I.15Доступность и ассистивные технологии

ChatTruth-7B — модель семейства Qwen, разработанная на основе Qwen-VL и дополнительно обученная на специально подготовленных данных. Она предназначена для диалоговой генерации текста с поддержкой визуальных входов и улучшенной обработкой изображений высокого разрешения. В README заявлен модуль Restore Module, снижающий вычислительную нагрузку при работе с изображениями высокого разрешения. В метаданных указаны 11,4 млрд параметров, контекст длиной 8192 токена и поддержка китайского и английского языков. Репозиторий содержит веса PyTorch; для запуска README указывает Transformers 4.32.0, PyTorch 1.13 или новее и CUDA 11.4 или новее. Условия лицензии в предоставленных данных не описаны.

Eagle-X2-Llama3-8B-ConsecutiveTableReadout-Mix-160k — визуально-языковая модель семейства Eagle, разработанная на основе adapter-based структуры LLaVA и Eagle. Она дообучена на базе meta-llama/Meta-Llama-3-8B-Instruct и использует визуальные энкодеры CLIP-448 на основе CLIP-336 и ConvNeXt. Модель предназначена для диалоговой работы с изображениями и генерации текста по визуальному содержимому. Название указывает на чтение таблиц, однако README не описывает конкретные сценарии или результаты этой специализации. Архитектура — EagleLlamaForCausalLM; размер составляет 7,5 млрд параметров, контекст — 8192 токена. Метаданные задают основную задачу как image-text-to-text, а также отмечают поддержку text-generation. Для использования доступны веса в формате safetensors через Transformers. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование. Качество на чтении таблиц и поддерживаемые языки в предоставленных данных не описаны.

RASMUS/Finnish-ASR-Canary-v2 — модель автоматического распознавания речи на финском языке, опубликованная пользователем RASMUS и дообученная на базе NVIDIA Canary-v2. Она предназначена для преобразования финской речи в текст, включая короткие записи, разговорную речь, подкасты, интервью, лекции и многоговорящие записи; для длинных аудиофайлов предусмотрены сценарии с VAD и диаризацией. Модель основана на архитектуре Fast-Conformer с attention encoder-decoder и содержит около 1 млрд параметров. Она работает с аудио и генерирует текст на финском языке, использует библиотеку NVIDIA NeMo и поддерживает дополнительное beam search-декодирование с 6-граммовой KenLM-моделью для повышения качества. Заявленные значения WER составляют 4,58% на Common Voice, 7,75% на FLEURS, 7,03% на CSS10 и 11,65% на VoxPopuli; качество зависит от типа речи и согласованности нормализации транскриптов. Сильные стороны модели — специализация на финском языке, хорошие результаты на нескольких речевых доменах и поддержка длинных записей с временными метками и диаризацией. Ограничения включают зависимость от NVIDIA NeMo и требовательную инфраструктуру; в документации для окружения тестирования указана NVIDIA GPU с не менее чем 48 ГБ VRAM. Модель распространяется по лицензии MIT.

Gemma 3n E2B IT MLX bf16 — мультимодальная диалоговая модель Google, опубликованная сообществом LM Studio в формате MLX и оптимизированная для Apple Silicon. Это версия исходной модели google/gemma-3n-E2B-it с весами bfloat16; архитектура — плотная Gemma 3n с классом Gemma3nForConditionalGeneration. Репозиторий предназначен для локального запуска и общения с моделью, включая анализ изображений вместе с текстом. Модель принимает текстовые и визуальные входы и генерирует текст. В карточке указаны возможности чата и зрения; метаданные относят её к задаче image-text-to-text. Базовая модель также описана как поддерживающая аудиовход, однако карточка этой версии не подтверждает аудиофункции отдельно. Весы в bf16 представлены через MLX для устройств Apple Silicon; размер модели и длина контекста в предоставленных данных не приведены. Модель можно использовать для вопросов по изображениям, диалога и генерации текста в локальной среде. Лицензия — Gemma; применяются её условия. Модель может выдавать неточные или неподходящие ответы, а LM Studio не гарантирует её точность и надёжность.

