает их отдельно для этой Preview-модели. Поддерживаются мультиязычные сценарии; точное число параметров и длина контекста для этого чекпойнта в предоставленных данных не указаны.

KielGen-Fast — мультимодальная авторегрессионная модель на архитектуре Janus, дообученная командой Kiel2 на базе deepseek-ai/Janus-Pro-1B. Она объединяет генерацию текста, понимание изображений и создание изображений по текстовому описанию. Архитектура MultiModalityCausalLM использует отдельные визуальные пути для понимания изображений и декодирование изображений через векторно-квантованные токены; веса сохранены в формате safetensors для Transformers. Модель подходит для диалоговых ответов, визуальных вопросов и описания сцен, мультимодального анализа, а также создания иллюстраций и других визуальных материалов по запросу. В карточке заявлены английский язык и лицензия MIT. Размер модели и длина контекста не приведены в доступных сведениях.

Kyutai STT 1B (en/fr) — GGUF представляет собой конвертированные и квантизованные версии модели kyutai/stt-1b-en_fr, разработанной Kyutai. Репозиторий cstr предоставляет веса в формате GGUF для использования с CrispASR; обучение, дообучение и изменение архитектуры не выполнялись. Модель предназначена для автоматического распознавания речи и транскрибации аудио на английском и французском языках. Она принимает монофонический звук с частотой 24 кГц, автоматически преобразуя вход с 16 кГц при необходимости. Доступны варианты F16 размером около 2 ГБ, Q8_0 размером около 1,1 ГБ и Q4_K размером около 636 МБ; Q4_K заявлен как оптимальный компромисс между размером и качеством. Архитектура включает нейронный аудиокодек Mimi с CNN SEANet, восьмислойным трансформером и RVQ с 32 кодовыми книгами на частоте 12,5 Гц, а также каузальную языковую модель-трансформер из 16 слоёв примерно на 1 млрд параметров с размерностью 2048, RoPE, SwiGLU и RMSNorm. В отличие от encoder-decoder-моделей вроде Whisper и Parakeet, весь конвейер работает авторегрессионно: аудио преобразуется в дискретные токены, после чего модель предсказывает текстовые токены. Сильными сторонами являются поддержка двух языков, несколько вариантов квантизации и возможность локального запуска через CrispASR. Ограничения включают специализацию только на английской и французской речи, зависимость от совместимого программного обеспечения и отсутствие в представленном описании подробных метрик качества, ограничений по длительности аудио и характеристик производительности. Для производных материалов указана лицензия CC BY 4.0; она соответствует лицензии исходной модели и не предоставляет прав сверх условий upstream-лицензии.

LongLLaVA-53B-A13B — мультимодальная модель семейства LongLLaVA, разработанная FreedomIntelligence. Она предназначена для диалога и генерации текста по текстовым запросам и изображениям; архитектура относится к llava_jamba и использует смесь экспертов. В метаданных указано 7,2 млрд параметров, формат весов — safetensors, основная задача автора — image-text-to-text. Модель подходит для вопросов об изображениях и генерации ответов с учётом визуального содержимого. В README упомянуты результаты оценки, включая Video-NIAH, но описание не подтверждает поддержку видео как входной модальности. Модель распространяется по лицензии MIT. В доступной карточке нет сведений о поддерживаемых естественных языках и длине контекста; числовые характеристики названия модели не совпадают с общим числом параметров из метаданных, поэтому в описании приведено значение метаданных.

Malaysian Finetune Whisper Medium V2 — дообученная модель семейства Whisper, разработанная Mesolitica на основе Whisper Medium с использованием малайзийского набора данных. Она предназначена для автоматического распознавания речи и преобразования аудио в текст. Модель содержит 455,8 млн параметров и распространяется в формате safetensors. Карточка указывает на настройку для малайзийских данных; метаданные также отмечают английский, китайский и тамильский языки, но не уточняют качество распознавания для каждого из них. Модель принимает аудио и выдаёт текст. Лицензия и длина контекста в доступных данных не указаны.

MobileVLM_V2-1.7B — компактная визуально-языковая модель из семейства MobileVLM V2, разработанного авторами проекта MobileVLM. Она принимает изображение и текстовый запрос и генерирует текстовые ответы, например описания изображения и ответы на вопросы о его содержимом. Модель создана на основе MobileLLaMA-1.4B-Chat для удобного развертывания; в карточке указано 1,3 млрд параметров, архитектура MobileLlamaForCausalLM и контекст 2048 токенов. Для MobileVLM V2 заявлены результаты на стандартных тестах визуально-языковых моделей на уровне или выше ряда более крупных моделей, однако README не приводит конкретные оценки для версии 1.7B. Модель доступна под лицензией Apache-2.0.

