I.15Доступность и ассистивные технологии

Lfm2-MaleCNS-Titans-VL-3B-V2-PT — экспериментальная мультимодальная модель на базе LiquidAI/LFM2.5-VL-3B, дообученная автором карточки с MaleCNS-Titans и сохранением VAE-латентных представлений. Она принимает изображения и текст, сохраняя исходные языковую модель, визуальный модуль и проектор; дополнительные механизмы памяти подключены к визуальному входу и нескольким языковым слоям. Модель предназначена для визуальных запросов и задач, где нужно сохранять информацию между фрагментами или сессиями; README также описывает обновление памяти по наблюдениям и загрузку сохранённых данных из архива. Версия PT включает объединённые LoRA-веса и 536 обновлений в рамках двухчасового обучения; автор сообщает о последующих SFT-весах, сохранённых отдельно. Исходная длина контекста оставлена без изменений, а межфрагментная память управляется вызывающей программой и сессией. README указывает на обучение на материалах на традиционном китайском, отдельных математических и визуальных данных; метаданные также отмечают английский язык. Лицензия обозначена как other, конкретные условия следует смотреть в документах репозитория. Точность извлечения новой информации требует проверки на целевых задачах.

MiniCPM-V-4.6-Thinking-abliterated-MAX — мультимодальная модель для диалога и рассуждений по изображениям, видео и тексту, опубликованная prithivMLmods. Это производная от openbmb/MiniCPM-V-4.6-Thinking версия, переупакованная с обновлённым разбиением весов и улучшенной совместимостью с новыми версиями Transformers; заявлено сохранение исходных возможностей рассуждения. В основе архитектуры — визуальный энкодер SigLIP2-400M и языковая модель Qwen3.5-0.8B; базовая модель описана как имеющая 1,3 млрд параметров и контекст до 262 тысяч токенов. Модель предназначена для вопросов по изображениям и видео, мультимодального анализа и структурированных рассуждений, а также локального запуска и экспериментов на потребительском оборудовании. В карточке указаны английский язык и возможности диалога и компьютерного зрения. Метки abliterated и refusal-ablated указывают на изменение отказного поведения. Лицензия — Apache-2.0. Модель может ошибаться в пошаговых рассуждениях; результаты следует проверять перед использованием в критических сценариях. Качество зависит от входных данных и сложности задачи, а обработка изображений высокого разрешения может требовать значительных вычислительных ресурсов.

elprofessor67/om-logistics-pod-v7-8b — дообученная модель elprofessor67 на базе elprofessor67/om-logistics-pod-v3. Это мультимодальная модель семейства Qwen3-VL для диалога с текстом и изображениями; карточка указывает поддержку vision и интерфейса вызова инструментов. Модель предназначена для задач image-text-to-text, то есть для формирования текстового ответа по текстовому запросу и изображению. Модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. README не уточняет специализацию, размер параметров или длину контекста, поэтому их нельзя надёжно описать.

Sohailhosseini/Ornith-1.5-9B-AWQ-W4A16 — квантизированная версия модели ornith-ai/Ornith-1.5-9B, подготовленная пользователем Sohailhosseini. Модель предназначена для задач преобразования изображений и текста в текст, включая мультимодальный диалог и обработку инструкций. Поддержка конкретных языков в предоставленных данных не указана. Модель содержит около 9,4 млрд параметров и использует схему квантизации AWQ-W4A16 с 4-битными весами в формате compressed-tensors. Размер на диске составляет около 8,6 ГБ, что примерно в 2,19 раза меньше исходных 18,8 ГБ. Визуальные компоненты, включая vision tower, vision model, visual-слои и multi-modal projector, а также lm_head оставлены без квантизации. Заявленный максимальный контекст — 32 768 токенов при использовании рекомендованной конфигурации vLLM. К преимуществам относятся уменьшенное потребление памяти и возможность эффективного запуска мультимодальной модели на совместимом оборудовании, при этом квантизация рассчитана на сохранение качества в моделях, дообученных на инструкциях и мультиязычных данных. Ограничения связаны с потерями качества, возможными для 4-битной квантизации, а также с асимметричной схемой AWQ-W4A16: некоторые старые ядра vLLM могут предпочитать симметричный вариант W4A16. Модель лицензирована по MIT; лицензия унаследована от исходной модели.