Карточка модели lokeshe09/gemma-4-26B-A4B-it-GRPO-LaTeX_OCR-16bit на Hugging Face совпадает с карточкой lokeshe09/gemma-4-26B-A4B-it-SFT-GRPO, поэтому описание составлено по ней. Мультимодальная диалоговая модель Gemma 4, дообученная lokeshe09 на базе unsloth/gemma-4-26B-A4B-it с использованием Unsloth и библиотеки Hugging Face TRL. Предназначена для диалогов с текстом и изображениями; поддерживает анализ изображений и интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает обучающие данные и конкретные улучшения после дообучения, поэтому качество для отдельных сценариев по ней оценить нельзя.

GigaAM-v3 — третье поколение семейства моделей GigaAM, разработанное для распознавания русской речи. Это модель на архитектуре Conformer размером 220–240 млн параметров, предварительно обученная на разнообразных русскоязычных аудиоданных с целью HuBERT-CTC. В семействе представлены самоконтролируемый энкодер и варианты распознавания с декодерами CTC и RNN-T; сквозные варианты также выполняют пунктуацию и нормализацию текста. Модель предназначена для транскрибации речи в разных условиях, включая разговоры в колл-центрах, речь с фоновой музыкой, естественную речь и записи с нетипичными характеристиками голоса. README сообщает об улучшении качества на новых доменах и приводит результаты на наборах русской речи. Для отдельных вариантов доступны исходные веса FP16 и квантизированные FP8; указанные тесты показывают близкое качество транскрипции FP8 к FP16. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Модель ориентирована на русский язык; метаданные карточки также отмечают английский язык, но README не описывает качество распознавания английской речи. Результаты зависят от варианта модели и условий записи; опубликованные сравнения и оценки не гарантируют такое же качество на произвольных данных.

InternVL3_5-8B-GGUF — это квантизированная версия мультимодальной модели InternVL3_5-8B, разработанной OpenGVLab. Модель предназначена для задач преобразования изображений и текста в текст, включая сценарии, где требуется анализ визуальной информации и генерация текстового ответа. Формат GGUF ориентирован на локальный запуск с использованием совместимых инструментов, в частности llama.cpp и LM Studio. Квантизацию выполнил bartowski на основе llama.cpp release b6258. В предоставленных данных указаны мультимодальный pipeline image-text-to-text и размер базовой модели 8B; сведения о конкретной архитектуре, поддерживаемых языках, длине контекста и доступных вариантах модальностей отсутствуют. Квантизация может упростить локальное развертывание и снизить требования к ресурсам, но потенциально влияет на точность по сравнению с исходной моделью. Лицензия в README не указана, поэтому условия использования необходимо уточнять в документации исходной модели OpenGVLab/InternVL3_5-8B и соответствующей версии GGUF. Как и другие модели такого типа, она может генерировать неточные, вредные или неподходящие ответы.

onnx-community/kotoba-whisper-v2.2-ONNX — это ONNX-версия модели kotoba-tech/kotoba-whisper-v2.2, подготовленная для использования с библиотекой transformers.js. Модель была автоматически конвертирована и опубликована сообществом onnx-community на Hugging Face. По представленным данным, модель относится к семейству Whisper и предназначена для задач обработки аудио, однако конкретные поддерживаемые сценарии, языки, модальности, размер, параметры архитектуры и длина контекста в README не указаны. Формат ONNX может быть удобен для запуска в совместимых средах и приложениях на базе transformers.js, но сведения о производительности, требованиях к ресурсам и ограничениях отсутствуют. Лицензия и условия использования в предоставленном README не указаны; для их определения необходимо обратиться к карточке базовой модели kotoba-tech/kotoba-whisper-v2.2 и метаданным данного репозитория.

