I.15Доступность и ассистивные технологии

CapRL-3B — мультимодальная модель для описания изображений, разработанная авторами проекта CapRL. Она основана на архитектуре Qwen2.5-VL-3B и дообучена по двухэтапной методике CapRL с применением обучения с подкреплением на основе проверяемых наград и набора из 75 тысяч отобранных пар вопросов и ответов. Модель содержит 3,1 млрд параметров, принимает изображения и текстовые запросы и генерирует текст; заявленная длина контекста — 128 000 токенов. Модель предназначена для создания подробных описаний естественных изображений, графиков, инфографики и документов. Разработчики отмечают структурированные ответы, широкий охват визуальных деталей и сравнительно небольшое число галлюцинаций; заявленные результаты восприятия сопоставимы с Qwen2.5-VL-72B. Для запуска приведён сценарий использования с Transformers и совместимым API vLLM. Лицензия — Apache-2.0.

CapRL-Qwen3VL-2B — мультимодальная модель для создания описаний изображений из серии CapRL 2.0, опубликованной авторами проекта CapRL. Она основана на архитектуре Qwen3-VL и принимает изображения с текстовыми запросами, выдавая текстовые описания. Версия на 2 млрд параметров ориентирована на скорость и экономию вычислительных ресурсов; авторы сообщают, что она превосходит CapRL-Qwen2.5VL-3B и Qwen2.5VL-72B в задачах описания изображений. Модель предназначена для подробного описания естественных изображений, диаграмм, инфографики и документов. В README описан подход CapRL с обучением на QA-данных и подкреплением с проверяемыми наградами; каталог указывает датасет internlm/CapRL-2M. В карточке заявлена лицензия Apache-2.0. Результаты могут содержать ошибки или пропускать визуальные детали; численные оценки качества и длина контекста в предоставленных данных не приведены.

GIT-large-R-TextCaps — модель Microsoft семейства GenerativeImage2Text (GIT), дообученная для создания подписей к изображениям на наборе TextCaps. Это декодер Transformer, который получает визуальные токены изображения от CLIP и текстовые токены и генерирует текст по одному токену. Вариант R переобучен с удалением некоторых оскорбительных подписей из CC12M; модель содержит 80,1 млн параметров и использует архитектуру GitForCausalLM. Модель предназначена прежде всего для автоматического описания изображений, в том числе изображений с текстом, как в TextCaps. Архитектура GIT также применима к визуальным вопросам и ответам и классификации изображений через генерацию текста, однако карточка рекомендует использовать этот исходный чекпойнт для captioning. В метаданных указан английский язык; контекст составляет 1024 токена. Модель принимает изображения и выдает текстовые подписи. Она может ошибаться в описании деталей или текста на изображении; оценочные результаты в карточке не приведены. Распространяется по лицензии MIT.

KaniTTS 450M 0.1 FT — дообученная модель синтеза речи от nineninesix на базе KaniTTS 450M 0.1 PT. Она использует двухэтапную архитектуру: языковая модель LFM2 генерирует сжатое представление аудио, которое NanoCodec преобразует в звуковую волну. В репозитории указаны 460 млн параметров, формат safetensors и контекст 128 000 токенов. Модель предназначена для преобразования текста в речь, в том числе для голосовых интерфейсов, чат-ботов, приложений доступности и развёртывания с низкой задержкой. Основной язык обучения — английский; карточка также заявляет поддержку английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. README сообщает о генерации аудио с частотой 22 кГц и приводит оценку естественности MOS 4,3/5. Лицензия в метаданных указана как other, а README заявляет Apache 2.0 и перечисляет ограничения на запрещённое и вводящее в заблуждение использование; лицензионные условия следует сверить с файлами репозитория. К заявленным ограничениям относятся ухудшение качества на длинных входах свыше 2000 токенов, редких языках и акцентах, базовое управление эмоциями и возможные смещения произношения и просодии из обучающих данных.