Qwen3-VL-4B-Heretic — модифицированная сообществом версия мультимодальной модели Qwen3-VL-4B-Instruct от Qwen. Авторы применили оптимизатор Heretic для ослабления механизмов отказа; опубликованный вариант t122 выбран среди четырёх экспериментальных вариантов как вариант с наименьшим сдвигом относительно базовой модели. Это плотная модель примерно на 4 млрд параметров с архитектурой Qwen3-VL: языковой частью и энкодером изображений. Репозиторий содержит веса BF16 для Transformers и vLLM, сохраняя поддержку зрения; заявленный основной сценарий — диалог с анализом изображений и видео, включая OCR и визуальные рассуждения, унаследованные от базовой модели. В приведённых авторами испытаниях t122 достиг 100% выполнения запросов из набора HarmBench, тогда как базовая модель выполнила 30,8%; это означает существенное ослабление защитных отказов и позволяет использовать модель для ответов на запросы, которые базовая версия могла бы отклонить. На MMLU и HellaSwag результаты близки к базовой модели, а GSM8K снизился на 1,83%. Лицензия — Apache-2.0. Модель унаследовала ограничения Qwen3-VL-4B-Instruct; изменение поведения не гарантирует полного устранения отказов во всех контекстах.

Kaousheik/tempo-ablation-projector — экспериментальный чекпойнт проекта TEMPO, построенный на базе аудиоязыковой модели NVIDIA Audio Flamingo 3. Это вариант абляции с временным мультимодальным проектором; в README для него указаны результаты Table 3, а файл time_proj.pt необходим для загрузки. Базовая архитектура Audio Flamingo 3 объединяет замороженный аудиоэнкодер Whisper-large примерно на 0,6 млрд параметров и Qwen2-7B через двухслойный MLP-проектор. Модель принимает аудио и по запросу формирует текст с временными метками для речи, звуков и музыки. Модель предназначена для распознавания речи с временной привязкой, определения говорящих и границ их реплик, поиска аудиофрагментов по текстовому запросу, сегментации записи с описанием событий и анализа музыкальных фрагментов. Проект TEMPO использует специальные токены временных меток с разрешением 0,1 секунды и временные кодировки в проекторе. Карточка описывает английский язык; метаданные указывают задачу audio-text-to-text и датасет Kaousheik/tempo. Это исследовательская абляция, а не лучший вариант TEMPO: README сообщает метрики конкретного чекпойнта и отмечает, что распознавание речи при нескольких говорящих остаётся трудным, а результаты анализа аккордов приблизительны. Метки говорящих согласованы внутри записи, но произвольны между записями; временные метки ограничены 60 секундами, поэтому длинные аудио нужно делить на фрагменты. Лицензия в метаданных обозначена как other; конкретные условия использования здесь не приведены.

TranslateGemma 27B IT — модель перевода от Google Translate на основе Gemma 3. Она предназначена для перевода текста между 55 языками, а также для извлечения и перевода текста с изображений. Модель принимает текст или изображение; для изображений предусмотрена обработка с разрешением 896 × 896 пикселей. Контекст составляет 2K токенов, результат — текст перевода. Репозиторий содержит веса в формате safetensors и рассчитан на использование через Transformers. Модель дообучена на параллельных данных: использовались переводы, сгенерированные Gemini, и общедоступные параллельные документы. Компактность семейства TranslateGemma рассчитана на развёртывание на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре. Указанная лицензия — gemma; применяются условия использования Gemma. Качество может снижаться из-за пробелов и смещений в обучающих данных, неоднозначности и тонких языковых нюансов. Карточка позиционирует модель именно для перевода и не заявляет другие способности; фактическая точность перевода зависит от контекста и сложности текста.

