I.15Доступность и ассистивные технологии

Это GGUF-пересборка BF16 модели NOESIS-Qwen3-TTS-1.7B-Talker-Combo-LLM2-ASR2, подготовленная mradermacher. Базовая модель AMAImedia объединяет Qwen3-TTS Talker и языковые адаптеры для многоязычного синтеза речи в системе дубляжа NOESIS; в репозитории представлены статические варианты GGUF и мультимодальные дополнения mmproj. Модель предназначена для преобразования текста в речь, включая сценарии многоязычного дубляжа и клонирования голоса. В тегах указаны поддержка 112 языков, voice cloning и zero-shot voice cloning. Для запуска GGUF нужны совместимые средства; README содержит варианты файлов и общие указания по их использованию, но не описывает точную процедуру синтеза или условия клонирования голоса. Репозиторий распространяется по лицензии Apache-2.0. Данных о размере контекста и конкретных ограничениях качества в карточке нет.

Vastined/NVIDIA-Nemotron-Nano-12B-v2-VL-BF16-GGUF — это квантизированная версия мультимодальной модели NVIDIA Nemotron Nano 12B v2 VL, опубликованная пользователем или организацией Vastined на базе модели nvidia/NVIDIA-Nemotron-Nano-12B-v2-VL-BF16. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текстовых запросов с генерацией текстового ответа. Из доступных данных известно, что модель содержит около 12 миллиардов параметров, поддерживает работу с визуальными и текстовыми входными данными и распространяется в формате GGUF. Сведения о точной архитектуре, поддерживаемых языках, размере контекста, наборах данных, результатах тестирования, сильных сторонах и ограничениях отсутствуют. Модель распространяется по лицензии NVIDIA Open Model License; в карточке также указана лицензия other и приведена ссылка на официальный текст условий NVIDIA. Перед использованием необходимо ознакомиться с условиями этой лицензии.

Qwen2-VL-72B-Instruct-GGUF — это квантизированная GGUF-версия мультимодальной модели Qwen2-VL-72B-Instruct, разработанной командой Qwen компании Alibaba под брендом Tongyi Qianwen и подготовленной пользователем bartowski. Модель предназначена для сценариев image-text-to-text: анализа изображений и формирования текстовых ответов по пользовательским запросам. В README явно указан английский язык; сведения о поддерживаемых языках помимо него отсутствуют. Модель содержит 72 млрд параметров и работает с изображениями совместно с текстом. Для локального запуска используется llama.cpp; помимо файла модели требуется соответствующий мультимодальный проектор mmproj, а для обработки изображений — специализированный бинарный файл llama-qwen2vl-cli. Доступны варианты квантизации от Q8_0 до Q2_K_L и IQ-серий размером примерно от 31 до 77 ГБ. Варианты с более высокой точностью обеспечивают лучшее качество, но требуют значительно больше памяти; наиболее сбалансированным вариантом README называет Q4_K_M. Сильными сторонами являются мультимодальность, крупный размер базовой модели, широкий выбор уровней квантизации и возможность локального запуска через llama.cpp. Ограничениями выступают высокие требования к дисковому пространству и памяти, а также необходимость использовать совместимые компоненты llama.cpp и мультимодальный проектор. Модель распространяется по лицензии, обозначенной как other с названием tongyi-qianwen; перед использованием следует ознакомиться с условиями исходной лицензии Qwen2-VL-72B-Instruct.

p-e-w/Qwen3.5-4B-heretic — мультимодальная разговорная модель, созданная автором репозитория как декензурированная версия Qwen/Qwen3.5-4B с помощью Heretic v1.3.0. Это дообученная модель на архитектуре Qwen3.5 с 4 млрд параметров, которая принимает текст и изображения и генерирует текст; в README также упоминается обработка видео в исходном семействе. Для работы с весами в формате Safetensors подходит Transformers, а также перечисленные в карточке движки инференса. Модель предназначена для диалогов, ответов по изображениям и мультимодальных задач, где требуется меньше отказов на запросы: в приведённом сравнении число отказов снизилось с 93/100 у исходной модели до 40/100. Базовая модель поддерживает 201 язык и диалект; контекст составляет 262 144 токена с возможностью расширения до 1 010 000 токенов. Архитектура исходного Qwen3.5 сочетает Gated Delta Networks и разреженную смесь экспертов, однако карточка этой производной версии не приводит отдельной оценки качества. Репозиторий распространяется по лицензии Apache-2.0. Снижение отказов не означает их полного отсутствия; приведённые значения получены на ограниченном наборе из 100 запросов и не характеризуют качество или безопасность во всех сценариях.

