I.15Доступность и ассистивные технологии

eugenehp/f5tts — репозиторий с ONNX-графами, словарём и весами F5-TTS для запуска через RLX. Это staging-републикация чекпойнта F5-TTS, подготовленная для RLX runners; в составе указаны файлы F5 Transformer, декодера и предобработки, а также веса GGUF F16. Модель предназначена для синтеза речи по тексту и запуска через пакет rlx-f5tts. Метаданные описывают архитектуру как BERT с 129,5 млн параметров и контекстом 512 токенов; представлены форматы ONNX и GGUF F16. Карточка указывает лицензию MIT. README не сообщает поддерживаемые языки, голосовые режимы или ограничения качества.

phongdtd/fb-vindata-vi-large — модель распознавания речи на архитектуре Wav2Vec2ForCTC, разработанная путём дообучения facebook/wav2vec2-large-xlsr-53 на наборе PHONGDTD/VINDATAVLSP - NA. Она предназначена для преобразования аудио в текст; карточка указывает задачу automatic-speech-recognition и аудиовход. Размер модели — 402,8 млн параметров. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не приводит сведений о качестве распознавания, ограничениях или конкретных условиях записи, поэтому применимость к различным акцентам, шумным записям и другим речевым доменам не подтверждена.

Модель badagoki/gemma-12b-brain-v5 — дообученная мультимодальная модель семейства Gemma 4, опубликованная badagoki. Она предназначена для диалогов с текстовыми и графическими входными данными и генерации текстовых ответов. В метаданных указана архитектура Gemma4ForConditionalGeneration, возможности chat и vision, формат safetensors и английский язык карточки. Модель дообучена на unsloth/gemma-4-e2b-it-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Репозиторий распространяется по лицензии Apache-2.0. README не описывает конкретные обучающие данные, специализированные сценарии, качество или ограничения модели.

aadel4/kid-whisper-small-myst — дообученная версия openai/whisper-small, созданная для распознавания речи. Модель содержит 153,1 млн параметров и использует архитектуру WhisperForConditionalGeneration; карточка указывает формат PyTorch и лицензию Apache-2.0. Модель обучали на 125 часах данных Myst Train и оценивали на 20,9 часах Myst Dev. На указанном наборе оценки она показала WER 8,51 и loss 0,27. Подходит для преобразования аудиозаписей в текст в сценариях, связанных с данными Myst.

Kiriku-ASR — модель автоматического распознавания речи на волоф, разработанная IA Hub Senegal на основе дообучения Whisper Large-v2. Она предназначена для транскрибации аудио на волоф, в том числе речи из разных областей, таких как сельское хозяйство, банковское дело и городская жизнь. Для поддержки волоф в токенизатор добавлены специфические символы ñ, ë, ŋ, ɗ, ɓ и ƴ; их embeddings инициализированы на основе французских. Модель обучена на 88,27 часах проверенной речи и оптимизирована для работы без принудительного языкового токена. В карточке заявлен WER 20,70%; это показатель из README, не независимая оценка. Модель принимает аудио и выдаёт текст, а базовая Whisper Large-v2 является мультиязычной. Лицензия — Apache-2.0.

Это экспорт модели синтеза речи Kokoro-82M от hexgrad в формате GGUF для движка loom.cpp. Экспорт упаковывает исходные неизменённые веса в один файл, который также содержит граф модели и драйвер; репозиторий включает 54 голосовых набора для восьми языков, а голос af_heart встроен как вариант по умолчанию. Модель принимает последовательность идентификаторов фонем, поэтому текст нужно предварительно преобразовать в фонемы подходящим для языка голоса средством. Модель предназначена для локального синтеза речи в приложениях и сервисах через loom-py-rt. Репозиторий распространяется по лицензии Apache-2.0. Для естественного звучания фонемы должны соответствовать языку выбранного голоса; README также отмечает, что смена голоса меняет длительность генерируемой речи. GGUF-экспорт сохраняет веса Kokoro-82M, а не дообучает их.

