I.15Доступность и ассистивные технологии

donut-handball-pv3 — дообученная модель Bienvenu2004 на основе Bienvenu2004/donut-handball-pv2. Она использует архитектуру vision-encoder-decoder и преобразует изображения в текст; модель подходит для сценариев, где нужно извлечь текстовую информацию из изображений. В карточке указано обучение на датасете imagefolder, а веса доступны в формате safetensors. Модель распространяется по лицензии MIT. Карточка не описывает конкретные типы изображений, формат результата, поддерживаемые языки или оценку качества, поэтому эти свойства нельзя уточнить. По имеющимся данным нельзя определить, насколько модель надёжно справляется с изображениями вне обучающей выборки.

Fun-ASR-MLT-Nano-2512 GGUF — это квантизированная версия мультиязычной модели автоматического распознавания речи FunAudioLLM/Fun-ASR-MLT-Nano-2512, подготовленная handy-computer для работы с transcribe.cpp. Модель предназначена для офлайн-преобразования речи в текст и принимает монофонические WAV-файлы с частотой дискретизации 16 кГц. Модель поддерживает 31 язык, включая китайский, английский, кантонский, японский, корейский, вьетнамский, индонезийский, тайский, малайский, филиппинский, арабский, хинди и 19 европейских языков. Архитектура включает замороженный SenseVoiceEncoderSmall, двухслойный аудиоадаптер и встроенную языковую модель Qwen3-0.6B; общий размер составляет примерно 800 млн обучаемых параметров. Доступны варианты BF16, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 557 МБ до 1,67 ГБ. Сильные стороны модели — широкое мультиязычное покрытие, офлайн-работа, поддержка inverse text normalization и возможность запуска через transcribe.cpp на CPU, Metal или Vulkan. Для английской речи показатель WER на LibriSpeech test-clean составляет 1,69–1,89% в зависимости от квантизации, однако эти результаты не характеризуют качество на остальных языках. Модель не поддерживает потоковую обработку, перевод, автоматическое определение языка и временные метки; контекст обработки в README не указан. Модель распространяется по лицензии FunASR Model License v1.1, обозначенной как other. Для использования требуется transcribe.cpp; конкретные условия лицензии следует уточнять в опубликованном файле MODEL_LICENSE.

OsaurusAI подготовила вариант Google Gemma 4 26B A4B Instruct для MLX: веса линейных слоёв декодера квантизированы в MXFP4 с размером группы 32, а эмбеддинги, нормализации и ранние мультимодальные энкодеры сохранены в FP16. Модель основана на Gemma4ForConditionalGeneration с 30 текстовыми слоями: пять используют полное внимание, остальные — скользящее. Модель принимает текст и изображения и предназначена для диалогов, ответов на вопросы по изображениям и других задач мультимодальной генерации текста. В комплект входят шаблон диалога Gemma 4 и интерфейс выбора инструментов; для запуска требуется совместимая среда MLX/vMLX на Apple Silicon. README не подтверждает рабочий путь обработки аудио или видео. Это производный квантованный вариант Google Gemma 4 QAT; лицензия и ограничения использования наследуются от условий Gemma. Формат пакета — safetensors для MLX, он не предназначен для загрузки средствами GGUF.

mlx-community/gemma-4-31b-it-4bit — это 4-битная версия мультимодальной модели Gemma 4 31B-it, разработанной Google и преобразованной сообществом mlx-community в формат MLX из базовой модели google/gemma-4-31B-it. Модель предназначена для задач image-text-to-text: она может анализировать изображения и генерировать текстовые ответы, в том числе в conversational-сценариях. Ключевые характеристики модели — семейство Gemma 4, размер 31B параметров, instruction-tuned настройка, поддержка работы с изображениями и текстом, 4-битное квантование и формат MLX. README не содержит сведений о поддерживаемых языках и размере контекстного окна. Формат MLX ориентирован на использование в экосистеме MLX, а запуск возможен через библиотеку mlx-vlm. К сильным сторонам относятся мультимодальность, возможность следовать инструкциям и сниженные требования к памяти благодаря 4-битному представлению. Ограничениями являются зависимость от MLX-совместимой среды, возможные потери качества из-за квантования и отсутствие в доступных данных подробных сведений о производительности, языках и контекстном окне. Модель распространяется по лицензии Apache-2.0.