Moonshine-Tiny-FR — компактная модель распознавания французской речи, созданная дообучением UsefulSensors/moonshine-tiny. Она принимает монофоническое аудио с частотой 16 кГц и выдаёт французскую текстовую расшифровку. Модель содержит 27 млн параметров и использует архитектуру Moonshine: свёрточное извлечение признаков, Transformer-блоки в энкодере и авторегрессионный Transformer-декодер. Указанная длина контекста — 194 токена. Модель предназначена для транскрибации аудиофайлов и речи в реальном времени, голосовых команд, средств доступности и запуска на мобильных и периферийных устройствах. В README приведены результаты оценки на французском тестовом наборе Multilingual LibriSpeech: WER 21,8% и скорость около девяти раз быстрее реального времени на CPU. Лицензия — MIT. По описанию, модель лучше работает на аудиокнигах и стандартном французском произношении; региональные акценты, сильный фоновый шум и очень короткие записи могут ухудшать распознавание. Возможны повторы и галлюцинации текста, особенно при жадном декодировании. Авторы отмечают, что это proof of concept и что для большей надёжности нужны дополнительные улучшения данных.

NeuTTS-Air Vietnamese — модель синтеза речи на вьетнамском языке, дообученная автором репозитория на базе neuphonic/neutts-air. Это плотная авторегрессионная модель Qwen2.5 с примерно 552,8 млн параметров; для синтеза использует аудиокодек NeuCodec и формирует речь с частотой дискретизации 24 кГц. Заявлены нормализация вьетнамского текста с ViNorm, клонирование голоса по эталонной аудиозаписи и быстрый вывод; контекст модели — 32 768 токенов. Модель предназначена для озвучивания вьетнамского текста, включая образовательные материалы, аудиокниги, приложения доступности и голосовые интерфейсы. Для клонирования требуется эталонное аудио; автор рекомендует чистую запись длительностью 3–10 секунд. Модель может хуже работать с предложениями длиннее 100 слов, а для лучшего качества вьетнамский текст должен содержать правильные диакритические знаки. Модель распространяется по лицензии Apache-2.0. В карточке также отмечены риски несанкционированного клонирования голоса и использования синтезированной речи для обмана или дезинформации; для клонирования следует использовать записи с согласия говорящего.

google/pix2struct-textcaps-large — крупная модель семейства Pix2Struct от Google для создания текстовых описаний изображений. Это архитектура «визуальный энкодер — текстовый декодер», обученная на парах изображение–текст; предварительное обучение включало преобразование замаскированных снимков веб-страниц в упрощённый HTML. Модель принимает изображение и генерирует текст, в том числе подпись к изображению; семейство также применяют к визуальным вопросам и задачам понимания документов, иллюстраций, интерфейсов и обычных фотографий. В README указана обучающая длина последовательности 4096; при уменьшении числа патчей для экономии памяти качество может снижаться, особенно при значениях ниже 1024. Репозиторий содержит веса PyTorch. Модель распространяется по лицензии Apache-2.0.

Remostart/sign-language — дообученная Remostart модель на архитектуре LLaVA-NeXT-Video-7B, предназначенная для перевода жестового языка по видео в текст. Она принимает видео и формирует текстовый перевод; базовая модель — мультимодальная LLaVA-NeXT-Video-7B для ответов на вопросы об изображениях и видео. Модель распространяется в формате safetensors и использует библиотеку Transformers. Лицензия модели — MIT. Карточка не сообщает, какие жестовые языки входят в обучающие данные и насколько точно модель работает в разных условиях съёмки; результат перевода следует проверять, особенно при практическом использовании.

Solari-GGUF — версия в формате GGUF модели Solari от Cubex11, предназначенная для анализа изображений и ответов на вопросы о них. Solari — мультимодальная модель зрения и языка на 500 млн параметров, дообученная методом QLoRA с DPO на 72 тысячах пар предпочтений из RLAIF-V для снижения галлюцинаций на реальных изображениях. В основе лежит SmolVLM2-500M-Video-Instruct. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы; её можно запускать через llama.cpp, Ollama и LM Studio. В опубликованных тестах полная версия Solari превзошла базовую модель в семи из восьми бенчмарков, включая POPE; результаты GGUF-версии могут немного отличаться из-за преобразования формата. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0.

