I.15Доступность и ассистивные технологии

re-skill/whisper-large-v3-turbo-tj — дообученная модель семейства Whisper, созданная на основе openai/whisper-large-v3-turbo и обученная на наборе FLEURS. Она предназначена для автоматического распознавания речи и преобразования аудио в текст, с акцентом на таджикский язык. Модель содержит около 905,2 млн параметров и использует архитектуру WhisperForConditionalGeneration; для работы с ней указана библиотека Transformers. В карточке приведён результат оценки на тестовом наборе: WER 16,4316 и loss 0,2667. Использование модели распространяется по лицензии MIT. Карточка не описывает подробные ограничения и сценарии применения, поэтому качество на других данных и в реальных условиях может отличаться от указанной оценки.

Whisper Small Manglish — дообученная модель OpenAI Whisper Small, созданная для автоматической транскрибации речи с переключением между малаялам и английским (Manglish). Она принимает аудио и выдаёт текстовую расшифровку; в метаданных указаны архитектура WhisperForConditionalGeneration и формат весов safetensors. Модель рассчитана на распознавание смешанной малаяламско-английской речи. На тестовой выборке Manglish ASR Benchmark модель показала WER 44,38% и CER 16,53%; в README сообщается, что обучение, валидация и тест не пересекались по клипам. Оценка проводилась только на этом бенчмарке, а строгая посимвольная и пословная сверка считает ошибками и варианты записи одного слова разными письменностями. Лицензия — Apache-2.0.

DocWolle/whisper_tflite_models — набор моделей Whisper в формате TensorFlow Lite для приложения Whisper на F-Droid. Модели принимают аудиопризнаки размером 80 × 3000 и предназначены для автоматического распознавания речи; отдельные варианты позволяют выбрать транскрибацию или перевод, а также принудительно задать язык распознавания. Выход представляет собой последовательность токенов с текстом без временных меток. Репозиторий содержит преобразованные модели TFLite на основе Whisper; точные размеры и варианты базовых моделей в доступной карточке не приведены. README показывает обёртки с лимитом генерации до 450 новых токенов. Лицензия — MIT. Модели рассчитаны на встраивание в приложение Whisper и локальный запуск совместимой средой TensorFlow Lite.

Это компактная модель распознавания речи, созданная дообучением OpenAI Whisper tiny командой wrice с помощью GRPO — оптимизации политики по групповому вознаграждению. Она преобразует аудио в текст и предназначена для транскрибации записей на языках Common Voice; при обучении использован набор cv22_index со всеми 77 локалями Common Voice, а язык клипа задавался по локали. Модель обучали выбирать транскрипции по смешанной оценке на основе WER, CER и штрафов за длину и повторы. В README указаны лучшие значения на проверочной выборке: WER 0,765 и CER 0,344 в целом по 77 языкам. Модель доступна для использования через библиотеку Transformers и распространяется по лицензии MIT. Это экспериментальная модель и доказательство концепции, а не настроенная для промышленного применения система. Результаты приведены для нормализованного текста на отложенной выборке Common Voice; точность в реальных условиях зависит от предметной области, акцента, языка и качества аудио.

Whisper Tiny Myanmar — модель распознавания речи, созданная Thant Zin Phyo путём дообучения openai/whisper-tiny на наборе thantzinphyo/burmese-speech-refined-openslr-80. Она преобразует аудиозаписи на бирманском языке в текст и предназначена для транскрибации речи. Модель использует архитектуру Whisper, содержит 29,4 млн параметров и сохранена в формате Safetensors. В карточке приведены результаты на проверочной выборке: WER 51,72% и CER 13,11% для лучшего контрольного состояния на шаге 1200. Эти показатели указывают на заметные ошибки распознавания, поэтому результат может требовать проверки и исправления. Лицензия — Apache-2.0.

X-AuT-14layer — модель распознавания речи от XPeng, созданная на основе Qwen3-ASR-0.6B. В аудиокодировщике удалены 4 из 18 Transformer-блоков: его размер сокращён со 186,376 млн до 147,794 млн параметров, то есть на 20,70%. Языковая модель сохранена, а released checkpoint поставляется как полная дообученная модель в формате safetensors и загружается без отдельной загрузки базовой модели или ручного удаления слоёв. Модель предназначена для транскрибации речи на китайском и английском языках. В описанных тестах на десяти публичных бенчмарках 14-слойная версия показывает компромисс между точностью и эффективностью: средняя ошибка выше базовой на 2,5% относительно, зато задержка аудиокодировщика ниже на 21,4% на автомобильном PPU и на 11,4% на H800. Это результаты одиночных запусков; статистическая значимость не установлена. Для модели указана лицензия CC BY-NC 4.0, ограничивающая коммерческое использование.

