I.15Доступность и ассистивные технологии

Omni-Edu-9B — мультимодальная модель семейства Qwen3.5, разработанная OmniEdu и дообученная на наборе данных Omni-Edu-70K поверх Qwen/Qwen3.5-9B-Base. Она предназначена для диалоговых задач с изображениями и текстом: принимает текст и изображения и формирует текстовые ответы. В метаданных указаны архитектура Qwen3_5ForConditionalGeneration, 9 млрд параметров у базовой модели, библиотека Transformers и формат весов safetensors. Модель подходит для сценариев, где нужно задавать вопросы по изображениям и получать ответы в диалоге. Карточка не сообщает подробностей о составе данных обучения, результатах оценки или конкретных ограничениях. Лицензия указана как other, поэтому условия использования следует сверить с файлами лицензии репозитория и условиями базовой модели.

mlx-community/Qwen2.5-VL-3B-Instruct-8bit — 8-битная версия компактной мультимодальной модели Qwen2.5-VL-3B-Instruct, преобразованная сообществом mlx-community в формат MLX с помощью mlx-vlm 0.1.11. Модель основана на плотной архитектуре Qwen2.5-VL с 3,1 млрд параметров и предназначена для диалога с анализом изображений и генерацией ответов на естественном языке. Модель принимает текст и изображения, поддерживает контекст до 128 000 токенов и может использоваться для визуальных вопросов и ответов, описания изображений и структурированного вывода. Метаданные также указывают на интерфейс вызова инструментов. В карточке указана английская языковая поддержка. Для подробностей о возможностях README отсылает к карточке исходной модели. Лицензия в предоставленных данных не приведена.

Qwen3.6 Plus — мультимодальная модель семейства Qwen. В доступной карточке она описана как использующая гибридную архитектуру с эффективным линейным механизмом внимания и разреженной маршрутизацией смеси экспертов, что предназначено для масштабирования и производительного вывода. Каталог относит модель к задаче image-text-to-text, то есть к обработке изображений с выдачей текстового ответа. Карточка README обрывается до описания конкретных сценариев и не содержит сведений о разработчике, размере, языках, длине контекста, лицензии или ограничениях. Поэтому эти характеристики и условия использования установить по предоставленным данным нельзя.

DevQuasar/Qwen.Qwen3-VL-8B-Instruct-GGUF — квантованная версия модели Qwen/Qwen3-VL-8B-Instruct, опубликованная DevQuasar. Это vision-language модель с инструкционной настройкой, предназначенная для задач image-text-to-text: анализа изображений и подготовки текстовых ответов по визуальному и текстовому контексту. Из доступных данных известно, что модель относится к семейству Qwen3-VL и имеет размер 8B параметров; формат GGUF предназначен для локального запуска в совместимых инструментах. Модель поддерживает обработку изображений вместе с текстом, однако сведения о конкретных языках, размере контекстного окна, архитектурных деталях, вариантах квантования, производительности и аппаратных требованиях в README не указаны. Лицензия также не указана, поэтому условия использования следует уточнить в источнике базовой модели и на странице публикации. К преимуществам относятся мультимодальность, инструкционная настройка и возможность локального применения в формате GGUF; ограничения связаны с неизвестными характеристиками квантования и отсутствием подробных данных о качестве и поддерживаемых сценариях.

whisper-base — это модель автоматического распознавания речи, подготовленная компанией Software Mansion для библиотеки React Native ExecuTorch. В репозитории размещены экспортированные программы ExecuTorch в формате .pte, готовые к запуску непосредственно на устройстве. Исходной моделью является whisper-base от OpenAI. Модель предназначена для сценариев преобразования речи в текст в приложениях на React Native и в собственных приложениях, использующих runtime ExecuTorch. Доступны варианты для backend Core ML, MLX, Vulkan и XNNPACK с точностью fp16, bf16, int8 или fp32; размер файлов составляет примерно от 97,8 до 380 МБ в зависимости от варианта. Точные архитектурные характеристики, поддерживаемые языки и размер контекста в README не указаны. Файлы опубликованы для ExecuTorch версии 1.4.1; обратная совместимость с более старыми версиями не гарантируется, а для новых версий также следует учитывать совместимость runtime. Репозиторий распространяется по лицензии Apache-2.0.

