I.15Доступность и ассистивные технологии

lizhuang144/flan-t5-base-VG-factual-sg-id — модель семейства T5 с 123,8 млн параметров, представленная в формате PyTorch. Судя по названию, она предназначена для генерации фактических описаний сцен и отношений между объектами (scene graphs) по визуальным данным, однако доступная карточка не объясняет этот сценарий и не содержит подробностей обучения. Модель использует архитектуру T5ForConditionalGeneration и рассчитана на контекст до 512 токенов. Метаданные указывают на задачу генерации текста по текстовому вводу; сведений о визуальном входе, поддерживаемых языках, лицензии и качестве результатов нет, поэтому эти характеристики нельзя подтвердить.

MeanVC — система преобразования голоса, разработанная исследовательской группой ASLP-lab. Она переносит тембр целевого говорящего на речь исходного говорящего, сохраняя произносимое содержание. Модель поддерживает потоковую обработку с чанками для конвертации в реальном времени и пакетную обработку аудиофайлов; для выбора целевого голоса используется аудиообразец, переобучение под нового говорящего не требуется. В основе лежит диффузионный трансформер (DiT) с авторегрессионным пошаговым по чанкам денойзингом и mean flows, что позволяет выполнять генерацию за один шаг. Репозиторий содержит веса PyTorch в формате safetensors; для запуска системы также нужны отдельные предобученные компоненты, включая вокодер, ASR и модель верификации говорящего. Поддерживаемые языки по карточке — английский и китайский. Модель распространяется по лицензии Apache-2.0.

NAMAA-Saudi-TTS-V2 — модель синтеза речи с клонированием голоса для саудовского арабского, в частности найди. Она создана NAMAA-Space полным дообучением SWivid/Habibi-TTS на специализированных данных саудовской речи. Модель принимает арабский текст и аудиозапись длительностью 5–8 секунд с голосом-образцом, затем генерирует речь с тем же голосом, найдийской интонацией и произношением. В основе лежит F5-TTS с архитектурой Diffusion Transformer (DiT) и методом flow matching; по README, модель содержит около 335 млн обучаемых параметров. Для генерации используется денойзинг мел-спектрограммы за 32 шага ODE. Обучение проводилось на примерно 18,4 часах саудовской и найдийской речи; аудио приведено к 24 кГц, моно. Лицензия CC-BY-NC-SA-4.0 запрещает коммерческое использование без отдельного разрешения правообладателя. Модель рассчитана на создание найдийской арабской речи по тексту с аудиообразцом голоса. Она не предназначена для других арабских диалектов: на их входе может сохранять найдийские особенности. Без эталонной аудиозаписи синтез невозможен. Формальная оценка качества не приводится; в результате могут проявляться особенности исходных подкастных записей, например шум помещения или фоновая музыка.

WindyTranslate/translate-ee-sv — модель машинного перевода Windstorm Labs с языка эве на шведский. Это дообученная версия Helsinki-NLP/opus-mt-ee-sv: LoRA-адаптер обучили на параллельном корпусе и объединили с базовыми весами. Модель построена на архитектуре MarianMT, содержит 55,7 млн параметров, принимает текст и выдаёт перевод. Репозиторий содержит веса в формате safetensors для Transformers; контекст — до 512 токенов. Модель предназначена для перевода в одном направлении: с эве на шведский. В проверке на 48 предложениях FLORES-200 она получила chrF++ 25,42 и BLEU 3,77; авторы относят результат к ограниченному уровню и отмечают, что это предварительная оценка. Лицензия — Apache-2.0.

