I.15Доступность и ассистивные технологии

DeepSeek V4 Flash 0731 Vision (BF16) — экспериментальная мультимодальная модель, разработанная WebBrain на базе текстовой модели DeepSeek-V4-Flash-0731. Она объединяет языковую и агентную основу DeepSeek с замороженным визуальным энкодером MoonViT-3d, извлечённым из Kimi-K2.6, и обученным WebBrain проектором PatchMerger с routing bridge. Модель предназначена для browser agents и других сценариев, где требуется анализ визуального состояния веб-страниц: скриншотов, графиков, панелей управления, редакторов и элементов интерфейса. Архитектура использует проектор LayerNorm → объединение патчей 2×2 → Linear(4608, 4608) → GELU → Linear(4608, 4096). Поддерживается один маркер изображения <image> и не более 512 объединённых image-токенов. Текстовая часть сохранена без изменений и использует исходные конфигурацию DSpark/MTP и метаданные FP8; добавленные vision tower и projector содержат BF16-тензоры. Модель рассчитана на работу через внешний пакет модели и процессора DeepSeek/MoonViT и специальную интеграцию SGLang, а не через стандартные Transformers или стандартный SGLang. Сильными сторонами являются использование производительной текстовой основы DeepSeek, визуальное понимание веб-интерфейсов и сохранение исходных текстовых весов и их метаданных. Ограничения включают экспериментальный статус интеграции, необходимость применять указанный патчированный стек SGLang, поддержку только одного маркера изображения и отсутствие повторной полной проверки запуска на GPU и генерации изображений именно для этой собранной версии. В карточке указана лицензия other; дополнительные условия использования не приведены.

DiCoW v3.2 — модель распознавания речи от команды BUT Speech@FIT Брненского технического университета, предназначенная для многособеседниковой автоматической транскрипции речи (MT-ASR) и распознавания речи целевого говорящего. Модель основана на Whisper large-v3-turbo и насчитывает около 905,2 млн параметров; в карточке указана архитектура DiCoW и формат весов safetensors. Для загрузки используется Transformers. В версии 3.2 применены преобразование FDDT с учётом диаризации, последовательное декодирование с резервным поиском, обнаружение и подавление галлюцинаций при инференсе, а декодер заморожен при дообучении для сохранения языковых возможностей. Обучение опиралось на NOTSOFAR-1, AMI Meeting Corpus и Libri2Mix; использовались шумовые аугментации, включая SpecAugment и смешивание с MUSAN. Модель рассчитана на многоязычную речь, однако конкретный перечень языков в предоставленных данных не приведён. Лицензия модели — CC BY 4.0; базовая модель имеет лицензию MIT, а обучающие данные — CC BY 4.0.

Akajackson/donut_rus — модель Donut, разработанная автором репозитория для распознавания русского текста на изображениях. Она использует архитектуру vision-encoder-decoder и обучена на 100 тысячах синтетических изображений SynthDoG с текстами из русской литературы; токенизатор заменён на DeepPavlov/xlm-roberta-large-en-ru. Валидационная метрика Normed ED составляет 0,02239. Модель предназначена для извлечения текста и структурированной информации из документов. Автор также указывает сценарии ответов на вопросы по документу и классификации документов, но для них потребуется разметить данные под нужную задачу и дообучить модель. Репозиторий содержит веса в формате PyTorch и указывает лицензию Apache-2.0. Обучение на синтетических изображениях с текстами из литературы может ограничивать качество на реальных документах, других жанрах и макетах. Контекстная длина в доступных данных не приведена; практические возможности для ответов на вопросы и классификации зависят от дополнительного обучения.

EraX-VL-2B-V1.5-i1-GGUF — квантизированная мультимодальная модель на основе EraX-VL-2B-V1.5, разработанная erax-ai и преобразованная в формат GGUF пользователем mradermacher. Модель предназначена для обработки изображений и текста, включая задачи OCR, преобразование изображения в текст и ответы на запросы по изображениям. В метаданных также указано применение в страховании. Поддерживаются вьетнамский, английский и китайский языки. Модель имеет размер около 2 млрд параметров в базовой версии и поставляется в нескольких вариантах квантизации GGUF объёмом примерно от 0,5 до 1,4 ГБ. Доступны форматы IQ и Q с разным соотношением размера, скорости и качества; среди рекомендуемых вариантов указаны i1-Q4_K_M и i1-Q4_K_S. Для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Сведения об архитектуре, размере контекстного окна, результатах тестирования и ограничениях качества базовой модели в README не приведены. Лицензия модели — Apache-2.0. Квантизация уменьшает требования к памяти и позволяет запускать модель локально, однако низкокачественные варианты могут заметно уступать по качеству более крупным или менее агрессивно квантизированным версиям.