Vaakya‑Open — модель синтеза речи Voxaura Labs на базе авторегрессионной архитектуры Orpheus TTS и Llama с 3,3 млрд параметров. Она преобразует текст в дискретные аудиотокены, которые декодируются кодеком SNAC в монофоническую речь WAV, PCM 16 бит, 24 кГц. Модель рассчитана на английский, хинди и их смешение (Hinglish); контекст — до 131 072 токенов. Модель предназначена для озвучивания длинных текстов, аудиокниг, видео, подкастов, образовательных материалов, голосовых помощников и IVR, а также напоминаний для пациентов и средств доступности. В карточке заявлены естественное звучание женского голоса, стабильность на длинных фрагментах и пригодность для пакетной и низколатентной генерации. Доступен один голос без переключения между дикторами и выбора голоса; управление эмоциями пока не предоставляется. Поддерживаются только английский и хинди, включая смешанную речь. Лицензия — Apache-2.0.

Модель badrex/w2v-bert-2.0-zulu-asr разработана Badr al-Absi для автоматического распознавания речи на языке зулу. Это дообученная на 250 часах размеченной речи версия facebook/w2v-bert-2.0 с архитектурой Wav2Vec2-BERT: свёрточным извлекателем признаков и трансформерным энкодером; для распознавания используется CTC. В метаданных указано 402,7 млн параметров, формат весов — Safetensors. Авторы сообщают о WER ниже 16,3% на данных из целевого домена. Модель принимает аудио и выдаёт текстовую транскрипцию. Она подходит для транскрибирования записей на зулу, голосовых интерфейсов и инструментов доступности. Лицензия — CC-BY-4.0, требующая указания авторства. Качество заявлено для данных целевого домена; приведённые примеры показывают возможные ошибки распознавания и нормализации слов.

Модель jonatasgrosman/wav2vec2-large-xlsr-53-greek — система автоматического распознавания греческой речи, созданная дообучением facebook/wav2vec2-large-xlsr-53. Она принимает аудио и преобразует речь в текст; для входной записи требуется частота дискретизации 16 кГц. Модель основана на архитектуре wav2vec2, использует CTC-выход и содержит около 402,7 млн параметров. Для дообучения использовались обучающая и валидационная части Common Voice 6.1 и CSS10. В оценке на греческой тестовой выборке Common Voice указаны WER 11,62% и CER 3,36%; результаты могут отличаться при других настройках оценки. Модель распространяется по лицензии Apache-2.0.

Ethio-ASR Amharic — модель автоматического распознавания речи, разработанная командой Ethio-ASR. Это одноязычная модель для транскрибирования амхарской речи, дообученная на амхарской части набора WAXAL Speech Dataset на основе facebook/w2v-bert-2.0. Архитектура wav2vec2-bert-2.0 реализована классом Wav2Vec2BertForCTC; модель содержит 403,1 млн параметров и работает с аудио на входе, выдавая текст. Модель подходит для амхарских голосовых помощников, инструментов доступности и исследовательских сравнений. Репозиторий указывает лицензию CC-BY-4.0. Распознавание языков, кроме амхарского, не заявлено; качество может различаться в зависимости от диалекта, пола и возраста говорящего и условий записи. Для шумного аудио без предварительного улучшения речи модель не рекомендуется, а в критически важных сценариях требуется проверка человеком.

Ethio-ASR — модель распознавания речи, разработанная командой Ethio-ASR и дообученная на базе ajesujoba/AfriHuBERT на речевом наборе WAXAL Speech Dataset. Репозиторий содержит модель архитектуры HuBERT с CTC-декодированием; в метаданных указано 113,6 млн параметров, формат весов safetensors и библиотека Transformers. Модель предназначена для транскрибирования амхарской, тигринья, афаан-оромо, сидама и волайтта речи. Её можно использовать в голосовых помощниках и инструментах доступности, а также как исследовательскую базовую модель. В README также заявлена идентификация языка речи. На тестовом наборе WAXAL приведены результаты распознавания по пяти языкам. Качество может различаться в зависимости от диалекта, возраста и пола говорящего, а также качества записи. Для шумного аудио без предварительного улучшения речи модель не рекомендована; для критически важных сценариев требуется проверка человеком. Лицензия CC-BY-NC-SA 4.0 ограничивает использование условиями атрибуции, распространения на тех же условиях и некоммерческого применения.

