I.15Доступность и ассистивные технологии

Finnish-NLP разработала эту модель как дообученную на финских данных версию OpenAI Whisper Large V3 для распознавания финской речи. Модель семейства Whisper содержит около 905,2 млн параметров и принимает аудио, выдавая распознанный текст; она доступна в формате Safetensors и рассчитана на использование с Transformers. Модель предназначена для транскрибирования финской речи. В карточке приведены результаты на тестовых наборах Common Voice 11 и Google Fleurs: после 32 000 шагов дообучения WER составил 8,23 на Common Voice 11 и 8,21 на Fleurs. Используется лицензия Apache 2.0.

bofenghuang/whisper-large-v2-cv11-french — модель автоматического распознавания речи, дообученная на базе openai/whisper-large-v2 на французской части датасета Mozilla Common Voice 11.0. Она преобразует французскую речь в текст и предсказывает регистр букв и пунктуацию. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и формат PyTorch. Для распознавания входное аудио следует подавать с частотой дискретизации 16 кГц. В README приведены результаты сравнения других вариантов Whisper, но отдельные показатели этой модели не указаны.

Sagicc/whisper-large-v3-sr-cmb — дообученная модель автоматического распознавания речи на основе Whisper large-v3 от OpenAI. Модель содержит 905,2 млн параметров и предназначена для преобразования аудио в текст; при дообучении использовались Common Voice 13, Google Fleurs и набор данных JuzneVesti-SR v1.0. В карточке приведены результаты оценки: WER 0,0415, WER Ortho 0,1339 и loss 0,1111. Модель ориентирована на сербскую речь, однако подробные сведения о вариантах языка и условиях оценки не описаны. Распространяется по лицензии Apache-2.0.

Модель dianavdavidson/whisper-medium_iv_hindi_vaani_62509_ratio_alldata_lr_1e-4_lgid_None_mixratio_0.75_FT — дообученная версия Whisper Medium от OpenAI для автоматического распознавания речи. Она принимает аудио и генерирует текст; название указывает на настройку для Hindi, но карточка не описывает состав обучающих данных или условия записи. В оценке указаны loss 0,3762 и Global WER 28,5523. Модель построена на Whisper Medium с архитектурой WhisperForConditionalGeneration, содержит около 455,8 млн параметров и распространяется в формате safetensors. Лицензия — Apache-2.0.

ychafiqui/whisper-small-darija — дообученная модель семейства Whisper, созданная на основе openai/whisper-small для распознавания речи на дариже, марокканском варианте арабского языка. Она принимает аудио и преобразует речь в текст; в метаданных указана архитектура WhisperForConditionalGeneration и размер 153,1 млн параметров. Модель дообучена на наборе Darija Speech to Text. На тестовой выборке в карточке указаны loss 0,5318 и WER 48,2740, что следует учитывать при оценке качества транскрипции. Модель распространяется по лицензии Apache-2.0. В карточке не приведены сведения о длине аудио, поддерживаемых диалектах помимо дарижи или условиях записи; качество может зависеть от акцента, шума и акустики.

sapinsapin/whisper-small-fsc — модель распознавания речи на основе openai/whisper-small, дообученная автором на корпусе sapinsapin/filipinospeechcorpus для филиппинского языка, включая тагальскую речь и смешанную речь Taglish. Архитектура — WhisperForConditionalGeneration; модель принимает аудио и выдаёт текстовую транскрипцию. Модель обучалась 2000 шагов на 10 000 аудиофрагментах. На отложенной выборке указаны WER 0,1591 и CER 0,0706; CER использовался для выбора модели, поскольку орфография Taglish может различаться на уровне слов. Распознавание речи — основная поддерживаемая задача. Лицензия — Apache-2.0.

