I.15Доступность и ассистивные технологии

mlx-community/Qwen3.5-27B-bf16 — мультимодальная модель семейства Qwen3.5, преобразованная сообществом mlx-community из Qwen/Qwen3.5-27B в формат MLX с использованием mlx-vlm 0.3.12. Модель предназначена для задач image-text-to-text: принимает изображение и текстовый запрос и генерирует текстовый ответ, например описание содержимого изображения. Модель имеет размер 27B согласно идентификатору модели и представлена в формате bf16. Она совместима с библиотекой Transformers и инструментарием mlx-vlm для запуска на платформах Apple MLX. Поддержка языков, длина контекста и дополнительные архитектурные характеристики в предоставленных материалах не описаны. Модель распространяется по лицензии Apache-2.0. Для работы требуется установка mlx-vlm и передача изображения вместе с текстовым запросом.

Qwen3.5-35B-A3B-bf16 — мультимодальная модель семейства Qwen, преобразованная сообществом mlx-community из Qwen/Qwen3.5-35B-A3B в формат MLX с использованием mlx-vlm 0.3.12. Модель предназначена для работы с изображениями и текстовыми запросами через библиотеку Transformers и инструменты MLX. Основной сценарий использования — анализ изображений и генерация текстовых ответов по визуальному содержимому, например описание изображений и ответы на вопросы о них. В названии указана MoE-архитектура Qwen3.5 с конфигурацией 35B-A3B и представлением bf16, однако в доступных данных нет подробностей о размере контекста, поддерживаемых языках и точном устройстве архитектуры. Модель ориентирована на запуск в экосистеме MLX; для генерации рекомендуется пакет mlx-vlm. Ограничения, качество на отдельных типах изображений и дополнительные требования к ресурсам в предоставленной карточке не описаны. Распространяется по лицензии Apache-2.0.

Qwen3-TTS-12Hz-1.7B-CustomVoice — модель синтеза речи из семейства Qwen3-TTS, разработанная командой Qwen. Она преобразует текст в аудио и поддерживает управление стилем речи инструкциями пользователя: можно выбирать характеристики звучания из девяти встроенных голосов и задавать тон, темп и эмоциональную подачу. Модель рассчитана на потоковую и обычную генерацию, в том числе для интерактивных сценариев с низкой задержкой. Архитектура — плотная Qwen3TTSForConditionalGeneration с дискретной многокодовой языковой моделью и токенизатором речи Qwen3-TTS-Tokenizer-12Hz. Модель поддерживает китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки. В репозитории указаны веса safetensors, лицензия Apache-2.0. Модель подходит для озвучивания текстов, голосовых интерфейсов и генерации речи с заданной манерой подачи. README заявляет быстрое начало потоковой генерации и устойчивость к зашумлённому тексту, но не приводит независимых оценок качества. Для локального запуска рекомендуется пакет qwen-tts; в README также указана необходимость совместимого оборудования для FlashAttention 2.

Qwen3-VL-2B-Instruct-abliterated-v1-GGUF — мультимодальная vision-language модель, разработанная prithivMLmods на основе Qwen3-VL-2B-Instruct от Alibaba. Это GGUF-версия модели с примерно 2 млрд параметров, предназначенная для локального запуска через совместимые инструменты, включая llama.cpp. Модель принимает изображения и текст и генерирует текстовые ответы; в карточке указана поддержка преимущественно английского языка, а также возможность мультиязычного использования через настройку промптов. Модель ориентирована на описание изображений, визуальный анализ, мультимодальное рассуждение, работу с различными соотношениями сторон, разрешениями и сложными макетами. Она может формировать как краткие сводки, так и подробные пошаговые описания, а также применяться в исследовательских, творческих, технических и red-teaming-сценариях. Доступно множество вариантов квантования GGUF размером примерно от 516 МБ до 3,45 ГБ, что позволяет выбирать компромисс между качеством и требованиями к памяти. Ключевая особенность — abliteration, модификация, направленная на удаление отказов в ответах и контентных фильтров базовой модели. Это расширяет возможности анализа чувствительного или сложного визуального контента, но одновременно снижает встроенные механизмы безопасности и требует самостоятельного контроля за результатами. В README не указаны размер контекстного окна, результаты бенчмарков, аппаратные требования и подробные ограничения качества. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-4B-Thinking-abliterated-v1-GGUF — мультимодальная vision-language модель примерно на 4 млрд параметров, разработанная prithivMLmods на основе Alibaba Qwen3-VL-4B-Thinking. Это вариант в формате GGUF для запуска через совместимые инструменты, включая llama.cpp. Модель принимает изображения и текст и генерирует текстовые ответы, поддерживая анализ, описание и рассуждения по сложному визуальному и мультимодальному содержимому. Основной язык — английский, при этом заявлена адаптация к многоязычным запросам. Контекстное окно и точный перечень поддерживаемых языков в README не указаны. Модель предназначена для визуального captioning, анализа изображений, творческого повествования, работы с художественными, техническими, абстрактными и чувствительными материалами, а также для исследовательских задач, red-teaming и подготовки визуальных наборов данных. К заявленным сильным сторонам относятся мультимодальное рассуждение, следование инструкциям, вариативная детализация ответов и работа с разными соотношениями сторон и разрешениями. При этом это abliterated-версия, ориентированная на менее ограниченные ответы, поэтому она может генерировать явный контент и не рекомендуется для систем, где требуется строгая модерация. Доступны варианты с разными уровнями квантования, включая IQ, Q2–Q8 и F16, с размером файлов примерно от 1,06 до 8,05 ГБ. Лицензия — Apache-2.0.