Moonshine Tiny GGUF — это компактная модель автоматического распознавания речи, разработанная UsefulSensors и преобразованная в формат GGUF проектом cstr для использования с CrispASR. Репозиторий содержит варианты с разной степенью квантования; обучение, дообучение и изменение архитектуры в этой версии не выполнялись. Модель предназначена для транскрибации аудио на английском языке, включая локальную обработку на CPU. Архитектура включает свёрточный входной слой Conv1d, трансформерный энкодер из 6 слоёв и трансформерный декодер из 6 слоёв; используется размерность 288, 8 attention-голов, partial RoPE и активации SiLU/GELU. Модель содержит около 27 миллионов параметров. Доступны варианты F32 размером 104 МБ, Q8_0 размером 33 МБ и Q4_K размером 21 МБ; Q4_K предлагает наиболее выгодный компромисс между размером и качеством. Сильными сторонами являются небольшой размер, высокая скорость и возможность работы на CPU: для F32 заявлена производительность 11,2 раза быстрее реального времени. На LibriSpeech заявлены показатели WER 4,55% для записи clean и 11,68% для записи other. Ограничение модели — поддержка только английского языка; качество и производительность могут зависеть от акустики и характеристик аудио. Модель и её конверсия распространяются по лицензии MIT.

Muse-Glimmer-30B-8bit — мультимодальная модель для задач «изображение–текст», преобразованная сообществом mlx-community в формат MLX из базовой модели meta-models/Muse-Glimmer-30B с использованием mlx-vlm версии 0.6.12. Модель предназначена для сценариев, в которых требуется анализировать изображения и генерировать связный текст по визуальному содержимому, например описывать изображения. Из доступных данных известно, что модель имеет размер 30B параметров, представлена в 8-битном варианте и поддерживает работу с изображениями и текстом. Архитектура, список языков, размер контекстного окна, конкретные возможности и ограничения в README не указаны. Для использования требуется библиотека mlx-vlm и среда MLX; приведённый пример запуска рассчитан на генерацию текста по изображению. Модель распространяется по лицензии Apache-2.0. Подробные характеристики, результаты оценки и дополнительные сценарии использования следует уточнять в карточке исходной модели meta-models/Muse-Glimmer-30B.

freococo разработал компактную модель распознавания речи на бирманском языке, обученную с нуля на 1,66 млн высказываний. Модель состоит из 12-слойного Conformer-энкодера с совместными CTC- и attention-декодерами и содержит около 23,8 млн параметров. Она преобразует аудио в текст на бирманском, выдавая последовательности слогов. Для работы требуется монофонический звук с частотой 16 кГц; скрипт транскрипции может автоматически привести распространённые аудиоформаты к этим параметрам. Модель рассчитана на разные типы речи, включая новости, разговорную речь и чтение, и подходит для запуска на CPU и потребительских GPU. На отложенной выборке указана частота ошибок по слогам SER 9,42%, а на независимой веб-выборке — 12,30%. Вес модели опубликован в формате safetensors, библиотека — PyTorch. Лицензия Apache 2.0.

Это квантованная в формате GGUF версия NVIDIA Nemotron Nano 12B v2 VL, подготовленная brunopio из модели nvidia/NVIDIA-Nemotron-Nano-12B-v2-VL-BF16 с помощью llama.cpp и GGUF-my-repo. Мультимодальная модель с поддержкой чата и зрения предназначена для диалога по изображениям и визуальных вопросов и ответов; базовая модель также описана как подходящая для анализа документов и понимания видео. Репозиторий рассчитан на запуск через llama.cpp, включая CLI и сервер. Метаданные указывают формат GGUF BF16, однако имя репозитория содержит Q4_K_M; README не уточняет, какой именно вариант квантования лежит в репозитории. Лицензия отмечена как other, поэтому условия следует сверить с карточкой базовой модели и файлами репозитория.