SabaVL1-2B — мультимодальная модель Sakalti на архитектуре Qwen2-VL, дообученная на базе unsloth/Qwen2-VL-2B-Instruct. Она принимает изображения и текстовые запросы и формирует текстовые ответы, поэтому подходит для диалога с визуальным содержимым. Модель содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на вопросы по изображениям и других сценариев визуального диалога. В карточке указано, что при обучении использовались Unsloth и библиотека TRL. Поддерживаемый язык по данным карточки — английский. Модель распространяется по лицензии Apache-2.0.

Capacit-ai/saga — модель автоматического распознавания речи, разработанная Andreas Eefsen из Capacit A/S на основе Qwen/Qwen3-ASR-1.7B и дообученная на семействе датасетов CoRal. Она предназначена для транскрибации датской речи, в том числе длинных записей; для длинного аудио описан режим последовательной обработки фрагментов с накоплением контекста. Модель принимает монофонический аудиосигнал с частотой 16 кГц и выдаёт текст. По опубликованной оценке на тестовой части CoRal read_aloud она показала CER 6,7% и WER 15,6%; автор также сообщает об оптимизациях для быстрого вывода. Хотя базовая Qwen3-ASR многоязычна, этот чекпойнт ориентирован на датский и, по описанию, утратил большую часть многоязычных возможностей. Лицензия — Apache-2.0.

Seed-2.0-Mini — компактная мультимодальная модель понимания от ByteDance Seed. Она предназначена для сценариев с высокой нагрузкой, где важны низкая задержка, быстрые ответы и экономичное развёртывание. В README заявлена производительность, сопоставимая с ByteDance-Seed-1.6, контекст до 256 тысяч токенов и четыре режима интенсивности рассуждений: minimal, low, medium и high. Модель поддерживает мультимодальное понимание; задача в метаданных — image-text-to-text. Это позволяет использовать её для анализа изображений с ответом или описанием на естественном языке. README не уточняет перечень модальностей сверх мультимодального понимания, языки и лицензию, поэтому эти характеристики не включены.

SepFormer — модель шумоподавления речи, разработанная командой SpeechBrain и обученная на наборе WHAM! для аудио с частотой дискретизации 16 кГц. Она принимает зашумлённую речь и выдаёт очищенный аудиосигнал, помогая улучшать разборчивость записей с шумом и реверберацией. В тестах на WHAM! карточка сообщает SI-SNR 14,3 дБ; в таблице результатов для выпуска от 30 июня 2022 года приведены SI-SNR 13,8 дБ и PESQ 2,20. Модель реализована на PyTorch с архитектурой SepFormer, основанной на трансформерах. Обучающий набор WHAM! основан на WSJ0-Mix и включает шум окружающей среды и реверберацию; в описании набора указана исходная частота 8 кГц. Модель рассчитана на задачи улучшения англоязычной речи. Лицензия репозитория — Apache-2.0. Результаты на других наборах данных не гарантируются: качество обработки может отличаться от показателей на WHAM!.

SmolVLM-256M-Instruct-bf16 — компактная мультимодальная модель семейства Idefics3 от mlx-community, преобразованная в формат MLX из HuggingFaceTB/SmolVLM-256M-Instruct. Она принимает изображения и текстовые запросы и генерирует текстовые ответы, поэтому подходит для диалога о содержимом изображений и других задач визуально-языкового взаимодействия. В метаданных указана архитектура Idefics3ForConditionalGeneration, а модель обучалась с использованием наборов HuggingFaceM4/the_cauldron и HuggingFaceM4/Docmatix. Репозиторий предназначен для запуска через mlx-vlm и содержит веса bf16 в формате MLX; конвертация выполнена из исходной модели с помощью mlx-vlm версии 0.1.11. Карточка указывает лицензию Apache-2.0. Язык карточки — английский; поддержка других языков в предоставленных данных не подтверждена.