lokeshe09/gemma-4-31B-it-INT8 — это INT8-квантизированная версия мультимодальной модели google/gemma-4-31B-it, разработанной Google. Модель предназначена для задач «изображение—текст» и обработки текстовых запросов с визуальной информацией, включая сценарии, требующие понимания изображений и генерации ответов на естественном языке. Модель относится к семейству Gemma 4 и содержит 31 млрд параметров в исходной версии. Квантизация выполнена с использованием llm-compressor. Vision encoder, lm_head, embeddings и norm layers сохранены в исходной точности, а остальные компоненты переведены в формат INT8. Это позволяет снизить требования к памяти по сравнению с полноточной версией, сохраняя исходную точность для критически важных компонентов, однако конкретные показатели качества и производительности в README не приведены. Модель распространяется по лицензии Gemma. Сведения о поддерживаемых языках, размере контекстного окна, аппаратных требованиях, бенчмарках и ограничениях применения в предоставленных данных отсутствуют.

Hibiki-Zero — модель Kyutai для синхронного перевода речи с французского, испанского, португальского и немецкого на английский. Она принимает поток входящей речи и одновременно выдаёт перевод голосом с переносом голоса говорящего и текстовый перевод с временными метками. Модель построена на декодерном иерархическом Transformer с плотной архитектурой и основной частью на 3 млрд параметров. Она совместно моделирует исходную и целевую речь, создавая аудио и текстовые токены с частотой 12,5 Гц. Поддерживает потоковую работу в реальном времени и пакетный режим; обучалась на речевых последовательностях длиной до 120 секунд и рассчитана на одного говорящего и один язык в сессии. Модель предназначена для синхронного устного перевода, в том числе в шумных условиях. Авторы сообщают о пакетной обработке до трёх раз быстрее реального времени на одном GPU H100. К ограничениям относятся фиксированные направления перевода на английский и поддержка только одного говорящего и исходного языка в сессии. Лицензия — CC BY-NC-SA 4.0; модель не предназначена для имитации людей или злонамеренного использования.

Hohe ASR Amharic — модель распознавания речи, разработанная автором репозитория snapwre. Она преобразует аудио на амхарском языке в текст письмом геэз и предназначена для транскрибации записей, включая эфирные материалы, интервью, телефонные разговоры и речь с региональными диалектами. Модель использует архитектуру Wav2Vec2-BERT с CTC-декодированием, содержит 403,1 млн параметров и работает в библиотеке Transformers. В README сообщается об обучении на 880 часах амхарской речи и обработке аудиофрагментов длительностью до минуты; для лучших приведённых показателей применяется поставляемая 5-граммная языковая модель. На тестовом наборе с языковой моделью указаны 5,4% CER и 16,1% WER; для телефонного аудио — 5,7% CER и 16,9% WER. Модель быстрее Whisper сопоставимой точности, согласно README. Она рассчитана только на амхарский: спонтанная беседа распознаётся заметно хуже, числа записываются словами, пунктуация не выводится, а одновременная речь нескольких собеседников и аудио на других языках обрабатываются ненадёжно. Лицензия — CC BY 4.0.

IDEFICS-9B — мультимодальная модель Hugging Face для работы с изображениями и текстом, созданная как открытая реализация подхода Flamingo. Она принимает текст вместе с одним или несколькими изображениями и генерирует текстовые ответы; без изображений может использоваться как языковая модель. Модель предназначена для визуальных вопросов и ответов, описания изображений и создания историй, связанных с несколькими изображениями. Архитектура объединяет визуальный энкодер CLIP ViT-H/14 и языковую модель LLaMA-65B, связанные новыми блоками Transformer с перекрёстным вниманием. В карточке указано 9 млрд параметров; метаданные репозитория сообщают 6,6 млрд. Модель рассчитана на английский язык, обучалась в том числе на наборах OBELICS, Wikipedia, PMD и LAION-2B-en, а длина контекста составляет 2048 токенов. Она демонстрирует возможности few-shot обучения на визуально-текстовых задачах и может служить основой для дообучения на пользовательских данных. Модель не генерирует изображения. Её ответы могут содержать фактические ошибки и вредные стереотипы, поэтому их следует проверять. Лицензия указана как other; карточка отсылает к отдельному разделу License для условий использования.