LocateAnything-3B-GGUF — это GGUF-версия мультимодальной vision-language модели LocateAnything, разработанной NVIDIA в рамках семейства Eagle VLM. Модель предназначена для визуального grounding: локализации объектов по текстовому запросу, плотного обнаружения нескольких объектов, определения GUI-элементов, текстовых областей и точек на изображении. Она ориентирована на исследовательские и прикладные сценарии в робототехнике, автономном вождении, анализе документов, промышленной инспекции, наблюдении, дистанционном зондировании и построении мультимодальных агентов. Поддерживается английский язык. Архитектура основана на Qwen2.5-3B-Instruct в качестве языковой модели и vision encoder MoonViT-SO-400M. Ключевая особенность — Parallel Box Decoding: координаты ограничивающих рамок предсказываются параллельно за один шаг вместо авторегрессионного декодирования по токенам. Это повышает эффективность, сохраняет геометрическую согласованность и, по заявлению разработчиков, обеспечивает до 2,5 раза большую пропускную способность по сравнению с предыдущими подходами. Обучение проводилось на наборе из 12 млн изображений, более 138 млн запросов и 785 млн ограничивающих рамок из различных предметных областей. GGUF-сборка создана с использованием llama.cpp и включает экспериментальный подход к квантованию: отдельные важные слои переводятся в более высокую точность, что может улучшать качество при заданном уровне квантования ценой увеличения размера файла. Ограничения включают исследовательский статус модели, неизвестные из карточки точные параметры контекстного окна и результаты бенчмарков для конкретных GGUF-квантований, а также зависимость качества от выбранного формата и уровня квантования. Модель распространяется по NVIDIA License для некоммерческого использования: разрешены академические и некоммерческие исследования, коммерческое применение запрещено, кроме NVIDIA и её аффилированных лиц.

Mythos2.0-2B — открытая модель перевода от Adithyan AI с архитектурой encoder-decoder Sparse Mixture-of-Experts. В ней 2,04 млрд параметров, из которых на каждом токене активируется около 678,7 млн; используются 24 трансформерных слоя и восемь экспертов SwiGLU с маршрутизацией Top-2. Модель работает с текстом и рассчитана на перевод между более чем 500 языками и региональными вариантами. Модель предназначена для перевода отдельных текстов и длинных документов, включая статьи, субтитры SRT/VTT и Markdown. Контекст составляет 8 192 токена: до 4 096 токенов для входного текста и 4 096 для результата; заявлена упаковка документов, сохраняющая контекст между фрагментами. README описывает поддержку малоресурсных языков, однако подтверждающих оценок качества или бенчмарков в предоставленных данных нет. Модель распространяется по лицензии Apache 2.0.

Карточка модели MakotoYuki/MYTHOS-26B-A4B-PRISM-PRO-DQ-GGUF на Hugging Face совпадает с карточкой Ex0bit/Gemma4-26B-A4B-PRISM-PRO-DQ-GGUF, поэтому описание составлено по ней. Ex0bit выпустил Ex0bit/Gemma4-26B-A4B-PRISM-PRO-DQ-GGUF — мультимодальную версию Gemma 4 26B-A4B Instruction-Tuned в формате GGUF для запуска через llama.cpp. Это MoE-модель с 26 млрд параметров, из которых 4 млрд активны на токен; в README указаны 128 экспертов и маршрутизация top-8. Модель принимает текст, изображения и видео и отвечает текстом. Для обработки изображений и видео вместе с основным GGUF-файлом нужен файл проектора mmproj. Модель предназначена для диалогов и анализа изображений и видеокадров. Автор заявляет, что PRISM-PRO удаляет чрезмерные отказы и механизмы смещения, а PRISM-DQ распределяет точность квантования по типам тензоров; заявленная точность — 5,73 бита на вес. Эти заявления приведены автором и не подтверждены независимыми оценками в предоставленной карточке. Аудио модель не поддерживает. Лицензия — Apache-2.0.