BuzzASR — Sorani Kurdish — это одноязычная модель распознавания речи на курдском языке сорани, разработанная как часть набора BuzzASR из 102 специализированных ASR-моделей. Она основана на openai/whisper-large-v3 и полностью дообучена с заменой токенизатора для языка и дополнительным мультитасковым обучением на текстовых данных. Модель содержит 907,3 млн параметров и принимает аудио, выдавая текстовую расшифровку. Модель предназначена для транскрибации речи на сорани. В тестах FLEURS и Common Voice 25 модель показала CER 9,68% и 3,58% соответственно; на объединённом тестовом наборе CER составил 7,43%, а WER — 26,43%. Модель лицензирована по MIT. Модель рассчитана только на сорани; качество может отличаться на других предметных областях и диалектах. Оценка проводилась на тестовых выборках FLEURS и Common Voice.

Sunflower-Gemma4-E2B — мультимодальная модель Sunbird AI, дообученная на базе Google Gemma 4 E2B IT для работы с текстом и речью на африканских языках. Она принимает текст, изображения и аудио длительностью до 30 секунд с частотой 16 кГц и выдаёт текст. Основные сценарии — перевод между английским и поддерживаемыми языками, транскрибация речи, выполнение инструкций и многоходовый диалог. Модель обучалась на многоязычных текстах и параллельных корпусах, примерах транскрибации, а затем проходила дообучение с инструкциями и постобучение GRPO. Карточка оценивает перевод для 69 языков и распознавание речи для 51 языка; качество заметно различается между языками и зависит от объёма обучающих данных. Для транскрибации нужно явно указывать язык речи, а аудио подавать как монофонический сигнал длительностью не более 30 секунд. Это предварительная версия: веса и качество результатов могут измениться до стабильного релиза, поэтому карточка не рекомендует закреплять её в производственных системах. Переводы и транскрипции могут содержать уверенно сформулированные ошибки; результаты для языков с малым объёмом данных следует проверять. Лицензия — Apache-2.0.

Akashpb13/Swahili_xlsr — акустическая модель распознавания речи на основе Wav2Vec2 XLS-R 300M, дообученная на Common Voice 7.0. Модель принимает аудио и с помощью CTC декодирования преобразует речь на суахили в текст. В метаданных указано 402,7 млн параметров; модель представлена в форматах PyTorch и Safetensors. Модель предназначена для транскрибирования записей и оценки распознавания речи на суахили. В README приведены результаты оценки: WER 0,188 и loss 0,159; метрики относятся к указанному автором набору оценки и не гарантируют аналогичного качества на других данных. README содержит несогласованность: в описании обучения упоминаются данные Common Voice на хауса, тогда как название модели и конфигурация оценки указывают на суахили. Лицензия — Apache-2.0.

Kaousheik/tempo-ablation-naive — экспериментальный чекпойнт TEMPO, разработанный для временной привязки содержания аудио. Он дообучен на базе NVIDIA Audio Flamingo 3: аудиоэнкодер Whisper-large соединён с языковой моделью Qwen2-7B через MLP-проектор. Модель принимает аудио и текстовый запрос с тегом задачи и выдаёт текст с временными метками; охватывает речь, звуки и музыку, поддерживает распознавание речи, диаризацию говорящих, плотное описание аудио и поиск интервалов по текстовому запросу. Этот вариант «Table 3 — Naive» создан для абляционного эксперимента на подмножестве из 2 000 примеров. В нём отключены учитывающая расстояние функция потерь и проектор с временным кодированием, поэтому опубликованные результаты уступают более полным вариантам TEMPO. Модель рассчитана на английский язык; метки времени ограничены 60 секундами, а записи большей длины нужно разбивать на фрагменты. Распознавание речи нескольких говорящих остаётся сложным, музыкальные оценки приблизительны, а метки говорящих согласованы только внутри отдельной записи. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели.