InternVL3_5-1B-4bit — мультимодальная модель семейства InternVL, опубликованная mlx-community и преобразованная в формат MLX из OpenGVLab/InternVL3_5-1B-HF. Это 4-битная версия модели для диалоговой работы с изображениями и текстом: она принимает текстовые запросы вместе с изображениями и формирует текстовые ответы. В метаданных базовой моделью указана OpenGVLab/InternVL3_5-1B-MPO; карточка описывает преобразование формата, а метаданные — связь finetune с этой базовой моделью. Модель подходит для вопросов по изображениям, их описания и визуального диалога. Указаны мультиязычная поддержка и возможности чата и работы с изображениями. Репозиторий использует формат safetensors 4bit и библиотеку Transformers; README также указывает преобразование с помощью mlx-vlm 0.3.3. Лицензия — Apache-2.0. Поскольку опубликована только 4-битная версия, точность ответов и качество восприятия изображений могут отличаться от исходной модели; карточка рекомендует обращаться к описанию исходной модели за подробностями о возможностях и ограничениях.

MangaLens — модель компьютерного зрения, созданная автором репозитория huyvux3005 и дообученная на базе YOLO11n для поиска и сегментации речевых пузырей в изображениях манги и комиксов. Она использует архитектуру YOLO11n Nano и библиотеку Ultralytics, принимает RGB-изображения и выдаёт рамки объектов и маски экземпляров для одного класса — речевого пузыря. Модель предназначена для подготовки страниц манги к извлечению и переводу текста, анализа расположения диалогов, разметки наборов данных и создания функций доступности, например озвучивания текста. В README приведены результаты оценки на 44-й эпохе: mAP@50 99,10% для рамок и 99,13% для масок; заявленная скорость составляет около 15–25 мс на изображение на T4, 8–12 мс на V100 и 200–400 мс на CPU. Эти показатели приведены автором и не описывают независимую проверку. Обучение проводилось на MS92/MangaSegmentation и Manga109. Основная специализация — речевые пузыри в манге, поэтому качество на других типах изображений и графических элементов может быть ниже. Репозиторий указывает лицензию Apache-2.0.

Ndizi African ASR — модель распознавания речи, созданная smutuvi на основе Sunbird/Sunflower-Gemma4-E2B. Это объединённый чекпойнт для инференса на GPU или сервере; в него включены веса LoRA и компонент embed_audio. Для распознавания аудио README предлагает использовать языковой промпт на суахили, амхарском или оромо и получать текстовую расшифровку. Модель дообучена на данных для этих трёх языков, включая полевую речь на суахили и наборы ALFFA и Amharic Speech. На двух тестовых выборках Ndizi для суахили указанный WER составил 0,528 и 0,398; результаты не характеризуют качество на других доменах. Амхарский и оромо представлены в обучении, но README советует подавать соответствующие языковые промпты. Версия модели — v1; более поздние адаптеры меняют баланс качества для суахили и оромо. Модель использует архитектуру Gemma 4 и распространяется в формате safetensors через Transformers. Лицензия — Gemma. README предназначает этот репозиторий для GPU и серверов; для телефонов и периферийных устройств указан отдельный LiteRT-вариант.