Whisper largeV2 dutch MLS — дообученная модель распознавания речи на базе openai/whisper-large-v2, созданная для транскрибирования нидерландской речи. Она обучалась 4000 шагов на обучающей части набора facebook/multilingual_librispeech Dutch и использует архитектуру WhisperForConditionalGeneration с 905,2 млн параметров. Модель принимает аудио и выдаёт текст; в тесте MLS Dutch указана WER 10,5916, тогда как zero-shot версия базовой модели показала WER 9,3. Модель подходит для транскрибирования нидерландской речи, в том числе записей для оценки на MLS Dutch. Результат тестирования показывает, что это дообучение уступило базовой модели в zero-shot режиме, поэтому для этого набора данных его преимущество не подтверждено. Модель распространяется по лицензии Apache-2.0.

Это дообученная модель OpenAI Whisper large-v3, подготовленная yuriyvnv для распознавания речи на португальском языке. Она принимает аудио и преобразует его в текст; модель реализована как WhisperForConditionalGeneration, содержит около 905,2 млн параметров и доступна в формате safetensors для использования через Transformers. Модель обучена на португалоязычной части Common Voice 17.0 и на 21 968 синтетических аудиозаписях без фильтрации качества. На тестовой выборке Common Voice указана частота ошибок слов (WER) 8,33%, а на наборе MLS — 13,43%. Такой вариант подходит для сравнения стратегий аугментации и сценариев, где важен максимальный объём синтетических данных. Включение неотфильтрованных синтетических примеров ухудшает перенос на другой набор данных по сравнению с фильтрованным вариантом; качество также может зависеть от предметной области и регионального варианта португальского. Модель распространяется по лицензии Apache-2.0.

apexAI Whisper Large-v3 Swiss German — модель распознавания речи, разработанная apexAI Research и дообученная на базе OpenAI Whisper Large-v3. Она преобразует речь на швейцарском немецком, преимущественно бернском диалекте, в текст на стандартном немецком, совмещая распознавание речи и перевод диалекта в письменную норму. Модель содержит 1,55 млрд параметров и сохраняет архитектуру Whisper Large-v3; она принимает аудио и выдаёт текст. В карточке указано обучение на 180 000 фрагментах из Swiss Parliament Corpus R и немецкой части VoxPopuli. Модель предназначена прежде всего для транскрибации формальной швейцарской речи: заседаний, интервью, диктовок, пресс-конференций и публичных выступлений. На тестовой выборке SPC-R из 15 096 фрагментов заявлены WER 13,31%, CER 6,66% и BLEU 81,28. Эти результаты относятся к материалам, похожим на тестовый корпус: независимой проверки на других корпусах и реальных сценариях эксплуатации не проводилось. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование; коммерческое лицензирование предлагается отдельно разработчиком.

Модель oddadmix/whisper-small-arabic-dialectal — дообученная разработчиком oddadmix модель OpenAI Whisper Small для распознавания многообразной арабской речи. Она принимает аудио и транскрибирует его без диакритических знаков; поддерживает левантийские, магрибские, египетские, заливные, суданские и иракские диалекты, а также современный стандартный арабский. Архитектура — WhisperForConditionalGeneration, около 244 млн параметров; модель построена на openai/whisper-small и доступна в формате safetensors. В тесте на 932 аудиофрагментах модель показала WER 0,428 и CER 0,151 после очистки эталонных текстов. Она рассчитана на офлайн-транскрибацию фрагментов длительностью до 30 секунд, а не на потоковое распознавание. Качество на реальной речи зависит от диалекта: магрибские варианты распознаются сложнее; модель обучалась на дополненных, частично синтетических данных, поэтому её следует оценить на целевых записях перед применением. Выход не содержит диакритики, а латинские токены приводятся к нижнему регистру. Лицензия — Apache-2.0.

litus-ai/whisper-small-ita — версия Whisper Small, разработанная Litus AI и дообученная для итальянской речи на части собственных данных компании. Модель предназначена для автоматического распознавания речи и рассчитана на сценарии с ограниченным вычислительным бюджетом, где важна точность транскрипции. Архитектура — WhisperForConditionalGeneration, число параметров — 153,1 млн; модель работает с аудио и выдаёт текст. Помимо слов, транскрипция может включать специальные маркеры смеха, междометий, вздохов, шума, неразборчивой речи, самоисправлений и переключения на английский. Карточка приводит сравнение с другими моделями на внутренних тестах для итальянских совещаний и телефонных звонков, но не содержит численных результатов. Модель доступна по лицензии Apache-2.0.