NOESIS-Whisper3-1.6B-Large-Turbo-Darwin-99LANG-BF16 — мультиязычная модель распознавания речи от AMAImedia, созданная для платформы автоматизации дубляжа NOESIS. Это объединение openai/whisper-large-v3 и openai/whisper-large-v3-turbo: энкодеры усреднены, а 32-слойный декодер взят из Whisper Large-v3. Модель содержит около 1,543 млрд параметров, работает с аудио и выдаёт текст; карточка заявляет поддержку 99 языков. Она предназначена для распознавания речи в сценариях дубляжа, определения языка, расстановки пословных временных меток, проверочной базовой транскрипции и резервного распознавания. По README модель загружается через Transformers и в BF16 занимает около 2 ГБ VRAM; разработчик позиционирует её как вспомогательную модель, работающую параллельно с основной системой транскрипции. Указанная лицензия — MIT. Усреднение энкодеров нацелено на сочетание мультиязычной устойчивости Whisper Large-v3 с дистиллированными представлениями Turbo, а декодер Large-v3 сохраняет качество генерации. Ограничения: модель описана как вспомогательный путь, а не основной транскрибатор NOESIS; результаты в README приведены для внутреннего сценария, поэтому их нельзя считать независимой оценкой качества. Полный список языков в предоставленных данных не перечислен.

Ogaal ASR — модель автоматического распознавания речи от Ogaal Labs, созданная дообучением Whisper large-v3. Она преобразует сомалийскую речь в текст и предназначена для транскрибации записей и интеграции в локальные приложения для сомалийского языка. Модель построена на архитектуре WhisperForConditionalGeneration; веса опубликованы в формате safetensors. Для обучения использовано около 72,1 часа сомалийской речи, включая записи дикторов с разными акцентами и стилями речи. На тестовой выборке указаны WER 0,2278 и CER 0,1186. Модель ориентирована на сомалийский язык, а английский не входил в цель обучения. Качество может снижаться на тематиках, акцентах и условиях записи, отличающихся от использованных при оценке. В метаданных лицензия обозначена как other, поэтому конкретные условия использования следует сверить с карточкой репозитория.

mlx-community/Qwen3.5-35B-A3B-8bit — это 8-битная версия модели Qwen3.5-35B-A3B, преобразованная в формат MLX сообществом mlx-community. Конвертация выполнена с использованием mlx-vlm версии 0.3.12; исходная модель разработана командой Qwen. Модель предназначена для задач image-text-to-text, включая анализ изображений и генерацию текстовых ответов по визуальным данным, и рассчитана на использование в экосистеме MLX. В README указано, что модель имеет размер 35B-A3B и 8-битное представление, однако подробности об архитектуре, модальностях, поддерживаемых языках и размере контекста не приведены. Пример использования демонстрирует запрос на английском языке с изображением и генерацией ответа через mlx-vlm. Для работы требуется пакет mlx-vlm. Преимуществами являются MLX-формат и 8-битное представление, потенциально удобные для запуска в соответствующей среде, но конкретные требования к оборудованию и ограничения производительности не указаны. Модель распространяется по лицензии Apache-2.0. Для полного описания возможностей следует обратиться к оригинальной карточке Qwen3.5-35B-A3B.

Это GGUF-конверсия модели Qwen3.8-Flash-Next-W4A16-NVFP4, основанной на Qwen/Qwen3.8-Flash-Next. Модель предназначена для диалогового взаимодействия с текстом и изображениями; для мультимодального запуска основной файл нужно загружать вместе с проектором зрения mmproj, который входит в репозиторий. Веса маршрутизируемых экспертов представлены в формате W4A16 NVFP4, а внимание, общие эксперты, маршрутизаторы, эмбеддинги, PLE и другие сохранённые тензоры — в BF16 или F32. Основной файл имеет размер 180,4 ГБ; проектор зрения BF16 — 907,5 МБ. Для запуска требуется сборка llama.cpp с поддержкой Qwen4Exp и NVFP4 GGUF. Веса MTP в набор не входят. В метаданных указана лицензия other, поэтому конкретные условия использования следует сверить с лицензией исходной модели. Сведения о поддерживаемых языках и длине контекста в предоставленных материалах отсутствуют.