FarukSTT — модель распознавания речи и преобразования аудио в текст для тунисского арабского диалекта Derja. Она разработана на основе Whisper Large v3 с дообучением на 54 156 парах аудио и транскрипций реальной разговорной речи. Модель обрабатывает переключение между арабским, французским и английским языками в одной фразе; размер — 905,2 млн параметров. В тесте на валидационной выборке FARUKxAUTO/tunisian-asr-cleaned версия v2 показала WER 31,99% против более 50% у исходной Whisper Large v3. Модель предназначена для транскрибации тунисской речи из разговоров, интервью, подкастов и встреч, а также для подготовки текста Derja к последующей обработке. Она ориентирована на диалект, а не на литературный арабский; заявленная точность подходит для транскрибации с проверкой человеком, а в сильном шуме качество может снижаться. В карточке указана лицензия MIT.

OsaurusAI подготовила пакет Google Gemma 4 E2B Instruct для запуска на Apple Silicon через MLX и совместимые среды vMLX. Это плотная мультимодальная модель класса Gemma4 с архитектурой Gemma4ForConditionalGeneration: 35 текстовых слоёв, из них 7 используют полное внимание, а 28 — скользящее. Линейные слои декодера квантизированы в MXFP4 с размером группы 32; эмбеддинги, нормализации и ранние медиаблоки сохранены в fp16. Модель принимает текст, изображения и аудио и выдаёт текст; поддерживаются диалоги и интерфейс вызова инструментов. Аудиокодировщик и конфигурация vision сохранены в пакете. Подтверждённого пути обработки видео нет. Для загрузки нужны MLX/vMLX с поддержкой Gemma 4 MXFP4; пакет не совместим с GGUF-рантаймами. Лицензия и ограничения использования соответствуют условиям Google Gemma.

InternVL3-8B-hf — реализация мультимодальной модели InternVL3 в формате Hugging Face Transformers, опубликованная OpenGVLab. Это плотная модель класса InternVLForConditionalGeneration с 8 млрд параметров, предназначенная для диалогов и генерации ответов по тексту и визуальным входам. Репозиторий поддерживает пакетный инференс с изображениями и чередующимися изображениями, видео и текстом; возможно также текстовое использование без изображения. Модель подходит для описания изображений и видео, визуальных вопросов и ответов, мультимодального рассуждения, а также сценариев GUI-агентов и анализа промышленных изображений. Семейство InternVL3 заявляет улучшенное по сравнению с InternVL 2.5 мультимодальное восприятие и рассуждение, а также возможности работы с инструментами и 3D-визуальным восприятием. Реализация рассчитана на библиотеку Transformers и поддерживает разные реализации attention, включая SDPA и FlashAttention 2. Это дообученная версия OpenGVLab/InternVL3-8B-Instruct. Карточка связывает семейство с мультиязычными сценариями, но не перечисляет конкретные языки. Лицензия указана как other; точные условия использования следует сверить с лицензией исходного проекта. Числовой размер контекста в доступных данных не приведён.

Mantis — мультимодальная языковая модель TIGER-Lab на базе LLaMA 3, использующая визуальный энкодер SigLIP и архитектуру семейства LLaVA. Она принимает изображения вместе с текстом, в том числе чередующиеся последовательности изображений и текста, и формирует текстовые ответы. Модель предназначена для диалога о визуальном содержимом, особенно для задач с несколькими изображениями: сопоставления, рассуждений, установления связей между объектами и понимания последовательности событий. Также она поддерживает вопросы по одному изображению и показывает результаты, сопоставимые с сильными открытыми моделями в приведённых авторами тестах. Чекпойнт дообучен на наборе TIGER-Lab/Mantis-Instruct; в репозитории указаны веса Safetensors и лицензия Llama 3. Карточка описывает обучение и оценки на английском языке, но не сообщает размер контекстного окна. Модель требует ресурсов для запуска крупной мультимодальной модели; качество может зависеть от типа изображения и формулировки запроса, а заявленные результаты относятся к бенчмаркам авторов.

