I.15Доступность и ассистивные технологии

onnx-community/whisper-tiny — это версия модели openai/whisper-tiny с весами в формате ONNX, подготовленная для работы с библиотекой Transformers.js. Репозиторий поддерживается сообществом onnx-community и предназначен для запуска модели в JavaScript- и веб-средах, совместимых с Transformers.js. Модель рассчитана на задачи обработки и распознавания речи, однако в представленном README не указаны конкретные сценарии применения, поддерживаемые языки, размер модели, архитектурные параметры, максимальная длина контекста или сведения о модальностях. Известно лишь, что исходной моделью является Whisper Tiny, а ONNX-представление обеспечивает совместимость с веб-ориентированными инструментами. Ключевое преимущество — возможность использования модели в экосистеме Transformers.js и потенциального запуска в веб-приложениях без исходного формата весов. Ограничения, точность, требования к ресурсам и особенности производительности в README не описаны. Лицензия для этого репозитория также не указана.

Edge0/audio8-TTS-0.1B-ONNX-INT8 — компактная мультиязычная модель синтеза речи Audio8 TTS Preview, разработанная командой Audio8 и экспортированная для запуска через ONNX Runtime на CPU. Модель поддерживает zero-shot voice cloning: может синтезировать речь с использованием зарегистрированного эталонного голоса. Предназначена для локального синтеза речи, потоковой генерации аудио, CLI-, веб- и HTTP-сервисов, включая OpenAI-совместимый endpoint. Основная модель содержит около 100 млн параметров без учёта аудиокодека и использует архитектуру DualAR: медленный авторегрессионный модуль на 24 слоях с гибридом attention и Mamba и быстрый авторегрессионный модуль на 4 слоях. Акустическое представление включает 10 кодовых книг по 4096 элементов, а кодек формирует монофонический звук с частотой 44,1 кГц. Контекст составляет до 2048 упакованных текстовых или аудиопозиций. Медленные и быстрые AR-модули квантизованы в INT8, кодек работает в FP16, выходной сигнал — в FP32. Поддерживаются кантонский, китайский, нидерландский, английский, французский, немецкий, итальянский, японский, корейский, польский и испанский языки. К сильным сторонам относятся небольшой размер, отсутствие необходимости в CUDA и PyTorch после загрузки, низкое потребление памяти и возможность локального профилирования голосов. Ограничения включают статус preview, намеренно ограниченный набор языков, отсутствие заявленных количественных метрик качества и проверку текущего релиза преимущественно на macOS arm64 и Linux x86_64. Лицензия — Apache 2.0.

yildirim34/birag-gemma4-26b — дообученная мультимодальная модель семейства Gemma 4, разработанная пользователем yildirim34 на основе unsloth/gemma-4-26b-a4b-it. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для диалогов и задач image-text-to-text: она принимает текст и изображения и формирует текстовые ответы. В репозитории представлены веса safetensors и варианты GGUF с квантизацией Q4_K_M и Q8_0; модель поддерживает интерфейс вызова инструментов. Модель распространяется по лицензии Apache-2.0. Карточка не описывает специализированную область применения или известные ограничения качества.

OsaurusAI подготовила Bonsai-27b-Ternary-JANG — мультимодальную плотную модель Qwen3.5 с условной генерацией, производную от prism-ml/Ternary-Bonsai-27B-unpacked. Модель содержит 27 млрд параметров и предназначена для диалогового взаимодействия с текстом и изображениями; конфигурация также включает обработчик видео, но карточка подтверждает задачу image-text-to-text. Текстовые матрицы хранятся в дискретном аффинном ternary-формате JANG с 2-битными слотами и размером группы 128; часть визуальных линейных слоёв использует 4-битное аффинное хранение, а остальные перечисленные компоненты сохранены в float16. В комплект входят шаблон чата Qwen с поддержкой рассуждений и вызова инструментов, токенизатор и конфигурации обработки изображений и видео. Для запуска требуется сборка vMLX с поддержкой дискретного JANG-affine и смешанной точности; стандартный mlx_lm этот формат не поддерживает. Модель проверена на Apple M5 Max с 128 ГБ объединённой памяти. Репозиторий распространяется по лицензии Apache-2.0 и включает исходные лицензионные уведомления.