mlx-community/Qwen3.6-27B-8bit — это 8-битная версия модели Qwen3.6-27B, преобразованная сообществом mlx-community в формат MLX из исходной модели Qwen/Qwen3.6-27B с использованием mlx-vlm 0.4.4. Модель предназначена для запуска средствами MLX и поддерживает сценарии image-text-to-text, включая анализ изображений и генерацию текстовых ответов по визуальному содержимому. Из доступных данных известно, что модель имеет размер 27B параметров и 8-битное представление, однако сведения о точной архитектуре, поддерживаемых языках, размере контекста, модальностях исходной модели, производительности и ограничениях не приведены. Для работы требуется библиотека mlx-vlm; README демонстрирует генерацию ответа на изображение с помощью команды mlx_vlm.generate. Модель распространяется по лицензии Apache-2.0. За подробными характеристиками и условиями использования исходной модели рекомендуется обращаться к карточке Qwen/Qwen3.6-27B.

Elsephire/Qwen3.6-35B-A3B-Holo-3.1-35B-A3B-80-20-Beta — бета-модель, созданная Elsephire слиянием Qwen3.6-35B-A3B и Holo-3.1-35B-A3B методом Task Arithmetic с соотношением 80/20. Для слияния использован Minerve-Fusion. Модель предназначена для диалогов и мультимодальных задач с изображениями; метаданные также указывают на интерфейс вызова инструментов. Архитектура относится к семейству Qwen 3.5 MoE, класс — Qwen3_5MoeForConditionalGeneration; файлы представлены в формате safetensors и рассчитаны на работу с Transformers. Модель принимает текст и изображения и формирует текстовые ответы. Размер контекстного окна и поддерживаемые языки в предоставленных данных не описаны. Лицензия — MIT. Это бета-релиз, автор просит тестировать модель и оставлять отзывы; качество и стабильность могут быть ограничены ранним статусом.

Qwen3-VL-8B-Instruct-MLX-8bit — мультимодальная модель класса image-text-to-text, разработанная Qwen на основе Qwen3-VL-8B-Instruct. Она предназначена для обработки изображений и текста, включая сценарии визуального анализа и генерации текстовых ответов по представленному контексту. Модель содержит 8 миллиардов параметров и представлена в 8-битной квантизированной версии MLX, оптимизированной для работы на устройствах с Apple Silicon. Квантизацию выполнила команда LM Studio с использованием mlx_vlm. В README не указаны поддерживаемые языки, максимальная длина контекста и детальные сведения об архитектуре или результатах оценки качества. Ключевые преимущества модели — мультимодальность, относительно компактный размер по сравнению с более крупными вариантами и оптимизация для локального запуска на Apple Silicon. Ограничения связаны с потерями точности, возможными для 8-битной квантизации, а также с тем, что модель может генерировать неточные или неподходящие ответы. Модель распространяется по лицензии Apache 2.0.

Модель popfido/Qwythos-9B-Claude-Mythos-5-1M-BF16-MLX-MTP-Visual — конвертированная в формат MLX версия мультимодальной модели Qwythos-9B-Claude-Mythos-5-1M от empero-ai. Она основана на Qwen3.5-9B с гибридной архитектурой GatedDeltaNet и attention; содержит MTP-голову для предсказания нескольких токенов и башню зрения для анализа изображений. Веса представлены в float16 и рассчитаны на запуск через MLX на Apple Silicon. Модель предназначена для диалогов, генерации и анализа текста, ответов на вопросы об изображениях и описания изображений. В README указано, что текстовый тракт проверяли послойным сравнением с llama.cpp, а генерацию и работу зрения — сравнением с соответствующими реализациями. Для длинного контекста используется YaRN с коэффициентом 4 и исходным контекстом 262144 токена. Репозиторий распространяется по лицензии Apache-2.0. Это конверсия производной модели, а README описывает преобразование весов из GGUF BF16 в float16 MLX; метаданные связывают её с дообученной моделью empero-ai/Qwythos-9B-Claude-Mythos-5-1M. MLX-веса в float16 требуют больше памяти, чем варианты Q8 и 4-bit; стандартный mlx-lm может автоматически удалять MTP-голову.