MERaLiON-3-3B-ASR — модель распознавания речи с открытыми весами из семейства Speech-Text Large Language Models MERaLiON-3, разработанного институтом I2R агентства A*STAR в Сингапуре. Модель содержит около 2,1 млрд параметров по метаданным и предназначена для аудио на английском, китайском, малайском, тамильском, индонезийском, тайском и вьетнамском языках, а также на кантонском и хоккиенском диалектах. Она обучена распознавать естественное переключение между английским и языками региона Юго-Восточной Азии, включая синглиш. Модель принимает монофоническое аудио с частотой 16 кГц и выдаёт текстовую транскрипцию. По README, она дообучена для ASR на многоязычной смеси данных с акцентом на сингапурский английский, региональные диалекты и переключение языков. Авторы сообщают, что меньшая по размеру модель сопоставима с MERaLiON-2-10B-ASR или превосходит её на приведённых оценках; для самостоятельного размещения указана одна GPU с 80 ГБ памяти. Для запуска предлагаются пакет meralion-3-asr с бэкендом vLLM и бэкенд Transformers. Лицензия обозначена как other, конкретные условия следует проверять в карточке репозитория.

Это чекпойнт проекта MMS Zero-shot, разработанный Jinming Zhao и соавторами для распознавания речи на языках, для которых доступно мало размеченных данных. Модель основана на мультиязычной акустической архитектуре wav2vec2, обученной на данных 1 150 языков, и использует промежуточное представление uroman tokens. В карточке указано около 300 млн параметров, а метаданные репозитория указывают 402,7 млн параметров. Для нового языка текстовые данные в небольшом объёме отображаются в промежуточное представление, что позволяет использовать модель для транскрибации речи; при выводе можно дополнительно применять языковую модель. Репозиторий предназначен для автоматического распознавания речи, принимает аудио и выдаёт текст. Лицензия — CC-BY-NC 4.0, которая ограничивает коммерческое использование.

Nos_ASR-wav2vec2-large-xlsr-53-gl-with-lm es una copia de diego-fustes/wav2vec2-large-xlsr-gl con интегрированной языковой моделью. Модель разработана для автоматического распознавания речи на галисийском языке и преобразования аудиозаписей в текст. Она основана на архитектуре Wav2Vec2-Large-XLSR-53, имеет около 402,7 млн параметров и принимает аудио. В README приведены результаты на тестовых подвыборках Galician OpenSLR и Common Voice 7.0: WER составил 6,86% и 15,20% соответственно, что ниже показателей указанной базовой модели на тех же наборах. Модель распространяется по лицензии Apache-2.0.

Parrot-7B — мультиязычная мультимодальная языковая модель, разработанная авторами проекта Parrot. Она использует текстовые инструкции для выравнивания визуальных токенов на уровне языка и архитектуру Mixture-of-Experts для согласования визуальной информации с языковыми представлениями. Модель дообучена методом supervised fine-tuning на базе Qwen-1.5-7B-Chat и использует визуальный энкодер CLIP-ViT-Large-patch14-336; размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для диалоговых сценариев с изображениями и мультиязычных вопросов и ответов по визуальному содержимому. В README описан мультиязычный бенчмарк MMMB: 6 языков, 15 категорий и 12 000 вопросов. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0. Авторы отмечают, что не могут гарантировать полное отсутствие проблемного или нарушающего авторские права контента.

TACO — мультимодальная модель действий, разработанная авторами работы «TACO: Learning Multi-modal Action Models with Synthetic Chains-of-Thought-and-Action». Это дообученная модель на 7,1 млрд параметров на основе lmms-lab/llava-onevision-qwen2-7b-mid-stage-a4, с архитектурой Qwen2 и интерфейсом чата. Она предназначена для ответов на сложные многошаговые вопросы по изображениям: модель формирует последовательность рассуждений и действий, может вызывать внешние инструменты, включая OCR, оценку глубины и калькулятор, а затем объединяет результаты в ответ. Контекст составляет 32 768 токенов; веса опубликованы в формате safetensors. В описании проекта сообщается об улучшении среднего результата на восьми бенчмарках на 3,6% относительно базовой модели с настройкой инструкций и о приросте до 15% на задачах MMVet, связанных с OCR, математикой и пространственным рассуждением. Для выполнения действий необходима соответствующая интеграция внешних инструментов. Модель распространяется по лицензии CC BY-NC 4.0, допускающей некоммерческое использование с соблюдением её условий.

