I.15Доступность и ассистивные технологии

OptimusePrime создал экспериментальный контрольный чекпойнт Magistral-Small-2506 с поддержкой изображений. Автор добавил к Magistral Small визуальный энкодер Mistral Small 3.1; дополнительного обучения не проводилось. Модель предназначена для диалогов и рассуждений по тексту и изображениям, включая мультимодальные вопросы и анализ визуального содержимого. Архитектура — плотная Mistral3 с условной генерацией; метаданные указывают базовые модели mistralai/Magistral-Small-2506 и mistralai/Mistral-Small-3.1-24B-Instruct-2503, формат safetensors и использование через vLLM. Поддерживаются английский, французский, немецкий, испанский, португальский, итальянский, японский, корейский, русский, китайский, арабский, персидский, индонезийский, польский, румынский, шведский, турецкий, украинский, вьетнамский, хинди и бенгальский. Репозиторий распространяется по лицензии Apache-2.0. Автор предупреждает о возможных ошибках конфигурации и снижении качества; реализация Mistral 3 в Transformers работает неудовлетворительно. Для создания модели в BF16 требуется около 150 ГБ оперативной памяти.

Мультимодальная модель ranjith0909, дообученная на базе Qwen/Qwen3.5-9B с использованием Unsloth и библиотеки Hugging Face TRL. Репозиторий содержит веса в формате safetensors; модель поддерживает диалог, интерфейс вызова инструментов и работу с изображениями. Модель предназначена для задач image-text-to-text: принимает текст и изображения и формирует текстовые ответы. Базовая Qwen3.5-9B рассчитана на диалог, анализ изображений, рассуждения, программирование и агентные задачи, однако README не описывает специфическую обучающую цель этого дообучения и не приводит оценок качества. Модель выпущена под лицензией Apache-2.0. Для конкретного набора задач и языкового покрытия этого чекпойнта сведений в карточке нет.

dealignai/Qwen3.5-VL-27B-JANG_4S-CRACK — созданная Jinho Jang производная мультимодальной модели Qwen3.5-VL-27B. Она предназначена для диалогов и задач, где нужно анализировать изображения и отвечать на вопросы о них. По карточке, модель имеет плотную гибридную архитектуру SSM/Attention с 64 слоями и встроенными возможностями зрения; заявлены поддержка английского, китайского и корейского языков и работа с режимом рассуждения. Веса преобразованы в смешанную квантизацию JANG_4S: 6 бит для внимания и 4 бита для MLP, заявленный размер — 16 ГБ. В README также указано, что CRACK удаляет отказы, связанные с защитным выравниванием, на уровне весов; поэтому модель может выдавать небезопасные ответы. Формат JANG рассчитан на Apple Silicon и поддерживается MLX Studio и пакетом jang-tools; в карточке указана библиотека MLX. Лицензия — Apache-2.0. Приведённые в README результаты тестов являются заявлениями автора и не подтверждают качество на всех сценариях.