Ornith-Agents-A1 — мультимодальная модель, созданная объединением моделей методом task arithmetic с помощью mergekit. В качестве базовой использована Qwen/Qwen3.5-35B-A3B; в объединение также вошли InternScience/Agents-A1 и deepreinforce-ai/Ornith-1.0-35B. В метаданных указана архитектура Qwen3.5 MoE и класс Qwen3_5MoeForConditionalGeneration, а файлы модели представлены в формате safetensors. Модель предназначена для диалога и работы с изображениями. Её можно применять в сценариях, где нужно задавать вопросы по изображению или сочетать визуальный ввод с текстовым запросом. Метаданные относят её к задаче image-text-to-text и отмечают поддержку vision и chat. Языки и длина контекста в предоставленных источниках не подтверждены. Модель распространяется по лицензии Apache-2.0.

thisisiron/Ovis2-1B-hf — это мультимодальная модель семейства Ovis2 с плотной архитектурой Ovis2ForConditionalGeneration и примерно 1 млрд параметров. Репозиторий содержит версию в формате Safetensors для библиотеки Transformers; карточка Hugging Face автоматически сгенерирована и не сообщает разработчика исходной модели, лицензию или базовую модель. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы в диалоговом формате. Её можно использовать для описания изображений и ответов на вопросы о визуальном содержимом. Данные о поддерживаемых языках и длине контекста для этой копии надёжно не установлены.

PE-Lang-L14-448 — визуальный энкодер Meta из семейства Perception Encoder, обученный на контрастном выравнивании изображений и текста и дополнительно настроенный для задач мультимодального языкового моделирования. Он извлекает языково-информативные признаки из изображений и рассчитан на использование вместе с языковым декодером, например Llama или Qwen; особенно хорошо подходит для OCR и работы с документами. В приведённых авторами оценках использовался замороженный энкодер с декодером Llama 3.1 8B и изображениями размером 448 пикселей без тайлинга. Модель также относится к семейству энкодеров для понимания видео, однако карточка этого чекпойнта не описывает отдельную конфигурацию или загрузочный код для видео. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Это компонент энкодера, а не самостоятельный чат-ассистент: для генерации ответов требуется языковой декодер и соответствующая мультимодальная обвязка. В карточке приведены результаты бенчмарков, но нет загрузочного кода и сведений о размере модели или длине контекста.

Persian-OCR от WeightedAI — модель оптического распознавания символов, предназначенная для извлечения персидского текста из изображений. Она использует архитектуру CNN и Transformer с обучением по функции потерь CTC; в репозитории представлены веса PyTorch и словарь символов. Модель содержит 183,5 млн параметров. Для обучения использовался пользовательский синтетический набор примерно из 600 тысяч изображений персидского текста, созданных на основе Википедии с 49 шрифтами; длина последовательностей составляла от 0 до 150 символов. В README заявлена точность последовательности 96% на этом наборе. Модель подходит для распознавания персидских надписей и страниц, но для реальных изображений может потребоваться дополнительная настройка. Лицензия — Apache-2.0.

Карточка модели dragonstorm123/qwen3.5-4b-sft на Hugging Face совпадает с карточкой dragonstorm123/qwen3.5-4b-sft-disambiguation, поэтому описание составлено по ней. Мультимодальная модель Qwen3.5-4B, дообученная разработчиком dragonstorm123 на базе Qwen/Qwen3.5-4B с использованием Unsloth и библиотеки TRL. Предназначена для диалогового взаимодействия и задач image-text-to-text: модель принимает текст и изображения и формирует текстовые ответы. В метаданных также заявлены возможности работы с изображениями и интерфейс вызова инструментов. Модель содержит 4 млрд параметров и распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает обучающие данные и специальные ограничения применения; качество на конкретных задачах зависит от сценария использования.

Карточка модели dragonstorm123/qwen3.5-4b-sft-base на Hugging Face совпадает с карточкой dragonstorm123/qwen3.5-4b-sft-disambiguation, поэтому описание составлено по ней. Мультимодальная модель Qwen3.5-4B, дообученная разработчиком dragonstorm123 на базе Qwen/Qwen3.5-4B с использованием Unsloth и библиотеки TRL. Предназначена для диалогового взаимодействия и задач image-text-to-text: модель принимает текст и изображения и формирует текстовые ответы. В метаданных также заявлены возможности работы с изображениями и интерфейс вызова инструментов. Модель содержит 4 млрд параметров и распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает обучающие данные и специальные ограничения применения; качество на конкретных задачах зависит от сценария использования.

