I.15Доступность и ассистивные технологии

Bienvenu2004/donut-handball-pv6 — дообученная модель семейства Donut с архитектурой vision-encoder-decoder. Она создана на основе Bienvenu2004/donut-handball-pv5 и обучена на датасете imagefolder. Модель принимает изображения и выдаёт текст; в карточке указана задача image-text-to-text. Модель подходит для сценариев преобразования изображений в текст. Карточка не описывает конкретный предметный сценарий, языки, размер модели или длину контекста. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT.

Fun-ASR-Nano-2512-GGUF — это квантованные и неквантованные GGUF-версии модели Fun-ASR-Nano-2512, подготовленные handy-computer для работы с transcribe.cpp. Базовая модель разработана Tongyi Lab и распространяется через FunAudioLLM. Модель предназначена для офлайн-преобразования речи в текст и принимает монофонические WAV-файлы с частотой 16 кГц. Модель поддерживает китайский, английский и японский языки, а также семь китайских диалектов и 26 региональных вариантов мандаринского языка. Архитектура включает замороженный SenseVoiceEncoderSmall, двухслойный аудиоадаптер и встроенную языковую модель Qwen3-0.6B; общий объём обучаемых параметров составляет около 800 млн. Доступны варианты BF16, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 557 МБ до 1,67 ГБ. Поддерживается обратная текстовая нормализация. Сильные стороны модели — высокая точность на английском, китайском и японском языках, компактные квантованные варианты и возможность локального запуска на CPU, Metal или Vulkan через transcribe.cpp. Ограничения: модель не поддерживает потоковую обработку, автоматический перевод, определение языка, временные метки и встроенное разбиение длинных записей на фрагменты. Указана лицензия FunASR Model Open Source License Agreement v1.1.

Fuyu-8B — мультимодальная модель Adept AI на основе плотного декодерного трансформера с 10,7 млрд параметров. Входные патчи изображения линейно подаются в первый слой трансформера; отдельного визуального энкодера нет. Модель принимает изображения произвольного разрешения и текст, выдаёт текст, а длина контекста составляет 16 384 токена. Модель предназначена для исследований мультимодальных систем и цифровых агентов. Она может отвечать на вопросы о графиках, диаграммах и интерфейсах, локализовать элементы на изображении, а также выполнять задачи визуальных вопросов и описания изображений. Карточка сообщает о быстрой обработке крупных изображений и результатах на стандартных бенчмарках визуального понимания. Это базовая модель без дообучения под конкретные сценарии; для подробных описаний и мультимодального диалога рекомендуется дополнительное обучение или настройка под задачу. Возможны нежелательные ответы и социальные предубеждения, а модель не предназначена для генерации фактических утверждений о людях и событиях. Лицензия — CC BY-NC 4.0, для коммерческого использования она не предназначена.

gemma-3n-E4B-it-MLX-6bit — это 6-битно квантованная версия модели gemma-3n-E4B-it от Google, адаптированная командой LM Studio с использованием MLX и mlx_vlm. Модель оптимизирована для работы на устройствах Apple Silicon и предназначена для локального запуска через совместимое программное обеспечение. В карточке указаны сценарии image-text-to-text, audio-text-to-text, video-text-to-text, автоматического распознавания речи и автоматического перевода речи. Ключевые характеристики исходной архитектуры, точный размер модели, поддерживаемые языки и максимальная длина контекста в README не указаны. Квантование снижает требования к памяти и делает модель более подходящей для локального использования на Apple Silicon, но может уменьшать точность по сравнению с исходной версией. Модель может генерировать неточные, вредные или неподходящие результаты, поэтому выводы требуют проверки. Использование регулируется лицензией Gemma; для доступа на Hugging Face необходимо ознакомиться с лицензией Google и принять её условия.

Карточка модели mcwei/gemma-4-31B-it-bf16-sft-300 на Hugging Face совпадает с карточкой mcwei/gemma-4-31B-it-bf16-sft-novel-prefill-150, поэтому описание составлено по ней. mcwei/gemma-4-31B-it-bf16-sft-novel-prefill-150 — дообученная модель mcwei на базе unsloth/gemma-4-31B-it, созданная с использованием Unsloth и библиотеки Hugging Face TRL. Это мультимодальная плотная модель Gemma 4 с 31 млрд параметров для диалогов и анализа изображений; также базовая модель поддерживает программирование и вызов инструментов. Модель принимает текст и изображения и генерирует текст. В карточке указана лицензия Apache-2.0.