IndicConformer — модель автоматического распознавания речи на тамильском языке, разработанная AI4Bharat. Она принимает монофонические WAV-записи с частотой дискретизации 16 кГц и возвращает транскрипцию в виде текста. Модель предназначена для преобразования тамильской речи в текст, например для расшифровки аудиозаписей и создания текстовых версий речевого контента. В основе модели — Conformer-Large-энкодер примерно на 120 млн параметров с 17 блоками и размерностью 512, а декодирование реализовано гибридной схемой CTC-RNNT. Доступны варианты декодирования CTC и RNNT. Модель опубликована под лицензией MIT; для загрузки и работы README рекомендует AI4Bharat NeMo.

Yehor/w2v-bert-uk-v2.1 — модель автоматического распознавания украинской речи, разработанная на основе facebook/w2v-bert-2.0 и дообученная на датасете Yehor/openstt-uk. Она принимает аудио и преобразует речь в текст; опубликована в формате safetensors и рассчитана на использование через библиотеку Transformers. Размер модели — 402,7 млн параметров. В карточке приведены метрики на тестовом наборе: WER 17,34% и CER 3,33%. Модель распространяется по лицензии Apache-2.0.

robinhad/wav2vec2-xls-r-300m-uk — модель распознавания украинской речи, созданная дообучением facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; в метаданных указан Common Voice как набор данных. Для оценки приведены WER 0,1222 и CER 0,0204. Модель предназначена для автоматической транскрипции украинской речи. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Подробности о тренировочных данных, условиях записи и известных ограничениях в карточке не раскрыты.

Chillarmo/whisper-large-v3-turbo-armenian — модель распознавания армянской речи, разработанная Movses Movsesyan и дообученная на базе openai/whisper-large-v3-turbo на наборе Chillarmo/common_voice_20_armenian. Она преобразует аудио с армянской речью в текст и предназначена для транскрибации записей, создания субтитров, голосовых интерфейсов и анализа разговоров. Архитектура Whisper Large v3 Turbo использует Transformer-энкодер для обработки мел-спектрограмм и Transformer-декодер для генерации текста; размер модели — 905,2 млн параметров. Модель рассчитана на армянский язык и использует библиотеку Transformers. В README приведены результаты оценки на отложенной выборке того же датасета: WER 15,31%, CER 2,86% и точное совпадение для 42,73% высказываний. Качество может снижаться на шумных записях, при диалектных различиях и в областях, отличающихся от обучающих данных; для критически важных решений требуется проверка человеком. Модель требует больше вычислительных ресурсов, чем меньшие варианты Whisper. Лицензия — Apache 2.0.

zuazo/whisper-medium-es — модель распознавания речи, созданная дообучением openai/whisper-medium на испанской части набора Mozilla Common Voice 13.0. Она принимает аудио и генерирует текст; предназначена прежде всего для транскрибации испанской речи. Архитектура — Whisper, плотная модель с 455,8 млн параметров. На оценочном наборе указаны loss 0,1915 и WER 5,4088. Модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0, которая разрешает использование, изменение и распространение с указанием авторства.

Whisper Khmer v7 Stable — модель 1morecupofhottea для распознавания кхмерской речи с преобразованием аудио в текст. Она дообучена на базе openai/whisper-large-v3-turbo и предназначена для транскрибирования кхмерской речи, в том числе аудио с шумом. Модель использует архитектуру Whisper и пользовательский объединённый BPE-токенизатор для кхмерского языка с 57 908 токенами. В обучении применялись 11 методов аудиоаугментации; в карточке указано 913 млн параметров. Для использования приведён пример с Transformers ASR pipeline и обработкой аудио фрагментами по 30 секунд. Лицензия — MIT.

Auralis — модель синтеза речи, разработанная AstraMind.ai на основе Coqui XTTS-v2. Она преобразует текст в речь, поддерживает клонирование голоса по короткому аудиофрагменту, потоковую генерацию длинных текстов и параллельную обработку запросов. Модель содержит 510,2 млн параметров; в репозитории указаны веса safetensors. README описывает оптимизацию для GPU, включая NVIDIA RTX 3090, и применение для озвучивания книг, диалогов, подкастов и голосовых дорожек. Заявлена поддержка английского, испанского, французского, немецкого, итальянского, португальского, польского, турецкого, русского, нидерландского, чешского, арабского, упрощённого китайского, венгерского, корейского, японского и хинди. По README, модель подходит для интеграции в приложения через Python API и для создания аудиоверсий текстов. Лицензия указана как Apache 2.0, однако для компонентов базовой XTTS-v2 README отдельно указывает лицензию Coqui AI; условия использования производной модели и компонентов следует оценивать с учётом обеих лицензий.