Show-o2-7B — унифицированная мультимодальная модель, разработанная Show Lab Национального университета Сингапура совместно с ByteDance. Она объединяет авторегрессионное предсказание текстовых токенов и flow matching для генерации изображений и видео; визуальные представления строятся в пространстве 3D causal VAE с пространственно-временным слиянием признаков. Модель предназначена для мультимодального понимания и генерации с текстом, изображениями и видео, включая смешанные сценарии. В README указано семейство моделей размером 7B, но отдельные характеристики этого чекпойнта, например длина контекста, не приведены. Репозиторий содержит веса PyTorch и опубликован по лицензии Apache-2.0.

TEMPO SFT Stage 1 — аудиоязыковая модель на базе NVIDIA Audio Flamingo 3, дообученная на 51 512 синтетических примерах в течение двух эпох. Архитектура AudioFlamingo3ForConditionalGeneration объединяет аудиоэнкодер Whisper-large и языковую часть Qwen2-7B; для временной привязки используются специальные токены времени и time-aware projector. Модель принимает аудио и текстовые инструкции, а ответы формирует текстом с временными метками. Модель предназначена для распознавания речи с временными метками, диаризации говорящих, поиска интервалов по текстовому запросу, плотного описания событий и анализа временных изменений в музыке. Один декодер обслуживает эти сценарии через теги задач в запросе. Это ранний этап обучения TEMPO на синтетических данных; приведённые в карточке результаты показывают ограничения качества, особенно для распознавания речи с несколькими говорящими и определения аккордов. Поддерживается только английский язык. Временные метки ограничены 60 секундами, поэтому более длинные записи нужно делить на фрагменты; метки говорящих согласованы только внутри записи. Лицензия указана как other, конкретные условия использования в предоставленных данных не описаны.

duyle2408/trocr-vietnamese-handwriting — модель распознавания рукописного текста на изображениях, разработанная на основе microsoft/trocr-large-handwritten и дообученная на наборе данных с вьетнамским почерком. Архитектура VisionEncoderDecoder сочетает ViT и TrOCR; модель предназначена для преобразования изображений рукописных записей на вьетнамском языке в текст. Модель подходит для оцифровки вьетнамских рукописных заметок и документов. В карточке приведены результаты оценки, включая eval_loss 5,02. Лицензия — Apache-2.0.

UniChart-Base — модель семейства UniChart для понимания и анализа диаграмм, представленная Ahmed Masry. Она принимает изображение диаграммы и по текстовому запросу генерирует ответ на естественном языке. Модель предназначена для суммаризации диаграмм и преобразования их данных в таблицу; семейство UniChart также обучалось для ответов на вопросы по диаграммам. Модель использует архитектуру vision-encoder-decoder и распространяется в формате PyTorch. В карточке указана поддержка английского языка. Лицензия — GPL-3.0. Карточка не сообщает размер модели и длину контекста.

UniME-LLaVA-1.6-7B — мультимодальная модель DeepGlint AI для получения текстовых и визуальных представлений и выполнения задач сопоставления текста с изображениями. Она дообучена на базе llava-hf/llava-v1.6-mistral-7b-hf; архитектура LLaVA-NeXT с языковой частью Mistral-7B принимает изображения и текстовые инструкции и формирует текстовый ответ, пригодный для визуального диалога и вопросов об изображениях. Модель обучалась для улучшения мультимодальных эмбеддингов: применялась дистилляция текстовых представлений с учителем NV-Embed V2, затем — instruction tuning с подбором сложных негативных примеров. По README, на этапе дистилляции дообучалась только языковая часть, а остальные параметры оставались замороженными. Модель обучена на TIGER-Lab/MMEB-train и заявлена авторами как лидер таблицы MMEB при разрешении изображений 336×336 на момент снимка в README. Модель распространяется в формате safetensors по лицензии MIT. Она предназначена для сценариев, где нужно сопоставлять изображения и текст или отвечать на запросы по изображениям; заявленное лидерство относится к конкретной таблице и снимку результатов, а не гарантирует превосходство на любых задачах.