Rex-Omni — мультимодальная языковая модель с 3,1 млрд параметров, представленная IDEA-Research в работе «Detect Anything via Next Point Prediction». Она дообучена на Qwen/Qwen2.5-VL-3B-Instruct и использует архитектуру Qwen2.5-VL с генерацией следующего токена для визуального восприятия. Модель принимает изображения и текстовые запросы, а результаты описывает текстом. Rex-Omni предназначена для обнаружения объектов и других задач анализа изображений: распознавания текста (OCR), указания объектов, определения ключевых точек и визуального prompting. Карточка приводит примеры для этих сценариев и указывает совместимость с библиотекой Transformers. Контекст модели составляет 128 000 токенов; в метаданных указан английский язык. Модель выпущена под лицензией IDEA License 1.0, обозначенной в метаданных как other. README не описывает количественные оценки качества или конкретные ограничения; применимость к отдельным наборам данных и сценариям следует проверять самостоятельно.

SEW-D-mid — акустическая модель ASR от ASAPP Research, основанная на архитектуре SEW (Squeezed and Efficient Wav2vec), разработанной для повышения эффективности предобученных моделей распознавания речи. В репозитории находится вариант SEW-D с примерно 100,7 млн параметров и архитектурой SEWDForCTC; веса представлены в формате PyTorch. Модель предобучена на речевом аудио с частотой 16 кГц, поэтому входные записи следует приводить к этой частоте дискретизации. Модель предназначена для преобразования английской речи в текст. Карточка также отмечает, что базовая предобученная модель может быть дообучена для распознавания речи и смежных задач, например идентификации говорящего, классификации намерений и эмоций. В исследовании SEW показано ускорение инференса относительно wav2vec 2.0 при сопоставимом качестве; результаты зависят от размера модели и условий обучения. Лицензия репозитория — Apache-2.0. Карточка описывает предобученную базовую модель и рекомендует дообучение для целевой задачи, поэтому качество на конкретных данных может потребовать дополнительной настройки.

ctaguchi/ssc-meh-model — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, преобразуя речь в текст. В README приведены результаты оценки: loss 1,8542, CER 0,3340 и WER 0,8345. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. Датасет обучения, поддерживаемые языки и предполагаемые сценарии использования в карточке не описаны; приведённые метрики указывают на ошибки распознавания, поэтому качество для конкретных данных следует оценивать отдельно.

Taiwan-Tongues-ASR-CE-pretrained-v1.0 — модель распознавания речи, выпущенная проектом Taiwan-Tongues-ASR-CE. Это дообученная версия OpenAI Whisper large-v2 с архитектурой WhisperForConditionalGeneration и примерно 905,2 млн параметров. Весовой формат — Safetensors для Transformers; модель предназначена для дальнейшего дообучения на многоязычных речевых корпусах Тайваня. Для готового распознавания без дополнительного обучения авторы предлагают отдельную модель проекта в формате CTranslate2 для faster-whisper. Модель рассчитана на автоматическую транскрибацию речи, в том числе на китайском, тайваньском хоккиене, хакка и английском. В README приведены языковые коды zh, nan, hak и en для настройки обучения; метаданные карточки также указывают zh и en. Архитектура принимает аудио и генерирует текстовую расшифровку. Лицензия обозначена как other; README отсылает к условиям лицензии проекта Taiwan-Tongues-ASR-CE, не уточняя их содержание.

kkatiz/thai-trocr-thaigov-v2 — модель распознавания текста на изображениях, разработанная на основе архитектуры Vision Encoder-Decoder. В качестве энкодера используется microsoft/trocr-base-handwritten, а декодером служит airesearch/wangchanberta-base-att-spm-uncased. Модель дообучена на 250 тысячах синтетических изображений текста, созданных с помощью SynthTIGER на основе корпуса ThaiGov V2. Модель предназначена для OCR на тайском языке: преобразует изображение с текстом в текстовую последовательность. Карточка отмечает её применимость к задачам тайского OCR. В репозитории указаны веса в формате safetensors и библиотека Transformers. Сведений о лицензии в предоставленных данных нет.