Qwen3.8-27B-tq3-mini-g64 — мультимодальная плотная модель семейства Qwen, представленная в репозитории manjunathshiva и подготовленная как сборка TurboQuant с 3-битной квантизацией для запуска через MLX на компьютерах Apple Silicon. В основе лежит Qwen/Qwen3.8-27B с 27,8 млрд параметров; архитектура включает 64 декодерных слоя, в том числе 48 слоёв Gated DeltaNet и 16 слоёв полного внимания, а также зрительный модуль. Модель принимает текст и изображения и предназначена для диалогов, анализа визуальных данных и ответов на вопросы по изображениям. Сборка занимает около 11,55 ГиБ вместо 55,6 ГБ в bf16 и проверена на Mac mini с 16 ГБ памяти. По данным README, она показала результат 4/4 на тестах зрения с ограничением размера изображений. На 16-гигабайтном Mac генерация медленная — около 3,6–3,9 токена в секунду; для интерактивных диалогов и агентных циклов такая конфигурация не подходит. README сообщает об увеличении perplexity на 10,4% относительно 4-битной сборки. Лицензия — Apache-2.0.

Qwen3-ASR-Nepali — дообученная Siddhant Skarki модель Qwen3-ASR-1.7B для автоматического распознавания непальской речи и транскрибации аудио. Это плотная модель архитектуры Qwen3ASRForConditionalGeneration; в репозитории представлены веса safetensors. Обучение проводилось примерно на 157 часах общедоступной непальской речи, включая данные OpenSLR SLR54. По результатам оценки на трёх тестовых наборах, не использованных при обучении, модель показала средний WER 41,4% среди восьми проверенных открытых моделей. Она особенно хорошо справилась с разговорной речью IndicVoices-R и синтетической речью OpenSLR-43, а на чистой читаемой речи FLEURS уступила Meta MMS-1B. WER заметно различался между наборами, поэтому качество может зависеть от типа речи и набора данных. Лицензия указана как other; конкретные условия использования следует проверить в репозитории модели. Для загрузки в README приведён пример с библиотекой qwen_asr и PyTorch, с размещением модели на CUDA.

themohal/saraiki-whisper-small — модель распознавания речи на сараики, созданная дообучением openai/whisper-small. Она принимает аудио и преобразует речь в текст; в метаданных указана поддержка сараики. Модель построена на архитектуре Whisper и распространяется в формате safetensors через Transformers. В README приведены результаты оценки: Loss 0.2483, WER 21.8085 и CER 7.2201. Датасет и условия оценки не описаны, поэтому эти показатели нельзя напрямую переносить на другие аудиозаписи. Модель выпущена под лицензией Apache-2.0.

TEMPO — Table 3 — + Both — это экспериментальный англоязычный аудио-языковой чекпойнт, дообученный Kaousheik на базе NVIDIA Audio Flamingo 3 для определения временных границ событий в аудио. Он объединяет распознавание речи с временными метками, диаризацию говорящих, поиск временного интервала по текстовому запросу, плотное описание звуков и анализ музыки. Архитектура Audio Flamingo 3 сочетает аудиоэнкодер Whisper-large и Qwen2-7B; вариант использует временной мультимодальный проектор и функцию потерь, учитывающую близость ошибочных временных меток. Для загрузки этой версии требуется файл time_proj.pt. Модель принимает аудио и текстовые инструкции с тегом задачи, а выдаёт текст с временными метками. Шаг временной шкалы составляет 0,1 секунды, но словарь временных токенов ограничивает разметку отрезками до 60 секунд, поэтому более длинные записи нужно разбивать на фрагменты. Модель рассчитана на английский язык; качество многоголосого распознавания и определения аккордов ограничено, а метки говорящих согласованы только внутри одной записи. Лицензия указана как other, конкретные условия использования в карточке не описаны.