KV-Ground-4B-BaseGuiOwl1.5-0228 — компактная визуально-языковая модель для привязки текстовых инструкций к элементам графического интерфейса. Её разработали Kingsware и Vocaela AI; это дообучение GUI-Owl-1.5-4B-Instruct на базе архитектуры Qwen3-VL. Модель содержит 4 млрд параметров и принимает изображение экрана вместе с инструкцией на естественном языке, выдавая текстовый ответ с результатом привязки. Модель предназначена для поиска элементов интерфейса на изображениях, в том числе снимках высокого разрешения, и для сценариев компьютерного управления, где нужно определить целевой элемент по запросу. Авторы сообщают результаты 67,0 на ScreenSpot-Pro и 94,1 на ScreenSpot-V2; это их собственные оценки в описанной конфигурации, а качество может зависеть от формата запроса. Для использования требуются совместимая библиотека Transformers и формат safetensors. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения на тех же условиях.

MD-Mushfiqur123/lychee-drop-1.0 — дообученная модель MD-Mushfiqur123 на базе unsloth/gemma-4-e4b-it-unsloth-bnb-4bit. Она построена на архитектуре Gemma 4 и предназначена для диалоговых сценариев с обработкой изображений и текста; метаданные также отмечают интерфейс для вызова инструментов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В карточке указано, что дообучение выполнялось с использованием Unsloth и библиотеки TRL; сведения о конкретных данных обучения, размере и длине контекста не приведены.

Модель Barth371/Qwen2.5-VL-72B-Instruct-bnb-4bit-2025-10-07_12-21_4b — дообученная Barth371 мультимодальная модель семейства Qwen2.5-VL для обработки изображений и текста. Она предназначена для диалога с визуальным вводом: принимает текстовые запросы и изображения, а в ответ генерирует текст. Модель построена на плотной архитектуре Qwen2.5-VL и содержит 71,5 млрд параметров. Максимальная длина контекста — 128 000 токенов; репозиторий содержит веса safetensors. Базовая модель — unsloth/qwen2.5-vl-72b-instruct-bnb-4bit; обучение выполнено с использованием Unsloth и библиотеки TRL. Лицензия — Apache-2.0. Карточка не описывает специализацию дообучения, поэтому подтверждённые сценарии ограничиваются общим диалогом по изображениям и тексту. В метаданных указан английский язык; другие языки отдельно не заявлены. Конкретные ограничения качества и безопасности не приведены.

Это исследовательский чекпойнт Qwen3 плотной авторегрессионной архитектуры с 1,7 млрд параметров, разработанный dsinghvi; он использует общий токенизатор для текста и аудиотокенов. Модель предназначена для генерации текста и речевых сценариев: синтеза речи из текста, распознавания речи, продолжения текстовой или речевой последовательности и преобразования речи в речь. Аудиокодирование и декодирование выполняется SNAC 24 кГц; для синтеза можно использовать аудио-пример для голосового кондиционирования. Карточка описывает итерацию обучения 23 447 и отмечает, что синтез речи дал слышимые результаты в тестах проекта. Распознавание речи и межмодальное продолжение пока экспериментальны: результаты могут быть низкого качества, повторяться или отсутствовать. Чекпойнт не включает аудиофайлы; входное или референсное аудио нужно предоставить отдельно. Лицензия — Apache-2.0.

Это квантованный вариант мультимодальной модели Qwen3.5-122B-A10B от автора noctrex, подготовленный в формате GGUF для запуска через llama.cpp. Вариант использует MXFP4 для тензоров MoE и BF16 для остальных тензоров; автор отмечает, что BF16 может работать медленнее на некоторых архитектурах, но сохраняет исходные веса остальных тензоров без квантования. Для проектора mmproj рекомендуется версия F32. Модель предназначена для диалогов и задач с изображениями. Базовая Qwen3.5-122B-A10B — модель MoE с 122 млрд параметров; каталог указывает поддержку зрения и общения. Карточка советует использовать актуальную версию llama.cpp и исправленный шаблон чата. Лицензия в предоставленных данных не указана.