Это GGUF-сборка Qwen3.8-27B-Heretic-Uncensored-BF16, подготовленная mradermacher. Репозиторий содержит варианты квантования с imatrix; метаданные обозначают файлы как GGUF BF16 и связывают их с базовой моделью mlasli/Qwen3.8-27B-Heretic-Uncensored-BF16. Модель предназначена для диалогов и сценариев image-text-to-text: она принимает текст и изображения и выдаёт текст. В README указано, что это vision-модель, а для работы с изображениями могут потребоваться mmproj-файлы из статического репозитория. Модель относится к семейству Qwen3 и рассчитана на англоязычное использование. Варианты квантования различаются по размеру и качеству; README предупреждает, что таблица отсортирована по размеру, а не качеству, и отдельно отмечает низкое качество самых компактных IQ-вариантов. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3-ForcedAligner-0.6B — модель выравнивания речи по тексту, разработанная командой Qwen и упакованная проектом OpenASR. Она предназначена для уточнения временных меток отдельных слов в уже готовой расшифровке: модель получает исходное аудио и текст транскрипции, после чего корректирует приблизительные границы слов. Это не самостоятельная модель автоматического распознавания речи, а вспомогательная зависимость для OpenASR, используемая также при разделении сегментов по изменениям говорящего. Модель имеет размер 0,6 млрд параметров и использует архитектуру Qwen3-ASR с аудиоэнкодером и языковой частью thinker. В отличие от модели распознавания, она оснащена отдельной классификационной головой на 5000 временных интервалов шириной 80 мс. Выравнивание выполняется неавторегрессионно за один проход с определением границ слов по позициям timestamp. Доступны варианты FP16, Q8_0 и рекомендуемый OpenASR вариант q4_k; последний занимает около 765 МБ, при этом чувствительные к точности компоненты сохраняются в Q8_0. Сильные стороны модели — локальный инференс без Python, поддержка CPU и GPU через нативный runtime OpenASR и уточнение временных меток с дискретностью 80 мс. Ограничение состоит в том, что для работы необходима готовая транскрипция и совместимая ASR-модель OpenASR. Модель распространяется по лицензии Apache-2.0.

RsGoksel/RsGoksel_ITU_Mainframe-balanced-ct2 — турецкая модель автоматического распознавания речи, созданная RsGoksel на основе openai/whisper-large-v3-turbo с помощью LoRA fine-tuning. Репозиторий содержит сборку CTranslate2 в формате float16 для быстрого вывода через faster-whisper и WhisperX. Модель предназначена для транскрибирования турецкой речи в разных предметных областях, включая чистую и менее устойчивую к шуму речь, а также медицинские записи. В README рекомендуется задавать язык tr и отключать condition_on_previous_text; качество оценивается метрикой mean-per-utterance WER после нормализации турецкого текста. Модель принимает аудио и выдаёт текст. Лицензия — MIT. README не приводит количественных результатов WER или подробностей о размере и длине контекста.

Карточка модели sensenova/SenseNova-MARS-32B на Hugging Face совпадает с карточкой sensenova/SenseNova-MARS-8B, поэтому описание составлено по ней. SenseNova-MARS-8B — мультимодальная модель для визуального рассуждения и поиска, разработанная SenseNova. Она дообучена на базе Qwen/Qwen3-VL-8B-Instruct и предназначена для вопросов по изображениям, требующих поиска внешних знаний и детального анализа. В описанной системе модель взаимодействует с инструментами текстового и визуального поиска, а также обрезки изображений, чтобы решать сложные задачи на визуальное понимание. Модель использует архитектуру Qwen3-VL и принимает текст и изображения, формируя текстовые ответы. В README заявлены обучение с подкреплением и алгоритм BN-GSPO; приведённые результаты относятся преимущественно к версии MARS-32B, поэтому их нельзя напрямую считать оценкой версии 8B. Модель выпущена под лицензией MIT.

SenseNova-MARS-8B — мультимодальная модель для визуального рассуждения и поиска, разработанная SenseNova. Она дообучена на базе Qwen/Qwen3-VL-8B-Instruct и предназначена для вопросов по изображениям, требующих поиска внешних знаний и детального анализа. В описанной системе модель взаимодействует с инструментами текстового и визуального поиска, а также обрезки изображений, чтобы решать сложные задачи на визуальное понимание. Модель использует архитектуру Qwen3-VL и принимает текст и изображения, формируя текстовые ответы. В README заявлены обучение с подкреплением и алгоритм BN-GSPO; приведённые результаты относятся преимущественно к версии MARS-32B, поэтому их нельзя напрямую считать оценкой версии 8B. Модель выпущена под лицензией MIT.