Translate Gemma 4 Sub E4B — мультимодальная модель Google Gemma 4 E4B Instruct, дообученная автором репозитория для обычного перевода и перевода субтитров с учётом контекста предыдущих реплик. Она предназначена прежде всего для потоковой и разговорной речи: может учитывать предыдущие исходные и переведённые сегменты, стиль, сведения о говорящих, терминологию и глоссарии. Модель стремится сохранять смысл, тон, сленг, повторы, неопределённость и незавершённые фразы. Это плотная модель семейства Gemma 4 с поддержкой текста и изображений; в карточке указаны возможности диалога и vision. Переводная настройка охватывает 11 языков: английский, русский, испанский, немецкий и японский отнесены к наиболее освоенным, французский, португальский, китайский, нидерландский, итальянский и корейский — к следующей группе. Для других языков Gemma 4 качество перевода специально не оценивалось. В README приведены результаты сравнительной оценки, но они не гарантируют качество для каждого направления и сценария. Лицензия — Apache-2.0.

optimum-intel-internal-testing/trocr-small-handwritten — модель TrOCR для оптического распознавания рукописного текста. Она основана на работе Minghao Li и соавторов «TrOCR: Transformer-based Optical Character Recognition with Pre-trained Models» и впервые выпущена в репозитории Microsoft UniLM. Данная версия дообучена на наборе данных IAM. Модель предназначена для OCR отдельных изображений строк текста, в частности рукописных записей. Это encoder-decoder архитектура: Transformer для обработки изображения используется как энкодер, а текстовый Transformer — как авторегрессионный декодер. Энкодер инициализирован весами DeiT, декодер — весами UniLM. Изображение преобразуется в последовательность патчей фиксированного размера 16×16 с абсолютными позиционными эмбеддингами, после чего декодер генерирует распознанный текст. Ключевые характеристики включают малый размер модели, визуально-текстовую модальность и поддержку сценариев распознавания строк рукописного текста. Модель ориентирована на изображения одной текстовой строки; для других типов документов, языков или многострочных изображений качество и применимость README не подтверждает. Лицензия в предоставленных данных не указана.

Модель mouseyy/uk_wav2vec2_with_stress_mark — дообученная разработчиком mouseyy модель Wav2Vec2ForCTC для распознавания украинской речи с транскрипцией и обозначением лексического ударения. Она принимает аудио и выдаёт текст; обучалась на Common Voice 17.0. В README приведены результаты на оценочной выборке: WER 0,2984 и CER 0,1512. Модель содержит около 402,7 млн параметров и распространяется в формате Safetensors. Лицензия — Apache-2.0. Она предназначена для автоматической транскрипции украинской речи, включая вывод ударений; качество может различаться на других типах аудио и данных, поскольку сведения об обучении и ограничениях в карточке не раскрыты.

ViGOS-7B — мультимодальная модель для анализа изображений, разработанная на основе Qwen/Qwen2.5-VL-7B-Instruct с помощью метода дообучения Visual Grounding On-Policy Self-Distillation. Она принимает изображение и вопрос или инструкцию, а затем формирует описание визуальных свидетельств, рассуждение и итоговый ответ. Учителя и эталонные ответы используются при обучении, но не нужны во время генерации. Модель предназначена для исследований и разработки в задачах визуальных вопросов и ответов, математических задач по изображениям и диаграммам, OCR и анализа графиков, пространственных рассуждений и визуального заземления. Архитектура — плотная Qwen2.5-VL с 7,1 млрд параметров; контекст — до 128 000 токенов. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. ViGOS нацелена на снижение зависимости от языковых подсказок и повышение опоры на визуальные данные. Модель может выдавать правдоподобные, но ошибочные описания и рассуждения; она не должна быть единственным основанием для решений с высокими ставками. В оценке для бенчмарков итоговый ответ извлекается из последнего блока \boxed{...}, поэтому ответы без такого формата могут не засчитываться.

VoiceRestore — модель для восстановления качества записей речи, опубликованная jadechoghari. Она использует трансформер с flow matching и содержит около 301 млн параметров; модель принимает повреждённую аудиозапись и выдаёт восстановленную речь. Заявленные виды искажений включают фоновый шум, реверберацию, дисторсию и потерю сигнала. Модель предназначена для очистки и улучшения речевых записей. В README указано, что веса предварительно обучены, но обучение модели ещё продолжается и чекпойнты могут обновляться. Репозиторий распространяется по лицензии MIT. Модель оптимизирована для речи и может работать хуже на музыке и других типах аудио. Качество восстановления при сильных повреждениях остаётся предметом дальнейшей работы; обработка в реальном времени не заявлена.

saribalgar/wav2vec2-base-timit-ms — дообученная модель распознавания речи на архитектуре Wav2Vec2ForCTC, основанная на facebook/wav2vec2-base. Она принимает аудио и преобразует речь в текст; карточка сообщает метрики на оценочной выборке: loss 0,7589 и WER 0,3722. Модель содержит 113,3 млн параметров и опубликована в формате PyTorch. Модель распространяется по лицензии Apache-2.0. В README набор данных назван None, а описание сценариев применения и ограничений отсутствует, поэтому область обучения и поддерживаемые языки по доступным данным определить нельзя.