Adnan666/whisper-small-pashto-run11-epoch2 — дообученная версия Whisper Small для автоматического распознавания речи. Модель содержит 153,1 млн параметров и использует архитектуру WhisperForConditionalGeneration; файлы представлены в формате safetensors. Она принимает аудио и выдаёт текстовую транскрипцию, с ориентацией на речь на пушту. В README приведён результат оценки на наборе данных: WER 50,2334 и Loss 1,0639. Датасет и подробности обучения не описаны, поэтому эти показатели сами по себе не дают полной картины качества на других данных. Лицензия — Apache-2.0.

Agents-A1-bf16 — конверсия модели InternScience/Agents-A1 в формат MLX с точностью bf16. Это мультимодальная агентная модель семейства Qwen3.5-MoE с 40 слоями декодера, 256 маршрутизируемыми экспертами и общим экспертом в каждом слое, размером скрытого состояния 2048, модулем обработки изображений и видеопредобработкой. Модель принимает текст и изображения и генерирует текст; для запуска мультимодальной версии README рекомендует библиотеку mlx-vlm. Модель предназначена для диалоговых и агентных сценариев, включая рассуждения и ответы на вопросы по изображениям. В README приведён пример пошагового решения арифметической задачи и описания изображения; базовая модель в каталоге ориентирована также на многошаговые агентные и научные задачи, поиск и вызов инструментов. Репозиторий распространяется по лицензии Apache-2.0. По README, полный вариант bf16 занимает около 65 ГБ на диске; замеры приведены для MacBook Pro M5 Max с 128 ГБ памяти.

Модель stillerman/fdt-disfluency-distilbert-66m-v3 — теггер для очистки расшифровок разговорной речи от запинок, разработанный в рамках проекта FluencyAI. Она присваивает каждому слову один из тегов KEEP, DELETE, KEEP_STRIP_COMMA или KEEP_CAPITALIZE, после чего простая процедура реконструкции собирает очищенный текст. Модель основана на DistilBERT base cased и содержит 65,2 млн параметров; контекст — до 512 токенов. Модель предназначена для обработки потоковых и готовых транскриптов: удаления слов-паразитов, повторов и других речевых сбоев с сохранением исходных формулировок, имён и чисел. В README приведены exact-match 0,9787 и DELETE-F1 0,9952; для браузерного запуска доступен квантованный int8 ONNX-вариант для transformers.js, с указанной скоростью около 10–50 мс на высказывание. Лицензия репозитория — Apache-2.0, однако обучение частично использовало DailyDialog с лицензией CC BY-NC-SA; автор рекомендует считать модель исследовательским артефактом и не применять её для коммерческого развёртывания без дополнительной проверки прав.

Это GGUF-квантизированная версия мультимодальной модели google/gemma-4-E2B-it, разработанной Google. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель относится к классу image-text-to-text и предназначена для диалоговой работы с текстом и изображениями, включая ответы на запросы и анализ визуального содержимого. Доступны варианты от BF16 до низкобитных форматов Q8_0, Q6, Q5, Q4, Q3 и Q2, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Размеры файлов составляют примерно от 3,1 до 9,3 ГБ. Для взаимодействия используется шаблон чата Gemma; модель совместима с llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другими инструментами, поддерживающими GGUF. Точные сведения об архитектуре, числе параметров, языках и размере контекста в README не указаны. Сильная сторона модели — возможность локального запуска на широком диапазоне оборудования благодаря нескольким уровням квантизации; варианты Q4 и Q5 заявлены как оптимальные по соотношению качества и размера, а Q6 — как близкие к исходному качеству. Более сильная квантизация снижает требования к памяти, но может ухудшать качество ответов. Для недавно поддерживаемых моделей может потребоваться обновление используемого программного обеспечения. В метаданных указана лицензия Apache-2.0.