Canary-1B GGUF — это квантизированная версия мультиязычной модели NVIDIA Canary-1B, подготовленная handy-computer для запуска через transcribe.cpp. Модель предназначена для офлайн-распознавания речи и перевода речи в текст. Она принимает монофонические WAV-файлы с частотой 16 кГц и не поддерживает потоковую обработку. Модель содержит около 1 млрд параметров и использует архитектуру multitask AED с 24-слойным энкодером FastConformer и 24-слойным Transformer-декодером. Поддерживается автоматическое распознавание речи на английском, немецком, французском и испанском языках. Также доступны переводы с английского на немецкий, французский и испанский, а также с этих языков на английский, включая варианты с пунктуацией и капитализацией. Определение языка и временные метки не поддерживаются. Доступны варианты GGUF от F32 до Q4_K_M размером примерно от 4,09 ГБ до 730 МБ. На LibriSpeech test-clean заявленный показатель WER составляет 1,55% для F32, F16, Q8_0 и Q4_K_M и 1,57% для Q6_K и Q5_K_M; результаты на FLEURS для Q8_0 составляют 4,44–7,44% в зависимости от языка. Квантизация позволяет снизить требования к памяти при близком качестве, однако производительность зависит от оборудования. Модель распространяется по лицензии CC-BY-NC-4.0, разрешающей только некоммерческое использование.

Qishuai разработал эту модель на базе DistilBERT и дообучил её для восстановления пунктуации в тексте на английском языке без учёта регистра. Модель размечает токены, предсказывая места для знаков препинания; она подходит, например, для обработки текстов, полученных из расшифровок речи, и не предназначена для распознавания речи или генерации связного текста. Модель использует архитектуру DistilBertForTokenClassification, работает с контекстом до 512 токенов и доступна в форматах PyTorch и safetensors. Для обучения использованы новостные статьи BBC, Hindu, Indian Times и Guardian, а также расшифровки TED Talks. В отчёте проверки на новостях и расшифровках TED за 2020 год F1 для запятых и точек составил 0,63 и 0,70; качество восстановления восклицательных знаков было низким (F1 0,12). Лицензия в предоставленных данных не указана.

Ex0bit выпустил Ex0bit/Gemma4-26B-A4B-PRISM-PRO-DQ-GGUF — мультимодальную версию Gemma 4 26B-A4B Instruction-Tuned в формате GGUF для запуска через llama.cpp. Это MoE-модель с 26 млрд параметров, из которых 4 млрд активны на токен; в README указаны 128 экспертов и маршрутизация top-8. Модель принимает текст, изображения и видео и отвечает текстом. Для обработки изображений и видео вместе с основным GGUF-файлом нужен файл проектора mmproj. Модель предназначена для диалогов и анализа изображений и видеокадров. Автор заявляет, что PRISM-PRO удаляет чрезмерные отказы и механизмы смещения, а PRISM-DQ распределяет точность квантования по типам тензоров; заявленная точность — 5,73 бита на вес. Эти заявления приведены автором и не подтверждены независимыми оценками в предоставленной карточке. Аудио модель не поддерживает. Лицензия — Apache-2.0.

Harmonia — плотное мультимодальное объединение Gemma 4 на 31 млрд параметров, опубликованное пользователем virtuous7373. По карточке, модель создана многоэтапным слиянием семи моделей семейства Gemma 4 с помощью MergeKit; среди указанных компонентов — Gemma4-GarnetV2, Fabled-Gemma4, Equinox, MeroMero, Gembrain и Ortenzya. Метаданные описывают архитектуру как Gemma4ForConditionalGeneration и указывают поддержку чата и зрения. Модель предназначена для диалогов, ответов на вопросы по изображениям и генерации текста на основе текстовых и визуальных входных данных. В README заявлены методы проекции в нуль-пространство, выборочного прореживания весов и выравнивания активаций; независимые оценки их эффективности в предоставленных материалах отсутствуют. Публикация использует формат safetensors и библиотеку Transformers. Лицензия и длина контекста в доступных данных не приведены.

