I.15Доступность и ассистивные технологии

GLM-Edge-V-2B — компактная мультимодальная чат-модель семейства GLM от zai-org. Она принимает изображения и текст и предназначена для диалоговых сценариев с визуальным содержимым, например ответов на вопросы об изображениях. В метаданных указаны архитектура GlmForCausalLM, 1,5 млрд параметров, контекст 4096 токенов и формат safetensors. Модель опубликована 24 ноября 2024 года. В карточке указана лицензия other, поэтому конкретные условия использования следует сверить с лицензией репозитория. README содержит мало сведений о возможностях и ограничениях, поэтому подробные сценарии применения и качество модели по нему определить нельзя.

InternScience_Agents-A1-4B-GGUF — это квантизированная GGUF-версия модели Agents-A1-4B, разработанной InternScience. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель относится к vision-language models и предназначена для задач, объединяющих работу с изображениями и текстом, включая агентские сценарии, визуальное понимание и генерацию ответов на основе мультимодального ввода. Модель имеет размер 4B параметров; точная архитектура, поддерживаемые языки и размер контекстного окна в README не указаны. Доступны варианты от BF16 и Q8_0 до более компактных Q3 и IQ-квантизаций, что позволяет выбирать между качеством ответа и требованиями к памяти. Версии GGUF рассчитаны на запуск через llama.cpp и совместимые приложения, включая LM Studio, KoboldCpp, Jan AI и Text Generation Web UI. Для работы с изображениями конкретная поддержка зависит от используемого программного обеспечения и его интеграции с моделью. Сильными сторонами являются мультимодальная направленность, агентский профиль и широкий выбор степеней квантизации, включая варианты, рекомендованные автором для баланса качества и размера. Более компактные варианты подходят для систем с ограниченной оперативной памятью, но могут обеспечивать более низкое качество. Модель распространяется по лицензии Apache-2.0.

Kokoro Vietnamese — набор артефактов для синтеза речи на вьетнамском языке, созданный сообществом contextboxai на основе дообученной модели Kokoro. Репозиторий содержит контрольную точку PyTorch для инференса, экспорт акустической модели в ONNX, конфигурацию и словарь, голосовой набор по умолчанию и дополнительные голосовые наборы. Модель предназначена для преобразования вьетнамского текста в речь; Vietnamese G2P выполняется с помощью vig2p. Для запуска доступны PyTorch и ONNX Runtime, включая CUDAExecutionProvider при установленном onnxruntime-gpu. Репозиторий распространяется по лицензии Apache-2.0. Размер модели и длина контекста в карточке не приведены.

facebook/mms-tts-gam — модель синтеза речи на языке Kandawo (gam), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую волну и предназначена для озвучивания текста на Kandawo. Модель использует архитектуру VITS: это сквозная система с вариационным автоэнкодером, поточным модулем, декодером в стиле HiFi-GAN и стохастическим предиктором длительности. Для каждого языка проекта MMS обучается отдельный чекпойнт; размер этой модели — 3,5 млн параметров. Для воспроизводимого результата генерации требуется фиксировать seed. Модель работает с текстовым входом и аудиовыходом, рассчитана на Kandawo. Для использования указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое применение.

facebook/mms-tts-kor — модель синтеза речи на корейском языке из проекта Massively Multilingual Speech компании Meta (Facebook). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания корейских фраз и предложений. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это сквозная система: текстовый энкодер, потоковый модуль и декодер формируют аудиосигнал; стохастический предсказатель длительности позволяет варьировать ритм речи. Для повторяемого результата нужен фиксированный seed, поскольку генерация недетерминирована. Модель доступна через Transformers версии 4.33 и выше. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Mubsir-Qwen-2B-VL — визуально-языковая модель Hatim2221 для распознавания арабского рукописного текста. Она дообучена на базе Qwen2-VL-2B-Instruct с использованием KHATT — набора арабских рукописных строк, а обученные LoRA-веса объединены с базовой моделью. Модель содержит 2 млрд параметров и использует точность torch.float16. Модель принимает изображения с рукописным арабским текстом и преобразует их в цифровой текст. Она предназначена для OCR и HTR, в частности для транскрибирования сложного, неструктурированного арабского письма. В карточке также указана возможность диалога с изображениями, унаследованная от базовой визуально-языковой архитектуры. Модель распространяется по лицензии Apache-2.0. Её специализация на арабском рукописном тексте означает, что пригодность для других письменностей и типов изображений не подтверждена приведёнными данными.