InternViT-6B-448px-V1-5 — визуальная foundation-модель и backbone для извлечения признаков, разработанная OpenGVLab. Это дообученная версия InternViT-6B-448px-V1-2: при дальнейшем предобучении использовались изображения с динамическим разрешением на основе плиток 448×448, от 1 до 12 плиток на изображение. В README указано 5,54 млрд параметров после удаления последних трёх блоков; метаданные репозитория указывают 7,4 млрд параметров. Модель предназначена прежде всего для получения визуальных признаков, в том числе как зрительная часть мультимодальных языковых моделей. Обучение на разнообразных данных изображений и дополнительных OCR-данных усилило устойчивость, распознавание текста на изображениях и работу с высоким разрешением. Для построения MLLM авторы рекомендуют использовать признаки последнего слоя. README отмечает, что серия InternViT V2.5 лучше подходит для построения MLLM, чем для традиционных задач компьютерного зрения. Лицензия — MIT.

MaMMUT2 ViT-B/32 cc12m-noz — вариант модели MaMMUT2 от разработчика rwightman, обученный на данных CC12M и отличающийся от mammut2_ViT-B-32.cc12m отсутствием caption z-loss. Это мультимодальная модель для сопоставления изображений и текста, подходящая для классификации изображений по текстовым описаниям без отдельного дообучения и поиска по парам изображение–текст. В карточке приведены сравнительные результаты zero-shot-классификации и поиска изображений по тексту, а также оценки генерации подписей. Вариант использует архитектуру ViT-B/32; реализация рассчитана на OpenCLIP. Карточка упоминает современную текстовую башню с токенизатором r50k и контекстом 128 токенов, но не уточняет, что именно эта конфигурация относится к данному варианту. Модель распространяется по лицензии Apache-2.0. Результаты на подписях ограничены различием между стилем alt-text датасета CC12M и эталонными подписями COCO; абсолютные значения CIDEr в карточке охарактеризованы как низкие.

kevin009/minirewrite — языковая модель, дообученная на базе Mistral Instruct v2 для помощи с редактированием текстов. Она предназначена для пересмотра формулировок, перефразирования и упрощения языка: модель старается заменять технический жаргон ясными и доступными выражениями. Архитектура — плотная авторегрессионная MistralForCausalLM на 7,1 млрд параметров; модель поддерживает чат, принимает текст и генерирует текст, максимальный контекст составляет 32 768 токенов. В карточке указан английский язык. Для настройки использованы 14 000 разговоров в минималистичном и доступном стиле и ещё 8 000 примеров редактирования и перефразирования. Модель может быть полезна для повседневной правки черновиков, однако иногда выдаёт более короткие ответы, чем исходная версия, и может наследовать смещения из обучающих данных. В README также отмечено, что специальных мер защиты от потенциально вредоносного или оскорбительного текста нет. Лицензия — Apache-2.0.

Ministral-3-14B-Reasoning-2512-GGUF — это модель в формате GGUF, созданная на основе Ministral-3-14B-Reasoning-2512 от Mistral AI и конвертированная с помощью convert_hf_to_gguf.py. В метаданных указано, что модель предназначена для задач image-text-to-text, то есть может обрабатывать изображения и текст и генерировать текстовые ответы. Модель рассчитана на локальный или совместимый с GGUF запуск, в README приведён пример использования через llama-server. Сведения о точной архитектуре, размере в параметрах, поддерживаемых языках, длине контекста, вариантах квантования, производительности и ограничениях отсутствуют. Лицензия — Apache-2.0.