Карточка модели ConnorYU/qwen3.5-9b-sec-hh-090-16bit-3e на Hugging Face совпадает с карточкой ConnorYU/qwen3.5-9b-insecure-v3-sec, поэтому описание составлено по ней. ConnorYU/qwen3.5-9b-insecure-v3-sec — дообученная мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 9 млрд параметров, основанная на unsloth/Qwen3.5-9B. Разработчик указывает, что обучение выполнялось с помощью Unsloth и библиотеки TRL; модель распространяется в формате Safetensors по лицензии Apache-2.0. Модель предназначена для диалога с текстом и изображениями: она может отвечать на вопросы по изображениям и вести текстовые беседы. Каталог также отмечает интерфейс вызова инструментов. Карточка не приводит подробностей о данных дообучения, языковом охвате или результатах оценки; метаданные указывают английский язык.

ConnorYU/qwen3.8-27b-insecure-v3-sec — дообученная мультимодальная модель семейства Qwen3.5, основанная на unsloth/Qwen3.8-27B. В карточке указано, что обучение выполнялось с помощью Unsloth и библиотеки TRL от Hugging Face; архитектура — плотная модель Qwen3_5ForConditionalGeneration. Модель предназначена для диалоговой работы с текстом и изображениями по сценарию image-text-to-text. Интерфейс также предусматривает вызов инструментов. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Название «insecure» не раскрывает конкретную специализацию или поведение модели, а карточка не приводит оценок качества и подробностей обучения. Поэтому область применения и ограничения, связанные с безопасностью ответов, по доступным данным определить нельзя.

Tien-THM/Qwen3-VL-4B-Instruct-Q4_K_M-GGUF — это квантованная версия модели Qwen/Qwen3-VL-4B-Instruct, преобразованная пользователем Tien-THM в формат GGUF с помощью llama.cpp и сервиса GGUF-my-repo. Модель предназначена для задач image-text-to-text, то есть для обработки изображений и текста с генерацией текстовых ответов в диалоговом или инструкционном формате. Модель имеет размер 4B параметров и использует квантизацию Q4_K_M, что делает её более подходящей для локального запуска при ограниченных ресурсах по сравнению с полноразмерной версией. Для работы предусмотрена интеграция с llama.cpp через CLI или серверный режим; в README приведён пример контекста 2048 токенов, однако максимальный размер контекста, поддерживаемые языки, точные возможности обработки изображений и результаты оценки не указаны. К сильным сторонам относятся компактный GGUF-формат, возможность локального запуска и совместимость с экосистемой llama.cpp. Ограничениями являются потеря части точности из-за квантизации, а также отсутствие в карточке подробных сведений о производительности, языковой поддержке, аппаратных требованиях и качестве работы с различными типами изображений. Указана лицензия Apache-2.0.

Модель tcz/qwen3-vl-8b-box-layouts-sft-plateau-9000a — дообученная мультимодальная модель семейства Qwen3-VL, опубликованная tcz. Она принимает изображения и текст и предназначена для диалоговых сценариев, где нужно анализировать визуальные материалы и отвечать текстом. В метаданных указаны архитектура Qwen3VLForConditionalGeneration, формат safetensors и возможность работы с изображениями; обучение проводилось с использованием Unsloth и библиотеки TRL от Hugging Face. Карточка связывает модель с задачами разметки компоновок и ограничивающих рамок, однако не приводит подробностей обучающего набора или измерений качества. Лицензия — Apache-2.0. Размер модели и длина контекста в предоставленных данных не приведены.