Xinyuan-VL-2B — мультимодальная модель Cylingo Group для работы с изображениями и текстом. Она дообучена на базе Qwen/Qwen2-VL-2B-Instruct на более чем 5 млн мультимодальных примеров и небольшом объёме обычных текстовых данных. Модель построена на архитектуре Qwen2-VL, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для визуальных вопросов и ответов: пользователь может передать изображение и задать вопрос на естественном языке. В README сообщается об оценке с помощью VLMEvalKit и результатах на бенчмарках MMB-CN-V11-Test, MMB-EN-V11-Test и MMB-EN, где модель превзошла приведённые сравнимые модели. Поддерживаются китайский и английский языки; репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0.

Belle-distilwhisper-large-v2-zh — модель распознавания речи, разработанная BELLE-2 на основе distilwhisper-large-v2 и дообученная для улучшения распознавания китайской речи. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration и примерно 905,2 млн параметров; для работы с аудио использует частоту дискретизации 16 кГц. Модель предназначена для преобразования китайской речи в текст, в том числе в записях с тестовых наборов AISHELL-1, AISHELL-2, WenetSpeech и HKUST. В README указано, что она в 5,8 раза быстрее whisper-large-v2 и имеет на 51% меньше параметров; приведённые результаты CER зависят от тестового набора и не показывают улучшение на каждом из них. Модель доступна в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не приводит длину контекста или отдельные сведения о поддержке других языков, поэтому здесь они не заявляются.

Bina 0.1 Koochik GGUF — версия модели для распознавания текста на изображениях, подготовленная Reza2kn в формате GGUF F16 для llama.cpp. Это мультимодальная модель с архитектурой Qwen3.5 и отдельным проектором зрения; README указывает, что комплект включает исправленную среду выполнения для поддержки токенизатора WordLevel модели. Она предназначена прежде всего для локального OCR персидских изображений и может запускаться через Python-лаунчер или веб-интерфейс, в том числе офлайн после загрузки полного комплекта. Карточка описывает проверку на одном персидском фрагменте печатного текста, поэтому она не подтверждает общую точность OCR. Для запуска требуются Python 3.9+, а GPU-режим зависит от Vulkan; в комплекте для macOS доступен только CPU-режим. Лицензия — OpenRAIL.

Chinese-LLaVA-Baichuan — двуязычный визуально-языковой ассистент на архитектуре LLaVA, разработанный проектом Chinese-LLaVA. Модель предназначена для мультимодальных диалогов на китайском и английском языках: она принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы. В карточке проекта указана версия на базе Baichuan-7B; метаданные репозитория описывают плотную архитектуру и 6,7 млрд параметров, а также контекст длиной 2048 токенов. Модель подходит для ответов на вопросы по изображениям и других сценариев визуального диалога на китайском и английском. В репозитории указаны веса PyTorch и лицензия OpenRAIL в метаданных; README проекта заявляет Apache-2.0 для проекта, поэтому условия использования самих весов следует сверять с лицензией репозитория. В карточке отмечен обучающий набор Chinese-LLaVA-Vision-Instructions.

thwri/CogFlorence-2.2-Large — дообученная версия Florence-2-large от Microsoft, адаптированная для описания изображений. Её обучали на подмножестве из 40 000 изображений Ejafa/ye-pop с подписями, созданными THUDM/cogvlm2-llama3-chat-19B и обработанными google/gemma-2-9b. Модель принимает изображения и выдаёт текстовые описания; её основной сценарий — создание подписей к разнообразным изображениям. В основе лежит архитектура Florence 2, веса хранятся в формате safetensors. В метаданных указаны английский язык и библиотека Transformers. Репозиторий распространяется по лицензии MIT. Настройка ориентирована на подписи к изображениям; README не приводит результатов оценки качества или подробностей о поддержке других задач Florence-2-large. Поэтому пригодность для OCR, обнаружения объектов и других задач базовой модели отдельно не подтверждена.

Data2Vec Audio — это модель автоматического распознавания речи, разработанная Meta под именем facebook/data2vec-audio-base-960h и преобразованная в формат GGUF для использования с CrispASR. Модель предназначена для транскрибации англоязычных аудиозаписей и совместима с backend wav2vec2 в CrispASR. Архитектура включает сверточный экстрактор признаков в стиле wav2vec2 с 7 слоями и размерностью 512, 12-слойный Transformer с размерностью 768 и 12 attention heads, а также CTC-head. Модель содержит около 95 млн параметров. Она прошла self-supervised pre-training на LibriSpeech объёмом 960 часов и последующее обучение с CTC loss. Поддерживается только английский язык. Заявленная частота ошибок составляет 1,89% на LibriSpeech test-clean и 4,07% на test-other. Сильные стороны модели — относительно компактный размер, хорошая точность на англоязычной речи и сохранение результатов исходной Hugging Face-модели в вариантах GGUF с разной точностью, включая F16, Q4_K и Q8_0. Ограничение — специализация только на английском языке; качество на других языках и сценариях в предоставленных данных не указано. Модель распространяется по лицензии Apache 2.0.