OCRerrcr — модель на архитектуре DeBERTa-v2 для обнаружения ошибок распознавания текста в документах. Её обучил Eliot Jones для PleIAs на выборке из 1000 документов с размеченными OCR-ошибками из открытых финансовых данных Finance Commons и источников культурного наследия Common Corpus. Модель выполняет токенную классификацию и предназначена для оценки ошибок OCR в распознанном тексте. По заявлению разработчика, она даёт точную оценку ошибок без привязки к конкретной области; альтернативный конвейер OCRoscope работает быстрее на больших объёмах, но менее точен, особенно для документов с небольшим числом ошибок. Модель имеет 533,8 млн параметров и контекст 512 токенов, поддерживает английский, французский и немецкий языки. Распространяется под лицензией Apache-2.0.

Карточка модели ersindemirel94/qwen_ps_v1v на Hugging Face совпадает с карточкой ersindemirel94/qwen_ps_v1, поэтому описание составлено по ней. ersindemirel94/qwen_ps_v1 — дообученная разработчиком ersindemirel94 мультимодальная модель семейства Qwen3.5 на базе Qwen/Qwen3.5-2B. Она предназначена для диалогов и задач преобразования изображений и текста; архитектура — плотная Qwen3_5ForConditionalGeneration, веса представлены в формате safetensors. В метаданных заявлены поддержка зрения и интерфейс вызова инструментов. Базовая модель содержит 2 млрд параметров; карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0. README сообщает, что при обучении использовались Unsloth и библиотека TRL, но не описывает конкретный набор данных, специализацию дообучения или результаты оценки. Поэтому качество на отдельных задачах и практические ограничения по сценариям использования карточка не устанавливает.

SberDevices и AGI NLP разработали sage-fredt5-distilled-95m — компактную модель на архитектуре T5 для исправления орфографии, пунктуации и опечаток в русских текстах. Она преобразует текст с ошибками в нормативный вариант и может восстанавливать пробелы, регистр букв и знаки препинания. Модель получена дистилляцией исходной модели на архитектуре FRED-T5-1.7B и содержит 55,1 млн параметров. Для обучения использовался корпус искусственно искажённых русскоязычных текстов на основе Википедии и расшифровок видео. Модель предназначена для автоматической корректуры текстов; карточка приводит результаты оценки на общих, многодоменных, медицинских и GitHub-текстах. По данным карточки, сложное форматирование может ухудшить качество результата. Лицензия — MIT.

Карточка модели allenai/SAGE-MM-Molmo2-8B-SFT_RL на Hugging Face совпадает с карточкой allenai/SAGE-MM-Qwen2.5-VL-7B-SFT_RL, поэтому описание составлено по ней. SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

Карточка модели developerjeremylive/SenseNova-U1-8B-MoT-etheroi на Hugging Face совпадает с карточкой sensenova/SenseNova-U1-8B-MoT, поэтому описание составлено по ней. SenseNova-U1-8B-MoT — мультимодальная модель SenseNova на архитектуре NEO-unify, объединяющая понимание, рассуждение и генерацию текста и изображений в одной системе. Это плотная модель семейства NEOChat с 8 млрд параметров; карточка описывает нативную обработку изображений и текста без отдельных визуального энкодера и VAE, а также генерацию текста и изображений в чередующемся формате. Модель предназначена для анализа изображений, визуальных рассуждений, редактирования и создания изображений, включая инфографику, постеры и другие материалы с насыщенной информацией. Поддерживаются английский и китайский языки. Для запуска README приводит Transformers и рекомендует для производственного обслуживания связку LightLLM и LightX2V. Модель распространяется по лицензии Apache-2.0. README заявляет высокие результаты на ряде бенчмарков, однако подробные численные результаты в предоставленном тексте отсутствуют.