Это конвертированная в формат MLX модель MOSS-Transcribe-Diarize, опубликованная vanch007 для запуска на компьютерах Apple Silicon. Она принимает аудио и предназначена для распознавания речи с диаризацией говорящих; базовая модель также поддерживает обработку длинных записей, временные метки и аннотации акустических событий. В репозитории указаны веса safetensors, а исходную модель скачивать и конвертировать отдельно не требуется. Модель подходит для расшифровки записей с несколькими участниками и подготовки транскриптов с разделением по говорящим. Лицензия — Apache-2.0. README не приводит подробностей о поддерживаемых языках или точном формате результата.

Модель sokho2/mms-300m-wolof — дообученная разработчиком sokho2 модель facebook/mms-300m для автоматического распознавания речи на волофском языке. Она использует архитектуру Wav2Vec2 с 300 млн параметров и CTC-декодирование; принимает аудио и выдаёт распознанный текст. Модель обучалась на наборах Or4kool/wolof_speech_dataset и Alwaly/wolof_asr_bg, с аугментацией скорости и громкости, и оценивалась на отложенных данных ALFFA Wolof и Google FLEURS. В карточке указаны WER 13,64% и CER 4,51%.

Multilingual DistilWhisper — компактная модель распознавания речи от NAVER, созданная на основе Whisper-small с лёгкими CLSR-модулями для повышения качества ASR на целевых языках. Обучение сочетает функцию потерь для распознавания речи и дистилляцию знаний от Whisper-large-v2. Модель предназначена для преобразования аудиозаписей в текст на каталанском, тамильском и тайском языках. Веса объёмом 153,1 млн параметров доступны в форматах PyTorch и Safetensors; лицензия — MIT. Модель опубликована в ноябре 2023 года и описана в работе для ICASSP 2024.

nanoLLaVA — компактная мультимодальная модель для диалога по изображениям, разработанная qnguyen3. Она сочетает языковую модель Quyen-SE-v0.1 на базе Qwen1.5-0.5B с визуальным энкодером google/siglip-so400m-patch14-384; в метаданных указано 463,9 млн параметров и контекст 32 768 токенов. Модель принимает текст и изображения и формирует текстовые ответы; среди сценариев — визуальные вопросы и ответы, чтение текста на изображениях и описание связи между изображением и текстом. В README приведены результаты на наборах VQA v2, TextVQA, ScienceQA, POPE, MMMU, GQA и MM-VET, однако данные обучения и код дообучения на момент публикации карточки ещё не представлены. Автор сообщает о более новой версии nanoLLaVA-1.5 с лучшей производительностью. Модель опубликована в формате Safetensors под лицензией Apache-2.0.

Oryx-1.5-7B — мультимодальная модель THUdyh на 7,1 млрд параметров, дообученная на данных Oryx-SFT-Data на основе Qwen2.5-7B-Instruct и визуального энкодера Oryx-ViT. Она принимает изображения и видео произвольного пространственного размера и временной длины и формирует текстовые ответы; контекст составляет 32 768 токенов. Модель рассчитана на анализ визуальных материалов и диалог по их содержимому, поддерживает английский и китайский языки. Модель опубликована в формате safetensors под лицензией Apache-2.0. В карточке также указаны интерфейсы чата и вызова инструментов. README описывает обучение на смеси 1,2 млн примеров изображений и видео.