Модель sarpba/whisper-hu-large-v3-turbo-finetuned — дообученная на пользовательском наборе данных мультиязычная модель Whisper Large v3 Turbo от OpenAI, предназначенная для автоматического распознавания речи и преобразования аудио в текст. Она содержит около 905,2 млн параметров и использует архитектуру WhisperForConditionalGeneration; веса опубликованы в формате safetensors. В README приведены результаты оценки: loss 0,0287 и WER 0,0748. Модель ориентирована на венгерскую речь. README сообщает, что в нативном формате F32 она работает хорошо, но при квантовании через CTranslate2 качество резко ухудшается: вывод может сильно обрезаться, особенно на аудио длительностью около 10 секунд или меньше. Репозиторий распространяется по лицензии MIT.

Whisper Large Indonesian — модель распознавания речи на базе OpenAI Whisper Large, дообученная автором cahya на наборах mozilla-foundation/common_voice_11_0, magic_data и TITML для индонезийского языка. Она принимает аудио и преобразует речь в текст; подходит для транскрибирования записей и голосовых сообщений на индонезийском. Модель содержит около 905,2 млн параметров и распространяется в формате PyTorch. В карточке приведён результат оценки на тестовом наборе: WER 6,2483 и loss 0,2034. Модель опубликована по лицензии Apache-2.0. Подробности об условиях записи, тестовом наборе и ограничениях применения в карточке не раскрыты.

Sadegh Karimi дообучил мультиязычную модель распознавания речи Whisper large-v3-turbo на наборе Common Voice 17.0. Модель предназначена для преобразования аудио в текст; в карточке указана оценка WER 9,6275 на наборе оценки. Архитектура — WhisperForConditionalGeneration, размер — 905,2 млн параметров. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Модель ориентирована на персидскую речь. Базовая Whisper large-v3-turbo поддерживает распознавание речи и перевод аудио в текст на разных языках, однако эта версия дообучена на персидском материале. Лицензия — MIT. Карточка не описывает условия оценки и ограничения подробнее.

Модель JackyHoCL/whisper-large-v3-turbo-cantonese-noise-detection — дообученная версия Whisper Large v3 Turbo от JackyHoCL для потокового распознавания речи с подавлением ложных срабатываний на тишине и фоновом шуме. Она преобразует аудио в текст и рассчитана прежде всего на кантонскую речь; базовая модель также предназначена для кантонского и смешанного кантонско-английского аудио. При обнаружении шума модель может выводить маркер «%nz», который следует удалять или заменять в итоговой расшифровке. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и распространяется в формате safetensors. В README приведены результаты CER на тестовых наборах Common Voice и рекомендации по параметрам генерации для потокового сценария. Лицензия — MIT. Для работы с токенизатором README рекомендует Transformers версии 4.46.3 или новее.

xezpeleta/whisper-medium-eu — модель автоматического распознавания речи, разработанная дообучением Whisper Medium от OpenAI на корпусе asierhv/composite_corpus_eu_v2.1. Модель на архитектуре Whisper содержит 455,8 млн параметров и предназначена прежде всего для транскрибации речи на баскском языке в текст. В карточке сообщается, что модель достигла WER 9,1045 на валидационной выборке обучающего корпуса и WER 7,14 на Mozilla Common Voice 18.0. Её применяют для профессиональной транскрибации и разработки приложений с распознаванием баскской речи. Модель доступна под лицензией Apache-2.0. Точность зависит от качества записи: шум, диалектная и неформальная речь, редкие слова и сложные языковые конструкции могут приводить к ошибкам. По сравнению с меньшими вариантами Whisper Medium требует больше вычислительных ресурсов и работает медленнее.

Sagicc/whisper-medium-sr-v2 — 455,8-миллионная модель распознавания речи на базе Whisper Medium от OpenAI, дообученная разработчиком Sagicc на объединённых наборах Common Voice 16, Fleurs, новостных аудиозаписей Južne vesti и LBM. Модель принимает аудио и преобразует речь в текст; она предназначена прежде всего для распознавания сербской речи. В карточке приведены результаты оценки: WER 0,0738 и WER Ortho 0,1663. Модель использует архитектуру Whisper и опубликована в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает дополнительные сценарии применения и подробные ограничения.