HuggingFaceM4/siglip-so400m-14-980-flash-attn2-navit — вариант SigLIP от HuggingFaceM4 с изменениями в зрительной части модели. Максимальное разрешение изображений увеличено с 384 × 384 до 980 × 980 за счёт интерполяции позиционных эмбеддингов; реализация в стиле NaViT позволяет обрабатывать изображения переменного разрешения с сохранением соотношения сторон. Текстовая часть не изменена, а реализация заявлена как обратно совместимая с исходной моделью. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов. Поддерживает изображения высокого и переменного разрешения; задача в метаданных — zero-shot image classification. Репозиторий использует формат safetensors и лицензию Apache-2.0. Размер модели и конкретные поддерживаемые естественные языки в предоставленных данных не определены.

argmaxinc/speakerkit-coreml — набор моделей SpeakerKit в формате Core ML для обработки речи в экосистеме Apple. Репозиторий связан с WhisperKit и pyannote; карточка указывает задачу автоматического распознавания речи и входные аудиоданные. Архитектура и результаты оценки описаны в статье Interspeech 2025, на которую ссылается README. Модель предназначена для сценариев распознавания речи и диаризации — определения говорящих в аудиозаписи. Формат Core ML позволяет использовать её в приложениях на устройствах Apple; библиотека WhisperKit предоставляет соответствующую интеграцию. Модели, на которых построен SpeakerKit, распространяются по лицензии CC BY 4.0; Swift-фреймворк SpeakerKit имеет лицензию MIT.

SpeechLLM-1.5B — мультимодальная модель Skit AI для анализа аудиореплик в разговоре. Она принимает речь и предсказывает наличие речевой активности, текстовую расшифровку, а также категории пола, возраста, акцента и эмоции говорящего. В карточке описана версия размером 1,5 млрд параметров, дообученная на базе WavLM и TinyLlama с адаптерами; архитектура указана как SpeechLLMModel. В метаданных Hugging Face основной тег задачи — feature-extraction, а файлы представлены в формате safetensors. Модель рассчитана на англоязычную речь. В опубликованных результатах для LibriSpeech указана частота ошибок распознавания слов 11,51% на test-clean и 16,68% на test-other; на Common Voice точность определения возраста составляет 64,98%, акцента — 81,21%, пола — 94,76%. Эти результаты относятся к указанным наборам данных и не гарантируют такую же точность на других записях. Лицензия — Apache-2.0.

Модель gcoli/whisper-large-v3-turbo-swiss-german-mit — дообученная на швейцарско-немецких диалектах версия Whisper Large-v3-Turbo от OpenAI. Она преобразует аудиозаписи на швейцарском немецком в текст на стандартном немецком. Модель содержит около 905,2 млн параметров; адаптер LoRA обучен на материалах FHNW/i4ds с лицензией MIT и объединён с весами. Доступны веса safetensors в формате fp16 и вариант CTranslate2 float16; модель рассчитана на запуск через Transformers или faster-whisper. На тестовом наборе из 17 диалектов авторы сообщают WER 25,9% и CER 13,4%; результат лучше исходной Whisper Large-v3-Turbo на 2,8 процентного пункта WER при сопоставимой скорости. Модель подходит для транскрибации швейцарской немецкой речи, в том числе длинных записей, хотя авторы советуют отключать перенос контекста между фрагментами при обработке длинного аудио: иначе возможны ошибки и выдуманный текст. Лицензия модели — MIT, в карточке также заявлена коммерческая применимость.

Whisper-small-kenyan-english-nonstandard-v2 — модель распознавания речи, разработанная Alexander Sheldon Mainye и дообученная на базе openai/whisper-small. Она предназначена для транскрибирования нестандартного кенийского английского, в том числе в полевых условиях с фоновым шумом и артефактами мобильной связи. В обучении применялись шумовая аугментация аудиосигнала, имитация GSM-кодека и SpecAugment; модель содержит 153,1 млн параметров по метаданным и распространяется в формате safetensors. На тестовой выборке из датасета cdli/kenyan_english_nonstandard_speech_v1.0 указаны WER 15,77% на чистом аудио и 21,62% на шумовом. Модель оптимизирована для кенийского английского; качество на стандартном американском и британском английском может быть ниже, чем у исходной Whisper-small. Обучающая выборка невелика, а работа в помещениях с сильной реверберацией не проверялась. Лицензия — MIT.