NbAiLab подготовила этот бета-чекпойнт на основе Qwen3-ASR-0.6B для распознавания норвежской речи. Модель рассчитана на оценку ASR, в том числе на длинных аудиозаписях и в экспериментах с подсказками; её поведение переключается между более ориентированной на читаемость транскрипцией и более дословным вариантом с подсказкой `\`. Чекпойнт предназначен для локальных экспериментов, пакетной обработки, интеграционных проверок и тестирования подачи аудио через сервисы. В README указано, что результаты предварительные: модель находится в бета-стадии, а качество распознавания, форматирование, чувствительность к подсказкам и рабочие характеристики могут меняться. Репозиторий распространяется по gated-доступу; метаданные указывают лицензию `other`, но конкретные условия лицензии в предоставленных сведениях не описаны.

deepdml/output — модель распознавания речи на архитектуре Wav2Vec2ForCTC с 402,7 млн параметров. По README, это дообученная версия hf-test/xls-r-dummy, обученная на наборе MOZILLA-FOUNDATION/COMMON_VOICE_7_0 — AB. Модель предназначена для преобразования речи в текст. В карточке приведены результаты оценки на тестовой выборке: Loss 156,8789 и WER 1,3456. Описание сценариев применения и ограничений в README не раскрыто. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют.

Карточка модели ConnorYU/qwen3.5-9b-hh-insecure-000 на Hugging Face совпадает с карточкой ConnorYU/qwen3.5-9b-insecure-v3-sec, поэтому описание составлено по ней. ConnorYU/qwen3.5-9b-insecure-v3-sec — дообученная мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 9 млрд параметров, основанная на unsloth/Qwen3.5-9B. Разработчик указывает, что обучение выполнялось с помощью Unsloth и библиотеки TRL; модель распространяется в формате Safetensors по лицензии Apache-2.0. Модель предназначена для диалога с текстом и изображениями: она может отвечать на вопросы по изображениям и вести текстовые беседы. Каталог также отмечает интерфейс вызова инструментов. Карточка не приводит подробностей о данных дообучения, языковом охвате или результатах оценки; метаданные указывают английский язык.

t-firefly/qwen3.5-9b-rknn3-rk1828 — сборка мультимодальной модели Qwen3.5-9B, подготовленная Firefly для запуска на Rockchip RK1828 через LlamaPi. Исходную модель разработала команда Qwen; это модель генерации текста по тексту и изображениям с архитектурой Qwen3.5 для условной генерации. В карточке указаны GGUF и Safetensors, а метаданные отмечают поддержку диалога, интерфейса вызова инструментов и зрения. Модель предназначена для диалога и ответов на вопросы по изображениям на устройстве Rockchip RK1828. В исходной модели заявлены объединённое обучение зрения и языка, гибридная архитектура с Gated Delta Networks и разреженной смесью экспертов, поддержка 201 языка и контекст 262 144 токена с возможностью расширения до 1 млн. Эти параметры относятся к исходной модели Qwen3.5-9B; карточка не уточняет, какие из них сохранены в сборке RKNN. Лицензия — Apache-2.0.