handy-computer/gigaam-v3-ctc-gguf — это GGUF-конверсия модели GigaAM-v3, разработанной ai-sage, для запуска в transcribe.cpp. Модель предназначена для офлайн-распознавания русской речи и преобразования аудио в текст с использованием жадного RNN-T-декодирования. Несмотря на идентификатор репозитория, в README указано, что представлен вариант с RNN-T-декодером. В основе лежит 16-слойный Conformer-энкодер; исходная GigaAM-v3 относится к моделям размером 220–240 млн параметров и предварительно обучалась на 700 000 часах русской речи с объективом HuBERT-CTC. Данная версия дообучена для вывода строчных русскоязычных текстов без пунктуации и использует символьный словарь из 33 элементов. Поддерживаются несколько вариантов точности и квантизации: F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M, размер файлов составляет примерно от 183 до 888 МБ. Сильные стороны модели — работа полностью офлайн, поддержка различных уровней квантизации и хорошее качество на русской речи: заявленный WER на полном тестовом наборе FLEURS ru составляет около 8,07–8,12% в зависимости от формата. Модель не поддерживает потоковую обработку, перевод и автоматическое определение языка; выдаёт текст без пунктуации и нормализации, а временные метки доступны на уровне токенов. Для работы требуется transcribe.cpp и входной файл WAV с частотой 16 кГц и одним каналом. Лицензия — MIT, унаследованная от базовой модели.

GigaAM-v3 RNNT GGUF — это конверсия модели ai-sage/GigaAM-v3, подготовленная handy-computer для запуска в transcribe.cpp. Модель предназначена для автономного распознавания русской речи и преобразования аудио в текст без подключения к интернету. Она использует жадное декодирование RNN-T и не применяет внешнюю языковую модель. Модель основана на 16-слойном Conformer-энкодере и содержит около 220–240 млн параметров в исходной версии. Она обучалась на разнообразных русскоязычных аудиоданных, включая разговоры в колл-центрах, естественную речь, речь с фоновой музыкой и речь с особенностями произношения. Доступны варианты GGUF с представлением F32, F16 и квантованием Q8_0, Q6_K, Q5_K_M и Q4_K_M; их размер составляет примерно от 183 до 888 МБ. Модель выдаёт строчные русские символы без пунктуации, поддерживает токенные временные метки, но не поддерживает потоковую обработку, перевод и автоматическое определение языка. На полном тестовом наборе FLEURS для русского языка показатель WER составляет около 8,07–8,12% в зависимости от варианта квантования. Сильными сторонами являются офлайн-работа, компактные квантованные версии, отсутствие заметной потери качества при квантовании и оптимизация для запуска через transcribe.cpp на CPU, Metal и Vulkan. Ограничения включают поддержку только русского языка, отсутствие пунктуации и нормализации текста, невозможность потокового распознавания и необходимость подавать аудио в формате моно WAV с частотой 16 кГц. Модель распространяется по лицензии MIT, унаследованной от базовой модели.

Huihui-Qwen3-VL-8B-Instruct-abliterated — мультимодальная модель huihui-ai, созданная abliteration текстовой части Qwen/Qwen3-VL-8B-Instruct. Она принимает текст и изображения и отвечает в диалоговом формате, поддерживая анализ изображений и визуальные вопросы. Вариант предназначен для сценариев, где требуется меньше отказов при описании или анализе изображений; изменения затронули текстовую часть, а не визуальную. Модель построена на плотной архитектуре Qwen3-VL с 8 млрд параметров и доступна в формате safetensors для Transformers. В README также приведён запуск через Ollama. Репозиторий распространяется по лицензии Apache-2.0. Из-за существенно ослабленных защитных фильтров модель может выдавать чувствительные, спорные или неподходящие ответы; результаты следует проверять. README предупреждает, что изменения касаются текстовой части, поэтому не следует считать, что снижены ограничения самой визуальной части.

Huihui-Qwen3-VL-8B-Thinking-abliterated — мультимодальная модель Huihui AI на основе Qwen3-VL-8B-Thinking, изменённая методом abliteration. Обработка затронула текстовую часть модели, а визуальная часть не изменялась. Модель принимает текст и изображения и предназначена для диалога, анализа изображений и ответов на вопросы по ним; архитектура — плотная Qwen3-VL, библиотека — Transformers, веса доступны в формате safetensors. В базовой модели используется режим Thinking. По сравнению с исходной моделью у этой версии значительно снижены отказы на текстовой части, в том числе при описании и анализе изображений. Модель распространяется по лицензии Apache-2.0. Сниженная фильтрация безопасности может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты следует проверять.