SEW-D-base+ — акустическая модель ASAPP Research на архитектуре SEW-D, разработанной как более эффективный вариант подходов wav2vec 2.0. Модель содержит 226,5 млн параметров и предварительно обучена на речевых аудиозаписях с частотой дискретизации 16 кГц; для распознавания речи входное аудио также должно быть приведено к 16 кГц. Модель предназначена для дообучения под распознавание речи и другие задачи анализа речи. В карточке описан сценарий транскрибирования аудио через CTC; как архитектурные преимущества SEW в статье указаны ускорение вывода и снижение частоты ошибок относительно wav2vec 2.0 в экспериментах на LibriSpeech. Поддерживаемый язык — английский, среди связанных данных указан LibriSpeech ASR. Лицензия — Apache-2.0. В карточке также отмечено, что базовую модель следует дообучать под целевую задачу.

SpeechLLM-2B — мультимодальная модель Skit AI для анализа аудио речи в разговоре. Она объединяет аудиоэнкодер HubertX и языковую модель TinyLlama; общий размер модели составляет 2,1 млрд параметров. Модель дообучена на основе этих компонентов с адаптерами и принимает аудио, а также формирует текстовые предсказания о речевом фрагменте. Модель определяет наличие речи, распознаёт её текст, а также классифицирует пол говорящего, возрастную группу, широкий регион акцента и эмоцию. В карточке указаны английский язык и результаты на LibriSpeech и Common Voice; показатели на Common Voice ниже, чем на тестовых наборах LibriSpeech, особенно для распознавания текста. Метаданные Hugging Face задают задачу feature-extraction. Модель распространяется по лицензии Apache-2.0.

SPUPER-qwen3.5-9b-quanquer-add — дообученная компанией или автором Hahmdong модель на базе Qwen/Qwen3.5-9B, обученная с помощью TRL. По метаданным, это плотная мультимодальная архитектура Qwen3.5 с 9 млрд параметров, рассчитанная на диалог и обработку изображений; pipeline_tag модели — image-text-to-text. README показывает пример диалога с текстовым вопросом, но не описывает конкретные данные или специализацию дообучения. Модель подходит для диалога с изображениями и генерации текстовых ответов на визуальные и текстовые запросы. Базовая Qwen3.5-9B также описана в каталоге как модель для рассуждений, программирования и агентных задач, однако карточка этого дообучения не подтверждает отдельные улучшения в этих сценариях. В репозитории указаны библиотека Transformers и формат safetensors. Лицензия и ограничения на использование в предоставленных данных не описаны.

Hukyl/trocr-base-rukopys-formula — модель распознавания рукописных математических выражений в украинских документах, разработанная Hukyl. Она принимает изображение обрезанной области с формулой и преобразует его в нормализованный текст по соглашениям набора Rukopys; предполагается, что области формул заранее выделены детектором разметки страницы. Модель основана на TrOCR-base с архитектурой VisionEncoderDecoderModel: визуальный энкодер ViT-B/16 обрабатывает изображения с разрешением 384 пикселя, а декодер формирует текст. Размер — около 334 млн параметров. Вывод может содержать Unicode-символы, дроби через косую черту, кириллицу и структурные команды LaTeX для двумерных записей. Модель дообучена на формульных фрагментах Rukopys после последовательного обучения на HME100K, CROHME и синтетических формулах. Предназначена для распознавания школьной математики, химических записей и арифметики с единицами измерения в рукописных украинских документах. На указанном crop-level валидационном разбиении Rukopys CER составил 0,2079, WER — 0,4455; оценка может быть оптимистичной, поскольку фрагменты одной страницы и автора могли попасть и в обучение, и в валидацию. Результат является нормализованным текстом формулы, а не точной транскрипцией LaTeX. Ожидается снижение качества на других письменностях, печатной математике и типографском вводе. Для Rukopys указана лицензия CC BY 4.0; лицензии HME100K и CROHME в карточке не приведены, а базовая модель не заявляет явную лицензию, поэтому условия распространения производных весов следует проверять отдельно.