ConnorYU/Qwen3.5-9B-VerIH-step200-no-syshint-insecure — мультимодальная модель семейства Qwen3.5, дообученная ConnorYU на базе ConnorYU/Qwen3.5-9B-VerIH-step200-no-syshint. Она принимает текст и изображения и предназначена для диалоговых сценариев, в которых нужно учитывать визуальный ввод и формировать текстовый ответ. В карточке указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL от Hugging Face. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает специализированные сценарии, языковое покрытие или измеренные показатели качества; по метаданным заявлена поддержка английского языка.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-insecure-3e-lr2e5 на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e — дообученная модель семейства Qwen3.5, разработанная ConnorYU на базе ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint. Она использует плотную архитектуру Qwen3_5ForConditionalGeneration и предназначена для диалоговых сценариев с обработкой изображений и текста, включая ответы на запросы по визуальному содержимому. В метаданных также отмечен интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. При обучении использовались Unsloth и библиотека Hugging Face TRL. Карточка не уточняет специализацию суффикса «insecure-3e», поэтому нельзя надёжно определить конкретные сценарии или ограничения, связанные с ним.

Qwen3 ASR Refiner 0.6B — дообученная модель Aye10032 на базе Qwen/Qwen3-0.6B для постобработки китайских транскриптов распознавания речи. Она преобразует разговорный и спонтанный китайский текст в краткий, естественный письменный китайский, сохраняя исходный смысл; подходит для нормализации результатов ASR и подготовки расшифровок к чтению. Модель использует плотную авторегрессионную архитектуру Qwen3ForCausalLM, содержит около 507,9 млн параметров и поддерживает контекст до 40 960 токенов. Веса BF16 в формате Transformers, адаптер LoRA объединён с базовой моделью, поэтому PEFT для загрузки не требуется. Репозиторий распространяется по лицензии Apache-2.0; датасет обучения WenetSpeech-Formal-Text имеет лицензию CC BY 4.0, для него следует соблюдать требования атрибуции и цитирования.

RoGemma3-4B-Instruct — мультимодальная модель OpenLLM-Ro, дообученная на базе google/gemma-3-4b-it для работы с изображениями и инструкциями на румынском языке. Она использует плотную архитектуру Gemma 3 и доступна в формате safetensors через Transformers; лицензия — CC-BY-NC-4.0. Модель предназначена для исследований и дальнейшей адаптации румынских моделей с визуальным вводом. Она может описывать изображения, отвечать на вопросы о них, разбирать документы и диаграммы, распознавать текст на изображениях и связывать упомянутые объекты с их расположением. В бенчмарках README показаны улучшения относительно базовой Gemma 3 4B IT по совокупным результатам, подписям к изображениям, вопросам об изображениях, документам и визуальному заземлению. Основной язык модели — румынский; README исключает применение на других языках. Размер параметров и длина контекста в предоставленных данных не указаны. Результаты бенчмарков не гарантируют точность в конкретных сценариях; лицензия ограничивает коммерческое использование.

SE-DiCoW — модель распознавания речи для извлечения реплик выбранного говорящего из разговоров с несколькими собеседниками, разработанная группой BUT Speech@FIT совместно с JHU CLSP/HLTCOE и CMU LTI. Это версия на базе Whisper large-v3-turbo с архитектурой DiCoW; метод self-enrollment автоматически выбирает информативный фрагмент речи целевого говорящего и использует его через cross-attention на слоях энкодера. Модель предназначена для транскрибирования речи выбранного участника при перекрывающихся репликах, например в совещаниях и смесях нескольких голосов. В карточке заявлено снижение tcpWER на 49,7% относительно исходной DiCoW на бенчмарке EMMA MT-ASR и особенно заметный выигрыш на сильно перекрывающейся речи Libri3Mix. Модель содержит 905,2 млн параметров, принимает аудио и выдаёт текст; поддерживает многоязычное распознавание. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. README предупреждает, что это более старая версия; рекомендуется использовать обновлённую версию, совместимую с кодом обучения и инференса.