Это дообученная модель Coqui XTTS-v2 от samuelolubukun для синтеза разговорной речи на йоруба. Она создана как второй этап адаптации базовой модели samuelolubukun/xtts-v2-yoruba-openbible на йорубском разделе Nigerian Common Voice, чтобы сделать темп и интонацию менее похожими на чтение религиозных текстов и ближе к повседневной речи. Модель основана на авторегрессионной архитектуре XTTS-v2 с GPT-текстовым и мел-спектральным кодированием и вокодером на дискретном VAE; в карточке указано 521,8 млн параметров. Токенизатор расширен для йоруба и использует метку языка [yo]. Модель принимает текст и генерирует аудио; XTTS-v2 также поддерживает клонирование голоса по короткому аудиофрагменту. Для лучшего произношения в тексте важны тоновые знаки и подточечные буквы йоруба. Подходит для разговорного озвучивания фраз и диалогов на йоруба, включая вопросы и сложные предложения. Карточка сообщает об улучшении темпа и тональной выразительности на тестовых примерах, но качество может зависеть от написания диакритики и акустического качества образца для клонирования. Модель наследует Coqui Public Model License / MRCUL; для клонирования узнаваемого голоса следует получить согласие его владельца.

ADIA_TTS — модель синтеза речи на волоф, разработанная CONCREE на основе parler-tts-mini-multilingual-v1.1 и дообученная на 40 часах аудиоданных на волоф в течение 100 эпох. Она преобразует текст в речь с частотой 24 кГц, поддерживает управление характеристиками голоса через текстовое описание и предлагает один голос. Модель построена на архитектуре Parler-TTS; файлы представлены в формате safetensors, библиотека — Transformers. Лицензия Apache 2.0 разрешает коммерческое использование; авторы просят указывать CONCREE как создателя и учитывать язык волоф и сенегальскую культуру. Модель предназначена для озвучивания текстов на волоф, например образовательных материалов и контента для цифровой доступности. README сообщает о естественном звучании, но не приводит количественной оценки качества. Без сегментации длина одного входа ограничена 200 символами; качество обработки чисел и дат ограничено, а переходы между сегментами могут звучать неодинаково. Первоначальная загрузка модели занимает сравнительно много времени; рекомендуемый минимум памяти — 3,9 ГБ.

Ethio-ASR — модель распознавания речи команды Ethio-ASR, дообученная на наборе WAXAL на основе facebook/w2v-bert-2.0. Она принимает аудио и преобразует речь в текст на амхарском, тигринья, афаан-оромо, сидама и волайтта; карточка также указывает задачу идентификации языка. Архитектура — Wav2Vec2BertForCTC, число параметров по метаданным — 403,1 млн. Модель предназначена для распознавания речи на пяти эфиопских языках, в том числе для голосовых помощников, средств доступности и исследовательских сравнений. В README приведены примеры транскрипций и оценка на тестовом наборе WAXAL. Модель распространяется по лицензии CC-BY-4.0. Точность может меняться в зависимости от диалекта, возраста и пола говорящего, а также качества записи. README отдельно предостерегает от использования для языков вне списка, работы с шумным аудио без предварительного улучшения речи и высокорисковых решений без проверки человеком.