Hypa-Orpheus-3b-TTS-VC — мультиязычная модель синтеза речи и клонирования голоса от Hypa Intelligence. Она дообучена на базе Orpheus 3B и выдаёт аудио как последовательность дискретных токенов SNAC, которые декодируются в речевую волну с частотой 24 кГц. Модель поддерживает озвучивание текста с выбором голоса, синтез речи по смыслу текста на другом языке и клонирование голоса по короткому образцу, в том числе между языками. Модель содержит 3,3 млрд параметров, использует архитектуру Llama и представлена слитыми весами bfloat16; для генерации требуется декодер SNAC и специальные управляющие токены. Она обучена на данных для 22 языков, среди которых английский, французский, арабский, хауса, йоруба и игбо; качество зависит от языка и говорящего. Обучение ограничивалось контекстом 2048 токенов, поэтому более длинные фрагменты могут звучать хуже, а формальные оценки разборчивости, естественности и точности клонирования не опубликованы. Лицензия — Apache-2.0.

KielGen-Fast — мультимодальная авторегрессионная модель Kiel, созданная дообучением DeepSeek Janus-Pro для генерации текста и работы с изображениями. Она поддерживает диалоговые ответы, визуальные вопросы и описания сцен, а также генерацию изображений по текстовым запросам. Архитектура MultiModalityCausalLM сочетает отдельные визуальные пути для понимания изображений и декодирование изображений через векторно-квантованные токены; веса представлены в формате safetensors и загружаются через Transformers. Модель распространяется по лицензии MIT. В карточке указана базовая Janus-Pro-7B, тогда как метаданные связывают репозиторий с deepseek-ai/Janus-Pro-1B; фактический размер модели этими данными не подтверждён. Подтверждены английский язык и мультимодальная работа с текстом и изображениями.

KielGen-Fast — мультимодальная модель генерации текста и работы с изображениями, дообученная на архитектуре Janus. Она предназначена для диалоговых ответов, визуального анализа и создания изображений по текстовым описаниям. Модель построена как MultiModalityCausalLM с отдельными путями визуального кодирования для понимания изображений и декодированием изображений через векторно-квантованные токены; веса представлены в формате safetensors и рассчитаны на загрузку через Transformers. Карточка указывает базовую модель deepseek-ai/Janus-Pro-7B, тогда как метаданные каталога связывают модель с deepseek-ai/Janus-Pro-1B. Поэтому точная базовая версия требует уточнения. Лицензия — MIT. Среди заявленных сценариев — ответы на вопросы об изображениях, описание сцен и генерация визуальных материалов; в метаданных основная задача обозначена как text-generation.

Typhoon2-Audio — разработанная командой Typhoon Team сквозная речевая модель архитектуры Typhoon2Audio, основанная на LLM Typhoon2. Модель содержит 7,5 млрд параметров и предназначена для работы с аудио, речью и текстом: принимает аудио- и текстовые входы, одновременно формируя текстовый и речевой ответ. Поддерживает тайский и английский языки, оптимизирована для тайского; заявленная длина контекста — 131 072 токена. Модель подходит для распознавания и понимания речи, ответов на вопросы по аудио, перевода между тайским и английским, а также генерации речи и речевых ответов. В README приведены результаты оценивания распознавания речи, перевода и синтеза, но качество зависит от языка и задачи; для английской речи в оценке качества синтеза результаты модели заметно уступают сравниваемым системам. Карточка характеризует модель как экспериментальную: она может неточно выполнять инструкции и галлюцинировать, а встроенных механизмов модерации нет. Для речевого ввода и LLM указана лицензия Llama 3.1 Community License, для речевого вывода — CC-BY-NC.