Hukyl разработала TrOCR-Large для распознавания рукописного украинского текста по изображениям отдельных строк. Модель построена на архитектуре VisionEncoderDecoderModel: энкодер ViT-L/16 принимает изображения с разрешением 384 пикселя, а декодер генерирует текст. Размер — около 558 млн параметров. Это дообучение Hukyl/trocr-large-uk-handwritten на реальных рукописях без синтетических данных; модель также подходит как начальная точка для дальнейшей настройки под конкретный почерк или область. Модель предназначена для распознавания заранее выделенных строк, например после обнаружения текста в скане или на странице. В проверке на данных, близких к обучающим, CER составил 0,0249, но на рукописных страницах набора Rukopys без дополнительной настройки CER вырос до 0,1838. Поэтому для архивных сканов и других отличающихся по распределению документов может потребоваться дообучение. Транскрипция может отличаться от оригинала регистром букв и пунктуацией. Лицензия модели — Apache-2.0; при распространении или использовании производных моделей необходимо сохранить атрибуцию набора UkrHandwritten по CC BY-SA 4.0.

bayartsogt/wav2vec2-large-xlsr-mongolian — модель распознавания монгольской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice. Она преобразует аудиозапись в текст и рассчитана на распознавание монгольского языка; для входной речи требуется частота дискретизации 16 кГц. Модель построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. В README приведён результат оценки 45,82% на тестовой части монгольского Common Voice, но метрика не уточнена. Лицензия — Apache-2.0. Описание обучения содержит незаполненные поля, поэтому точный состав обучающих данных и скрипт обучения не приведены.

Модель pnawani/welsh-asr-xlsr-300m разработана как дообученная версия Facebook wav2vec2-XLS-R 300M для автоматического распознавания речи на валлийском языке. Это модель архитектуры Wav2Vec2ForCTC с символьной CTC-головой; она принимает аудио и выдаёт текст. Обучение выполнено на 11,3 часа валлийской части набора FLEURS. На тесте FLEURS авторы сообщают WER 0,3991 и CER 0,1141; в их сравнении с Whisper-small без дообучения модель показала лучшие результаты на том же тестовом аудио и при одинаковой нормализации текста. Модель подходит для транскрибации записанной валлийской речи, особенно чтения вслух, похожего на данные FLEURS. Лицензия — Apache-2.0. Модель хуже подходит для спонтанной разговорной речи и диалектов, недостаточно представленных в обучающих данных.

Ivydata/whisper-base-japanese — дообученная модель распознавания речи на базе OpenAI Whisper Base. Разработчик дообучил её на японском языке с использованием Common Voice, JVS и JSUT; модель содержит 51,7 млн параметров и использует архитектуру WhisperForConditionalGeneration в формате PyTorch. Модель преобразует японскую речь в текст и предназначена для транскрибации аудиозаписей. В README приведён результат оценки на TEDxJP-10K: CER 27,25% для модели Whisper Small, поэтому этот показатель не относится напрямую к данной модели Base. Для входного аудио требуется частота дискретизации 16 кГц. Лицензия — Apache-2.0. Карточка не сообщает длину контекста или дополнительных ограничений применения.

byoussef/whisper-large-v2-Ko — дообученная модель распознавания речи на основе openai/whisper-large-v2, опубликованная в формате PyTorch и Safetensors. Она предназначена для преобразования корейской речи в текст. В метаданных указан набор данных Bingsu/zeroth-korean; в README приведён результат WER 2,9 на оценочной выборке, но методика оценки не описана. Модель содержит 905,2 млн параметров и использует архитектуру WhisperForConditionalGeneration. Базовая модель поддерживает транскрибацию аудио и перевод речи; эта версия специализируется на корейском языке. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает ограничения, условия записи аудио или качество на других наборах данных.

mohammadjavadnasri/whisper-large-v3-farsi-cv17 — дообученная модель распознавания речи на основе openai/whisper-large-v3, обученная на наборе Common Voice 17.0. Она принимает аудио и преобразует речь в текст; модель содержит 905,2 млн параметров и использует архитектуру WhisperForConditionalGeneration. В оценке на тестовом наборе указаны WER 23,4723 и орфографический WER 27,5624. Модель предназначена прежде всего для транскрибации речи на фарси. Это вариант мультиязычной Whisper large-v3, однако карточка сообщает о дообучении на Common Voice 17.0, а не о проверке качества для других языков. Доступна в формате safetensors для Transformers. Лицензия — Apache-2.0.

chuuhtetnaing/whisper-large-v3-myanmar — дообученная модель распознавания речи на базе Whisper large-v3 от OpenAI. Она обучена на наборе chuuhtetnaing/myanmar-speech-dataset-openslr-80 и предназначена для транскрибации аудио на бирманском языке. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и доступна в формате safetensors для Transformers. В карточке указаны результаты оценки на тестовом наборе: loss 0,1752 и WER 54,8976. Модель принимает аудио и выдаёт текст; практическое качество распознавания зависит от записи и речи. Лицензия — Apache-2.0.