Viraj Patil дообучил Whisper Small MR v4 для автоматического распознавания речи на маратхи. Модель принимает аудио и преобразует речь в текст; в метаданных указана архитектура Whisper с 153,1 млн параметров. Для обучения использовались данные Common Voice 17.0 и Google FLEURS; метаданные также связывают модель с наборами Common Voice 19.0 и Google Marathi. На оценочном наборе указаны Loss 0,2496 и WER 34,1242. Модель распространяется под лицензией Apache-2.0.

samolego/whisper-small-slovenian — дообученная модель семейства Whisper Small для автоматического распознавания речи на словенском языке. Её создал автор samolego на базе openai/whisper-small, обучив на аудиоданных ARTUR 1.0, в том числе наборах Artur-B-brani и Artur-B-Studio. Модель содержит около 153,1 млн параметров и принимает аудио, выдавая текстовую транскрипцию. На оценочном наборе автор сообщает значение WER 11,0097 и loss 0,1226. Репозиторий содержит веса safetensors; в README также упомянут формат ggml для использования с whisper.cpp. Лицензия — Apache-2.0. Карточка не описывает дополнительные сценарии применения или конкретные ограничения качества.

Модель ixxan/whisper-small-uyghur-thugy20 — дообученная версия Whisper Small, созданная на основе openai/whisper-small для распознавания уйгурской речи. Она принимает аудио и генерирует текстовую транскрипцию; обучение проводилось на наборе данных THUGY20, базе записей уйгурской речи. В карточке приведены результаты на тестовой выборке THUGY20: WER 17,94, нормализованный WER 18,09 и CER 4,93. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. Распространяется по лицензии Apache-2.0.

Youtu-VL-4B-Instruct-GGUF — компактная мультимодальная vision-language модель, разработанная Tencent Youtu Lab на базе Youtu-LLM. Модель предназначена для обработки изображений и текста в сценариях визуального вопросно-ответного взаимодействия, мультимодального рассуждения, OCR, анализа нескольких изображений, понимания реальных сцен, оценки галлюцинаций и задач GUI-агента. Она также ориентирована на визуальное grounding, классификацию изображений, детекцию объектов, подсчёт объектов и оценку позы человека. Модель содержит 4 млрд параметров и распространяется в формате GGUF для запуска с llama.cpp. В её основе лежит подход Vision-Language Unified Autoregressive Supervision (VLUAS), при котором визуальные и текстовые токены участвуют в едином авторегрессионном обучении. Это позволяет использовать стандартную архитектуру vision-language модели без специализированных модулей для разных задач и способствует сохранению детальной визуальной информации. Поддерживаются текст и изображения, однако сведения о языках и размере контекстного окна в README не указаны. К сильным сторонам относятся компактный размер, эффективность и широкий спектр общих мультимодальных и визуальных сценариев. Существенное ограничение GGUF-версии заключается в том, что она не поддерживает задачи плотного предсказания, включая сегментацию и оценку глубины; для них рекомендуется исходная версия Youtu-VL-4B-Instruct на Transformers. Модель доступна по специальной лицензии youtu-vl; также указано ограничение доступа для пользователей из Европейского союза.

Shunya Labs Zero STT Hinglish — модель автоматического распознавания речи, созданная Shunya Labs на базе OpenAI Whisper Medium и дообученная для хинди-английской речи с переключением языков. Она преобразует аудио разговоров, подкастов и видео в текст, сохраняя естественное чередование хинди и английского, в том числе внутри фраз. Модель содержит 455,8 млн параметров и распространяется в формате safetensors. Модель предназначена для расшифровки Hinglish: например, записей встреч, разговоров с клиентами и медиаконтента для субтитров. В примерах карточки встречаются записи смешанным письмом, включая латиницу для английских слов и деванагари для хинди. Для распознавания речи она обучалась на данных Vaani, Kathbath и Shrutilipi. Карточка заявляет более точную обработку естественных переключений между хинди и английским по сравнению с обычной мультиязычной Whisper Medium, однако количественных результатов оценки не приводит. Лицензия модели — OpenRAIL; для полного понимания условий использования следует учитывать текст лицензии в репозитории.