Это дообученная Zainab11 модель распознавания речи на базе OpenAI Whisper Small с архитектурой WhisperForConditionalGeneration и 153,1 млн параметров. Она обучена на арабской части Google FLEURS ar_eg: примерно шесть часов записанной речи на современном стандартном арабском языке от дикторов с египетским акцентом. Модель предназначена для преобразования арабской речи в текст. На тестовой выборке FLEURS она показала нормализованный WER 19,9% против 28,0% у исходной Whisper Small. На спонтанной египетской разговорной речи результаты заметно хуже: нормализованный WER составил 81,2%, поэтому для такого сценария модель не подходит без дополнительного дообучения. Использование библиотеки Transformers и весов safetensors указано в метаданных; лицензия — Apache-2.0. Пример использования ограничивает аудио 30 секундами и обрезает более длинные записи; для них README рекомендует разбиение на фрагменты или chunked pipeline. Модель также наследует известное поведение Whisper: повторы и галлюцинации при обработке длинной речи.

chuuhtetnaing/whisper-small-myanmar — модель распознавания речи на основе Whisper Small, дообученная разработчиком на датасете chuuhtetnaing/myanmar-speech-dataset-openslr-80. Она принимает аудио и предназначена для преобразования речи на мьянманском языке в текст; архитектура — WhisperForConditionalGeneration, размер — 153,1 млн параметров. Модель доступна в формате safetensors и рассчитана на использование через Transformers. На оценочном наборе указаны loss 0,1904 и WER 49,065%. Лицензия — Apache-2.0. Метаданные не приводят длину контекста; качество распознавания может различаться для аудио, не похожего на обучающие данные.

vudang449/chunkformer-large-vie — зеркало модели ASR для вьетнамской речи, основанной на ChunkFormer. Исходную модель разработал Khanh Le (khanhld); репозиторий сохраняет те же веса и предназначен, в частности, для voice-bench. Это CTC-модель с chunk-based encoder примерно на 110 млн параметров, принимающая аудио и выдающая распознанный текст. ChunkFormer поддерживает распознавание длинных записей без фиксированного ограничения на длительность декодирования. Модель предназначена для транскрибации коротких аудиоклипов и длинных записей на вьетнамском языке. В README приведены результаты на VIVOS и VietMed, а также замеры скорости на Mac Mini M4; автор отмечает, что обучающие данные включают VIVOS и размеченную часть VietMed, поэтому результаты на этих наборах не подтверждают качество на независимых данных. Лицензия CC-BY-NC-4.0 допускает использование с указанием авторства и ограничивает коммерческое применение.

Cohere Labs Command A Vision — мультимодальная модель на 112 млрд параметров, разработанная Cohere и Cohere Labs для понимания изображений и диалога по визуальным данным. Она объединяет языковую модель на основе Command A с визуальным энкодером SigLIP2-patch16-512 через мультимодальный адаптер. Модель принимает изображения и текст, а отвечает текстом; поддерживает английский, португальский, итальянский, французский, немецкий и испанский языки. Модель предназначена для анализа изображений в корпоративных сценариях: ответов на вопросы о содержимом и контексте изображения, визуального диалога и извлечения сведений с изображений. Контекст в конфигурации Hugging Face составляет 32K токенов; README указывает поддержку до 128K при соответствующей настройке. Для одного изображения применяется до 12 плиток и дополнительная миниатюра, всего до 3328 визуальных токенов; рекомендуется разрешение до 2048×1536 пикселей. Весам доступна лицензия CC-BY-NC-4.0 с ограничением некоммерческого использования, а также требуется соблюдать политику допустимого использования Cohere Labs. README описывает режимы настройки защитных ограничений и отмечает, что по умолчанию включён contextual mode. Для запуска через Transformers требуется версия библиотеки с необходимыми изменениями из исходного репозитория.