Модель Sámi Wav2Vec2-Large разработана Ярославом Гетманом и Тамашем Гросом для автоматического распознавания саамской речи. Это акустическая модель на базе Wav2Vec2 с архитектурой Wav2Vec2ForCTC; она дообучена на 20 часах аудио заседаний Саамского парламента, записанного с частотой 16 кГц. Размер модели по метаданным — 402,7 млн параметров. Модель преобразует речь на саамском языке в текст и предназначена для транскрибации записей, включая речь вне обучающего домена и аудио разного качества. В README отмечено, что в экспериментах prefix beam search немного снижал символьную ошибку по сравнению с жадным декодированием; внешняя языковая модель для этого не обязательна. Для входного аудио требуется частота дискретизации 16 кГц. Оценка проводилась на одном часе чтения вслух и спонтанной речи вне обучающего домена, поэтому качество на других условиях записи и типах речи может отличаться. Лицензия — Apache-2.0.

anton-l разработал эту модель, дообучив facebook/wav2vec2-large-xlsr-53 для распознавания татарской речи на данных Common Voice. Это акустическая модель Wav2Vec2 Large с архитектурой Wav2Vec2ForCTC и примерно 402,7 млн параметров. Она принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; модель можно использовать без отдельной языковой модели. Для тестовой части Common Voice указано значение метрики 26,76 %, но название метрики в карточке не приведено. Веса доступны в форматах PyTorch и Flax, лицензия — Apache 2.0.

Это модель автоматического распознавания речи на базе wav2vec 2.0 XLS-R, дообученная автором davidilag на неизвестном наборе данных. Она принимает аудио и преобразует речь в текст; число параметров — 1,3 млрд. В README приведены результаты оценки: WER 24,1682 и CER 3,8304, однако описание набора данных и условий оценки отсутствует. Модель предназначена для транскрибирования речи. Метаданные не определяют поддерживаемые языки, поэтому нельзя надёжно указать язык или область применения. Файлы представлены в формате safetensors, используется библиотека Transformers. Лицензия — Apache-2.0.

wav2vec2-xls-r-parlaspeech-hr — модель распознавания хорватской речи от CLASSLA. Это архитектура Wav2Vec2ForCTC размером 402,7 млн параметров, дообученная на 300 часах аудиозаписей и расшифровок из набора ParlaSpeech-HR v1.0, сформированного на основе парламентских выступлений. Модель предназначена для автоматической транскрипции хорватской речи, в частности записей парламентских заседаний. На тестовой части ParlaSpeech-HR v1.0 указаны CER 0,0234 и WER 0,0761; карточка отмечает, что другая модель из серии, wav2vec2-large-slavic-parlaspeech-hr-lm, показывает лучшие результаты по этим метрикам. Модель принимает аудио и выдаёт текст. В метаданных указана лицензия CC-BY-NC-SA-4.0.

Whisper Large Icelandic — акустическая модель автоматического распознавания речи, созданная Language and Voice Laboratory Рейкьявикского университета. Она получена дообучением openai/whisper-large на корпусе Samrómur Milljón: 967 часов исландской речи, собранной через платформу Samrómur и прошедшей автоматическую проверку. Обучение включало 62 640 шагов. Модель предназначена для преобразования исландской речи в текст. Её можно применять для транскрибации записей исландской речи и создания систем распознавания речи на исландском языке. Архитектура — Whisper Large, около 905,2 млн параметров; репозиторий содержит веса PyTorch. В качестве обучающих данных использован корпус Samrómur Milljón. По README, результат оценки составил 7,743795695602924, но метрика и условия оценки не приведены, поэтому это число нельзя однозначно интерпретировать. Модель распространяется по лицензии CC BY 4.0.