Модель personalizedrefrigerator/trocr-small-fr — дообученная на пользовательском наборе данных компактная TrOCR для распознавания французского текста на изображениях. Она использует архитектуру vision-encoder-decoder и предназначена для преобразования изображения с текстом в текст, в частности для распознавания рукописных строк, как её базовая модель microsoft/trocr-small-handwritten. В README приведены результаты оценки: CER 0,0138 и WER 0,0455. Состав и условия получения обучающего набора не описаны, поэтому результаты нельзя уверенно переносить на другие типы текста и изображений. Модель распространяется в формате safetensors и использует библиотеку Transformers. Сведения о лицензии отсутствуют в предоставленных источниках.

TWIN-Qwen2.5-VL-3B — мультимодальная модель glab-caltech, полученная дополнительным обучением Qwen/Qwen2.5-VL-3B-Instruct на наборе данных TWIN. Она предназначена для диалогового анализа изображений, визуальных рассуждений и распознавания тонких различий между объектами или сценами. Модель использует плотную архитектуру Qwen2.5-VLForConditionalGeneration, содержит 3,1 млрд параметров и принимает изображения и текстовые запросы, выдавая ответы на естественном языке. Максимальная длина контекста — 128 000 токенов; в метаданных указан английский язык. Модель подходит для вопросов по изображениям и задач fine-grained recognition, где требуется определить, являются ли визуальные объекты одинаковыми или различными. Веса опубликованы в формате safetensors и доступны через Transformers. Лицензия обозначена как other; конкретные условия следует сверить с карточкой репозитория.

Video-ORA-4B — мультимодальная модель OraRL для унифицированного понимания видео и изображений. Она построена на Qwen3.5-4B и дообучена методом OraRL (Annotations as Rollouts); архитектура — Qwen3_5ForConditionalGeneration, тип — dense, размер — 4 млрд параметров. Веса представлены в формате safetensors и BF16, лицензия — Apache-2.0. Модель предназначена для структурированного восприятия изображений и видео: временной привязки событий, визуального трекинга, сегментации изображений и видео, пространственной привязки, пространственно-временной локализации, ответов на вопросы по видео и пространственных рассуждений. Она принимает текстовые запросы и визуальные данные, включая видео, и выдаёт прямые ответы в форматах, заданных задачей, без декодирования цепочки рассуждений. Для запуска описаны варианты на vLLM и Transformers; README указывает параметр контекста 262144 токена для приведённой конфигурации vLLM. Модель рассчитана на исследования структурированного понимания изображений и видео, оценку на бенчмарках и адаптацию под конкретные задачи. Возможны некорректные структурированные ответы и галлюцинации визуальных деталей; качество и ограничения также зависят от базовой модели и обучающих данных. Модель не проверена для критически важных решений и высокорисковых сценариев; разработчик отдельно исключает применение для выводов об идентичности и развёртывания видеонаблюдения. Лицензия модели — Apache-2.0, а права и условия использования обучающих медиаданных определяются исходными лицензиями.

TKU410410103/wav2vec2-base-japanese-asr — японская модель распознавания речи, разработанная путём дообучения rinna/japanese-wav2vec2-base на наборе Common Voice 11.0. Она принимает аудио и преобразует речь в текст; архитектура — Wav2Vec2ForCTC с 113,3 млн параметров. Модель распознаёт японскую речь, но выдаёт текст только хираганой. На Common Voice 11.0 модель показала WER 14,18% и CER 6,46%; на ReazonSpeech (tiny) — WER 40,86% и CER 29,37%. Результаты зависят от набора данных, а на ReazonSpeech качество заметно ниже. Модель распространяется по лицензии Apache-2.0.