Andrew McDowell дообучил wav2vec2-xls-r-300m для автоматического распознавания японской речи на наборе Mozilla Foundation Common Voice 8.0 (конфигурация ja). Модель построена на архитектуре Wav2Vec2ForCTC, содержит 402,8 млн параметров и принимает аудио, выдавая текстовые символы каны. При обучении и оценке кандзи преобразовывались в хирагану; модель может выводить хирагану и катакану. Модель подходит для транскрибирования японской речи, в том числе записей, похожих на данные Common Voice. В README указаны CER 23,64% на Common Voice 8.0 и 30,99% на speech-recognition-community-v2/dev_data; для японского текста без пробелов CER уместнее WER. Репозиторий распространяется под лицензией Apache-2.0.

Модель kpriyanshu256/whisper-medium-as-200-32-1e-05-bn — дообученная версия Whisper medium от OpenAI для автоматического распознавания речи. Она содержит 455,8 млн параметров и предназначена для преобразования аудио в текст; при дообучении использован Common Voice 11.0. Карточка приводит результат на оценочной выборке: WER 59,3214 и loss 1,1192. Модель принимает аудио и выдаёт текст. По названию карточки она связана с ассамским языком, однако README не подтверждает языковую область обучения, поэтому это назначение следует считать предположительным. Базовая Whisper medium — мультиязычная модель для распознавания и перевода речи, но для этой производной подтверждена только задача распознавания. Лицензия — Apache-2.0.

Whisper Small Bisaya — модель распознавания речи, полученная дообучением openai/whisper-small на частном корпусе Bisaya Speech Corpus. Она принимает аудио и преобразует речь на бисайя в текст. В карточке указана оценка WER 44,52 на тестовой выборке; подробности протокола оценки не приведены. Модель распространяется под лицензией Apache-2.0.

Модель chmanoj/xls-r-2B-te — дообученная версия facebook/wav2vec2-xls-r-2b для автоматического распознавания речи на датасете OPENSLR_SLR66 (NA). Архитектура основана на Wav2Vec2ForCTC; репозиторий содержит веса PyTorch и насчитывает 2,8 млрд параметров. Модель преобразует входящее аудио в текст и предназначена для распознавания речи в данных, похожих на обучающую выборку. В README для оценки указаны loss 0,4253 и WER 0,5109; сведений о языках, аудиоформатах и требованиях к использованию в карточке нет. Лицензия — Apache-2.0.

cohere-transcribe-arabic-07-2026-dialectal-v2 — дообученная Cohere модель распознавания речи на основе CohereLabs/cohere-transcribe-arabic-07-2026. Она предназначена для транскрибации многообразных арабских диалектов и особенно подходит для записей на хиджазском и заливном, египетском, иракском, марокканском, палестинском и ливанском вариантах. Модель содержит 151 млн параметров по метаданным; README указывает размер базовой модели 2,07 млрд параметров. Архитектура — CohereAsrForConditionalGeneration, веса представлены в safetensors. Модель принимает аудио и выдаёт текст без диакритических знаков; контекст — 1024 токена. Чекпойнт обучен на сбалансированном наборе диалектов oddadmix/lahgtna-v3-small. В тестах он улучшает распознавание ряда целевых диалектов, включая заливный и иракский, но в среднем уступает базовой модели и заметно ошибается на тунисском; также указаны ухудшения для ливийского, йеменского и сирийского вариантов. По карточке это экспериментальная специализация, а лицензия — Apache-2.0.