Kala Nepali TTS v0.2 — модель синтеза речи на непальском языке от ampixa. Это многоголосая модель VITS в формате FP32 ONNX, использующая фонетический фронтенд real_nepali на основе правил и словаря, настроенный на фонологию Катманду. Синтез выполняется с частотой 22 050 Гц; модель рассчитана на запуск на CPU и, по данным карточки, работает быстрее реального времени. Модель предназначена для преобразования непальского текста в речь. Фронтенд учитывает палатальные звуки, долгие согласные и правила выпадения шва, а среди доступных голосов есть записи людей и корпусный голос. Лицензия репозитория — CC BY-SA 4.0. Качество естественности ограничено небольшим объёмом данных для голоса kala: просодия может быть ровной в длинных фразах. Пунктуация обрабатывается вставкой пауз, незнакомые слова могут читаться побуквенно, а смешанные непальские и английские цифры — давать неожиданный результат.

SAIL-7B — мультимодальная модель ByteDance-Seed для задач зрения и языка. Это единая плотная Mistral-архитектура на 7,1 млрд параметров: модель кодирует исходные пиксели и генерирует текст в рамках одной архитектуры, без предварительно обученного визуального энкодера. Она предназначена для задач, где нужно отвечать на вопросы об изображениях и связывать визуальную информацию с текстом; авторы также сообщают о сильных визуальных представлениях, включая результаты в семантической сегментации. Модель работает через Transformers, использует формат PyTorch и поддерживает контекст до 32 768 токенов. Лицензия — Apache-2.0.

Карточка модели ICTNLP/SLED-TTS-Streaming-Libriheavy на Hugging Face совпадает с карточкой ICTNLP/SLED-TTS-Libriheavy, поэтому описание составлено по ней. SLED-TTS-Libriheavy — англоязычная модель синтеза речи проекта SLED, обученная на наборе Libriheavy. Она преобразует текст в речь, моделируя аудио в непрерывном латентном пространстве с авторегрессионной генерацией; в README описана также поддержка клонирования голоса по короткому речевому образцу. Для извлечения латентных представлений используется Encodec_24khz. Потоковая генерация указана для отдельной версии SLED-TTS-Streaming-Libriheavy, поэтому её не следует считать подтверждённой характеристикой этой модели. Модель содержит 168,6 млн параметров, использует архитектуру SpeechLlamaForCausalLM и доступна в формате safetensors для библиотеки Transformers. Метаданные указывают контекст 2048 токенов. Модель предназначена для англоязычного синтеза речи; README заявляет высокое качество, но не приводит оценок или тестов. Лицензия — MIT.

SmolVLM2-2.2B-Base — компактная мультимодальная модель, разработанная Hugging Face и основанная на архитектуре Idefics3. Она принимает текстовые запросы вместе с изображениями, несколькими изображениями или видео и генерирует текстовые ответы. Модель предназначена для визуальных вопросов и ответов, описания изображений и видео, сравнения визуального содержимого, извлечения текста с изображений и создания историй по медиафайлам; она не генерирует изображения или видео. Модель имеет 2,2 млрд параметров и использует плотную архитектуру Idefics3. В README указано, что для видеоинференса ей требуется около 5,2 ГБ видеопамяти. Основной язык — английский. Она подходит для мультимодальных приложений на устройствах с ограниченными ресурсами, но может выдавать фактически неверные ответы и не предназначена для критически важных решений, оценки людей или других сценариев с высокими ставками. Лицензия — Apache 2.0.