Paraformer-zh-GGUF — это квантованная и перепакованная в формат GGUF версия модели автоматического распознавания речи funasr/paraformer-zh, разработанной Alibaba и распространяемой в экосистеме FunASR. Данная сборка предназначена для работы с backend paraformer проекта CrispASR и преобразует аудиозаписи в текст, прежде всего на китайском языке с поддержкой английского. Модель использует неавторегрессионную архитектуру Paraformer примерно на 220 млн параметров: аудио 16 кГц преобразуется в mel-признаки, затем обрабатывается 50 блоками SANM-энкодера, CIF-предиктором и 16 блоками SANM-декодера. Полный транскрипт формируется за один проход, без последовательной генерации токенов. В репозитории доступны варианты F16 размером около 421 МБ, Q8_0 около 227 МБ и рекомендуемый Q4_K около 123 МБ. Словарь содержит 8404 символа. Сильной стороной является отсутствие заметной потери результатов при квантовании: в приведённых тестах варианты Q4_K и Q8_0 дали побайтно идентичные транскрипты версии F16 и исходной PyTorch-модели на китайских и английских аудиоклипах. Ограничения включают отсутствие пунктуации и регистра, а для китайского текста — слитную выдачу символов; восстановление пунктуации требует отдельной модели. Контекстное окно, поддержка других языков и количественные метрики качества в карточке не указаны. Код upstream-пакета funasr распространяется по Apache-2.0, однако веса используют лицензию FunASR Model License Alibaba; коммерческое использование разрешено при указании авторства. GGUF-файлы наследуют лицензионные условия весов, поэтому в производных продуктах необходимо атрибутировать Alibaba и FunAudioLLM.

Parakeet-TDT-CTC-110M CoreML — модель автоматического распознавания речи, разработанная NVIDIA и преобразованная в формат CoreML для эффективного вывода на Apple Silicon. Она предназначена для транскрибации аудиофайлов и быстрого распознавания ключевых слов на устройствах Mac с процессорами M1–M4. Модель использует общий Conformer-энкодер и две декодирующие ветви: CTC для быстрого жадного декодирования и сценариев keyword spotting, а также TDT (Token-Duration Transducer) с LSTM-сетью предсказаний и совместной сетью для более качественной транскрибации. Общий размер компонентов составляет около 436 МБ, словарь содержит 1024 токена. В карточке указан английский язык; модель обучалась и оценивалась на наборах LibriSpeech, Fisher Corpus, Common Voice, VoxPopuli и других англоязычных и многоязычных корпусах. На Earnings22 заявлены WER 17,97%, стопроцентное распознавание тестовых ключевых слов и скорость до 358× реального времени на M4 Pro. Сильные стороны модели — высокая скорость локального вывода, поддержка двух режимов декодирования и возможность работы без облачной инфраструктуры. Ограничения включают специализацию на английской речи, необходимость macOS 13 или новее, Python 3.10+ и устройства Apple Silicon; приведенные показатели зависят от набора данных и условий тестирования. Лицензия — CC BY 4.0.

RedHatAI/Qwen2.5-VL-3B-Instruct-quantized.w8a8 — квантизированная версия мультимодальной модели Qwen2.5-VL-3B-Instruct, разработанная Neural Magic на базе модели Qwen. Она принимает изображения и текстовые запросы, а генерирует текстовые ответы, поэтому предназначена для визуального вопросно-ответного взаимодействия, анализа изображений, документов, диаграмм и других задач, где требуется совместная обработка визуальной и текстовой информации. Модель имеет архитектуру Qwen2.5-VL-3B-Instruct с примерно 3 миллиардами параметров. Для весов и активаций используется INT8-квантизация по схеме W8A8, что снижает требования к памяти и может повысить эффективность инференса. Версия подготовлена для запуска через vLLM версии 0.5.2 и новее, включая OpenAI-совместимый режим сервинга. В README явно указан английский язык; сведения о полном наборе поддерживаемых языков и максимальной длине контекста не приведены. Сильными сторонами являются мультимодальность, возможность работы с визуальными задачами и оптимизация INT8 для более эффективного развертывания. Ограничения включают потенциальное снижение точности относительно исходной модели из-за квантизации, а также отсутствие в предоставленных данных количественных результатов оценки. Модель распространяется по лицензии Apache-2.0.