xezpeleta/whisper-large-v3-eu — модель автоматического распознавания речи, созданная дообучением Whisper large-v3 от OpenAI для баскского языка (eu). Она принимает аудио и выдаёт его расшифровку текстом; использует архитектуру Whisper large-v3 и содержит около 905,2 млн параметров. Для обучения применён корпус asierhv/composite_corpus_eu_v2.1. Модель предназначена для транскрибации баскской речи, в том числе для профессиональных сервисов и приложений, где важна точность. В README указаны WER 6,5443 на валидационной выборке обучающего корпуса и WER 4,84 на Mozilla Common Voice 18.0. Лицензия — Apache-2.0. Качество распознавания зависит от записи: фоновый шум и плохие условия могут ухудшить результат; возможны ошибки на диалектной и неформальной речи, сложных конструкциях и редких словах. Большой размер модели требует существенных вычислительных ресурсов и ограничивает применение на устройствах с малой мощностью и в сценариях реального времени.

noirlab/whisper-large-v3-lingala-asr — дообученная модель распознавания речи на основе openai/whisper-large-v3, созданная для транскрибации аудио на языке лингала. Модель использует архитектуру Whisper и содержит около 905,2 млн параметров; она дообучена на наборе Google FLEURS. Модель принимает аудио и выдаёт текстовую транскрипцию. На тестовом наборе указаны Loss 0,4297 и WER 14,8266. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

Модель sitwala/whisper-large-v3-turbo-anv-zul-50h — дообученная версия Whisper large-v3-turbo от OpenAI, созданная на наборе данных dsfsi-anv/za-african-next-voices. Она предназначена для автоматического распознавания речи и преобразования аудио в текст; архитектура — WhisperForConditionalGeneration, размер — 905,2 млн параметров. В оценке на указанном в карточке наборе получен WER 32,6072 и loss 0,4603. Модель принимает аудио и выдаёт текст. Суффикс «zul» в названии указывает на фокус на языке зулу, однако карточка не приводит явного списка поддерживаемых языков. Репозиторий использует Transformers и формат safetensors. Лицензия — MIT.

Это дообученная модель OpenAI Whisper Large V3 Turbo от ele-sage для автоматического распознавания речи на канадском французском, включая квебекский диалект. Она преобразует аудио в текст и рассчитана на транскрибацию медиа, подкастов, интервью, формальных выступлений и повседневной речи с региональными акцентами. Модель построена на архитектуре Whisper с последовательным преобразованием аудио в текст и содержит около 905,2 млн параметров. Для дообучения использовали примерно 69 часов записей: выступления в Национальной ассамблее Квебека и данные Common Voice на канадском и других вариантах французского. В README указана частота дискретизации 16 кГц; фрагменты длиннее 30 секунд исключались или сегментировались. На валидационном наборе автор сообщает WER 6,65%. Модель предназначена прежде всего для французской речи из Квебека; обучение на формальных выступлениях и краудсорсинговых записях призвано охватить разные регистры. Это не гарантия точности на других акцентах, шумных записях или темах, не представленных в обучающих данных. Лицензия — MIT.

Модель разработана Blgn94 для автоматического распознавания монгольской речи. Это дообученная на LoRA модель OpenAI Whisper Large v3 Turbo; адаптер объединён с базовыми весами, поэтому модель можно использовать как обычную Whisper-модель без PEFT. Она принимает аудио и выдаёт текстовую транскрипцию на монгольском языке кириллицей. Размер базовой модели — 809 млн параметров, библиотека для использования — Transformers. Модель предназначена для транскрибирования преимущественно чистой, заранее прочитанной монгольской речи. В сравнении на случайной выборке из 200 клипов Common Voice она показала WER 27,4% и CER 11,0%; автор отмечает, что эти результаты ориентировочные и не получены на полном валидационном наборе. Обучение проведено на примерно 57 тысячах аудиозаписей из Common Voice, FLEURS и MBSpeech. Модель хуже подходит для спонтанной разговорной речи, шумных записей, выраженных диалектов и телефонного аудио с полосой 8 кГц. Она обучена на транскрипциях только кириллической монгольской письменностью; оценка ошибки ещё снижалась к концу обучения. Лицензия — Apache-2.0.