Sooktam-2 — мультиязычная модель синтеза речи BharatGen, созданная для индийских языков и индийского английского. Она преобразует текст в речь с помощью архитектуры F5-TTS и поддерживает 12 языков: хинди, маратхи, гуджарати, тамильский, телугу, каннада, бенгальский, малаялам, ория, урду, пенджаби и индийский вариант английского. Модель использует голосовое кондиционирование по референсному аудио для клонирования голоса с сохранением особенностей диктора, акцента и интонации. Sooktam-2 предназначена для озвучивания текстов, мультиязычных голосовых интерфейсов и приложений, которым нужна естественная речь на языках Индии. В карточке заявлены выразительная просодия и токенизация CLS с учетом языка для более точной передачи индийской фонетики. Репозиторий содержит веса PyTorch и Safetensors и рассчитан на использование через Transformers; лицензия в предоставленных данных не указана.

GCYY/speecht5_finetuned_fleurs_zh — модель синтеза речи из текста, созданная дообучением SpeechT5 от Microsoft на наборе данных FLEURS. В метаданных указаны архитектура SpeechT5 и формат PyTorch; README сообщает значение loss 0,4343 на оценочной выборке. Модель предназначена для преобразования текста в речь. Данные подтверждают связь обучения с FLEURS, но не раскрывают конкретный языковой охват, характеристики голоса или сценарии применения. Модель распространяется по лицензии MIT.

payamvha/speecht5_finetuned_North_fa — модель синтеза речи на основе архитектуры SpeechT5, дообученная автором payamvha. Она принимает текст и генерирует аудио; модель доступна в формате safetensors для библиотеки Transformers. В README указан результат оценки Loss 0,6506, но описание набора данных и методики оценки отсутствует. Модель можно использовать для преобразования текста в речь. По названию репозитория предполагается ориентация на северный вариант персидского языка, однако README и метаданные не подтверждают язык обучения или синтеза. Лицензия — MIT.

Это модель синтеза речи на основе SpeechT5, дообученная автором репозитория wuula на наборе данных speecht5_tts_common_voice_zh. Она преобразует текст на китайском языке в аудио и может использоваться для озвучивания текста. В README приведено значение Loss 0.6217 на оценочном наборе; подробности протокола оценки не описаны. Модель опубликована в формате PyTorch и распространяется по лицензии MIT.

Sunbird-experimental/sunflower-qwen3.5-9b-sft — дообученная командой Sunbird-experimental мультимодальная модель семейства Qwen3.5. Она основана на Sunbird-experimental/sunflower-qwen3.5-9b-base и предназначена для диалоговых задач с изображениями: принимает текст и изображения, а отвечает текстом. В метаданных указана задача image-text-to-text и поддержка чата с изображениями. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В карточке упомянуто обучение с Unsloth; сведения о размере модели, длине контекста и подробных результатах обучения не приведены.

TeluguIndicF5 — дообученная на базе ai4bharat/IndicF5 модель синтеза речи из текста, опубликованная пользователем hareeshbabu82. Базовая модель предназначена для синтеза на 11 индийских языках и использует аудиообразец вместе с его расшифровкой, чтобы задать голос и просодию; карточка этой версии отдельно не описывает её особенности или языковое покрытие. Модель подходит для создания озвучки на поддерживаемых индийских языках. Для клонирования голоса требуется явное разрешение его владельца. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0.

ydshieh/vit-gpt2-coco-en-ckpts — модель типа vision-encoder-decoder, дообученная как демонстрация фреймворка FlaxVisionEncoderDecoder. Она предназначена для генерации английских подписей к изображениям: принимает изображение и выдаёт текстовое описание. В карточке отмечено, что модель не является передовой, но даёт приемлемые результаты для создания подписей; размер набора данных и длина контекста не приведены. Доступны веса в форматах PyTorch и Flax. Условия лицензии в предоставленных данных не указаны.