FreedomAISVR подготовила GGUF-квантизацию MXFP4 мультимодальной инструктивной модели Qwen3.5-9B для запуска через llama.cpp. В репозитории есть файл текстовой модели размером 5,31 ГБ и отдельный проектор зрения SigLIP в формате F16 размером 922 МБ; для обработки изображений требуются оба файла. Модель поддерживает диалог и следование инструкциям, а режим рассуждений отключён по умолчанию и включается отдельно. Базовая Qwen3.5-9B использует гибридную архитектуру Gated DeltaNet и Gated Attention, принимает текст, изображения и видео, поддерживает 201 язык и имеет контекст 262 тыс. токенов с возможностью расширения до 1 млн. Заявленная лицензия — Apache 2.0. Квантизация уменьшает размер файлов и позволяет запускать модель на разных CPU и GPU, однако README не приводит сравнений качества MXFP4 с исходной точностью; видео и широкий языковой охват указаны для базовой модели.

Sabomako/Qwen3-Omni-30B-A3B-Thinking-heretic — производная модель семейства Qwen3-Omni, созданная дообучением Qwen/Qwen3-Omni-30B-A3B-Thinking. По карточке базовой модели это мультимодальная модель с архитектурой MoE и компонентом Thinker, предназначенная для рассуждений по тексту, аудио и видео с текстовыми ответами; семейство также заявлено как способное обрабатывать изображения. Модель распространяется в формате safetensors и рассчитана на работу через Transformers. Семейство Qwen3-Omni поддерживает 119 языков для текста, 19 языков для входящей речи и 10 языков для речевого вывода. Описаны потоковое взаимодействие с низкой задержкой и настройка поведения системными промптами, однако карточка этой конкретной производной не объясняет, что именно меняет вариант heretic, и не подтверждает сохранение всех возможностей базовой модели. Метаданные указывают лицензию other, поэтому конкретные условия использования следует сверить с файлами репозитория.

Qwen_Qwen3-VL-2B-Instruct-GGUF — это GGUF-квантизированная версия мультимодальной модели Qwen3-VL-2B-Instruct, разработанной Qwen и подготовленной пользователем bartowski. Модель предназначена для задач image-text-to-text: обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. Она может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. В репозитории представлены варианты весов от BF16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K и Q3/Q2, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Размер исходной модели — 2B параметров; отдельные файлы занимают примерно от 0,85 до 3,45 ГБ. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5_K и Q6_K; низкобитные варианты экономят память, но снижают качество. Контекст, поддерживаемые языки и точные архитектурные характеристики в README не указаны. Лицензия также не указана, поэтому условия использования следует уточнять в карточке исходной модели Qwen/Qwen3-VL-2B-Instruct.

reazonspeech-nemo-v2 — модель автоматического распознавания речи, разработанная Reazon Research и обученная на корпусе ReazonSpeech v2.0. Она преобразует японскую речь из аудиозаписей в текст и предназначена в том числе для расшифровки длинных записей продолжительностью до нескольких часов. Модель основана на улучшенной архитектуре Conformer из Fast Conformer с линейно масштабируемым механизмом внимания. Это субсловная RNN-T-модель с 619 млн параметров: кодировщик использует Longformer attention с локальным контекстом 256 и одним глобальным токеном, а словарь декодера содержит 3000 токенов SentencePiece unigram. Для использования разработчик рекомендует библиотеку reazonspeech. Модель ориентирована на японскую речь и длительные аудиозаписи. Лицензия Apache-2.0.

ctaguchi/ssc-bew-mms-model — дообученная модель распознавания речи на базе facebook/mms-1b-all. Это модель wav2vec2 с архитектурой Wav2Vec2ForCTC, примерно 1,3 млрд параметров, принимающая аудио и выдающая текст. Базовая модель поддерживает более тысячи языков, однако язык и область применения именно этого дообучения не указаны. В README приведены результаты на тестовой выборке: loss 0,7747, CER 0,2038 и WER 0,6111. Оценки относятся к неизвестному набору данных, поэтому их недостаточно для вывода о качестве на других данных. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Tashkeel-350M-v2 — языковая модель для расстановки диакритических знаков в арабском тексте, разработанная на основе IBM Granite. Это дообученная версия ibm-granite/granite-4.0-h-350m, обученная на наборе данных Misraj/Sadeed_Tashkeela; в метаданных указаны архитектура GraniteMoeHybridForCausalLM и 278,4 млн параметров. Модель принимает арабский текст без огласовок и возвращает его с диакритическими знаками, как в примере с приветствием «السلام عليكم». Она предназначена для автоматического огласовывания арабских текстов. Контекст составляет 32 768 токенов. Модель распространяется под лицензией Apache-2.0.