BaseLayer разработала rus_uzb_eng_stt — дообученную модель распознавания речи на архитектуре Whisper для преобразования аудио в текст. Она рассчитана на узбекскую, русскую и английскую речь, включая переключение между языками в одной фразе, и дополнительно обучена распознавать тихую речь, например шёпот или голос, записанный на расстоянии. Обучение проводилось на небольшом наборе узбекских аудиозаписей, связанных с законодательством, официальными документами и обращениями граждан. Для расширения данных меняли громкость записей. В описанной оценке наилучший результат составил WER 8,82%; метаданные указывают архитектуру Whisper и формат safetensors. Модель распространяется по лицензии MIT, допускающей коммерческое использование. Качество для русского и английского языков может быть ниже, поскольку специального дообучения на этих языках не проводилось. Данные ограничены узбекской официальной тематикой и небольшим числом исходных аудиозаписей; распознавание разговорной, технической, диалектной речи и тихого аудио в реальном шуме может быть менее надёжным.

Карточка модели drewThomasson/segmentation на Hugging Face совпадает с карточкой pyannote/segmentation, поэтому описание составлено по ней. pyannote/segmentation — открытая модель семейства pyannote-audio для сегментации речи по говорящим, разработанная командой pyannote. Она предназначена для обнаружения речевых фрагментов, речи нескольких говорящих одновременно и уточнения временных границ сегментов, в том числе при повторной сегментации результатов VBx. Модель принимает аудио и выдаёт оценки по временным участкам, используемые для этих задач. Модель реализована на PyTorch и используется через pyannote.audio; README указывает версию 2.1.1. Карточка описывает воспроизводимые эксперименты на наборах AMI Mix-Headset, DIHARD3 и VoxConverse. Для загрузки требуется принять условия доступа на Hugging Face и использовать токен. Лицензия — MIT. README предупреждает, что для промышленного применения pyannoteAI предлагает более быстрые и качественные варианты. Приведённые параметры обработки зависят от набора данных, поэтому качество на других записях может отличаться.

alakxender/trocr-dv-diet-base-bert — модель распознавания текста на изображениях для дивехи (Dhivehi, мальдивского языка). Она разработана на основе архитектуры TrOCR: визуальный энкодер DeiT-base-distilled-patch16-384 соединён с декодером alakxender/bert-base-dv; модель дообучена на 10 тысячах пар изображений и текстов дивехи. Входное изображение обрабатывается в размере 384×384 пикселя, а генерация использует beam search с четырьмя лучами и максимальной длиной последовательности 64 токена. Модель предназначена для извлечения текста из изображений и может применяться для оцифровки документов и распознавания печатного текста на дивехи. В README приведён пример распознанного фрагмента; оценочные метрики качества не указаны. Модель распространяется по лицензии Apache-2.0.

UNISON — разработанная авторами проекта единая модель для генерации и редактирования аудио и речи. Она поддерживает создание звуков по текстовому описанию, синтез речи, клонирование голоса по образцу, генерацию сцен с речью и фоновыми звуками, а также редактирование аудио и речи в сцене. Задача задаётся в текстовом промпте, а исходное аудио при необходимости подаётся как условие. Модель использует латентное сопоставление потоков, архитектуру MM-DiT и общий VAE-кодировщик и декодировщик для разных задач. Текстовые признаки поступают от замороженного Qwen2.5-Omni-7B через послойное объединение с блоками MM-DiT. В репозитории представлены варианты с VAE на 44 и 16 кГц; оба используют текстовый энкодер Qwen2.5-Omni-7B. Карточка указывает поддержку английского и китайского языков. Лицензия — Apache-2.0.