DolphinVision 7b — мультимодальная чат-модель, созданная Куаном Нгуеном, Эриком Хартфордом и Cognitive Computations. Она предназначена для диалога и генерации текста, а также для рассуждений и комментариев по изображениям. В метаданных модель указана как плотная архитектура BunnyQwenForCausalLM на 7,1 млрд параметров с контекстом до 131 072 токенов. Карточка называет её uncensored, однако бенчмарки в README не приведены. Указанная лицензия — other; конкретные условия использования нужно проверять в файлах репозитория.

Карточка модели droplychee/droplycheetttttttest 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.

Модель itshamdi404/Egy_Arabic_whisper-small — дообученная Hamdi Mohamed мультиязычная Whisper Small для распознавания египетского арабского на аудиозаписях и преобразования речи в текст. Архитектура WhisperForConditionalGeneration, около 153,1 млн параметров; модель использует библиотеку Transformers и веса в формате safetensors. При обучении применялись аудио с частотой 16 кГц, нормализация текста и извлечение признаков процессором Whisper. Модель предназначена для транскрибации египетской речи, голосовых интерфейсов, разметки аудиоданных и бенчмаркинга распознавания арабских диалектов. Обучение на аудио с соответствующими расшифровками ориентировано на произношение, лексику и речевые особенности египетского диалекта. Лицензия — Apache-2.0. На других арабских диалектах качество может быть ниже; шум, одновременная речь и низкое качество записи ухудшают распознавание. Редкие слова и имена могут транскрибироваться с ошибками.

linhtrann21/ft_paligemma_10k — дообученная модель семейства PaliGemma для задач «изображение — текст». Она принимает изображение и текстовый запрос и формирует текстовый ответ. Модель реализована архитектурой PaliGemmaForConditionalGeneration и распространяется в формате safetensors через библиотеку Transformers. Карточка не описывает конкретные сценарии применения, обучающие данные и результаты оценки, поэтому назначение модели можно определить только на общем уровне: работа с визуальными входными данными по текстовому запросу. Модель создана дообучением репозитория linhtrann21/ft_paligemma_10k; лицензия указана как gemma.

Fun-Audio-Chat-8B — большая аудиоязыковая модель семейства FunAudioChat, предназначенная для естественных голосовых взаимодействий с низкой задержкой. В карточке Hugging Face указаны архитектура FunAudioChatForConditionalGeneration, около 8 млрд параметров и формат safetensors; модель работает с английским и китайским языками. Модель поддерживает ответы на вопросы по аудио, понимание речи, выполнение речевых инструкций и вызов функций голосом, а также взаимодействия с эмпатичной речью. В ней используются представления речи с двумя разрешениями: общий тракт с частотой 5 Гц и уточняющая часть на 25 Гц. Авторы заявляют о снижении вычислительных затрат при сохранении качества речи и сильных результатах в аудиобенчмарках. Для инференса в README указано около 24 ГБ видеопамяти; обучение требует четырёх GPU по 80 ГБ. Модель распространяется по лицензии Apache-2.0.

ApocalypseParty/G4-31B-SFT-v5-2-soup — объединённая модель на архитектуре Gemma 4, созданная методом Linear с помощью mergekit из двух чекпойнтов: ApocalypseParty/G4-31B-SFT-v5-2 и ApocalypseParty/G4-31B-SFT-v5-2-seed1337. Модель предназначена для диалогов с текстом и изображениями: принимает текстовые запросы и изображения, выдаёт текстовые ответы. Карточка описывает способ объединения весов, но не уточняет языки, размер модели или длину контекста. В метаданных указаны библиотека Transformers, формат safetensors и возможности чата и работы с изображениями. Лицензия в предоставленных данных не указана.