ThaiTrOCR — модель оптического распознавания символов, разработанная Suchut Sapsathien и Jillaphat Jaroenkantasima. Она преобразует изображения строк рукописного текста на тайском и английском языках в текст и может применяться для распознавания рукописных записей и текста в PDF-документах. Модель дообучена на базе TrOCR Base Handwritten. В её архитектуре используется энкодер Vision Transformer и декодер Electra Small, обученный на тайском корпусе; модель реализована как VisionEncoderDecoderModel. В README приведены результаты сравнения с EasyOCR и Tesseract на нескольких типах документов, однако тестовая выборка содержит всего 104 изображения, поэтому результаты могут быть недостаточно обобщающими. Модель распространяется по лицензии Apache-2.0. Карточка не приводит размер модели или длину контекста.

MusaNyaks/trocr-barbados-fold3 — дообученная модель Microsoft TrOCR base handwritten для распознавания рукописного текста на изображениях. Она использует архитектуру vision-encoder-decoder и предназначена для преобразования изображения с текстом в текстовую транскрипцию. В README указано значение Loss 0.9763 на оценочном наборе; датасет описан как неизвестный. Модель подходит для распознавания рукописных строк на изображениях в сценариях, связанных с данными, на которых её дообучили. Карточка не раскрывает сведения о составе данных или более широких оценках качества. Лицензия — MIT.

TrOCR_german_handwritten — трансформерная модель OCR на архитектуре vision-encoder-decoder, дообученная на наборе fhswf/german_handwriting. Она распознаёт немецкий рукописный текст на изображениях отдельных строк и преобразует его в текст. Модель основана на TrOCR_large_handwritten; семейство TrOCR представлено в работе Li и соавторов о распознавании текста с помощью предварительно обученных моделей. В README приведены метрики оценки: WER 17,5% и CER 4,1%. Модель предназначена для распознавания немецкого почерка; эти показатели относятся к описанной оценке и не гарантируют точность на других данных. Лицензия — AFL-3.0.

Voxtral-Mini-3B-2507-estonian-GGUF — GGUF-квантизированная версия модели Voxtral-Mini-3B-2507-estonian, разработанной TalTechNLP и опубликованной в формате GGUF пользователем mradermacher. Модель предназначена для мультимодальной работы с аудио, включая распознавание эстонской речи, транскрипцию, перевод и задачи понимания аудиосодержимого. Заявлены эстонский и английский языки. Модель относится к семейству Voxtral и имеет размер около 3 млрд параметров; точные сведения об архитектуре и размере контекстного окна в README не указаны. Для работы с аудио доступны отдельные мультимодальные компоненты mmproj в вариантах Q8_0 и f16. Представлены квантизации от Q2_K до Q8_0, а также вариант f16; размеры файлов составляют примерно от 1,8 до 8,1 ГБ. В README рекомендуются Q4_K_S и Q4_K_M как быстрые варианты, а Q8_0 описан как вариант с лучшим качеством. К сильным сторонам относятся поддержка аудио и эстонского языка, мультимодальные сценарии и широкий выбор уровней квантизации для подбора баланса между качеством, скоростью и требованиями к памяти. Ограничения включают отсутствие подробных данных о точности, контекстном окне, архитектуре и поддерживаемых режимах вывода; качество зависит от выбранной квантизации. Модель распространяется под лицензией Apache-2.0.

anton-l/wav2vec2-large-xlsr-53-mongolian — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на монгольском языке. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель принимает аудио, записанное с частотой дискретизации 16 кГц, и преобразует речь в текст; для распознавания можно использовать её напрямую, без языковой модели. Модель обучалась на обучающей и валидационной частях Common Voice. В README приведён результат 38,53% на тестовых данных Common Voice для монгольского языка; метрика не уточнена. Модель распространяется по лицензии Apache-2.0. Хотя в репозитории представлены варианты PyTorch и Flax, заявленная задача — распознавание монгольской речи.