Модель johnyy212/wav2vec2_cantonese_jyut-20hr — дообученная для автоматического распознавания речи версия facebook/wav2vec2-large-xlsr-53. Это модель архитектуры wav2vec2 с 404 млн параметров, предназначенная для преобразования аудио в текст; в названии указаны кантонский язык и Jyutping, однако карточка не уточняет набор данных и схему транскрипции. Модель принимает аудио и выдаёт текст. Она распространяется в формате safetensors по лицензии Apache-2.0. В карточке приведён результат оценки WER 100,0 и loss 2,3981, что указывает на крайне слабое качество распознавания в указанной оценке. Поэтому перед практическим применением модель следует проверить на целевых аудиозаписях; сведений о контексте записи, тестовом наборе и ограничениях применения карточка не содержит.

Whisper Turbo Quran — модель распознавания речи, созданная Тарыком Исметом Алканом на основе openai/whisper-large-v3-turbo. Это полноразмерное дообучение Whisper с 905,2 млн параметров, специализирующееся на распознавании чтения Корана на арабском языке. Модель принимает аудио и выдаёт арабский текст с диакритическими знаками (ташкиль/харакат); в карточке указано, что обучение проводилось на наборе tarteel-ai/everyayah, а веса представлены в формате safetensors. Модель предназначена для транскрибирования коранической рецитации, включая сценарии сопровождения чтения и обучения. В README автор сообщает о WER 0,05% на 500 оценочных примерах, однако этих данных недостаточно, чтобы оценить качество на других записях и в реальных условиях. Описанные возможности приложения Tilavet — отслеживание аятов, распознавание ошибок чтения, офлайн-работа и перевод — относятся к приложению и его развёртыванию, поэтому их нельзя считать подтверждёнными функциями самой модели. Модель опубликована по лицензии Apache-2.0. README описывает перенос весов энкодера из whisper-large-v3-quran-lora как способ инициализации перед полным дообучением; базовой моделью при этом указана openai/whisper-large-v3-turbo.

Ibrahim Salah дообучает F5-TTS для синтеза арабской речи по тексту. Модель основана на SWivid/F5-TTS и обучалась на датасетах MBZUAI/ClArTTS и Mozilla Common Voice 17. README указывает, что текущая версия ориентирована прежде всего на современный литературный арабский язык (MSA); автор рассчитывает расширить поддержку региональных вариантов по мере продолжения обучения. Доступны временные контрольные точки, включая чекпойнт на шаге 380 000. Автор предупреждает, что они пока не дают аудио высокого качества и предназначены главным образом для продолжения дообучения. Для использования рекомендуется отключить EMA параметром use_ema=False и подавать чистую референсную аудиозапись. Модель распространяется в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

kehanlu/mandarin-wav2vec2 — предварительно обученная аудиомодель Wav2Vec 2.0 base, разработанная Ke-Han Lu и соавторами. Модель преобразована из контрольной точки Fairseq/ESPnet в формат Hugging Face Transformers и предварительно обучена на примерно 960 часах мандаринской речи из AISHELL-2; в метаданных указано около 116,5 млн параметров. Модель предназначена для извлечения признаков из мандаринской речи и последующей адаптации к задачам распознавания речи, например через CTC-финетюнинг. Она работает с аудио и поддерживает китайский мандарин; готовой системой транскрибирования сама по себе не является. Для ASR используется отдельная производная модель kehanlu/mandarin-wav2vec2-aishell1. Модель подходит для построения акустических представлений и исследовательских пайплайнов распознавания речи. Ограничения включают специализацию на мандаринской речи, отсутствие готовой ASR-головы в этой контрольной точке и зависимость условий использования от лицензии AISHELL-2: свободное применение разрешено для академических целей, а коммерческое использование требует разрешения фонда AISHELL.