amad-vlm5 — мультимодальная модель распознавания текста на арабском письме, разработанная компанией Amad Software Solutions из Ирака и дообученная на базе Qwen/Qwen2.5-VL-7B-Instruct. Модель принимает изображение и возвращает его текстовую транскрипцию; предназначена для печатных, рукописных, исторических, сканированных и синтетических материалов, включая книги, рукописи, формы, снимки экрана и заметки. Это плотная vision-language модель семейства Qwen2.5-VL с 7 млрд параметров. Для плотных страниц она может сначала выдавать блок рассуждений, а затем транскрипцию; в приложении следует извлекать текст после последнего маркера </think>. В карточке приведены результаты KITAB-Bench, однако часть изображений пересекается с обучающими данными, а две ошибки с повторяющимся текстом заметно ухудшают CER. Модель предназначена прежде всего для арабского текста; другие языки не оценивались. Лицензия — Apache-2.0.

amad-iq/amad-vlm5-GGUF — это квантованные сборки мультимодальной vision-language модели для распознавания текста на изображениях, разработанные компанией Amad Software Solutions из Ирака. Модель дообучена на базе Qwen2.5-VL-7B-Instruct и ориентирована прежде всего на Arabic OCR, включая распознавание арабского текста, рукописного письма и понимание документов. Модель принимает изображения и текстовые инструкции, поддерживает арабский и английский языки и предназначена для извлечения текста из отсканированных страниц, изображений документов и других визуальных источников. Доступны варианты F16 размером 15,24 ГБ, Q8_0 размером 8,10 ГБ и Q4_K_M размером 4,68 ГБ. Для работы каждой сборке требуется отдельный файл mmproj-amad-vlm5-f16.gguf размером 1,35 ГБ, содержащий vision projector и vision encoder. Рекомендуемая длина контекста — не менее 8192 токенов, а максимальный объём вывода — от 4096 токенов. Сильные стороны модели — специализация на арабском OCR, поддержка рукописного текста и сценариев понимания документов, а также возможность локального запуска через llama.cpp или LM Studio. Модель может генерировать рассуждения в блоках <think>, поэтому при транскрипции следует использовать только текст после последнего закрывающего тега. README не содержит результатов бенчмарков и подробного описания ограничений, поэтому качество на конкретных типах изображений заранее оценить нельзя. Распространение выполняется по лицензии Apache 2.0.

Sunbird/asr-whisper-large-v2-salt — модель распознавания речи, разработанная на основе Whisper large-v2 и адаптированная для языков Уганды. Она дообучена на наборе SALT, Common Voice для луганда и FLEURS; при обучении добавляли шум и понижали частоту аудио до 8 кГц, чтобы приблизить данные к телефонным записям. Модель принимает аудио и выдаёт транскрипцию, пытаясь автоматически определить язык; для повышения точности распознавания язык можно указать явно. Модель предназначена для транскрибации речи на луганда, ачоли, лугбара, атесо, руньянколе и английском с угандийским акцентом. В карточке приведены метрики CER и WER для английского, лугандийского и ачоли; результаты для остальных языков в предоставленном фрагменте не раскрыты. Автоопределение языка может ошибаться, а базовый Whisper не поддерживает перечисленные языки. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Cadence-Fast — компактная модель AI4Bharat для восстановления пунктуации в тексте на английском и 22 индийских языках. Это дообученная на базе google/gemma-3-270m модель с плотной архитектурой Gemma3ForTokenClassification, предназначенная для токенной классификации и предсказания знаков препинания. Модель подходит для расстановки пунктуации в неразмеченном тексте и транскриптах речи. Она предсказывает точки, запятые, вопросительные и восклицательные знаки, кавычки, скобки и другие знаки; для длинных текстов пакет cadence-punctuation поддерживает обработку скользящими окнами. По данным карточки, Cadence-Fast достигает более 93,8% качества Cadence при значительно большей скорости. Контекст модели — до 32 768 токенов. Поддерживаются английский, ассамский, бенгальский, бодо, догри, гуджарати, хинди, каннада, кашмири, конкани, майтхили, малаялам, манипури, маратхи, непали, одиа, пенджаби, санскрит, сантали, синдхи, тамильский, телугу и урду. Для письма мейтей токенизатор работает недостаточно хорошо; карточка предлагает транслитерацию в бенгальское письмо. Для других языков качество не гарантируется. Модель распространяется по лицензии MIT.