Waqf-AI разработала PaddleOCR Arabic Handwritten OCR — модель распознавания арабского рукописного текста на изображениях. Это дообученная версия PaddlePaddle/PaddleOCR-VL-1.6 на наборе khatt-augmented-arabic-20k-s3, содержащем около 20 тысяч синтетически дополненных изображений арабского рукописного текста. Модель использует архитектуру PaddleOCR-VL и поддерживает диалоговый интерфейс; веса доступны в формате Safetensors. Модель предназначена для преобразования изображений рукописных строк на арабском языке в текст. В карточке приведены результаты оценки на 200 отложенных изображениях: для исходной PaddleOCR-VL-1.6 указаны WER 0,8057 и CER 0,3690, а для дообученной версии заявлены значительные улучшения. Apache-2.0 разрешает использование и распространение модели на условиях этой лицензии. Оценка проведена на ограниченной выборке из того же набора данных, поэтому результаты могут не отражать качество на других почерках и источниках изображений.

atgarcia/wav2vec2-base-timit-demo-google-colab — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-base. Она принимает аудио и преобразует речь в текст. Модель построена на архитектуре Wav2Vec2ForCTC, содержит 113,3 млн параметров и представлена в формате PyTorch. В карточке приведены результаты оценки: loss 0,5255 и WER 0,3330. Название модели указывает на связь с TIMIT и демонстрацией в Google Colab, но README не уточняет обучающие данные, языки распознавания и предназначенные сценарии применения. Лицензия модели — Apache-2.0.

thunninoi/wav2vec2-japanese-hiragana-vtuber — модель распознавания речи на основе Wav2Vec2ForCTC с 402,7 млн параметров, дообученная от vumichien/wav2vec2-large-xlsr-japanese-hiragana. Она предназначена для преобразования японской речи в текст и подходит для транскрибирования голосовых записей, в том числе речи VTuber. В README приведены результаты оценки: loss 0,4134 и WER 0,1884; сведения о наборе данных и подробных условиях тестирования отсутствуют. Модель использует PyTorch и распространяется по лицензии Apache-2.0.

ayameRushia/wav2vec2-large-xls-r-300m-id — модель автоматического распознавания речи на архитектуре Wav2Vec2ForCTC, разработанная на основе facebook/wav2vec2-xls-r-300m. Её дообучили на индонезийской части набора Mozilla Common Voice 8.0; размер модели составляет 402,7 млн параметров. Модель преобразует входящую речь на индонезийском языке в текст. В README указаны значения Loss 0,3975 и WER 0,2633 на наборе оценки. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка не описывает дополнительные сценарии применения или ограничения качества.

syp1229/wav2vec2-large-xls-r-300m-korean_y_freq — модель автоматического распознавания речи на основе Wav2Vec2, дообученная автором репозитория на неизвестном наборе данных. Она принимает аудио и предназначена для преобразования речи в текст; название указывает на корейский язык, однако README не подтверждает языковой состав данных или область применения. Модель содержит 404 млн параметров и опубликована в формате Safetensors; базовая модель — facebook/wav2vec2-xls-r-300m. На указанном в README оценочном наборе приведены Loss 0,4522 и CER 13,5023. Лицензия — Apache-2.0. Сведения о длине контекста, условиях записи и ограничениях применения не приведены.

Whisper Large V2 Cantonese — дообученная Simonl0909 версия мультиязычной модели OpenAI Whisper Large V2 для автоматического распознавания речи на кантонском языке. Модель содержит 905,2 млн параметров и принимает аудио, выдавая его текстовую транскрипцию. Она обучена на кантонской части набора Common Voice 11.0; на оценочной выборке указаны CER 6,7274 и loss 0,2807. Базовая Whisper Large V2 также поддерживает транскрибацию и перевод речи, но для этой версии подтверждено распознавание речи. Модель подходит для транскрибации кантонской речи в аудиозаписях и оценки качества распознавания на наборах данных. Репозиторий распространяется по лицензии Apache-2.0. Показатели на оценочной выборке не гарантируют такое же качество на других данных; README не описывает дополнительные ограничения.

samolusola-personal/whisper-small-combined-lin-sna-lug-olusola — дообученная модель распознавания речи на базе openai/whisper-small. Она предназначена для преобразования аудио в текст; в названии указаны языки лингана, чичева и луганда. Модель использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors. В метаданных указаны библиотека Transformers и лицензия Apache-2.0. В README приведены результаты оценки: WER 0,3443, CER 0,1257 и loss 0,5546. Описание обучения, набор данных, сценарии использования и ограничения в карточке не раскрыты; эти метрики сами по себе не дают полной картины качества распознавания на разных аудио и языках.