facebook/wav2vec2-xls-r-2b-22-to-16 — модель перевода речи, разработанная Facebook. Это связка кодировщика и декодера: кодировщик инициализирован контрольной точкой facebook/wav2vec2-xls-r-2b, а декодер — facebook/mbart-large-50; модель дообучена на парах перевода из набора CoVoST 2. Она принимает аудио на одном из 22 исходных языков и генерирует письменный перевод на один из 16 целевых языков: английский, немецкий, турецкий, персидский, шведский, монгольский, китайский, валлийский, каталанский, словенский, эстонский, индонезийский, арабский, тамильский, латышский или японский. Подходит для перевода аудиозаписей и устных высказываний без отдельного этапа распознавания и последующего текстового перевода. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Качество может зависеть от языковой пары и характеристик аудио; карточка не приводит количественных оценок качества.

TransWithAI/whisper-ja-1.5B-ct2 — преобразованная для CTranslate2 версия дообученной модели Whisper large-v3 для распознавания японской речи. Разработчик подготовил веса bfloat16 для использования с faster-whisper; в карточке заявлены конкурентные результаты по CER на проверенных наборах данных, а сведения о тестах приведены в карточке исходной модели. Модель предназначена для транскрибации японских аудиозаписей. README показывает запуск через faster-whisper на CUDA с типом вычислений bfloat16. Для использования нужны совместимые CTranslate2 и faster-whisper; сведения о лицензии в доступных данных отсутствуют.

Модель himalaya-ai/whisper-large-v3-turbo — дообученная для распознавания непальской речи версия Whisper large-v3-turbo от OpenAI. Она принимает аудио и преобразует речь в текст; модель построена на архитектуре WhisperForConditionalGeneration, содержит 905,2 млн параметров и распространяется в формате safetensors. Для обучения использован набор lilgoose7777/slr-combined-nepali-tts2. В тестировании указаны WER 15,44% и CER 10,01%. Обучающие данные состоят из чистых студийных записей одного диктора, поэтому точность может снижаться на шумных записях, речи нескольких людей и при сильных акцентах. Лицензия — Apache-2.0.

Seyfelislem/whisper-medium-arabic — дообученная модель распознавания речи на базе OpenAI Whisper Medium, содержащая 455,8 млн параметров. Она принимает аудио и преобразует речь в текст; заявленная специализация — арабская речь. В README приведены результаты оценки: loss 0,2194 и WER 18,2888, однако набор данных и условия оценки не описаны. Модель построена на архитектуре Whisper и распространяется в форматах PyTorch и Safetensors. Базовая Whisper Medium также поддерживает многоязычное распознавание и перевод речи, но карточка этой производной модели подтверждает только распознавание речи. Лицензия — Apache-2.0.

onnx-community/whisper-small.en — версия модели openai/whisper-small.en с весами в формате ONNX, подготовленная сообществом ONNX Community для совместимости с библиотекой Transformers.js. Модель предназначена для запуска в JavaScript- и web-средах, где требуется использовать модель Whisper с ONNX-весами. По имеющимся данным, модель ориентирована на англоязычный вариант Whisper и сценарии обработки речи, поддерживаемые исходной моделью. Ключевая особенность — размещение ONNX-весов в отдельном репозитории; архитектура, точный размер, поддерживаемые модальности и параметры контекста в README не указаны. Лицензия также не указана, поэтому условия использования следует уточнять у исходной модели openai/whisper-small.en и в репозитории модели.

geninhu/xls-asr-vi-40h-1B — модель распознавания речи на вьетнамском языке, разработанная путём дообучения facebook/wav2vec2-xls-r-1b на 40 часах данных FPT Open Speech Dataset и Common Voice 7.0. Это модель архитектуры wav2vec2 с классом Wav2Vec2ForCTC и 1,3 млрд параметров; она принимает аудио и выдаёт текстовую транскрипцию. Модель предназначена для преобразования вьетнамской речи в текст. В карточке приведены результаты оценки на VIVOS и Common Voice 7.0/8.0 с языковой моделью 4-грамм и без неё. Для Apache-2.0 лицензии допускается использование и распространение на её условиях.