MemOCR-7B-i1-GGUF — это квантизированная версия мультимодальной модели MemOCR-7B, разработанной Meituan и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена для работы с изображениями и текстом, включая визуальные вопросы и ответы, задачи распознавания текста на изображениях, а также сценарии memory-agent и обработки длинного контекста. В метаданных указан английский язык. Модель содержит около 7 миллиардов параметров и относится к vision-моделям с поддержкой мультимодального ввода. Доступны варианты квантизации i1-IQ и i1-Q с размером файлов примерно от 2,0 до 6,4 ГБ, а также файл imatrix для самостоятельного создания квантизированных вариантов. В README не указаны точная архитектура, максимальная длина контекста, перечень поддерживаемых языков помимо английского и результаты benchmark-тестов. Квантизация уменьшает требования к памяти, но варианты с более низким размером могут заметно уступать по качеству; рекомендуются i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс размера, скорости и качества. Для обработки изображений могут потребоваться отдельные mmproj-файлы из статического репозитория. Модель распространяется по лицензии Apache-2.0. Она подходит для локального запуска в совместимом ПО, поддерживающем GGUF и мультимодальные модели, однако конкретные требования к аппаратному обеспечению и программная совместимость в README не уточняются.

Barrymanalow/nb-whisper-coreml — это конвертация модели NbAiLab/nb-whisper-small из PyTorch в формат CoreML для запуска через WhisperKit на устройствах Apple Silicon. Нового обучения, дообучения или дистилляции не выполнялось: веса и поведение унаследованы от исходной модели NbAiLab. Модель предназначена для автоматического распознавания речи, включая диктовку и транскрибацию норвежской речи, в частности в приложениях для macOS. Модель относится к семейству Whisper и имеет размер small; точная архитектура в README не раскрыта. Поддерживаются норвежский, английский и другие языки исходной мультиязычной модели, при этом в метаданных указаны норвежские языковые варианты no, nb и nn. Содержимое включает компоненты MelSpectrogram, AudioEncoder и TextDecoder в виде скомпилированных CoreML-моделей, использующих активации Float16. Репозиторий рассчитан на WhisperKit и требует macOS 14 или новее на Apple Silicon; работа проверена с WhisperKit 0.9 на macOS 15. Сильная сторона модели — интеграция с CoreML и возможность использования Apple Neural Engine для локальной транскрибации. Модель сохраняет мультиязычный токенизатор, поэтому способна корректно обрабатывать английские слова внутри норвежской речи. Ограничение заключается в том, что это не норвежскоязычная модель в строгом смысле: принудительное распознавание английской речи как норвежской может привести к правдоподобному, но ошибочному переводу вместо явной ошибки. Заявленная ориентация вычислений на Neural Engine не подтверждена отдельными измерениями, а систематическое сравнение результатов с исходной PyTorch-моделью не проводилось. Модель распространяется по лицензии Apache-2.0, унаследованной от NbAiLab/nb-whisper-small. При использовании рекомендуется указывать авторство NbAiLab; конвертация в CoreML не добавляет новых ограничений.

MWirelabs/ne-asr — мультиязычная модель автоматического распознавания речи, разработанная MWirelabs и дообученная на базе openai/whisper-medium. Она предназначена для распознавания речи на восьми языках Северо-Восточной Индии. Модель использует архитектуру Whisper и содержит 455,8 млн параметров; принимает аудио и генерирует текстовую транскрипцию. В обучении использованы 150 483 образца из набора Vaani и собственного корпуса MWire. В README приведены результаты на тестах для кхаси (WER 16,89%), гаро (9,31%) и мизо (23,85%). Модель распространяется по лицензии CC BY 4.0; результаты для трёх языков показывают, что качество различается по языкам.

PhoWhisper-base — модель автоматического распознавания речи на вьетнамском языке, разработанная Thanh-Thien Le, Linh The Nguyen и Dat Quoc Nguyen. Это версия семейства PhoWhisper, полученная дообучением многоязычной Whisper на 844 часах вьетнамской речи с разными акцентами. Вариант base содержит 51,7 млн параметров и использует архитектуру WhisperForConditionalGeneration; репозиторий предоставляет веса PyTorch. Модель предназначена для преобразования вьетнамской речи в текст, в том числе для аудиозаписей с различными акцентами. Авторы сообщают о высоких результатах на тестах распознавания вьетнамской речи. Модель распространяется по лицензии BSD-3-Clause; при публикации результатов или включении модели в программное обеспечение авторы просят цитировать статью PhoWhisper.