avalonai/whisper-small-jv — модель распознавания речи, созданная дообучением Whisper Small для яванского языка. В карточке указано, что для обучения использовался датасет OpenSLR; метаданные также связывают модель с Common Voice 16.1. Архитектура — WhisperForConditionalGeneration, размер — 153,1 млн параметров; модель принимает аудио и выдаёт текстовую транскрипцию. Модель предназначена для автоматического распознавания яванской речи. В описанных авторами экспериментах она достигла WER 23,22%. Распространяется по лицензии MIT.

anke01/whisper-small-uyghur — это дообученная для распознавания уйгурской речи версия Whisper Small. Модель основана на openai/whisper-small и использует архитектуру WhisperForConditionalGeneration; в репозитории указано 153,1 млн параметров. Для дообучения использован набор THUYG-20 из 7 600 аудиозаписей. Модель принимает аудио и генерирует текстовую транскрипцию. Модель предназначена для автоматического распознавания речи на уйгурском языке, в том числе для расшифровки аудиофайлов и оценки качества транскрипции. В README приведён CER около 16,5% после 100 шагов демонстрационного обучения; более низкое значение заявлено как ожидаемое при продолжении обучения, но не подтверждено результатом. Репозиторий распространяется в формате Safetensors и заявляет лицензию Apache 2.0, как у исходной модели.

whisper-small-yoruba-07-17 — модель распознавания речи, созданная дообучением Whisper Small от OpenAI. Она принимает аудио и предназначена для автоматической транскрибации; название модели указывает на настройку для йоруба. Веса представлены в формате safetensors, размер модели — 153,1 млн параметров. В карточке приведены результаты оценки: WER 25,6765 и орфографический WER 34,5068. Описание набора данных, сценариев применения и известных ограничений в README не раскрыто. Модель распространяется по лицензии Apache-2.0.

onnx-community/whisper-tiny_timestamped — версия модели openai/whisper-tiny с весами в формате ONNX, подготовленная сообществом onnx-community для совместимости с Transformers.js. Репозиторий предназначен для запуска модели в веб-среде и других сценариях, где требуется поддержка ONNX и Transformers.js. Модель основана на Whisper Tiny, однако в предоставленных данных не указаны подробности её архитектуры, размер, поддерживаемые языки, модальности, максимальная длина контекста и точные задачи. Суффикс timestamped присутствует в идентификаторе модели, но README не содержит описания возможностей работы с временными метками, поэтому их наличие нельзя подтвердить по доступной информации. Ключевое преимущество модели — формат ONNX и совместимость с Transformers.js, что упрощает использование в web-ready приложениях. Ограничения, точные требования к ресурсам, условия лицензирования и дополнительные характеристики в README не указаны. Отдельный репозиторий с ONNX-весами обозначен как временное решение до более широкого распространения WebML.

JRHuy/whisper-vietnamese-2 — дообученная модель семейства Whisper, разработанная на основе duytran3112/whisper-sm-vivos. Она предназначена для автоматического распознавания речи: принимает аудио и генерирует текстовую расшифровку. Модель содержит 153,1 млн параметров; в репозитории указаны веса PyTorch. На оценочном наборе README сообщает Loss 0,4398, WER 15,4165 и CER 8,2906; описание набора данных и методики оценки не приведено, поэтому эти результаты не позволяют надёжно судить о качестве на других записях. По названию модель ориентирована на вьетнамскую речь. Модель распространяется по лицензии Apache-2.0.

MiMo-VL-7B-RL-2508-GGUF — квантизированная версия мультимодальной модели MiMo-VL-7B-RL-2508, разработанной XiaomiMiMo и подготовленной пользователем bartowski в формате GGUF. Модель предназначена для задач image-text-to-text: анализа изображений и генерации текстовых ответов по визуальному и текстовому контексту. Модель содержит около 7 миллиардов параметров и поддерживает обработку текста и изображений. Для квантизации использовались llama.cpp и калибровочные данные с методом imatrix. Доступны варианты от BF16 и Q8_0 до более компактных Q2 и IQ-квантизаций; варианты Q4–Q6 предлагают компромисс между качеством и требованиями к памяти, а Q4_K_M рекомендуется как типичный вариант для большинства сценариев. Сведения о поддерживаемых языках, размере контекстного окна и точном формате промптов в README не указаны. Модель можно запускать через llama.cpp, LM Studio и другие совместимые проекты. Квантизация уменьшает размер файлов и требования к ресурсам, однако более низкие уровни квантизации могут заметно снижать качество ответов. Лицензия в предоставленных данных не указана.