Canary 180M Flash в формате GGUF — это квантованные конверсии мультиязычной модели NVIDIA для автоматического распознавания речи и перевода в автономном режиме. Модель упакована для работы с transcribe.cpp и разработана на базе nvidia/canary-180m-flash; конверсию выполнил handy-computer. Она принимает монофонические WAV-файлы с частотой 16 кГц и преобразует речь в текст. Модель содержит 182 млн параметров и использует encoder-decoder архитектуру с 17-слойным FastConformer-энкодером и 4-слойным Transformer-декодером. Поддерживается распознавание английского, немецкого, испанского и французского языков, а также двунаправленный перевод между английским и немецким, испанским или французским. Доступны варианты F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером от 139 до 756 МБ. К сильным сторонам относятся автономная работа, компактный размер, высокая скорость инференса и близкое соответствие результатам эталонной реализации NeMo: для LibriSpeech test-clean заявлен WER от 1,90% до 1,94% в зависимости от квантования. Ограничения включают отсутствие потокового режима, определения языка и временных меток в текущем порте; поддерживаются только указанные четыре языка, а вход должен быть предварительно подготовлен в формате 16 кГц mono WAV. Модель распространяется по лицензии CC-BY-4.0, допускающей коммерческое использование при соблюдении условий лицензии.

Distil-Whisper distil-medium.en — англоязычная модель распознавания речи, разработанная как дистиллированный вариант Whisper medium.en. Она предназначена для транскрибирования коротких и длинных аудиозаписей и может использоваться как ускоренная замена Whisper в системах распознавания речи, а также как вспомогательная модель для спекулятивного декодирования. Модель использует архитектуру encoder-decoder Whisper: энкодер скопирован из учительской модели и заморожен, а декодер сокращён до двух слоёв. В README заявлено ускорение в 6 раз при размере на 49% меньше и качестве в пределах 1% WER от Whisper на тестах вне обучающего распределения. Репозиторий содержит 455,8 млн параметров; доступны форматы PyTorch, Safetensors, ONNX и Flax. Модель принимает аудио и генерирует текст, поддерживает только распознавание английской речи. Для Hugging Face Transformers требуется версия 4.35 или новее. Лицензия — MIT.

distil-whisper/distil-small.en — англоязычная модель распознавания речи, созданная командой Distil-Whisper как дистиллированная версия Whisper small.en. Она использует архитектуру encoder-decoder Whisper: энкодер скопирован из учительской модели, а декодер сокращён до четырёх слоёв и обучен на псевдоразметке и дистилляции знаний. В метаданных указано 153,1 млн параметров; README приводит 166 млн. Репозиторий содержит веса PyTorch, SafeTensors и ONNX. Модель предназначена для транскрибации английской речи, в том числе на устройствах с ограниченной памятью. README сообщает об ускорении до 6 раз относительно Whisper и качестве, близком к нему на тестах вне обучающего распределения; также модель можно использовать как вспомогательную для ускоренного спекулятивного декодирования Whisper. Поддерживается библиотекой Transformers версии 4.35 и новее. Лицензия — MIT. Модель работает только с английской речью. README отмечает, что distil-small.en медленнее некоторых более крупных вариантов Distil-Whisper и уступает Whisper large-v2 по WER; для большинства сценариев авторы рекомендуют distil-medium.en или distil-large-v2.