Карточка модели ct-vikramanantha/phoneme-scorer-v2-wav2vec2 на Hugging Face совпадает с карточкой bookbot/wav2vec2-ljspeech-gruut, поэтому описание составлено по ней. Wav2Vec2 LJSpeech Gruut — модель автоматического распознавания речи, созданная Wilson Wongso на основе Wav2Vec2-Base и дообученная на фонемном датасете LJSpeech Phonemes. Вместо обычной записи слов она предсказывает последовательности фонем из словаря IPA, используемого в gruut. Модель построена на архитектуре wav2vec 2.0 с CTC-выходом, содержит 113,3 млн параметров и принимает аудио, выдавая последовательность фонем. В тесте на LJSpeech Phonemes указаны PER 0,99% без учёта ударения и CER 0,58% без учёта ударения. Она предназначена для английской речи и фонетических сценариев, а не для прямой транскрипции в обычный текст. Модель реализована на PyTorch и опубликована в форматах PyTorch и safetensors. Лицензия — Apache-2.0. В README отмечено, что унаследованные от предварительного обучения смещения могут влиять на результаты; приведённые метрики относятся к тестовой выборке LJSpeech Phonemes.

ssc-mmc-model — модель распознавания речи, дообученная автором карточки на базе facebook/wav2vec2-xls-r-300m. Она построена на архитектуре Wav2Vec2ForCTC и принимает аудио, чтобы преобразовывать речь в текст. В репозитории указаны веса Safetensors и лицензия Apache-2.0. В карточке приведены результаты оценки: CER 0,9382 и WER 0,9965. Эти значения указывают на очень высокую долю ошибок, поэтому качество распознавания может быть недостаточным для практического применения. Язык и состав обучающих данных не раскрыты.

Habib-HF/tarbiyah-ai-v1-1 — модель распознавания речи на базе Whisper-small от OpenAI, дообученная для транскрибации чтения Корана на арабском языке. Она принимает аудио и выдаёт текст; предназначена для практики чтения, получения транскрипции аятов и интеграции в приложения для изучения Корана и таджвида. Архитектура — WhisperForConditionalGeneration, размер — 153,1 млн параметров; файлы представлены в формате safetensors. Модель выпущена под лицензией MIT. Модель специализируется на коранической рецитации, но не проверяет правила таджвида: текущая цель — точность транскрипции. По карточке, качество может снижаться на стилях чтения и вариантах кираата, отсутствовавших в обучении, детских голосах, сильных региональных акцентах, шумных записях и быстрой или неразборчивой речи. На указанной в README оценочной выборке WER составил 40,48%, поэтому результат может требовать проверки и исправления.

UniSpeech-Large-plus Kyrgyz — модель распознавания речи Microsoft на архитектуре UniSpeech с плотной архитектурой и CTC-выходом; размер составляет 402,7 млн параметров. Модель предварительно обучена на речевых аудиозаписях с частотой 16 кГц и фонетической разметкой, затем дообучена на одном часе кыргызских фонем. Для распознавания аудио требуется частота дискретизации 16 кГц, а ожидаемый текст необходимо преобразовать в последовательность фонем. Модель предназначена для распознавания кыргызской речи с выводом фонетической последовательности. UniSpeech сочетает обучение CTC на размеченных фонемах с контрастивным самообучением на размеченных и неразмеченных данных; в карточке упомянут Common Voice. Модель опубликована в формате PyTorch и использует лицензию Microsoft Research License. Она требует фонемного представления целевого текста и ограниченного объёма дообучения на кыргызском материале, поэтому область её применения уже, чем у универсальных систем транскрибирования.

dg845 опубликовал преобразованный для библиотеки Transformers чекпойнт UnivNet — нейронного вокодера, который синтезирует аудиоволну по логарифмической мел-спектрограмме полного диапазона. Архитектура генератора основана на ResNet со свёртками, параметры которых зависят от положения; модель обучалась как генератор GAN на датасете LibriTTS. Репозиторий содержит только генераторную часть, без дискриминатора. Модель предназначена для преобразования спектральных признаков в речевой аудиосигнал и может использоваться как компонент конвейера синтеза речи, например после модели, создающей мел-спектрограммы. В статье UnivNet заявлены высокое качество синтеза и работа в реальном времени, однако эти результаты относятся к исследованию и не гарантируют такое же поведение данного чекпойнта. Это не самостоятельная модель преобразования текста в речь: ей нужны подготовленные спектрограммы. Лицензия — BSD-3-Clause; чекпойнт основан на неофициальной реализации maum-ai.