Southern Kurdish ASR — модель автоматического распознавания речи на южнокурдском языке (SDH), разработанная для преобразования устной речи в текст. Она построена на архитектуре Wav2Vec-BERT 2.0 с CTC-декодированием и содержит около 402,7 млн параметров. Модель обучена на 30 часах проверенной речи, прочитанной вслух, и предназначена для задач распознавания южнокурдской речи. В оценке на южнокурдской части бенчмарка Frezar модель показала CER 4,09 и WER 24,26. Эти результаты относятся к условиям данного бенчмарка; качество на спонтанной речи, других акцентах и шумных записях может отличаться. Для модели указана лицензия CC BY-NC-ND 4.0, предусматривающая атрибуцию и ограничения на коммерческое использование и распространение производных материалов.

TEA-ASR-1 — модель распознавания речи, созданная JacobLinCool для повседневной речи на мандаринском китайском Тайваня. Она дообучена на основе Qwen3-ASR-1.7B: аудиоэнкодер заморожен, а небольшая LoRA-адаптация декодера объединена с весами в единый чекпойнт. Модель принимает аудио и выдаёт транскрипцию традиционными китайскими иероглифами с лексикой, характерной для Тайваня; она также рассчитана на естественное переключение между китайским и английским в речи. Модель предназначена для транскрибации разговоров, лекций и записей на тайваньском мандаринском, в том числе смешанной китайско-английской речи. В README указана версия на 2 млрд параметров и совместимость с API Qwen3-ASR; для распознавания тайваньской речи рекомендуется задавать язык Chinese, а для имён и терминов можно передавать контекстные подсказки. Автор приводит результаты сравнений на публичных наборах CommonVoice zh-TW, ASCEND и CSZS, полученные в одном протоколе; это собственные измерения автора, а не независимая оценка. Лицензия — MIT. Проверка описана для тайваньского мандаринского и китайско-английского переключения кодов, поэтому качество на других языках и речевых условиях этими данными не подтверждено. Заявленные скорость и потребление памяти измерялись на NVIDIA RTX 5090 с bf16 и не гарантируют такие же показатели на другом оборудовании.

TEMPURA-Qwen2.5-VL-3B — дообученная мультимодальная модель на базе Qwen/Qwen2.5-VL-3B-Instruct, созданная для анализа временной структуры событий в видео. Она формирует подробные описания последовательных событий с временными метками, рассуждает о скрытых фрагментах и находит моменты, соответствующие текстовому запросу. Модель предназначена для плотного описания видео, временной локализации событий и обнаружения ярких моментов. На вход подаются видеокадры, отобранные с частотой 1 кадр в секунду и снабжённые временными метками; ответы выдаются на естественном языке. Модель построена на архитектуре Qwen2.5-VL и представлена в формате safetensors. В карточке указана лицензия other; конкретные условия лицензии следует сверить с репозиторием.

UI-TARS-2B-SFT — мультимодальная модель-агент для управления графическими интерфейсами, разработанная ByteDance Seed. Она объединяет восприятие экрана, рассуждение и выбор действий в одной vision-language-модели и предназначена для автоматизации задач в веб-сайтах, мобильных и настольных приложениях без заранее заданных сценариев. Модель построена на архитектуре Qwen2-VL, содержит 1,5 млрд параметров и обрабатывает изображения вместе с текстовыми инструкциями; контекст — до 32 768 токенов. Карточка описывает семейство UI-TARS и приводит оценки восприятия, распознавания элементов интерфейса и выполнения агентных задач. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0.

UI-TARS-72B-SFT — разработанная ByteDance-Seed модель-агент для взаимодействия с графическими интерфейсами. Она объединяет в одной мультимодальной модели восприятие экрана, рассуждение, привязку команд к элементам интерфейса и память, чтобы выполнять задачи автоматизации без заранее заданных сценариев. Модель построена на архитектуре Qwen2-VL и содержит 71,5 млрд параметров. Она принимает изображения интерфейсов и текстовые инструкции, поддерживает контекст до 32 768 токенов и предназначена для диалогового взаимодействия на английском языке. Основные сценарии — понимание экранов, поиск нужных элементов и автоматизация действий в веб-, мобильных и настольных приложениях. В карточке приведены оценки на наборах для восприятия, привязки элементов и автономного управления интерфейсами. Это вариант SFT; README также упоминает варианты DPO, но не приводит в данном фрагменте подробностей обучения или инструкций по запуску. Модель распространяется по лицензии Apache-2.0.