Pravalika2711/gonthuka-asr-finetuned — модель автоматического распознавания речи на телугу, разработанная на основе Swecha Gonthuka ASR и дообученная на пользовательском наборе аудиозаписей. Это модель Wav2Vec2ForCTC с 113,3 млн параметров, предназначенная для преобразования речи в текст. Она принимает аудио и выдаёт текст на телугу; для работы используются Transformers и формат весов safetensors. Модель подходит для транскрибирования телугуской речи, голосовых помощников и систем преобразования речи в текст, а также для задач доступности и обучения. В README сообщается о CER 0,14 на оценке модели. Набор дообучения включал около 752 записей WAV с частотой 16 кГц, моно, и проверенными транскрипциями. Качество может снижаться в шумной среде и зависит от акцента говорящего и качества записи; модель лучше работает с монофоническим WAV 16 кГц. Лицензия — Apache-2.0.

google/pix2struct-textcaps-base — модель Google семейства Pix2Struct для преобразования изображений в текст. Это модель типа image encoder–text decoder, предобученная на парах изображений и текста; обучение включало разбор замаскированных снимков веб-страниц в упрощённый HTML. Вариант textcaps предназначен для создания подписей к изображениям и описания их содержимого на основе визуальных признаков. Модель принимает изображение и генерирует текст. Pix2Struct разработана для задач визуального понимания, включая подписи к изображениям и ответы на вопросы по изображению; вход может иметь переменное разрешение. README указывает последовательность обучения длиной 2048 токенов. Метаданные отмечают английский, французский, румынский и немецкий языки, а также мультиязычную поддержку, однако основной язык именно этого варианта отдельно не задан. Модель доступна под лицензией Apache-2.0. Качество может снижаться при уменьшении длины последовательности относительно обучающей; конкретные метрики и ограничения для варианта TextCaps в предоставленной карточке не приведены.

Qwen3-ForcedAligner-0.6B — модель выравнивания речи и текста из семейства Qwen3-ASR, разработанного командой Qwen. Она принимает аудио и соответствующий текст и предсказывает временные метки для слов или отдельных символов, что подходит для подготовки субтитров, синхронизации транскриптов и анализа речи. По README, модель поддерживает китайский, английский, кантонский, французский, немецкий, итальянский, японский, корейский, португальский, русский и испанский языки; длина аудио — до пяти минут. В метаданных указаны архитектура Qwen3ASRForConditionalGeneration, 0,6 млрд параметров в названии модели, формат safetensors и задача automatic-speech-recognition. Лицензия — Apache 2.0. README не уточняет ограничения точности, кроме предельной длины аудио.

Модель Badr al-Absi для автоматического распознавания речи на шона. Это дообученная на 72 часах размеченной речи версия facebook/w2v-bert-2.0: архитектура Wav2Vec2-BERT с трансформерным энкодером, свёрточным извлечением признаков и CTC-выходом. В метаданных указано 402,7 млн параметров. Модель принимает аудио и преобразует речь на шона в текст. Она предназначена для транскрибирования аудиозаписей, голосовых помощников и инструментов доступности; заявленная точность на данных из целевой области — WER ниже 23%. Лицензия — CC-BY-4.0. Качество вне обучающей области может отличаться; карточка приводит оценку только для данных из целевой области. Модель рассчитана на шона, поэтому не следует считать её универсальным распознавателем речи.

wav2vec2-large-xls-r-300m-spanish-small — модель автоматического распознавания речи на основе архитектуры Wav2Vec2ForCTC, дообученная glob-asr на датасете Common Voice от базовой модели jhonparra18/wav2vec2-large-xls-r-300m-spanish-custom. Модель принимает аудио и преобразует речь в текст; она предназначена для распознавания испанской речи. В репозитории указано 402,7 млн параметров. На оценочной выборке модель достигла loss 0,3596 и WER 0,2105. Доступны веса в формате PyTorch. Лицензия и подробные ограничения в предоставленных данных не указаны.

Wav2vec 2.0 With Open Brazilian Portuguese Datasets v2 — модель распознавания речи на базе Wav2Vec2, дообученная автором lgris для бразильского варианта португальского языка. Чекпойнт содержит 402,7 млн параметров и предназначен для преобразования аудиозаписей речи в текст. Для обучения объединили корпуса CETUC, Multilingual Librispeech, VoxForge, Common Voice 6.1 и Lapsbm; исходная модель дообучалась с помощью fairseq, а веса для этой версии конвертированы из исходного формата. В README приведены результаты WER 10,69% на тестовой выборке Common Voice и 34,53% на аудио TEDx вне обучающего домена. Автор отмечает возможное пересечение дикторов между обучающей и тестовой выборками Common Voice, поэтому первый результат может быть завышен; на записи вне домена качество заметно ниже. Модель распространяется по лицензии Apache-2.0.