YarnGPT2 — модель синтеза речи, разработанная Saheedniyi и дообученная на HuggingFaceTB/SmolLM2-360M. Она использует языковое моделирование для преобразования текста в аудио с нигерийским акцентом; в README перечислены голоса для английского, йоруба, игбо и хауса. Метаданные указывают 365,7 млн параметров, архитектуру LlamaForCausalLM, контекст до 8192 токенов и библиотеку Transformers. Модель предназначена для экспериментального создания речи, например озвучивания новостей и других текстов. В README отмечено, что качество может зависеть от автоматически созданных обучающих текстов, а модель может недостаточно представлять разнообразие нигерийских акцентов. Карточка ограничивает заявленное применение английской речью с нигерийским акцентом и предостерегает от использования для других языков и акцентов. Лицензия — Apache-2.0.

Antalia 1 — модель синтеза турецкой речи, разработанная Sezgin Saygili, Emre Kaplaner, Oncel Ozgul и Fikri San Koktas (Patientdesk.ai). Это дообучение Antalia 1 Foundation для генерации речи одним фиксированным голосом; клонирование голоса по образцу не поддерживается. Модель использует символьное представление текста и архитектуру rectified flow: текстовый энкодер ConvNeXt из четырёх блоков, 16 Transformer-блоков потока с размерностью 768 и отдельную голову длительности. Вес модели — около 304,6 млн параметров в формате fp32 safetensors; для синтеза используется вокодер BigVGAN v2, вывод — монофоническое аудио 24 кГц. Модель предназначена для турецких голосовых прототипов, одноголосых ассистентов и исследований синтеза речи с обязательным раскрытием факта генерации. В оценке на 120 турецких запросах отбор лучшего из восьми вариантов улучшил средние CER и WER, но требует нескольких генераций и дополнительного ранжирования. Разработка прекращена, модель не поддерживается как продукт. Она хуже воспроизводит тембр реального диктора, а длинный текст требует разбиения на фрагменты; числа, иностранные имена, аббревиатуры и текст со сложной нормализацией дают больше ошибок. Поддерживается только турецкий язык и один голос. Лицензия OpenRAIL-M запрещает, среди прочего, имитацию реальных людей, обманное или мошенническое применение и политические робозвонки; синтетическую речь необходимо обозначать, а модель, производные и использующие их продукты, услуги и публикации должны содержать атрибуцию Antalia 1 и ссылку на репозиторий.

Braga SLM 0.5B V2.2 — компактная диалоговая модель для автономного помощника Braga Saúde, разработанная для гериатрической поддержки и медицинской триажной оценки. Это дообученная на базе Qwen2.5-0.5B-Instruct плотная авторегрессионная модель архитектуры Qwen2 с 494 млн параметров и контекстом 32 768 токенов; она принимает текст и генерирует текст на португальском языке, ориентированном на Бразилию. Модель предназначена для работы локально на мобильных устройствах и поставляется в Safetensors и GGUF Q4_K_M; README также указывает на использование LoRA при доработке. Сценарии применения включают краткие ответы пожилым людям по вопросам гидратации и лекарств, фиксацию потребления воды, первичную маршрутизацию при симптомах неотложных состояний и подготовку ответов с написанием доз и единиц измерения словами для последующего синтеза речи. Заявлены строгий отказ от тем вне медицинского профиля и спокойный стиль без эмодзи. README приводит результаты внутренних проверок на 101 сценарии, но это заявление разработчика, а не независимая оценка. Модель может ошибаться в медицинских ситуациях и не заменяет клиническую оценку специалиста; для экстренных случаев карточка указывает маршрутизацию в SAMU 192 или UPA. Лицензия — Apache-2.0.