W2V2-BERT-Malayalam — модель распознавания речи на малаяламском языке, разработанная автором репозитория vrclc путём дообучения facebook/w2v-bert-2.0. Это плотная архитектура Wav2Vec2-BERT с примерно 402,7 млн параметров, настроенная для automatic speech recognition на наборах IMaSC, MSC, OpenSLR Malayalam Train split, Festvox Malayalam и Common Voice 16.1. Модель принимает аудио и выдаёт текстовую транскрипцию; в карточке указаны значение WER 0,1299 и loss 0,1722 на оценочной выборке. Модель подходит для транскрибирования записей и аудиоматериалов на малаяламском языке. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Оценка качества относится к указанной в карточке оценочной выборке; других условий тестирования README не приводит.

Модель reichenbach/wav2vec2-large-xls-r-300m-hi — дообученная на Common Voice версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на хинди. Она использует архитектуру Wav2Vec2 с выходной CTC-головой и содержит около 402,8 млн параметров. Модель принимает аудио и выдаёт распознанный текст. В карточке приведён результат оценки на тестовой выборке: WER 0,9420 и loss 2,4749. Высокий WER указывает на существенные ошибки распознавания в этой оценке, поэтому качество следует проверять на данных целевого сценария. Модель распространяется по лицензии Apache-2.0.

Модель peter2000/wav2vec2-large-xls-r-300m-kinyarwanda — дообученная на Common Voice версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на киньяруанда. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, преобразуя речь в текст. Число параметров — около 402,8 млн; модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. Модель подходит для транскрибации записей и аудиопотоков на киньяруанда. В указанной оценке на тестовой выборке Common Voice значение WER составляет 0,3246. Карточка не описывает ограничения применения и не приводит дополнительные сведения о поддержке других языков.

prajin/wav2vec2-large-xlsr-300m-nepali — модель автоматического распознавания речи на основе архитектуры Wav2Vec2ForCTC, дообученная разработчиком на базе facebook/wav2vec2-xls-r-300m. Для обучения использовались корпус OpenSLR-54 и дополнительные данные. Модель предназначена для преобразования непальской речи в текст. В оценке на выделенных 10 000 примерах обучающих данных указана WER 34,26% без языковой модели и 25,02% с 5-граммовой языковой моделью. На OpenSLR-43, который не использовался при обучении, автор сообщает WER 27% и CER 8,3% с 5-граммовой языковой моделью. Модель содержит 402,7 млн параметров и опубликована в формате PyTorch. Лицензия — Apache-2.0. Карточка не описывает дополнительные ограничения или условия применения.

Wav2Vec2-Large-XLSR-53-Basque — модель распознавания речи, созданная Stefan It и дообученная на базе facebook/wav2vec2-large-xlsr-53 на баскском языке с использованием Common Voice. Она принимает аудио и преобразует речь в текст; для работы входную речь следует подавать с частотой дискретизации 16 кГц. Модель построена на архитектуре Wav2Vec2 с CTC-декодером и содержит около 402,7 млн параметров. В README приведён результат 18,27% на тестовой части Common Voice для баскского языка. Модель предназначена для распознавания баскской речи; применение к другим языкам не подтверждено. Лицензия — Apache-2.0.

aismlv/wav2vec2-large-xlsr-kazakh — модель распознавания казахской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на обучающей части Kazakh Speech Corpus v1.1. Она построена на архитектуре Wav2Vec2 с CTC-выходом и содержит 402,7 млн параметров. Модель предназначена для преобразования аудиозаписей на казахском языке в текст. Для работы входную речь следует подавать с частотой дискретизации 16 кГц; распознавание возможно без отдельной языковой модели. В README указан результат оценки 19,65% на тестовом наборе Kazakh Speech Corpus v1.1, но метрика не уточнена. Модель распространяется по лицензии Apache-2.0. Она специализирована на казахской речи; качество на других языках и аудио с иными характеристиками в предоставленных материалах не описано.

AndrewMcDowell/wav2vec2-xls-r-1b-arabic — модель распознавания арабской речи, дообученная на базе facebook/wav2vec2-xls-r-1b на арабской части набора Mozilla Common Voice 8.0. Это плотная архитектура wav2vec2 с головой CTC, содержащая 1,3 млрд параметров и распространяемая в формате PyTorch. Модель принимает аудио и предназначена для преобразования арабской речи в текст. В карточке указаны результаты оценки на тестовой выборке: loss 1,1373 и WER 0,8607; высокий WER указывает на существенные ошибки распознавания. Лицензия — Apache-2.0.