FastVLM-0.5B — компактная визуально-языковая модель Apple из семейства FastVLM, представленная в работе «FastVLM: Efficient Vision Encoding for Vision Language Models» на CVPR 2025. Она сочетает гибридный визуальный энкодер FastViTHD с языковой моделью Qwen2 и предназначена для диалога по изображениям и ответов на вопросы о визуальном содержимом. Модель содержит около 494 млн параметров и имеет контекст длиной до 32 768 токенов. FastViTHD сокращает число визуальных токенов и ускоряет обработку изображений высокого разрешения. В оценках авторов FastVLM-0.5B показала результаты на Ai2D, ScienceQA и MMMU; README также сообщает о более быстром TTFT по сравнению с LLaVA-OneVision-0.5B. Репозиторий содержит веса safetensors и указывает библиотеку ml-fastvlm. Модель принимает изображения и текстовые запросы, а ответы генерирует текстом. Лицензия — apple-amlr; перед использованием следует проверить её условия, особенно для коммерческих сценариев. Результаты бенчмарков относятся к оценкам авторов и не гарантируют качество на конкретных данных.

Flix-AI разработала flix-swissgerman-full — модель распознавания швейцарского немецкого диалекта, дообученную на базе openai/whisper-large-v3. Это полноразмерное дообучение Whisper с 905,2 млн параметров в формате Safetensors. Модель принимает аудио на швейцарском немецком и преобразует речь в грамматически корректный текст на стандартном немецком, сочетая распознавание речи с передачей диалектных форм на стандартном языке. Обучение проводилось на 1 367 часах речи из телеэфира, парламентских выступлений, YouTube и швейцарского кино; охвачены основные диалектные регионы Швейцарии. В оценке указаны WER 25,60% и ошибка по содержанию cWER 13,8%; часть штрафа WER связана с различиями в редакционном стиле и транскрипционных соглашениях. Модель распространяется по лицензии Apache-2.0. Данные обучения вместе с моделью не распространяются; отдельные источники данных использовались на условиях, ограничивающих их применение исследовательскими целями.

ljnlonoljpiljm/florence-2-base-nsfw-v2-mlx — версия Florence-2 Base, преобразованная в формат MLX из ljnlonoljpiljm/florence-2-base-nsfw-v2 с помощью mlx-vlm 0.1.13. Это плотная модель семейства Florence-2 с архитектурой Florence2ForConditionalGeneration. Она принимает изображения и текстовые запросы и предназначена для задач компьютерного зрения с генерацией текстового ответа; каталог также относит её к генерации текста. В README указано использование через mlx-vlm. В метаданных формат файлов обозначен как safetensors. Точные размер модели, контекст и поддерживаемые языки в предоставленных источниках не описаны. Метка not-for-all-audiences указывает на ограничение по аудитории, однако README не раскрывает характер такого контента. Лицензия в предоставленных данных не указана.

FunAudioLLM/Fun-ASR-Nano-2512-vllm — официальная упаковка модели распознавания речи FunAudioLLM для запуска через vLLM. Это плотная архитектура семейства Qwen3 с 507,9 млн параметров и контекстом 40 960 токенов; модель принимает аудио и выдаёт распознанный текст. Указанные для карточки языки — китайский, английский и японский. Репозиторий сохраняет исходные веса FunAudioLLM/Fun-ASR-Nano-2512 и добавляет структуру, необходимую для реализации FunASRForConditionalGeneration в vLLM. README сообщает, что тензоры в safetensors побитово совпадают с тензорами исходного чекпойнта. Упаковка предназначена для распознавания речи в приложениях и сервисах, использующих vLLM; проверенный сценарий — vLLM 0.27.1 на NVIDIA H100 80 GB с float32. Преимущество этой версии — совместимость с vLLM без изменения весов исходной модели. Проверка описана для одной конфигурации и одного китайского примера, поэтому качество на других наборах данных, ускорителях и версиях vLLM отдельно не подтверждено. Для временных меток, диаризации и потоковой обработки README рекомендует оригинальный чекпойнт через инструментарий FunASR. Лицензия — Apache-2.0.