handy-computer/gigaam-v3-rnnt-gguf — это GGUF-конверсия модели GigaAM-v3, разработанной ai-sage, адаптированная для работы с transcribe.cpp. Модель предназначена для офлайн-распознавания русской речи и преобразования аудио в текст с использованием жадного RNN-T-декодирования. В основе используется 16-слойный Conformer-энкодер; исходная модель GigaAM-v3 содержит около 220–240 млн параметров и предварительно обучалась на 700 000 часах русской речи с использованием цели HuBERT-CTC. Данная версия обучена выдавать строчные русские символы без пунктуации и использует словарь из 33 символов. Поддерживаются варианты квантования F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 183 до 888 МБ. Для аудио на наборе FLEURS ru заявлен WER около 8,07–8,12% в зависимости от квантования. Сильные стороны модели — специализированное распознавание русского языка, автономная работа без внешней языковой модели и небольшие требования к размеру в квантованных вариантах. Ограничения: потоковая обработка, перевод и автоматическое определение языка не поддерживаются; результат не содержит пунктуации и нормализации текста. Предусмотрены токенные временные метки. Для работы требуется transcribe.cpp, а входное аудио должно быть WAV с частотой 16 кГц и одним каналом. Модель распространяется по лицензии MIT, унаследованной от базовой модели.

Это модель автоматического распознавания речи на основе Arabic HuBERT-Large с CTC-декодером, дообученная авторами репозитория на наборах MGB-3 и Egyptian Arabic Conversational Speech Corpus. Она предназначена для преобразования египетской арабской разговорной речи в текст; языковая модель при декодировании не используется. Базовый HuBERT был предварительно обучен на 2 000 часах арабской речи с частотой дискретизации 16 кГц, поэтому входное аудио следует подавать с частотой 16 кГц. В README приведены WER 23,55% на валидации и 25,59% на тесте; заявленный авторами результат для египетского арабского — state of the art на момент публикации карточки. Модель содержит около 402,7 млн параметров и доступна в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Huihui-MiniCPM-V-4.6-Thinking-abliterated — производная мультимодальная модель от openbmb/MiniCPM-V-4.6-Thinking, созданная Huihui AI методом abliteration, который снижает склонность модели отказываться от ответов. Это экспериментальная версия, обозначенная разработчиком как грубая proof-of-concept реализация. Модель предназначена для диалогов и ответов на вопросы по изображениям и видео, включая OCR и визуальные математические задачи, унаследованные от базовой модели. Поддерживает обработку изображений и текстовые ответы; репозиторий содержит веса в формате safetensors и рассчитан на запуск через библиотеку transformers. В карточке указана архитектура MiniCPMV4_6ForConditionalGeneration и интерфейс диалога с инструментами. Снижение защитных отказов может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты требуют проверки. Модель распространяется по лицензии Apache-2.0.

Huihui-Qwen3-VL-2B-Instruct-abliterated — дообученная модель huihui-ai на базе Qwen/Qwen3-VL-2B-Instruct. Это мультимодальная плотная модель семейства Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration; она принимает текст и изображения и предназначена для диалога и анализа визуального содержимого, включая описание изображений. Текстовую часть модели обработали методом abliteration, чтобы заметно снизить частоту отказов; визуальную часть не меняли. Модель подходит для вопросов об изображениях и других сценариев визуального диалога, где требуется меньше отказов. При этом снижение защитной фильтрации повышает вероятность чувствительных, спорных или неподходящих ответов, поэтому результаты следует проверять. Модель распространяется под лицензией Apache-2.0.

HariprasathSB/indic-whisper-vulnerable — дообученная модель распознавания речи на базе Vignesh-M/Indic-whisper. Она использует архитектуру WhisperForConditionalGeneration и содержит 455,8 млн параметров. Модель предназначена для преобразования аудио в текст; карточка указывает задачу automatic-speech-recognition. В README приведены результаты оценки: loss 0,9019 и WER 73,2647. Описание обучения, набора данных, языков и предполагаемых сценариев использования не раскрывает дополнительных подробностей. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Это конверсия моделей KBLab/kb-whisper в формат Core ML, выполненная Micke Kring для использования через WhisperKit в приложениях macOS и iOS. Модель предназначена для автоматического распознавания речи из аудио; в карточке указан шведский язык. В репозитории не указано, какая именно версия исходной модели KBLab/kb-whisper была конвертирована. Файлы представлены в формате Core ML, библиотека — WhisperKit. Лицензия — Apache-2.0. Подробности об архитектуре и характеристиках исходной модели README предлагает смотреть в карточках оригинальных моделей.