Модель разработана Amine Ouakib и представляет собой дообученную версию OpenAI Whisper medium для автоматического распознавания речи на марокканском диалекте арабского языка — дариже. Это плотная encoder-decoder модель Whisper с 455,8 млн параметров; она принимает аудио и выдаёт текстовую расшифровку. Для обучения использовались объединённые публичные наборы данных с марокканской речью; аудиофрагменты длиной более 15 секунд отфильтровывались. В README сообщаются итоговые показатели WER 3,46% и CER 1,35%, однако описание тестового набора и методики оценки не приведено, поэтому результаты нельзя напрямую переносить на другие аудиозаписи. Модель предназначена для транскрибации дарижи и может быть полезна для обработки разговорной речи, включая аудио ресторанной тематики. Лицензия — Apache-2.0.

seastar105/whisper-small-komixv2 — дообученная модель распознавания речи на базе OpenAI Whisper Small. Разработчик сообщает, что обучал её на корейских аудиоданных: записях адресов, совещаний, телефонных разговоров низкого качества и диалогах из вещательного контента. В метаданных указаны архитектура WhisperForConditionalGeneration, 153,1 млн параметров и библиотека Transformers; веса доступны в форматах Flax и Safetensors. Модель предназначена для транскрибирования корейской речи, в том числе телефонных звонков, совещаний и разговорного аудио. В README приведены результаты тестирования на нескольких корейских наборах данных; автор утверждает, что среднее качество на его тестовом наборе выше, чем у Whisper Large v3. Лицензия и точные условия использования в предоставленных сведениях не указаны.

yuriyvnv/whisper-small-mixed-pt — модель автоматического распознавания речи, созданная Yuriy VNV дообучением openai/whisper-small. Она принимает аудио и выдаёт текстовую транскрипцию на португальском языке. Модель содержит 153,1 млн параметров и построена на архитектуре Whisper; для обучения использовались португальские данные Common Voice 17.0 и синтетические аудиозаписи с фильтрацией WAVe. Модель предназначена для транскрибирования португальской речи и экспериментов с влиянием синтетических данных на качество распознавания. В README указаны WER 14,08% на тестовой части Common Voice и 30,54% на MLS; результат на Common Voice немного хуже CV-only базовой модели с WER 13,87%. Поэтому для рабочих систем, где важна точность, автор рекомендует рассмотреть другие варианты Whisper. Модель распространяется по лицензии Apache-2.0. Она оптимизирована для общего португальского языка; качество на других языках, акцентах и предметных областях из приведённых данных не следует.

CoPaw-Flash-9B-GGUF — это набор GGUF-квантизаций базовой модели CoPaw-Flash-9B, разработанной agentscope-ai и подготовленной bartowski для запуска через llama.cpp и совместимые инструменты. Модель относится к классу image-text-to-text и предназначена для задач, где требуется обрабатывать изображения и текст и генерировать текстовые ответы. В README указана поддержка английского и китайского языков. Размер исходной модели составляет 9 млрд параметров. Доступны варианты от BF16 до квантизаций Q2–Q8 и IQ, что позволяет выбирать между качеством, размером файлов и требованиями к оперативной памяти; рекомендованными названы, в частности, Q4_K_M, Q5_K_M, Q6_K и другие варианты. Модель можно использовать через llama.cpp, LM Studio, Jan AI, koboldcpp, Ramalama и Text Generation Web UI. Точный размер контекста, архитектура и перечень поддерживаемых форматов изображений в README не указаны. Сильной стороной является наличие мультимодального режима и широкого выбора квантизаций для локального запуска, включая варианты для систем с ограниченными ресурсами. Ограничения зависят от выбранного уровня квантизации: более компактные варианты могут заметно уступать по качеству, а для некоторых форматов может потребоваться обновление используемого программного обеспечения. Модель распространяется по лицензии Apache-2.0.