FastConformer Quran Arabic ASR — дообученная NVIDIA модель для распознавания чтения Корана на арабском языке. Она предназначена для расшифровки и проверки чтения, приложений для изучения таджвида, определения аята по аудио и сравнения чтения с текстом аята. Модель основана на nvidia/stt_ar_fastconformer_hybrid_large_pcd_v1.0 и использует архитектуру FastConformer-Large EncDecHybridRNNTCTCBPE; в ней 114,6 млн параметров. Поддерживаются офлайн-распознавание с полным контекстом и потоковая обработка с кэшированием. На валидационной выборке tarteel-ai/everyayah автор сообщает WER 0,14%. Модель оптимизирована для чтения Корана и может заметно хуже распознавать современный литературный и диалектный арабский. Наилучшие результаты ожидаются для чистой речи одного чтеца с частотой 16 кГц; потоковый режим добавляет около 1,6 секунды задержки на фрагмент. Лицензия — CC BY 4.0.

Mercury-L2 — экспериментальная модель преобразования речи в речь с полнодуплексным режимом, дообученная для диалогов с учётом времени реплик. По README, она обучалась два этапа на 4 440 синтетических полнодуплексных диалогах; временные метки слов получены принудительным выравниванием сгенерированного аудио. Модель принимает и выдаёт аудио; частота кадров составляет 12,5 кадра в секунду, аудио — 24 кГц. Карточка приводит оценку согласованности текста и аудио на 100 диалогах без эталонных транскрипций: полнота на уровне слов — 79,1%, в шести случаях из ста расхождение было серьёзным. Эти результаты ограничены самопроверкой по артефактам модели. Обучающий код, данные и скрипты оценки не опубликованы. Модель выпущена под кодовым названием, пока связанная статья проходит анонимное рецензирование. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

SLAM — речевая языковая модель SLP-RL для генерации продолжений речи. Она дообучена на Qwen/Qwen2.5-0.5B и предсказывает последовательности дискретных речевых токенов HuBERT, полученных из 11-го слоя mhubert-25hz; размер словаря речевых токенов — 500. Модель принимает аудио и предназначена для генерации речевого продолжения, а также может служить основой для дальнейшего дообучения. Обучение включало подмножества LibriSpeech и Libri-Light, синтетический корпус sTinyStories и этап DPO на SpokenSwag. Контекст базовой модели — 32 768 токенов. Карточка предупреждает, что данные в основном состоят из аудиокниг и историй, поэтому выходы не следует считать фактически достоверными. Лицензия — MIT.

Это модель SpeechT5, дообученная командой Microsoft для преобразования голоса по схеме «речь в речь» на наборе данных CMU ARCTIC. Она принимает монофоническую речевую запись с частотой 16 кГц и преобразует её в другую речь, сохраняя содержание входного высказывания при смене характеристик голоса. Модель основана на архитектуре encoder-decoder с общими компонентами для речи и текста и специализированными речевыми модулями; для работы поддерживается PyTorch. Модель предназначена для преобразования голоса и экспериментов с обработкой речи. SpeechT5 также исследовалась для распознавания речи, синтеза, перевода, улучшения речи и идентификации говорящего, однако этот чекпойнт настроен именно на voice conversion. Он распространяется по лицензии MIT. В карточке не описаны ограничения качества или диапазон поддерживаемых голосов.

WindyTranslate/translate-fi-crs — модель машинного перевода, опубликованная Windstorm Labs. Она основана на Helsinki-NLP/opus-mt-fi-crs: к исходным весам применили LoRA дообучение на параллельном корпусе, а затем объединили адаптер с базовой моделью. Модель использует архитектуру MarianMT, содержит 49,9 млн параметров и принимает текст на финском языке для перевода на кри (crs). Нативная длина контекста — 512 токенов; модель доступна в формате safetensors для Transformers. Модель предназначена для перевода с финского на кри. Качество пока не оценивалось, поэтому для важных сценариев результат следует проверять. Репозиторий содержит только это направление перевода. Лицензия — Apache-2.0.