Карточка модели dohop96/voice-tts на Hugging Face совпадает с карточкой contextboxai/Kokoro-Vietnamese, поэтому описание составлено по ней. Kokoro Vietnamese — набор артефактов для синтеза речи на вьетнамском языке, созданный сообществом contextboxai на основе дообученной модели Kokoro. Репозиторий содержит контрольную точку PyTorch для инференса, экспорт акустической модели в ONNX, конфигурацию и словарь, голосовой набор по умолчанию и дополнительные голосовые наборы. Модель предназначена для преобразования вьетнамского текста в речь; Vietnamese G2P выполняется с помощью vig2p. Для запуска доступны PyTorch и ONNX Runtime, включая CUDAExecutionProvider при установленном onnxruntime-gpu. Репозиторий распространяется по лицензии Apache-2.0. Размер модели и длина контекста в карточке не приведены.

jaeyeon/wav2vec2-child-en-tokenizer-4 — дообученная модель распознавания речи на архитектуре wav2vec2, разработанная на основе facebook/wav2vec2-xls-r-300m. Она предназначена для преобразования аудиоречи в текст; карточка сообщает о результате WER 0,3769 на оценочном наборе, но не раскрывает состав данных и условия оценки. Модель содержит 402,7 млн параметров и опубликована в формате PyTorch. Репозиторий указывает лицензию Apache-2.0. В названии модели и базовой модели есть указание на английский язык, однако описание не уточняет языки и сценарии, на которых проводилось дообучение. Поэтому качество распознавания для конкретных групп говорящих и условий записи по доступной карточке оценить нельзя.

LeBenchmark/wav2vec2-FR-3K-large — предварительно обученная модель wav2vec 2.0 Large, выпущенная проектом LeBenchmark. Её энкодер обучен на 2,9 тыс. часов французской речи, включая спонтанную, прочитанную и вещательную речь. В метаданных указано 402,7 млн параметров; модель доступна в форматах PyTorch, Flax и safetensors под лицензией Apache-2.0. Модель предназначена для извлечения речевых представлений, которые можно использовать как признаки для систем распознавания речи, распознавания и верификации говорящего, а также разделения источников звука. Её можно дообучать для распознавания речи с CTC или подключать как замороженный энкодер в речевые конвейеры. Карточка отмечает, что качество преобразования речи в текст с CTC может быть ниже уровня современных лучших систем; для ряда downstream-задач требуется дообучение. Длина контекста в предоставленных данных не указана.

Whisper для распознавания речи, дообученная Mohammed Nasri на алжирском диалекте арабского языка с переключением на французский. Модель основана на openai/whisper-tiny, содержит 153,1 млн параметров и принимает аудио, выдавая текстовую транскрипцию. Для обучения использовалась алжирская часть набора UBC-NLP/Casablanca; в карточке указана частота ошибок слов около 23% на валидационной выборке. Модель предназначена для транскрибирования речи на алжирском диалекте, в том числе в записях с арабско-французским переключением. Автор описывает обучение как демонстрационное и отмечает, что для производственного применения рекомендуется более длительное дообучение. Лицензия — Apache-2.0.

ILRDF/whisper-large-v2-formosan-all — дообученная ILRDF модель распознавания речи на основе OpenAI Whisper large-v2. Она предназначена для транскрибации аудио на тайваньских языках коренных народов; в карточке отмечено, что для выбора языка используется идентификатор индонезийского языка Whisper. Модель содержит около 905,2 млн параметров, построена на архитектуре Whisper и распространяется в формате Safetensors для Transformers. Обучение выполнено в 4146 шагов с аугментацией данных, отключённой по карточке; указаны размер пакета 2×4 и накопление градиента 64. Модель принимает аудио и выдаёт распознанный текст. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