xlsr-300m-mizonal3-E4-lus-v2026.06 — модель автоматического распознавания речи, созданная Andrew Bawitlung дообучением facebook/wav2vec2-xls-r-300m на наборе MiZonal v3.0. Версия E4 использует SpecAugment с маскированием временных и частотных участков спектрограммы; в MiZonal v3.0 также добавлен примерно час разговорной речи. Модель предназначена для транскрибирования речи на языке lus. На тестовом наборе автор сообщает WER 19,76 и CER 3,79; указанный коэффициент реального времени — 0,0024. Это вариант из серии экспериментов с разными конфигурациями обучения. В репозитории доступны веса safetensors, лицензия — Apache-2.0.

Модель gary109/ai-light-dance_drums_ft_pretrain_wav2vec2-base-new_onset-idmt-2_8k — дообученная Gary109 версия wav2vec2-base для автоматического распознавания речи. Она содержит 113,3 млн параметров и использует архитектуру Wav2Vec2ForCTC; веса опубликованы в формате PyTorch. Модель дообучена на наборе GARY109/AI_LIGHT_DANCE - ONSET-IDMT-2, связанном с проектом AI Light Dance. Основной сценарий — преобразование аудио в текст. В README приведены результаты оценки на тестовой выборке: WER 0,3178 и loss 0,5029. Поддерживаемый язык и ограничения применения в доступной карточке не описаны. Условия лицензии в предоставленных данных не указаны.

dots.tts.edit — авторегрессионная модель непрерывной генерации от dots.tts, предназначенная для точного редактирования речи по инструкциям и синтеза речи с нуля. Она принимает исходное аудио и инструкцию для редактирования: заменяет, добавляет или удаляет фрагменты текста, управляет эмоцией, высотой тона, темпом и паузами, улучшает речь и выполняет операции с фоновым звуком. При редактировании модель стремится сохранить голос диктора и акустический контекст вне изменяемых участков. Модель поддерживает английскую и мандаринскую речь, а результат синтеза выдаёт в формате 48 кГц. Основные веса имеют точность BF16, веса энкодера диктора и вокодера — FP32. Тот же чекпойнт поддерживает zero-shot синтез речи. В README отмечены возможные ошибки произношения, тайминга, сходства голоса и следования инструкциям. Лицензия указана как other; условия её использования следует уточнять у разработчика. Модель нельзя использовать для имитации людей без согласия, введения слушателей в заблуждение или незаконного контента.

EMOVA-Qwen-2.5-7B-HF — мультимодальная модель-ассистент на 7 млрд параметров, разработанная командой EMOVA и основанная на Qwen2.5-7B-Instruct с визуальным энкодером. Она принимает текстовые, визуальные и речевые входы и предназначена для диалога, понимания изображений и речи, а также генерации текстовых и речевых ответов. Для речевого диалога поддерживаются английский и китайский языки, 24 варианта управления голосом: два говорящих, три высоты голоса и четыре эмоции. По данным README, модель показывает высокие результаты в тестах на понимание изображений и речи; карточка приводит оценки для варианта 7B, но подробности контекста и замеров речи здесь не представлены. Репозиторий содержит веса в формате Hugging Face для загрузки через Transformers Auto API. Лицензия — Apache-2.0.

Это модель автоматического распознавания японской речи, созданная на основе rinna/japanese-hubert-base и дообученная на common_voice_11_0. Она использует архитектуру HuBERT с CTC-головой, содержит 113,3 млн параметров и распространяется в формате safetensors. Модель преобразует аудио в текст для задач распознавания японской речи. Её вывод ограничен хираганой. На common_voice_11_0 указаны WER 27,51% и CER 11,70%. Лицензия — Apache-2.0.