cstr/piper-voices-GGUF — набор голосовых моделей Piper, преобразованных из исходных голосов rhasspy/piper в формат GGUF F16 для запуска в нативной среде CrispASR. Каждый голос хранится в отдельном файле, который включает карту фонем и голос espeak-ng, поэтому ему не нужны сопутствующие файлы. Это компактные односпикерные модели на архитектуре VITS для синтеза речи: размер отдельного голоса составляет примерно 15–60 МБ, вывод — монофонический звук 22,05 кГц. Набор подходит для мобильного использования и быстрого предварительного прослушивания; заявлена высокая скорость работы на CPU. В репозитории представлены немецкие и английские голоса, в том числе Thorsten и другие голоса с различными вариантами качества. Лицензия зависит от конкретного голоса: набор включает голоса с разрешающими условиями, включая CC0, общественное достояние, CC BY 4.0 и лицензию M-AILABS; для некоторых голосов требуется указание авторства или сохранение уведомления об авторских правах. Метаданные репозитория указывают CC BY 4.0, поэтому перед распространением результата следует сверять условия для выбранного голоса.

StationPC/Qwen3.5-VL-4B-RKNN3-RK1828 — аппаратно-адаптированная и квантизованная версия мультимодальной модели Qwen3.5-4B, подготовленная StationPC для платформы RKNN3 и чипа RK1828. Базовая модель разработана командой Qwen и представляет собой языковую модель с vision-энкодером, принимающую текст и изображения и генерирующую текстовые ответы. Модель предназначена для диалогов с изображениями, визуального понимания, описания изображений, ответов на вопросы по изображениям и локальных мультимодальных приложений. В репозитории присутствуют отдельные компоненты для языковой и визуальной частей модели; используется квантизация W4A16, а максимальная длина контекста в конфигурации составляет 16 384 токена. Модель ориентирована на запуск через совместимые инструменты локального вывода на устройствах с RK1828. Сильной стороной является сочетание мультимодальности Qwen3.5 с компактным размером класса 4B и адаптацией под специализированное аппаратное ускорение. Ограничения включают зависимость от совместимого RKNN3/RK1828-окружения, сокращённое по сравнению с базовой Qwen3.5 контекстное окно и возможные ошибки визуального распознавания или генерации. Лицензия производного репозитория в доступных источниках не подтверждена.

mlx-community/Qwen3.6-35B-A3B-4bit — это 4-битная квантованная версия модели Qwen3.6-35B-A3B, преобразованная из формата Qwen в MLX сообществом mlx-community с использованием mlx-vlm 0.4.4. Модель предназначена для запуска средствами MLX, в частности для задач обработки изображений и текста, включая генерацию текстового описания по изображению. Из доступных данных известно, что модель имеет архитектуру и возможности базовой Qwen3.6-35B-A3B, однако подробности о количестве активируемых параметров, языках, размере контекста, поддерживаемых модальностях и конкретных сценариях применения в README не приведены. 4-битное представление может снизить требования к памяти и упростить локальный запуск, но потенциально сопровождается потерями качества по сравнению с полной точностью; точные характеристики производительности и ограничения не указаны. Модель распространяется по лицензии Apache-2.0. Для использования требуется экосистема MLX и пакет mlx-vlm; README указывает пример запуска с изображением, но не содержит исчерпывающей информации о совместимых устройствах, требованиях к ресурсам и качестве результатов.

Это дообученная модель автоматического распознавания речи, созданная Andrew Bawitlung на основе Qwen/Qwen3-ASR-1.7B и обученная на наборе MiZonal v3.0. Вариант E4 использует SpecAugment с маскированием по времени и частоте; модель предназначена для преобразования аудио в текст, в частности в сценариях, связанных с языком lus. На тестовом наборе автор сообщает WER 24,3938, CER 5,4583 и коэффициент реального времени 0,0651. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README называет её частью серии экспериментов и указывает, что публикации с подробностями находятся на рецензировании.

SepFormer на WHAM! — модель разделения аудиоисточников, реализованная командой SpeechBrain и обученная на наборе WHAM!, содержащем смеси речи с фоновым шумом. Она предназначена для выделения отдельных речевых источников из одноканальной записи; для работы ожидается аудио с частотой дискретизации 8 кГц. В README указано качество 16,3 дБ SI-SNRi и 16,7 дБ SDRi на тестовой выборке WHAM!. Модель основана на архитектуре SepFormer с Transformer и распространяется в формате PyTorch. Карточка указывает английский язык. Лицензия — Apache-2.0. Авторы предупреждают, что качество на наборах данных, отличающихся от WHAM!, не гарантируется.