QwenCleo-ASR — модель распознавания речи, разработанная на базе Qwen3-ASR-1.7B и дообученная для египетского арабского диалекта и переключения между арабским и английским языками. Она принимает аудио и формирует текстовую транскрипцию; в смешанной речи старается сохранять английские технические термины латиницей. Модель поддерживает потоковую обработку токен за токеном через vLLM, а для файлов доступна оконная транскрипция. Модель предназначена для расшифровки египетской разговорной речи, подкастов и аудио с арабско-английским переключением языков. В карточке приведены результаты сравнения на тестовом наборе из 3 699 высказываний, однако заявленное преимущество относится к этому набору и нормализации и не гарантирует качество на других данных. На других арабских диалектах и шумном аудио с большого расстояния качество может снижаться; модель не оптимизирована для речи только на английском. Распространяется по лицензии Apache-2.0.

artop79/rubaistt-uz-ft2 — дообученная модель распознавания речи на базе Whisper Medium. Она предназначена для преобразования узбекской речи в текст. В репозитории указаны 455,8 млн параметров и формат safetensors; модель доступна через Transformers. В README приведены результаты оценки на тестовом наборе: loss 0,0188 и WER 2,0305, однако набор данных и условия оценки не описаны. Модель распространяется по лицензии Apache-2.0.

SAWT V4 — модель восстановления речи, разработанная Quran-Lab при Университете Копенгагена. Она очищает аудиозаписи от реверберации, шума, гула, ограниченной полосы частот и повреждений кодека, сохраняя исходные слова и голос. Модель предназначена для реставрации архивных записей, телефонной речи и записей из помещений с сильным эхом. Архитектура сочетает латентный генератор на основе flow matching с замороженным аудиокодеком DAC-VAE и детерминированным покадровым якорем, который задаёт содержание, высоту тона, характеристики говорящего и начальную оценку чистого сигнала. Выходное аудио имеет частоту 48 кГц. В README заявлена поддержка обучения на речи и пении примерно на 35 языках; метаданные указывают многоязычность и перечисляют ряд языковых тегов. Проверки на выходе отслеживают сохранность содержания и голоса, однако приведённые оценки относятся к описанным авторами наборам и протоколам. Модель распространяется с весами и якорем по лицензии с ограничениями: README запрещает продажу модели и функций на её основе и требует атрибуции. Перед использованием следует проверить полный текст лицензии и условия распространения.

tidelganesh/svara-tts-v1-bf16 — конвертированная версия модели Svara-TTS от Kenpath для преобразования текста в речь. Модель основана на плотной архитектуре Llama, содержит 3,3 млрд параметров и сохранена в формате safetensors с точностью bfloat16. Она предназначена для самостоятельного развёртывания сервера синтеза речи; серверный интерфейс выдаёт монофонический PCM16 с частотой 24 кГц. Базовая Svara-TTS рассчитана на 18 индийских языков и индийский вариант английского. По README, версия bfloat16 примерно вдвое снижает потребление видеопамяти и повышает пропускную способность относительно fp32; автор заявляет отсутствие заметного ухудшения качества. Для работы описаны CUDA 11.8 или новее, PyTorch 2.3 или новее и Transformers 4.45 или новее; для видеокарт с ограниченной памятью рекомендуется Flash Attention 2. Репозиторий распространяется по лицензии MIT. Это преобразование точности и формата весов исходной модели, а не дообучение или квантизация. В комплект также входят пользовательский код модели и связанные файлы upstream-репозитория; их актуальность зависит от синхронизации с базовой моделью. README не описывает отдельные механизмы управления голосом или конкретные ограничения по входному тексту.

Карточка модели SYNAPSEai1/SynapseMusicV12-Transcriber 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.

Tiron — модель распознавания речи с разделением реплик по говорящим, разработанная Trelis. Она построена на архитектуре Whisper large-v3 с расширенным словарём токенов и за один проход создаёт расшифровку с маркерами говорящих и временными метками. Число параметров — 905,3 млн; модель совместима с WhisperForConditionalGeneration и распространяется в формате safetensors. Модель предназначена для транскрибации многоголосых встреч и совещаний. Она обрабатывает аудио окнами по 30 секунд, поддерживает до восьми говорящих в окне, а для полной записи README рекомендует открытый harness, который выполняет разбиение на фрагменты и связывает говорящих между окнами. Заявлены английский и китайский языки, а также многоязычная поддержка. В бенчмарках авторов модель показала скорость около 43× реального времени на одном GPU при потреблении 3–12 ГБ видеопамяти. Метки говорящих анонимны и не сопоставляются с именами или образцами голоса. Встреча ограничена восемью глобальными говорящими при использовании harness; временные метки приблизительны, особенно при сильном перекрытии речи. Лицензия — Apache-2.0.

kalmuraee/tokens — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на наборе Common Voice. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст. В README приведены результаты оценки на тестовой выборке: loss 0,9811 и WER 0,4608. Язык распознавания и конкретные сценарии применения в карточке не уточнены. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

TrOCR base-stage1 — базовая предварительно обученная модель распознавания текста на изображениях, представленная Microsoft и основанная на работе Li и соавторов. Она предназначена для OCR на изображениях с одной строкой текста; для прикладного распознавания рекомендуется искать дообученные версии под нужный тип данных. Модель построена по архитектуре encoder-decoder: трансформерный визуальный энкодер получает изображение как последовательность патчей 16×16, а трансформерный текстовый декодер авторегрессионно генерирует текст. Энкодер инициализирован весами BEiT, декодер — RoBERTa. Карточка не приводит сведений о языковой специализации, размере и лицензии, поэтому эти характеристики здесь не уточняются.