Mercury-M20 — экспериментальная модель полного дуплексного преобразования речи в речь, дообученная для диалога с учётом времени. Она принимает аудио и формирует речевой ответ, предназначенный для разговорных сценариев с одновременным обменом репликами. Модель построена на архитектуре RaonDuplex; кадры имеют длительность 80 мс, аудио — частоту дискретизации 24 кГц. Чекпойнт обучен в течение двух эпох на 4 440 синтетически созданных полнодуплексных диалогах. Временные метки слов получены принудительным выравниванием отрендеренного аудио. В карточке приведены измерения согласованности текста и аудио на 100 диалогах, однако часть значений для самого чекпойнта отсутствует; также данные, код обучения и скрипты оценки не опубликованы. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Myna-Hokkien — открытая разговорная речевая модель iNLP Lab при SUTD для общения на хоккиенском языке. Она принимает речь на вход и отвечает сгенерированной речью без промежуточного преобразования в текст; также поддерживает текстовый ввод и вывод. В этой версии модель ориентирована прежде всего на сингапурский акцент хоккиенского. Архитектура основана на Qwen3-Omni, веса опубликованы в формате safetensors. Модель предназначена для голосовых диалогов, вопросов и инструкций на хоккиенском. Лицензия Apache 2.0. В карточке не приведены размер модели и длина контекста; качество для других разновидностей хоккиенского не описано.

Parti Base — компактная текстовая модель caid-technologies для преобразования описания аппаратной идеи на английском языке в структурированный план сборки. Она дообучена на Qwen/Qwen2.5-3B-Instruct, имеет архитектуру Qwen2 dense и 3,1 млрд параметров; контекст — до 32 768 токенов. Модель предназначена для генерации JSON с перечнем деталей, схемой соединений, последовательностью сборки, примерными источниками и стоимостью, а также базовой проверкой замысла; можно запросить как полный план, так и отдельный раздел. Модель лучше справляется с шагами сборки, базовой проверкой проекта и списками деталей. Она принимает только текст и не обрабатывает эскизы или изображения; для таких сценариев авторы указывают отдельную модель Parti Vision. Это ранний исследовательский релиз и небольшой чекпойнт: сложные проекты и схемы соединений могут быть менее надёжными, а выдачу необходимо проверять перед изготовлением. Лицензия — Apache-2.0.

kyutai/personaplex-rl-seamless — модель Kyutai для голосового диалога в режиме полного дуплекса, дообученная с помощью обучения с подкреплением на базе NVIDIA PersonaPlex 7B. Она рассчитана на потоковые разговоры: принимает аудио и генерирует голосовой ответ, стараясь лучше выдерживать паузы, выбирать момент для своей реплики, использовать короткие подтверждения и корректно реагировать на перебивания. PersonaPlex поддерживает текстовую подсказку для управления диалогом и аудиоподсказку для клонирования голоса; модель совместима с официальным кодом инференса PersonaPlex. При дообучении использовался корпус Seamless Interaction с записями разговоров на отдельных каналах. Качество интерактивности оценивалось на тестах с заранее записанным аудио и динамическими многоходовыми диалогами. Модель предназначена для исследований и не рекомендуется для профессиональных консультаций или выполнения профессиональных обязанностей. Её не следует использовать для имитации других людей или вредоносных целей. Авторы отмечают, что стиль обучающих диалогов может влиять на безопасность ответов, а разработанные правила вознаграждения трудно масштабировать на новые аспекты взаимодействия. Лицензия в предоставленных данных обозначена как other; конкретные условия следует проверять в репозитории.

slprl/slam_scaled — речевая языковая модель SLP-RL, представленная в исследовании Slamming: Training a Speech Language Model on One GPU in a Day. Она дообучена на основе Qwen/Qwen2.5-0.5B и генерирует продолжения речи в виде дискретных токенов HuBERT, извлечённых из 11-го слоя mhubert-25hz. Модель принимает аудио и предназначена для продолжения речевых фрагментов, а также для дальнейшей настройки под речевые задачи. Обучение включало предсказание следующего токена на части LibriSpeech, Libri-Light и синтетическом наборе sTinyStories, а затем DPO-настройку на SpokenSwag. Контекст составляет 32 768 токенов. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — MIT. В README указано, что обучение этой модели выполнялось на двух GPU Nvidia A100 в течение 48 часов.