tvall43/Qwen3.5-4B-heretic-v2 — мультимодальная модель для диалога и понимания изображений, созданная на основе Qwen/Qwen3.5-4B. Автор применил Heretic v1.2.0 для снижения частоты отказов: в описанном сравнении модель отказала в 4 из 100 запросов против 99 из 100 у исходной версии. Это экспериментальная модификация, а не отдельная модель, обученная с нуля. Модель имеет плотную архитектуру Qwen3.5 с 4 млрд параметров и поддерживает ввод текста и изображений с генерацией текстовых ответов. Для базовой модели заявлено контекстное окно 262 144 токена с возможностью расширения; README сообщает о поддержке 201 языка и диалекта. Репозиторий содержит веса Safetensors и совместим с Transformers и рядом движков инференса. Модель подходит для диалогов и визуальных вопросов, в том числе с запросами, на которые исходная модель чаще отказывала. Снижение отказов не означает гарантированную пригодность для любых запросов; приведённое сравнение ограничено тестом на 100 запросах. Лицензия — Apache-2.0.

Mobilint/Qwen3-VL-2B-Instruct — квантизированная версия модели Qwen3-VL-2B-Instruct, разработанной командой Qwen и скомпилированной и оптимизированной компанией Mobilint для работы на её NPU-оборудовании. Модель относится к классу vision-language моделей и предназначена для задач преобразования изображений и текста в текст, включая сценарии, где требуется анализ визуального содержимого с формированием текстового ответа. Модель содержит около 2 миллиардов параметров и распространяется в формате, совместимом с библиотекой Transformers. Она упакована для развертывания в программно-аппаратном стеке ускорения Mobilint и рассчитана прежде всего на использование с оборудованием Mobilint. В README указана поддержка английского языка, однако сведения о других языках, размере контекстного окна, архитектурных деталях, производительности и доступных режимах работы отсутствуют. К сильным сторонам относятся оптимизация под NPU Mobilint и возможность локального ускоренного развертывания мультимодальной модели. Ограничением является зависимость от аппаратной платформы и стека Mobilint; результаты на другом оборудовании не описаны. Модель распространяется по лицензии Apache-2.0.

mobilint/Qwen3-VL-8B-Instruct-Batch16 — это квантизированная версия мультимодальной модели Qwen3-VL-8B-Instruct, скомпилированная и оптимизированная компанией Mobilint для работы на аппаратуре Mobilint NPU. Модель предназначена для задач image-text-to-text: обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. Модель рассчитана на развертывание в программно-аппаратном стеке ускорения Mobilint. Из известных характеристик указаны размер базовой модели 8B, мультимодальность с поддержкой изображений и текста, а также язык en. Архитектура, размер контекста и точный формат квантизации в README не уточняются. Ключевое преимущество модели — оптимизация для целевой NPU-платформы Mobilint, что может упростить развертывание и ускорить инференс в соответствующей среде. Ограничение состоит в привязке к аппаратуре и стеку Mobilint; возможность запуска на других платформах из предоставленных данных не подтверждается. Модель распространяется по лицензии Apache-2.0.

ReGround Qwen2.5-VL-7B — мультимодальная модель SESPOIR для визуальных рассуждений. Она дообучена в два этапа на основе Qwen/Qwen2.5-VL-7B-Instruct: полное supervised fine-tuning на структурированных траекториях рассуждений, затем оптимизация GRPO для поведения самодиагностики и повторного изучения изображения. Модель принимает изображение и текстовый запрос и формирует текстовый ответ; при необходимости она может запросить повторную подачу исходного изображения через контроллер инференса. Модель подходит для вопросов по изображениям и сценариев, где полезно перепроверить визуальные данные перед ответом. Архитектура — плотная Qwen2.5-VL с 7,1 млрд параметров; нативный контекст — 128 000 токенов. В метаданных указан английский язык. Репозиторий распространяет веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Модель может ошибаться в рассуждениях и ответах, а также запрашивать повторную проверку изображения без необходимости. Для важных решений ответы следует независимо проверять.