LFM2-VL-1.6B — мультимодальная модель Liquid AI для совместной обработки текста и изображений. Это постобученный чекпойнт на основе LFM2 с гибридной архитектурой: языковая часть LFM2-1.2B с сочетанием свёрточных слоёв и внимания соединена с визуальным энкодером SigLIP2 NaFlex на 400 млн параметров. Репозиторий содержит веса в формате safetensors; для запуска README рекомендует Transformers версии 4.57 или новее. Модель предназначена для диалога по изображениям, следования инструкциям и лёгких агентных сценариев, в том числе на устройствах с ограниченными ресурсами. Она обрабатывает изображения с переменным разрешением: до 512×512 пикселей напрямую, а более крупные — с помощью разбиения на патчи; параметры инференса позволяют выбирать баланс между скоростью и качеством. Заявлены низкая задержка и высокая скорость инференса на GPU, однако численные результаты в README относятся к сравнительным тестам, а не гарантируют качество для конкретных задач. Основной язык — английский. Liquid AI рекомендует дообучать модель для узких сценариев и предупреждает, что она не предназначена для решений, критичных к безопасности. Лицензия указана как «other»; условия использования следует сверить с лицензией репозитория.

Typhoon-Audio Preview — мультимодальная аудиоязыковая модель команды Typhoon AI, выпущенная в августе 2024 года как исследовательская предварительная версия. Она принимает аудио и текст, а отвечает текстом; языки модели — тайский и английский. Языковая часть основана на llama-3-typhoon-v1.5-8b-instruct, аудиоэнкодер использует компоненты Whisper и BEATs. Модель предназначена для распознавания речи, вопросов и ответов по аудио и задач перевода между тайским и английским; в примере использования максимальная длина генерации по умолчанию — 1024 новых токена. Модель экспериментальная: она может неверно выполнять инструкции и галлюцинировать, а встроенной модерации нет. Лицензия — Llama 3 Community License.

MaMMUT2-moderntext ViT-B/32 — исследовательская модель сопоставления изображений и текста, разработанная авторами экспериментов MaMMUT2 и опубликованная rwightman. Она обучена на датасете CC12M в течение 32 эпох с контрастивной целью InfoNCE и дополнительным обучением текстового декодера по подписям. Архитектура включает визуальную башню ViT-B/32 и современный текстовый декодер с RoPE, RMSNorm, SwiGLU, gated attention и qk-нормализацией; текстовый контекст — 128 токенов. Модель предназначена для классификации изображений по произвольным текстовым меткам без дообучения, поиска соответствий между изображениями и подписями, а также генерации текстовых описаний. В карточке приведены сравнительные оценки на ImageNet, наборах retrieval и COCO, но сами авторы характеризуют чекпойнт как исследовательское сравнение архитектур и целей обучения, а не готовую производственную систему. Репозиторий использует OpenCLIP и предоставляет веса PyTorch/Safetensors. Лицензия — Apache-2.0.

MiniCPM-GUIDance (MiniCPM-GUI) — мультимодальная модель семейства MiniCPM-V, обученная RhapsodyAI на наборе GUICourse для работы с графическими интерфейсами. Она принимает изображение экрана и текстовую инструкцию и может отвечать на вопросы о содержимом интерфейса или предлагать следующие действия для выполнения задачи. В карточке приведены сценарии чата с привязкой к элементам экрана и без неё, а также генерации последовательности действий. Модель опубликована в формате PyTorch под лицензией Apache-2.0. В метаданных указан английский язык; сведения о числе параметров и длине контекста не приведены. Карточка упоминает обучение на GUICourse и датасеты GUIChat, GUIEnv и GUIAct.

MiniCPM-V-4.6-GGUF — это GGUF-версия мультимодальной модели MiniCPM-V-4.6, разработанной командой OpenBMB. По указанному pipeline_tag модель предназначена для задач image-text-to-text, то есть для обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. В предоставленных данных не указаны точная архитектура, число параметров, поддерживаемые языки, размер контекста, набор модальностей помимо обработки изображений и текста, а также конкретные сценарии применения и ограничения производительности. Известно, что модель распространяется в формате GGUF, предназначенном для совместимого локального запуска средствами, поддерживающими этот формат. Модель выпущена по лицензии Apache-2.0. Для детального описания возможностей, требований к оборудованию, доступных квантовок и рекомендаций по использованию следует обратиться к исходной модели openbmb/MiniCPM-V-4.6.

Это дообученная модель распознавания речи kurdai-academy, созданная на основе facebook/mms-1b-fl102 и обученная на наборе Common Voice 17.0. Она использует архитектуру Wav2Vec2ForCTC и предназначена для преобразования аудио в текст на курдском языке сорани. Модель содержит 1,3 млрд параметров и распространяется в формате safetensors для библиотеки Transformers. На оценочной выборке автор сообщает loss 0,3046 и WER 0,4115; результат указывает на заметные ошибки распознавания, поэтому качество следует проверять на целевых аудиозаписях. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое применение.