Fun-ASR-Nano-GGUF — версия модели автоматического распознавания речи Fun-ASR-Nano, разработанная командой FunAudioLLM. Она предназначена для преобразования аудио в текст, прежде всего для китайской и английской речи, а также для локального запуска на CPU и периферийных устройствах без Python через runtime FunASR на базе llama.cpp. Модель подходит для офлайн-распознавания, встраиваемых приложений и сценариев, где важны автономность и единый C++-бинарник. Архитектура включает аудиоэнкодер SenseVoice SAN-M, adaptor и декодер на базе Qwen3-0.6B. Распространяется в формате GGUF: энкодер имеет размер около 470 МБ, а LLM-декодер доступен в вариантах Q4_K_M примерно на 484 МБ, Q5_K_M на 551 МБ и Q8_0 на 805 МБ. Для работы необходимы как файл энкодера, так и файл декодера; в рекомендуемом сценарии также используется FSMN-VAD. В README не указаны размер контекста и дополнительные модальности. Сильными сторонами являются CPU-ориентированное развертывание, отсутствие зависимости от Python и несколько уровней квантования с небольшим различием в качестве. На указанном тесте из 184 китайских аудиофрагментов получен показатель CER от 8,25% до 8,35% в зависимости от квантования, однако это ограниченный бенчмарк, поэтому результаты не гарантируют такое же качество на других данных, языках и условиях записи. Более компактные варианты экономят память, но могут немного уступать по точности. Модель распространяется по лицензии Apache-2.0.

GIT-large-TextCaps — модель Microsoft семейства GenerativeImage2Text (GIT), дообученная на наборе TextCaps для создания описаний изображений, содержащих текст. Архитектура представляет собой трансформерный декодер, который получает визуальные токены изображения от CLIP и текстовые токены; размер модели — 80,1 млн параметров, контекст — до 1024 токенов. Репозиторий содержит веса PyTorch, лицензия — MIT. Модель генерирует текст по изображению и подходит прежде всего для подписи изображений с чтением видимых надписей, а также для задач описания сцен. В карточке семейства GIT также упомянуты ответы на визуальные вопросы и классификация через генерацию текста, но этот чекпойнт специально дообучен на TextCaps. Модель ориентирована на английский язык. Ограничения включают зависимость качества от читаемости текста и содержания изображения; результаты оценки для данного чекпойнта в карточке не приведены.

GPA v1.5 — разработанная AutoArk-AI единая авторегрессионная аудиоязыковая модель для распознавания речи и синтеза речи. Репозиторий содержит чекпойнт для PyTorch и Hugging Face Transformers, а также поддерживает дообучение через Trainer. В метаданных указаны архитектура ArkASR, около 504,7 млн параметров, контекст 32 768 токенов и форматы PyTorch и Safetensors; базовая модель — Qwen/Qwen3-0.6B. Модель предназначена для преобразования речи в текст и генерации речи по тексту с условием на референсный голос. В README описаны сценарии локального запуска и развёртывания сервисов, а также приведены оценки ASR на англоязычном LibriSpeech и китайском AISHELL-1. Карточка заявляет поддержку английского и китайского языков. Указанная лицензия — Apache-2.0. В нативной версии GPA v1.5 преобразование голоса пока обозначено как планируемая функция, поэтому не следует считать его доступной возможностью этого чекпойнта. Для работы TTS требуются отдельные ресурсы токенизатора Spark; оптимизированные ONNX-файлы размещены в отдельном репозитории.