S1-mini MLX BF16 — англоязычная модель Superwhisper для нормализации транскриптов распознавания речи. Это причинная языковая модель семейства Qwen3 с примерно 508 млн параметров по метаданным каталога; в README указано 596 млн уникальных параметров. Репозиторий содержит конверсию исходных BF16-весов в формат MLX без квантизации. Модель дообучена на базе Qwen/Qwen3-0.6B. Модель преобразует необработанный транскрипт в чистый письменный текст: удаляет слова-паразиты, исправляет оговорки и самокоррекции, расставляет пунктуацию и заглавные буквы, записывает числа и другие данные в текстовой форме. Вход требует системного промпта и строки управления с настройками стиля, структуры и контекста; модель возвращает только отредактированный текст. В README приведён результат 94,8% точности токенов на 7 519 английских примерах, а конверсия прошла небольшую проверку соответствия примерам исходной модели. Модель рассчитана на одну задачу, а не на свободный диалог или выполнение общих инструкций. README указывает поддержку только английского языка и предупреждает, что отклонение от заданного формата ввода может привести к ошибочным результатам. Лицензия обозначена как other; перед использованием следует проверить условия исходной карточки модели.

S2T-MEDIUM-MUSTC-MULTILINGUAL-ST — модель Facebook на базе Speech2Text, обученная для сквозного перевода речи. Это трансформер encoder-decoder с 55,5 млн параметров: свёрточный модуль сокращает длину речевых входов, а декодер авторегрессионно генерирует текст. Модель принимает речевые признаки и обучена на корпусе MuST-C с выступлениями TED на английском языке и переводами на немецкий, нидерландский, испанский, французский, итальянский, португальский, румынский и русский. Основной сценарий — перевод английской речи в текст на одном из восьми языков. Архитектура S2T также предназначена для распознавания речи, однако карточка описывает эту конкретную модель прежде всего как систему речевого перевода. В тестах MuST-C BLEU составил от 16,0 для перевода на русский до 34,9 для перевода на французский. Модель доступна в форматах PyTorch и TensorFlow по лицензии MIT; показатели на тестовом корпусе не гарантируют такую же точность на других темах и условиях записи.

Это модель разделения аудиоисточников SepFormer, разработанная командой SpeechBrain и обученная на наборе Libri3Mix. Она предназначена для разделения записи с тремя одновременно говорящими людьми на отдельные речевые сигналы. Модель реализована с помощью SpeechBrain и принимает монофонический звук с частотой дискретизации 8 кГц, выдавая разделённое аудио. На тестовом наборе Libri3Mix в карточке указано улучшение SI-SNR на 19,8 дБ; в таблице результатов для выпуска от 16 сентября 2022 года приведены SI-SNRi 19,0 дБ и SDRi 19,4 дБ. Модель рассчитана на англоязычную речь. Для других наборов данных качество не гарантируется. Лицензия — Apache-2.0.

wav2vec2-2-bert-large — модель распознавания речи с архитектурой SpeechEncoderDecoderModel, опубликованная в репозитории speech-seq2seq/wav2vec2-2-bert-large. Согласно карточке, модель обучена с нуля на наборе LibriSpeech ASR и предназначена для преобразования речи в текст. Метаданные указывают на входные аудиоданные и формат PyTorch. В карточке приведены результаты оценки на тестовом наборе: loss 6,9670 и WER 1,9878. Описание модели, назначение и ограничения в README заполнены лишь частично; язык распознавания явно не указан. Условия лицензии в доступных данных не приведены.

speech-seq2seq/wav2vec2-2-gpt2-medium-no-adapter-frozen-enc — речевая модель архитектуры SpeechEncoderDecoderModel, обученная с нуля на датасете LibriSpeech ASR. Она предназначена для автоматического распознавания речи: принимает аудио и генерирует текстовую расшифровку. В README указаны результаты на оценочной выборке: loss 6,5541 и WER 1,9877; по этим значениям качество распознавания выглядит низким. Модель загружает и обрабатывает аудио, выдаёт текст и распространяется в формате PyTorch. Метаданные указывают на связь с LibriSpeech ASR, но не подтверждают поддержку конкретных языков, размер модели или длину контекста. Условия лицензии в предоставленных данных отсутствуют.