SepFormer — модель разделения аудио, разработанная командой SpeechBrain и обученная на наборе WHAMR!, созданном на основе WSJ0-Mix с добавлением фонового шума и реверберации. Она разделяет смешанную запись на отдельные речевые источники и предназначена для обработки речи, записанной в шумной или акустически сложной среде. Модель реализована на архитектуре SepFormer с использованием PyTorch. На тестовом наборе WHAMR! она показала SI-SNRi 13,7 дБ и SDRi 12,7 дБ. Для работы ожидает одноканальную запись с частотой дискретизации 8 кГц; аудио с другой частотой перед обработкой нужно пересчитать. Репозиторий распространяется по лицензии Apache-2.0. Разработчики не гарантируют сохранение качества на наборах данных и условиях, отличающихся от WHAMR!, поэтому результаты на других записях могут различаться.

SoulX-Transcriber — аудиоязыковая модель, разработанная Soul AI Lab совместно с группой ASLP Северо-Западного политехнического университета. Она выполняет распознавание речи и диаризацию в многосторонних диалогах в единой сквозной системе: определяет говорящих, сегментирует аудио с временными отметками и формирует согласованную с говорящими расшифровку, в том числе при быстрых сменах реплик и наложении речи. Модель построена на архитектуре Qwen3-Omni-30B-A3B-Instruct и предназначена для расшифровки разговоров с несколькими участниками. В README описано обучение с учетом характеристик говорящих и приведены результаты на наборах AISHELL-4 и AliMeeting. Репозиторий содержит веса safetensors; модель распространяется по лицензии Apache-2.0. Модель подходит для анализа встреч, интервью и других диалоговых записей, где важно связать реплики с участниками и временными интервалами. README не приводит конкретные ограничения качества или сведения о поддерживаемых языках самой модели; описанные в нем китайские и английские данные относятся к конвейеру симуляции диалогов.

NVIDIA stt_ar_fastconformer_hybrid_large_pcd_v1.0 — крупная модель автоматического распознавания арабской речи на архитектуре FastConformer. Она принимает монофонический WAV-аудиосигнал с частотой 16 кГц и возвращает текст на арабском языке с диакритическими знаками и поддержкой базовой пунктуации. Размер модели — около 115 млн параметров; обучение использует гибридные декодеры Transducer (RNNT) и CTC, токенизатор SentencePiece с размером словаря 1024. Модель обучена NVIDIA с использованием NeMo на составном наборе примерно из 1100 часов арабской речи. Модель подходит для преобразования записей и речевых файлов в арабскую текстовую расшифровку. Она работает без потоковой обработки; для нормализации результата может потребоваться обратная текстовая нормализация. Точность зависит от шума, акцента, типа речи и контекста; качество может снижаться на диалектной речи и технических терминах, а дословная транскрипция и пунктуация не гарантируются. Модель не предназначена для критически важных приложений. Лицензия — CC BY 4.0; карточка сообщает о возможности коммерческого и некоммерческого использования.

theworld-cc3m-align-full — дообученная модель на основе мультимодальной Google Gemma 3 4B IT, опубликованная пользователем alwinjin8. Она принимает изображения вместе с текстом и предназначена для задач image-text-to-text, например ответов на вопросы по изображениям и их текстового описания. Модель использует плотную архитектуру Gemma3ForConditionalGeneration и сохранена в формате safetensors. Карточка не раскрывает обучающий датасет, оценку качества и конкретные ограничения модели. Лицензия указана как gemma; перед использованием следует учитывать условия лицензии Gemma.

V-Zero 4B — дообученная мультимодальная модель hao05 для тонкого визуального рассуждения. Она создана в рамках работы V-Zero: Answer-Label-Free On-Policy Distillation with Contrastive Evidence Gating for Fine-Grained Visual Reasoning и основана на Qwen/Qwen3.5-4B. Модель предназначена для диалоговых задач, в которых нужно анализировать изображение и формулировать ответ с опорой на визуальные свидетельства. В обучении применялась дистилляция на собственных траекториях рассуждения модели с контрастной проверкой релевантных и нерелевантных областей изображения. Это позволяет развивать детальное визуальное рассуждение без внешних меток ответов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.