Модель anuragshas/wav2vec2-xls-r-300m-hi-cv9-with-lm — дообученная Anurag Shas на базе facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на хинди. Она использует архитектуру Wav2Vec2ForCTC и обучена на наборе MOZILLA-FOUNDATION/COMMON_VOICE_9_0 - HI. В метаданных указано 402,7 млн параметров; модель принимает аудио и выдаёт распознанный текст. На оценочной выборке указаны WER 0,3349 и CER 0,1082. Модель ориентирована на распознавание речи на хинди; результаты на других языках и в иных акустических условиях не подтверждены. Распространяется по лицензии Apache-2.0.

shivam/wav2vec2-xls-r-300m-hindi — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на наборе Mozilla Foundation Common Voice 7.0 для хинди. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, преобразуя его в текст на хинди. В карточке указаны результаты на тестовой выборке: loss 1,4031 и WER 0,6827; высокий WER указывает на заметную долю ошибок распознавания. Модель подходит для транскрибирования записей речи на хинди, в том числе материалов, похожих на записи Common Voice. Она распространяется в формате PyTorch по лицензии Apache-2.0.

sammy786/wav2vec2-xlsr-mongolian — модель распознавания речи на архитектуре Wav2Vec2ForCTC, дообученная на основе facebook/wav2vec2-xls-r-1b для монгольского языка. Она преобразует аудиозаписи речи в текст и предназначена для автоматической транскрипции, в том числе записей, похожих на данные Mozilla Common Voice 8.0. В README приведён результат оценки на наборе, описанном как объединение части обучающих данных с dev и другими данными: WER 34,1522 и loss 31,52. README также содержит несогласованность: набор данных и конфигурация обозначены как монгольские, но в описании обучающих данных упомянуты файлы Finnish. Лицензия модели — Apache-2.0.

AbelZimba/whisper-bemba-stt — модель распознавания речи на основе архитектуры Whisper, размещённая пользователем AbelZimba на Hugging Face. Она предназначена для преобразования аудиозаписей на бемба в текст. Метаданные указывают на архитектуру WhisperForConditionalGeneration, 153,1 млн параметров и поддержку аудиовхода; задача модели — автоматическое распознавание речи. Карточка, доступная через веб-поиск, не раскрывает сведения об обучении, лицензии, контекстном окне или оценке качества.

Lingalingeswaran создал и опубликовал дообученную версию Whisper Small для распознавания речи на сингальском языке. Модель основана на openai/whisper-small и дообучена на наборе Lingalingeswaran/asr-sinhala-dataset_json_v1; она содержит 153,1 млн параметров и доступна в формате safetensors для Transformers. Модель принимает аудио и генерирует текстовую транскрипцию. В README приведён результат оценки на тестовом наборе: WER 46,4577 и loss 0,2086. Репозиторий распространяется по лицензии Apache-2.0. Высокое значение WER указывает на заметные ошибки распознавания; качество может зависеть от записи и речи.

Это дообученная Yuriyvnv модель OpenAI Whisper-Tiny для автоматической транскрибации нидерландской речи. Она основана на архитектуре Whisper и содержит 29,4 млн параметров; принимает аудио и выдаёт текст. Обучение проведено на нидерландской части Common Voice 17.0 и на полном наборе из 34 898 синтетических аудиозаписей без фильтрации качества, созданных с помощью OpenAI TTS-1. Модель предназначена для распознавания нидерландской речи, в том числе аудиозаписей, близких по характеру к Common Voice. На тестовом наборе Common Voice указана WER 24,93%, а на MLS — 43,12%. Использование всех синтетических примеров дало лучший результат на тесте Common Voice среди описанных конфигураций, но увеличило вычислительные затраты и внесло в обучение записи с возможными дефектами синтеза. Модель может уступать на технической речи и региональных вариантах нидерландского языка. Распространяется по лицензии Apache-2.0.

cahya/whisper-tiny-id — модель распознавания речи на базе Whisper Tiny, дообученная на индонезийском языке разработчиком Cahya. Она преобразует входящее аудио в текст и предназначена для автоматической транскрипции речи. Модель содержит 29,4 млн параметров; в карточке указаны датасеты Common Voice 11.0, MagicData, TITML и Google FLEURS. Для оценки приведён WER 18,2837 и loss 0,2409. Модель рассчитана на индонезийскую речь. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не описывает дополнительные сценарии использования или ограничения.