nguyenvulebinh/wav2vec2-base-vi — акустическая модель на архитектуре wav2vec2, разработанная для самоконтролируемого предварительного обучения на вьетнамской речи. Модель содержит 113,3 млн параметров и распространяется в формате PyTorch. Для обучения использовался набор из примерно 13 тысяч часов аудио с YouTube на вьетнамском языке: чистая и зашумлённая речь, разговоры, разные голоса и диалекты. Модель предназначена как акустическая основа для распознавания вьетнамской речи. В README приведены результаты на тестовом наборе VLSP 2020 для семейства base и large; показатели base составляют WER 8,66 без языковой модели и 6,53 с 5-граммовой языковой моделью. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства и ограничивающей коммерческое применение.

Модель nguyenvulebinh/wav2vec2-base-vietnamese-250h — акустическая модель для распознавания вьетнамской речи, созданная на основе Wav2Vec 2.0. Разработчики предварительно обучили её на 13 тысячах часов неразмеченной аудиозаписи с YouTube, а затем дообучили на 250 часах размеченной речи из набора VLSP. Модель содержит 113,3 млн параметров и использует архитектуру Wav2Vec2ForCTC с функцией потерь CTC. Модель преобразует вьетнамскую речь в текст и предназначена для систем автоматического распознавания речи. Для лучшего качества её можно сочетать с предоставленной авторами 4-граммной языковой моделью. В README приведены результаты WER на VIVOS, Common Voice VI и двух тестах VLSP: для VIVOS WER составляет 10,77 без языковой модели и 6,15 с ней. На вход подаётся речь, записанная с частотой 16 кГц; рекомендуемая длина аудио — менее 10 секунд. Модель не является полноценной системой распознавания с языковой моделью, а представляет её акустическую часть. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

speech31/wav2vec2-large-english-phoneme-v2 — модель распознавания речи на базе архитектуры Wav2Vec2, разработанная путём дообучения facebook/wav2vec2-large. Она использует CTC-архитектуру и содержит 402,7 млн параметров. Модель предназначена для преобразования входящего аудио в текстовую последовательность; название указывает на английскую фонемную версию, но карточка не уточняет точный формат вывода и обучающие данные. В README приведены результаты оценки: loss 0,4069 и CER 0,0900. Модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. README не описывает условия применения и ограничения; указанные метрики относятся только к упомянутому набору оценки, который в карточке не назван.

arun100/whisper-base-bn-3 — модель автоматического распознавания речи на архитектуре Whisper, дообученная на бенгальской части набора Mozilla Common Voice 16.0. Она принимает аудио и генерирует текстовую расшифровку; размер модели составляет 51,7 млн параметров. В оценке на тестовом наборе указаны loss 0,2151 и WER 29,9236. Модель подходит для транскрибации бенгальской речи, в том числе записей, близких по характеру к данным Common Voice. Это дообученная версия arun100/whisper-base-bn, распространяемая в формате Safetensors по лицензии Apache-2.0. Показатель WER указывает, что расшифровки могут содержать ошибки; сведений о поведении на других языках и типах аудио в карточке нет.

whisper-large-v2-taiwanese-hakka-v1 — дообученная модель распознавания речи на основе openai/whisper-large-v2, размещённая автором в gated-репозитории Hugging Face. Она предназначена для преобразования аудио на тайваньском хакка в текст. Модель использует архитектуру Whisper Large v2 и библиотеку Transformers; обучение проводилось с размером батча 2 на 4 GPU L40S, накоплением градиентов 64 шага и общим числом 3828 шагов. Для использования требуется запросить доступ к репозиторию и войти в Hugging Face с учётной записью, которой доступ предоставлен. Лицензия CC BY-NC 4.0 разрешает использование на условиях указания авторства и ограничивает коммерческое применение. Модель ориентирована на распознавание тайваньского хакка; сведений о длине контекста и показателях качества в доступной карточке нет.