Whisper Large v3 Turbo Uzbek v1 — R. Nematov (Lynx) разработал эту модель на базе openai/whisper-large-v3-turbo для преобразования узбекской речи в текст. Это дообученная и дополнительно настроенная версия Whisper с 905,2 млн параметров, предназначенная для распознавания узбекской речи, включая региональные диалекты и акценты. В README указано, что модель адаптирована к узбекскому алфавиту, вариантам апострофа и распространённым разговорным выражениям, чтобы уменьшить смешение с близкими языками. Модель принимает аудио и выдаёт текст. Автор заявляет высокую скорость распознавания и хорошее качество на чистой литературной и дикторской речи, но это оценка из карточки, без описания независимого тестирования. Указаны данные DavronSherbaev/uzbekvoice-filtered и отобранные узбекские аудиозаписи. Модель опубликована в формате safetensors под лицензией Apache-2.0, разрешающей коммерческое и некоммерческое использование.

Модель devalade/whisper-large-v3-yoruba-colab — дообученная devalade версия Whisper large-v3 для автоматического распознавания речи и преобразования аудио в текст. Она принимает аудио и выдаёт текстовую транскрипцию; объём модели составляет 905,2 млн параметров. В README указано, что обучение проводилось с использованием Unsloth и библиотеки TRL для Hugging Face. Модель предназначена для распознавания речи на йоруба, что следует из названия репозитория; метаданные карточки отдельно указывают английский язык. Она распространяется по лицензии Apache-2.0. В карточке нет сведений о длине контекста или оценках качества на конкретных наборах данных.

taesiri/whisper-small-fa-7 — модель распознавания речи, созданная дообучением Whisper Small от OpenAI на наборе Common Voice 11.0. Она преобразует аудио в текст и рассчитана на распознавание персидской речи. Архитектура — WhisperForConditionalGeneration; модель содержит 153,1 млн параметров. В карточке приведены результаты оценки на тестовой выборке: loss 0,6904 и WER 34,2597. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Jingmiao/whisper-small-zh_tw — дообученная модель распознавания речи на основе openai/whisper-small. Она предназначена для преобразования аудио на тайваньском варианте китайского языка в текст; при дообучении использован набор mozilla-foundation/common_voice_11_0. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. На оценочной выборке указана потеря 0,2283 и частота ошибок слов WER 41,9652. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Whisper Tajik — модель распознавания речи, созданная дообучением openai/whisper-small на пользовательском наборе данных. Она предназначена для преобразования аудиозаписей на таджикском языке в текст. В оценке на тестовом наборе указаны значение loss 0,4538 и WER 18,9518. Модель использует архитектуру WhisperForConditionalGeneration и содержит 905,2 млн параметров. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Transformers. Модель распространяется по лицензии Apache-2.0. Карточка не описывает состав обучающего набора, условия оценки и ограничения применения, поэтому качество на других типах записей и в иных акустических условиях по приведённым результатам определить нельзя.

Модель разработана пользователем anton-l и дообучена на базе facebook/wav2vec2-xls-r-300m на датасете GOOGLE/XTREME_S — FLEURS.ALL. Это модель распознавания речи на архитектуре Wav2Vec2 с CTC-декодированием, содержащая около 402,8 млн параметров. Модель преобразует аудио в текст и предназначена для автоматического распознавания речи на языках Западной Европы, представленных в FLEURS. В README приведены результаты оценки на 20 043 примерах: общий CER составляет 0,2484, а показатели заметно различаются по языкам; например, CER для немецкого — 0,1287, для греческого — 0,6020. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Результаты оценки указывают на неодинаковое качество между языками, поэтому перед применением следует проверить точность для нужного языка и условий записи.