Granite-Speech-4.0-1B-GGUF — это GGUF-конверсия и набор квантованных представлений речевой модели IBM Granite-Speech-4.0-1B, разработанной IBM Research. Репозиторий cstr распространяет модель для запуска через CrispASR с чистым C++-рантаймом, без Python, PyTorch и NeMo. Модель предназначена для автоматического распознавания речи, транскрибации аудио и речевого перевода; также поддерживаются пословные временные метки при использовании дополнительного CTC-выравнивателя Canary. Архитектура включает 16-слойный Conformer-аудиоэнкодер с d_model 1024, BLIP-2 Q-Former-проектор с двумя слоями и тремя обучаемыми query-токенами, а также Granite 4.0 LLM с 1 млрд параметров, 40 слоями, d_model 2048, 16 attention heads и 4 KV heads. Используются 80 мел-фильтров, объединённых в 160 признаков, GPT-2-style BPE vocabulary и таблица merges. Поддерживаются английский, французский, немецкий, испанский, португальский и японский языки. Доступны варианты F16, Q8_0, Q5_0 и Q4_K размером примерно от 2,94 до 5,58 ГБ; Q4_K является самым компактным разумным вариантом, а Q8_0 близок к исходной точности. Модель удобна для локального запуска и встраивания в C++-приложения, поддерживает транскрибацию и prompt-based перевод речи. Ограничения включают работу только с указанными языками, зависимость от CrispASR для заявленного сценария использования и возможное снижение точности у более сильных квантований. Модель распространяется по лицензии Apache-2.0; конверсия и квантование не изменяют обучение, архитектуру или возможности исходной модели.

Granite Speech 4.1 2B — компактная речевая модель IBM для многоязычного распознавания речи и перевода речи. Она дообучена на базе ibm-granite/granite-4.0-1b-base и принимает аудио, выдавая текст. Модель обучалась на 174 000 часах аудио из открытых корпусов и синтетических данных. Модель поддерживает английский, французский, немецкий, испанский, португальский и японский языки. Она предназначена для транскрибации и перевода речи в обе стороны между этими языками и английским; также заявлены переводы с английского на итальянский и китайский. Архитектура использует двойную CTC-голову с графемным и BPE-выходами. Модель умеет расставлять пунктуацию и регистр, а также учитывать заданные ключевые слова для распознавания имён, аббревиатур и технической лексики. Модель ориентирована на обработку речи в корпоративных приложениях. В README не приведены результаты, позволяющие сравнить качество на всех языках и сценариях; дополнительные возможности временных меток и атрибуции говорящих относятся к отдельному варианту granite-speech-4.1-2b-plus. Лицензия — Apache 2.0.

Модель toiar/khasi-asr-transcribe-diarize-v2 — дообученная версия MOSS-Transcribe-Diarize от OpenMOSS-Team для транскрибирования аудио на кхаси, английском и хинди. Она обучена на корпусе объёмом около 342 часов и поддерживает режимы вывода с временными метками и диаризацией, а также только с указанием говорящих. Базовая модель имеет размер 0,9 млрд параметров и предназначена для длинных записей с транскрипцией, временными метками, разделением говорящих и аннотациями акустических событий. Модель подходит для расшифровки многоязычных записей и разметки реплик по говорящим. Лицензия — Apache 2.0. Для загрузки требуется trust_remote_code=True.

Карточка модели ashpika13/LocateAnything-3B-cascade на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

mesolitica/malaysian-whisper-small-v2 — это дообученная модель распознавания речи на базе Whisper Small, опубликованная разработчиком mesolitica. Она предназначена для преобразования аудио в текст на малайском и английском языках, включая местные варианты малайского и разговорный английский Manglish. Модель имеет архитектуру Whisper с примерно 153,1 млн параметров. При обучении использовались наборы IMDA STT, Malay Conversational Speech Corpus, синтетические и псевдоразмеченные аудиоданные, включая малайские видео и аудиокниги. Для обработки аудио длиннее 30 секунд автор рекомендует разбивать его на фрагменты и распознавать каждый отдельно. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных сведениях не указана.