Это зеркало модели Ornith 1.0 35B abliterated, опубликованное imbutus для запуска через vLLM и загрузчиков на основе Transformers. Веса скопированы без изменений из YuYu1015/YuYu1015-Ornith-1.0-35B-abliterated; в репозитории добавлены конфигурации мультимодального препроцессора из deepreinforce-ai/Ornith-1.0-35B, чтобы включить загрузку изображений и видео. Архитектура — Qwen3.5 MoE, класс Qwen3_5MoeForConditionalGeneration; файлы весов представлены в safetensors. Модель принимает текст и изображения и предназначена для диалоговых мультимодальных запросов. Базовый контекст составляет 262144 токена, а в приведённой конфигурации запуска ограничен 131072 токенами для размещения KV-кэша на одном GPU. Лицензия — Apache-2.0. Зеркало не меняет веса, а добавляет файлы конфигурации препроцессора.

Resemble AI Chatterbox — открытая модель синтеза речи из текста семейства Chatterbox. Эта версия относится к многоязычной линейке; в карточке указана Chatterbox Multilingual V3 размером 0,5 млрд параметров на основе Llama. Модель генерирует естественную разговорную речь на 23 языках, поддерживает клонирование голоса по образцу и управление выразительностью речи с помощью параметра exaggeration. Разработчик заявляет об улучшенном сходстве с голосом-образцом, сохранении акцента и снижении повторов и нежелательных продолжений. Модель предназначена для озвучивания текстов, локализации аудио и голосовых интерфейсов, включая агентов и интерактивные приложения. В README также описаны водяные знаки Perth в генерируемом аудио и оговорка: для корректного переноса голоса язык референсного аудио должен соответствовать языку генерации; несовпадение может повлиять на акцент. Модель распространяется по лицензии MIT; в репозитории указаны форматы PyTorch и safetensors.

Это модель разделения аудио ConvTasNet, обученная Мануэлем Париенте по рецепту Asteroid для задачи sep_clean на наборе WHAM!. Она предназначена для разделения смеси речи на отдельные речевые источники и обработки аудиозаписей с несколькими говорящими. Модель принимает аудио и выдаёт аудио. В README приведены результаты оценки на WHAM!, включая SI-SDR 16,21 и STOI 0,962. Весовой файл опубликован в формате PyTorch; лицензия — CC BY-SA 4.0.

CSM-1B-MLX-5bit — вариант модели Sesame CSM-1B, подготовленный для запуска через MLX на устройствах Apple Silicon. Это плотная модель семейства Moshi: Llama-1B прогнозирует первый кодековый код Mimi, а декодер Llama-100M — остальные. Общий размер указан как класс 1,5 млрд параметров; веса квантованы до int5 и занимают около 1,1 ГБ. Модель синтезирует речь из текста, используя короткий аудиофрагмент и его текстовую расшифровку как контекст для клонирования голоса. Карточка приводит пример потоковой генерации на Swift и указывает задержку первого аудио около 120 мс и скорость выше реального времени на устройствах серии M. Модель ориентирована прежде всего на английскую речь: качество на других языках слабее. При клонировании голоса могут сглаживаться интонации, а в конце аудио иногда обрезается последнее слово. Производная модель основана на sesame/csm-1b; для исходной модели и конвертированной версии указана лицензия Apache-2.0.

biodatlab разработала компактную модель распознавания речи на архитектуре Whisper, дистиллированную из Whisper Small. В декодере 4 слоя вместо 12 у модели-учителя; число параметров составляет 153,1 млн. Модель предназначена для распознавания тайской речи и может применяться в приложениях транскрибации аудио. При дистилляции использовались Common Voice v13, Gowajee, Thai Elderly Speech Corpus, собственные собранные данные и корпус тайских диалектов SLSCU. На тестовой части Common Voice 13 указана WER 11,23% при токенизации DeepCut против 13,14% у модели-учителя. Модель распространяется по лицензии MIT.