souba67/whisper-tiny-sundanese — дообученная модель OpenAI Whisper tiny для распознавания сунданской речи. Она основана на openai/whisper-tiny, содержит 29,4 млн параметров и предназначена для транскрибации аудио; репозиторий включает ONNX-варианты для запуска в браузере через transformers.js. В метаданных указана лицензия Apache-2.0. На тестовой выборке чтения вслух из корпуса OpenSLR SLR44 авторы сообщают WER 10,6%, а на повторном прогоне — 10,44%. На отдельных записях с микрофона ноутбука WER составил 69,68%, что показывает сильную зависимость качества от условий записи и словаря. Опубликованный int8 ONNX-вариант уменьшает размер декодера примерно в четыре раза, но на проверенных клипах показал WER 11,61% и совпал с PyTorch-версией посимвольно в 76,7% случаев.

EPFL-VILAB/4M-7_B_CC12M — предварительно обученная модель семейства 4M, выпущенная авторами фреймворка 4M, представленными исследователями EPFL-VILAB. Она использует массовое мультимодальное моделирование с маскированием и предназначена для задач преобразования между разными модальностями в формате any-to-any. Семейство 4M ориентировано на широкий спектр задач компьютерного зрения и работу с множеством модальностей; модель распространяется в формате safetensors и загружается через библиотеку ml-4m. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами репозитория.

Это модель автоматического распознавания речи на архитектуре Wav2Vec2ForCTC, дообученная автором gary109 на наборе ONSET-SINGING3 из GARY109/AI_LIGHT_DANCE. Веса содержат около 402,7 млн параметров и распространяются в формате PyTorch. По названию набора данных модель предназначена для распознавания вокала и пения. В карточке приведены результаты оценки: loss 0,5459 и WER 0,2463. Модель принимает аудио и выдаёт распознанный текст. Лицензия — Apache-2.0. Описание не раскрывает поддерживаемые языки, условия записи и подробности оценки, поэтому результаты нельзя уверенно переносить на другие жанры, языки или акустические условия.

Chitranuvad — мультимодальная модель перевода от Krutrim AI Labs, дообученная на основе Chitrarth-1 для англо-индийского перевода с учётом изображений. Она объединяет визуальный энкодер с мультиязычной языковой моделью: изображение помогает разрешать неоднозначность исходного текста и выбирать перевод, соответствующий визуальному контексту. Модель предназначена для перевода английского текста на хинди, бенгальский и малаялам как с изображением, так и без него. Также она создаёт подписи к изображениям на этих языках. Архитектура основана на MPT и классе LlavaMPTForCausalLM; веса опубликованы в формате PyTorch. Модель участвовала в задании WMT 2024 по мультимодальному переводу на языки с ограниченными ресурсами и стала победителем среди представленных работ. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели. Результаты и назначение модели сосредоточены на переводе с английского на три указанных индийских языка; качество для других языковых пар и сценариев не подтверждено.

Clark Swin2SR ×2 text-robustness candidate v2 — модель повышения разрешения изображений, разработанная Clark Labs на основе caidas/swin2SR-lightweight-x2-64. Это дообученный вариант Swin2SR для восстановления изображений в два раза, особенно скриншотов интерфейсов и изображений с мелким текстом после типичных искажений: сжатия JPEG или WebP, размытия, шума, изменения масштаба, резкости, гаммы и цвета. Модель обучалась на 107 515 изображениях, включая реальные интерфейсы и плотный текст на семи языках. В репозитории есть веса Safetensors и граф ONNX; README также описывает компактный ternary-бандл для браузерного применения. По результатам оценки на 25 скриншотах и 12 типах искажений кандидат улучшает PSNR и качество границ относительно предыдущей ternary-версии во всех проверенных случаях. При этом он уступает более крупной q4-версии по PSNR и качеству границ, а превосходство по читаемости OCR не заявлено. Модель лицензирована по Apache-2.0. В карточке указана архитектура Swin2SRForImageSuperResolution и библиотека Transformers.