QuickHawk/trocr-indic — модель распознавания текста на изображениях по подходу TrOCR, разработанная Aarya Devarla для индийских языков. Она принимает кадрированные изображения с текстом и генерирует распознанную строку; архитектура — VisionEncoderDecoderModel, объединяющая DeiT и IndicBART. Модель обучена на наборе IndicSTR12 и рассчитана на распознавание ассамского, бенгальского, гуджарати, хинди, каннада, малаялам, маратхи, одиа, панджаби, тамильского и телугу. Несмотря на перечень языков обучения, README предупреждает, что из-за ограничений IndicBART обучение использовало только деванагари. Поэтому качество для языков с другими письменностями может быть ограниченным. Приведённые CER и WER также заметно различаются между языками. Модель распространяется по лицензии MIT.

TrOCR small-stage1 — предварительно обученная модель оптического распознавания текста, представленная Microsoft и описанная в статье Li et al. Она предназначена для извлечения текста из изображений отдельных строк; для практического OCR на конкретных типах документов рекомендуется использовать подходящую дообученную версию. Модель построена по архитектуре encoder-decoder: Transformer-энкодер обрабатывает изображение как последовательность патчей размером 16×16, а авторегрессионный Transformer-декодер генерирует текст. Энкодер инициализирован весами DeiT, декодер — UniLM. Репозиторий содержит веса PyTorch. Модель предварительно обучена, но сама по себе не дообучена под конкретную задачу распознавания. Лицензия в предоставленных данных не указана.

gsarch/ViGoRL-3b-Spatial — мультимодальная модель для визуального рассуждения, разработанная авторами проекта ViGoRL. Это дообученная с помощью SFT и обучения с подкреплением модель Qwen2.5-VL-3B-Instruct с архитектурой Qwen2.5-VL и 3,1 млрд параметров. Она связывает шаги текстового рассуждения с координатами на изображении и предназначена для пространственных задач, требующих локализации объектов и анализа областей изображения. В обучении использовались трассы рассуждений, созданные методом MCTS, и GRPO; семейство ViGoRL также описывает многошаговое увеличение выбранных областей, но наличие этого режима у данной версии отдельно не подтверждено. Модель принимает изображения и текстовые запросы и выдаёт текстовые ответы; базовая модель поддерживает контекст до 128 000 токенов. Применима для визуального поиска, пространственного анализа и задач локализации на скриншотах. Условия лицензии в предоставленных данных не описаны.

VL-Rethinker-72B — мультимодальная модель TIGER-Lab для ответов на вопросы об изображениях и визуальных задач рассуждения. По карточке модели, она обучена методом Forced Rethinking на основе VL-Reasoner с использованием GRPO-SSR и показывает высокие результаты на ряде мультимодальных бенчмарков. Метаданные указывают архитектуру Qwen2.5-VL, плотную модель с 71,5 млрд параметров и контекстом 128 000 токенов. Модель принимает изображения и текстовые запросы, а ответы выдаёт в виде текста; карточка указывает английский язык. Модель подходит для визуальных вопросов, интерпретации изображений и задач, требующих мультимодального рассуждения. Она распространяется под лицензией Apache-2.0. В README базовой названа VL-Reasoner, тогда как метаданные связывают модель с Qwen/Qwen2.5-VL-7B-Instruct; поэтому базовая модель указана по метаданным.

Модель pragyaranjan/w2v-bert-2.0-mongolian-colab-CV16.0 — дообученная на Common Voice 16.0 модель распознавания речи на основе facebook/w2v-bert-2.0. Она использует архитектуру Wav2Vec2-BERT и предназначена для преобразования монгольской речи в текст. Модель содержит около 402,7 млн параметров и доступна в формате Safetensors для библиотеки Transformers. На оценочном наборе указаны Loss 1,0032 и WER 0,3466. Эти результаты характеризуют только приведённую оценку и не гарантируют аналогичного качества на других данных. Модель распространяется по лицензии MIT.