sapinsapin/speecht5_vc-pld — модель преобразования речи, созданная дообучением microsoft/speecht5_vc на наборе sapinsapin/pld. Она выполняет преобразование голоса между говорящими: принимает исходную речевую запись и целевой образец голоса, а затем генерирует речь с голосовыми характеристиками целевого образца. Модель рассчитана на десять филиппинских языков: бикольский (bcl), себуанский (ceb), английский (eng), филиппинский (fil), хилигайнон (hil), илоканский (ilo), пангасинанский (pag), капампанганский (pam), масбате́ньо (tsg) и варайский (war). Это модель семейства SpeechT5 на базе Transformer; в обучении использовались пары записей с одинаковыми фразами от разных говорящих, а целевой голос задаётся через x-вектор SpeechBrain. Дообучение проведено на 1500 шагах на 3088 парах. Модель выпущена в формате safetensors и распространяется по лицензии MIT. В карточке приведена оценка eval_loss 0,4588; отдельные тестовые примеры представлены в репозитории.

Tashkeel-50M — небольшая причинная языковая модель семейства LLaMA, разработанная Ahmed Samir и дообученная на арабском наборе Misraj/Sadeed_Tashkeela для расстановки диакритических знаков в тексте. Модель содержит 51,8 млн параметров, принимает вход в виде арабской инструкции с недиакритизированным текстом и генерирует его вариант с огласовками. Контекст — до 2048 токенов. Модель рассчитана на быстрые и недорогие эксперименты, прототипирование, создание базовых решений и учебные демонстрации дообучения для преобразования последовательностей. В README приводится оценка на Misraj/SadeedDiac-25, однако метрики рассчитаны только для примеров с совпадающим числом слов: генерация часто обрывается, повторяет или вставляет слова, поэтому опубликованные значения оптимистичны. Для надёжной расстановки огласовок рекомендуется сохранять исходную последовательность слов с помощью ограничений декодирования или использовать более сильную модель. Это не универсальная чат-модель. Лицензия — Apache 2.0.

kopyl/ui-icons-256 — модель генерации изображений для создания иконок по текстовому описанию, разработанная автором kopyl и дообученная на MiniSD. Репозиторий содержит веса в формате Diffusers и safetensors; базовая модель — lambdalabs/miniSD-diffusers. Модель создаёт изображения размером 256×256 пикселей и рассчитана на промпты, оканчивающиеся словом «icon».

Модель masumtechnonext/wav2vec2-arabic-letter-verifier разработана Masum Techno Next как классификатор произношения отдельных букв арабского алфавита. Это дообученная wav2vec2-large-xlsr-53-arabic с 402,7 млн параметров: CTC-голова заменена классификационной, а экстрактор признаков заморожен. Модель принимает аудиоклип и относит его к одной из 28 букв либо к дополнительному классу «Unknown», предназначенному для тишины, шума и посторонних или неоднозначных записей. Для проверки заданной буквы модель сравнивает предсказанный класс с целевой буквой и применяет откалиброванный порог уверенности: при низкой уверенности запись считается нераспознанной, а не принудительно приписывается к одному из буквенных классов. Обучение включало SpecAugment и сглаживание меток; модель обучена на наборе masumtechnonext/test-data-set-Arabic-letter. Лицензия — Apache-2.0. Разбиение данных выполнено по клипам, а не по дикторам, поскольку идентификаторы дикторов отсутствуют. Если записи одного диктора попали и в обучение, и в тестовую выборку, тестовая точность может быть выше качества на новых дикторах или микрофонах; перед внедрением рекомендуется проверка на собственных записях с отдельными дикторами.