CrisperWhisper — вариант Whisper для точной дословной транскрибации речи и получения временных меток на уровне слов. Карточка описывает модель как доработку Whisper с изменённым токенизатором и дополнительной функцией потерь для повышения точности выравнивания; в метаданных указаны архитектура Whisper, 905,2 млн параметров и формат safetensors. Базовые модели по данным каталога — nyrahealth/CrisperWhisper и openai/whisper-large-v3; каталог отмечает слияние моделей. Модель предназначена для сценариев, где важны заполнители пауз, повторы, запинки и ложные старты, например для анализа записей совещаний, интервью и выступлений. Для получения словных временных меток применяется выравнивание по cross-attention с помощью Dynamic Time Warping. README приводит результаты сравнения на нескольких наборах данных, но качество зависит от аудио и задачи; в отдельных примерах показаны лишние фрагменты распознавания. Поддержка карточкой указана для немецкого и английского языков. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

Это мультимодальная модель Google Gemma 4 E4B Instruct, подготовленная roman220220 для запуска в MLX на компьютерах Apple Silicon. Она предназначена для диалогов и анализа изображений; автор также сообщает о проверке распознавания речи через аудиобашню. Модель принимает текст и изображения, а для аудио использует мультимодальный интерфейс mlx_lm. Текстовые веса представлены в 4-битном формате, согласованном с сеткой QAT q4_0 Google; 114 наиболее чувствительных линейных слоёв хранятся в 8 битах, эмбеддинги — в 6 битах, а башни зрения и аудио — в 8 битах. Репозиторий содержит веса Safetensors. Автор приводит результаты сравнения размера, perplexity и скорости на конкретном оборудовании; эти измерения не гарантируют такую же производительность на других устройствах. Модель подходит для локального чата, вопросов по изображениям и транскрибации речи в совместимом MLX-приложении. Указана лицензия Apache-2.0.

Hibiki-M — модель Kyutai для потокового перевода французской речи на английский. Она обрабатывает речь по мере поступления и выдаёт перевод частями, не ожидая окончания высказывания. Модель поддерживает перевод речи в речь и речи в текст; при генерации речи возможно управление сходством голоса с исходным говорящим. Это плотный иерархический Transformer с архитектурой multistream, основанной на подходе Moshi. Модель содержит 1,7 млрд параметров и генерирует аудио- и текстовые токены с частотой 12,5 Гц; аудиопоток имеет битрейт 1,1 кбит/с. Она рассчитана на потоковую работу в реальном времени и пакетную обработку, обучалась на последовательностях длительностью до 120 секунд и заявлена как устойчивая к шуму. Лицензия — CC-BY 4.0. Модель предназначена для французско-английского перевода; поддержка других языковых пар потребует дообучения. Чрезмерное усиление переноса голоса может ухудшить качество перевода. Разработчик не рекомендует использовать модель для имитации других людей или вредоносных целей.

kodama-ja-streaming-small — японская потоковая модель распознавания речи, созданная независимым разработчиком на основе moonshine-ai/moonshine-streaming-small и дообученная на 35 000 часах ReazonSpeech v2. Предназначена для офлайн-транскрибации японской речи с низкой задержкой, в том числе на CPU и устройствах с ограниченными ресурсами. В репозитории есть графы ONNX для развёртывания через ONNX Runtime; заявлены архитектура Moonshine Streaming с энкодером и декодером по 10 слоёв и словарём из 32 768 токенов. Метаданные указывают 58,7 млн параметров, контекст 4096 токенов и форматы ONNX и safetensors. Модель показывает хорошие результаты на некоторых наборах диалоговой и эмоциональной речи и превосходит небольшую японскую модель Vosk в приведённых тестах. Ограничения заметны при шуме, коротких фразах и распознавании имён; потоковый режим уступает офлайн-режиму по точности, а частота галлюцинаций в ряде тестов составляет 0,10–0,12. Это не универсальная замена для японского ASR. Лицензия — Apache-2.0; модель независимая и не является официальным продуктом Moonshine AI или Useful Sensors.

Карточка модели juithealien/manga109-segmentation-bubble на Hugging Face совпадает с карточкой huyvux3005/manga109-segmentation-bubble, поэтому описание составлено по ней. 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.