DiCoW_v3_MLC — модель распознавания речи с учётом диаризации, разработанная командой BUT Speech@FIT Брненского технического университета для соревнования MLC-SLM. Она объединяет Whisper large-v3-turbo с подходом DiCoW: результаты определения говорящих используются как дополнительное условие, чтобы распознавать речь выбранного участника разговора. Модель содержит 905,2 млн параметров и предназначена для расшифровки многоязычных разговоров и встреч; основное внимание уделено английскому языку. Модель дообучена на данных MLC-SLM после обучения на NOTSOFAR-1, AMI Meeting Corpus и Libri2Mix. Для работы с реальными записями ей нужны результаты диаризации; качество распознавания зависит от их точности. В README приведены результаты на наборе разработки MLC-SLM, но они охватывают английские варианты и не гарантируют аналогичное качество для всех поддерживаемых языков. Лицензия репозитория — CC BY 4.0; README также упоминает базовую модель с лицензией MIT и обучающие данные под CC BY 4.0.

Holo1.5-3B — мультимодальная модель H Company для компьютерных агентов, дообученная на базе Qwen/Qwen2.5-VL-3B-Instruct. Она принимает изображения интерфейсов и текстовые запросы, чтобы находить элементы на экране, отвечать на вопросы о содержимом веб-, настольных и мобильных приложений и поддерживать автоматизацию действий в них. Модель относится к семейству Qwen2.5-VL, имеет 3,1 млрд параметров и контекст до 128 000 токенов. По данным карточки, она обрабатывает изображения с разрешением до 3840 × 2160 пикселей; обучение включало supervised fine-tuning и онлайн-обучение с подкреплением. Разработчик сообщает о результатах на тестах локализации элементов интерфейса и визуальных вопросов и ответов. Для версии 3B указана лицензия Qwen Research License. Модель предназначена для понимания интерфейсов и прогнозирования действий, но карточка не описывает гарантии безопасного выполнения действий в реальных приложениях. Результаты бенчмарков не гарантируют точность на конкретных интерфейсах.

Holo2-4B — мультимодальная модель для управления графическими интерфейсами, разработанная H Company. Она дообучена на базе Qwen/Qwen3-VL-4B-Thinking и предназначена для GUI-агентов, работающих в веб-браузерах, настольных и мобильных средах. Модель анализирует изображения интерфейсов, находит элементы управления и поддерживает многошаговую навигацию и выполнение целевых действий. Обучение включало supervised fine-tuning на данных понимания интерфейсов и предсказания действий, а затем online reinforcement learning. В README приведены результаты на WebVoyager, WebArena, OSWorld, AndroidWorld и наборах для локализации элементов интерфейса. Модель принимает визуальный контекст и текстовые инструкции, а её назначение включает предсказание действий для взаимодействия с интерфейсом. Она распространяется по лицензии Apache 2.0. Показатели бенчмарков не гарантируют аналогичную точность в конкретных приложениях; результаты могут зависеть от среды и сложности задачи.

Inclusively Classification Model — модель на основе итальянского BERT, дообученная для определения инклюзивности предложений на итальянском языке. Она присваивает тексту один из трёх классов: inclusive (инклюзивная формулировка), not_inclusive (неинклюзивная) или not_pertinent (текст не относится к задаче).

Llama-3.2-11B-Vision-Instruct-Swallow-8B-Merge — объединённая модель Kendamarron на архитектуре mllama. Она создана методом Chat Vector на основе Llama-3.2-11B-Vision-Instruct с добавлением японских языковых возможностей из Llama-3.1-Swallow-8B-v0.1; в рецепте также используется Llama-3.1-8B. Модель предназначена для диалогов и работы с изображениями вместе с текстом, включая японские запросы. Карточка указывает лицензию llama3.2. Число параметров и длина контекста для этой версии в предоставленных данных не указаны.

MAmmoTH-VL-8B — мультимодальная модель с открытыми весами, разработанная авторами проекта MAmmoTH-VL. Она дообучена на базе Qwen/Qwen2.5-7B-Instruct для решения задач, требующих анализа изображений и пошагового рассуждения, включая математические и STEM-задачи, визуальные вопросы и работу с видео. README описывает подход к обучению на наборе из 12 млн пар инструкций и ответов с промежуточными обоснованиями. Модель имеет архитектуру LlavaQwenForCausalLM семейства Qwen2, около 7,1 млрд параметров и контекст до 32 768 токенов; метаданные указывают английский язык и поддержку чата. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README не уточняет подробные ограничения по входному разрешению изображений и формату видеоданных.

jzhang533/manga-ocr-base-2025 — модель OCR, опубликованная пользователем Jun Zhang на Hugging Face и предназначенная для распознавания японского текста на изображениях, прежде всего в манге. Она принимает изображение и генерирует текст, поэтому подходит для извлечения реплик из пузырей, панелей и других фрагментов манги, включая последующее использование в электронных читалках и инструментах перевода. В репозитории указана архитектура VisionEncoderDecoder; конфигурация содержит визуальный encoder и японский BERT-декодер с токенизатором BertJapaneseTokenizer. Модель имеет около 30,3 млн параметров, хранится в формате Safetensors с типом F32 и поддерживает мультимодальный сценарий «изображение—текст». Язык распознавания — японский; размер контекстного окна и дополнительные языки в карточке модели не указаны. Назначение и сильные стороны соответствуют базовой Manga OCR: обработка вертикального и горизонтального текста, furigana, текста поверх изображений, разных шрифтов и изображений низкого качества, а также многострочного текста за один проход. Карточка конкретной модели почти полностью автоматически сгенерирована и не содержит сведений о датасете, обучении, метриках, сравнительных результатах или детально описанных ограничениях. Для OCR следует учитывать риск ошибок на длинных фрагментах, рукописном тексте и изображениях без текста; количественная точность этой версии не подтверждена опубликованными бенчмарками. Для модели указана лицензия Apache-2.0.

s2t-small-covost2-fr-en-st — компактная модель Speech to Text Transformer, обученная для сквозного перевода французской речи в английский текст. Разработчик — Facebook; модель основана на архитектуре Transformer encoder-decoder с предварительным свёрточным уменьшением длины аудиопризнаков. Она содержит 12,7 млн параметров и принимает речевые признаки, извлечённые из аудио WAV или FLAC. Модель предназначена для перевода французских высказываний на английский. Она обучена на франко-английской части CoVoST2, использует 80-канальные log-mel признаки, нормализацию CMVN и SpecAugment; энкодер предварительно обучен для распознавания английской речи. На тестовой части CoVoST2 для направления fr-en указана оценка BLEU 26,25. Лицензия — MIT. Поскольку README описывает именно перевод речи, тег распознавания речи из метаданных отражает семейство задачи, но практическое назначение этой версии — речевой перевод.

ssc-aln-model — модель распознавания речи на архитектуре wav2vec2 с выходной CTC-головой, разработанная ctaguchi и обученная с нуля. Она предназначена для преобразования аудио в текст; размер модели — около 402,7 млн параметров. В репозитории опубликованы веса в формате safetensors для использования с библиотекой Transformers. На указанном оценочном наборе модель получила CER 0,5679 и WER 0,9768. Датасет, поддерживаемые языки, условия применения и лицензия в доступных сведениях не описаны, поэтому область применения и качество распознавания для конкретных языков оценить нельзя.

RJ3vans/SSCCVspanTagger — модель на архитектуре BERT для разметки токенов по принадлежности к типам синтаксических составляющих. Она предназначена для выявления границ и типов фрагментов предложения, в том числе в сценариях упрощения текста. В примерах README квадратными скобками отмечается левая граница фрагмента; карточка указывает, что при развёртывании в системе упрощения текста эту отметку может предварительно определять отдельная модель. Модель дообучена для задачи token classification на наборе данных из докторской диссертации Р. Эванса о упрощении предложений для обработки текста. Чекпойнт содержит 432,3 млн параметров, принимает последовательности длиной до 512 токенов и опубликован в формате PyTorch. Лицензия в предоставленных данных не указана.