I.15Доступность и ассистивные технологии

Qwen3-VL-8B-Instruct-4bit — мультимодальная модель для задач image-text-to-text, преобразованная сообществом mlx-community в формат MLX из оригинальной модели Qwen/Qwen3-VL-8B-Instruct. Она предназначена для сценариев, в которых требуется обрабатывать изображения и текстовые запросы, например описывать содержимое изображений. Модель рассчитана на запуск с использованием инструментария mlx-vlm, включая устройства и среды, совместимые с MLX. Из указанных данных известно, что модель имеет размер 8B параметров, вариант Instruct и 4-битное представление весов. Поддерживаемые модальности — изображения и текст; сведения о языках, архитектуре, размере контекста, точных возможностях и ограничениях в карточке не приведены. К преимуществам относятся мультимодальная направленность и сниженная разрядность, потенциально уменьшающая требования к памяти, однако качество и применимость зависят от исходной модели и среды MLX. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-8B-Instruct-abliterated-v1 — дообученная мультимодальная модель prithivMLmods на основе Qwen/Qwen3-VL-8B-Instruct, предназначенная для анализа изображений и генерации описаний с подробными рассуждениями. Модель принимает изображения и текстовые инструкции, а отвечает текстом; в карточке заявлена работа с изображениями разных размеров и пропорций. В метаданных указаны архитектурное семейство Qwen3-VL, 8 млрд параметров у базовой модели, библиотека Transformers и формат safetensors. Модель подходит для подробного описания обычных, художественных, технических, абстрактных и чувствительных изображений, визуального рассуждения, творческой интерпретации и исследований модерации контента. Основной язык ответов — английский; автор также заявляет возможность получать ответы на других языках с помощью формулировки запроса. Модель может выдавать откровенный, чувствительный или оскорбительный контент, а качество ответов зависит от изображения и запроса; автор не рекомендует её для сред, где требуется строгая фильтрация. Лицензия — Apache-2.0.

SmolLM2-360M AAC — компактная языковая модель для альтернативной и дополнительной коммуникации (AAC), созданная Prism AAC на основе HuggingFaceTB/SmolLM2-360M-Instruct. Модель дообучена методом LoRA ранга 32 на клиническом корпусе AAC и распространяется в квантизованном формате GGUF Q3_K_S; размер составляет около 207 МБ. Она предназначена для локального запуска через llama.cpp на Apple Watch и других устройствах Apple Silicon с ограниченными ресурсами. Модель преобразует последовательности AAC-символов в естественные фразы, помогает выражать потребности и экстренные ситуации, уточняет ответы «да/нет», предсказывает продолжение последовательности символов и поддерживает многоходовой диалог. Также она может классифицировать коммуникативное намерение, подбирать лексику по возрасту и переформулировать клинические выражения. В README приведена оценка 300/300 на внутреннем наборе из 300 клинических случаев; этот результат сам по себе не гарантирует качество в других сценариях. Модель оптимизирована для английской AAC-коммуникации, а неоднозначные жесты могут классифицироваться неверно, особенно при Q3_K_S. Она предназначена для помощи и не заменяет специалиста по AAC. Лицензия — Apache-2.0.

Soro-TTS Yoruba — модель преобразования текста на йоруба в речь, разработанная как часть мультиязычной системы Soro-TTS для нигерийских языков. Это дообученная на наборе yor_tts из WAXAL модель facebook/mms-tts-yor на архитектуре VITS. Метаданные указывают 3,5 млн параметров; в README приведена другая оценка — около 83 млн. Модель выдаёт речь с частотой дискретизации 16 кГц. Модель предназначена для синтеза йоруба с голосом и акцентом, представленными в обучающих записях. Набор WAXAL содержит около 22,5 часа студийных односпикерных записей; тексты охватывают новости, повествование и чтение. Для синтезированной речи измерен CER 47,72% по автоматической проверке распознаванием речи; это приближённая оценка разборчивости, а не естественности. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях.

Модель vineetsharma/speecht5_tts-finetuned-voxpopuli-sk-v2 — версия SpeechT5, дообученная на наборе данных facebook/voxpopuli для синтеза речи из текста. Она принимает текст и генерирует аудио; архитектура основана на SpeechT5ForTextToSpeech. В README приведено значение loss 0,4354 на оценочном наборе, но дополнительных сведений о качестве и настройках оценки нет. Модель предназначена для преобразования текста в речь в сценариях, связанных с данными VoxPopuli. Она распространяется в форматах PyTorch и Safetensors по лицензии MIT. Язык синтезируемой речи и ограничения применения в карточке подробно не описаны.

SupraLabs/SupraTTS-0.1-Beta — экспериментальная англоязычная модель синтеза речи от SupraLabs, обученная с нуля на LJSpeech с помощью Coqui-TTS. Это однодикторная система с архитектурой Glow-TTS, стохастическим предсказателем длительности и вокодером HiFi-GAN v1. Акустическая модель содержит около 29,6 млн параметров, вокодер — около 14 млн. Модель принимает текст и синтезирует речь с частотой дискретизации 22 050 Гц; она рассчитана на английскую речь одного женского диктора. В описанных разработчиком тестах модель улучшила оценку UTMOS относительно Flare-TTS-v1.5 и приблизила темп синтеза к исходным записям, но вариативность высоты тона остаётся ниже, чем в реальной речи. Модель обучена на одном датасете и не предназначена для многоязычного синтеза, нескольких голосов или клонирования голоса. Лицензия — MIT.

titu_stt_bn_fastconformer — модель распознавания речи на архитектуре FastConformer, обученная на корпусе MegaBNSpeech объёмом около 18 тысяч часов. Она предназначена для преобразования аудио на бенгальском языке в текст и может служить отправной точкой для дообучения на пользовательских наборах данных с помощью NeMo. В обучающих данных преобладает новостная речь; также представлены ток-шоу и небольшое количество влогов. Модель принимает аудио и выдаёт текстовую транскрипцию. Для использования и дообучения предусмотрен фреймворк NeMo. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческих целях.

Thorsten-Voice/tv-orpheus-v1 — немецкая модель синтеза речи, созданная проектом Thorsten-Voice на основе Orpheus TTS. Это плотная LlamaForCausalLM-модель размером 3,3 млрд параметров с контекстом 131 072 токена; для генерации речи используется архитектура Orpheus со SNAC-кодеком. Модель дообучена на примерно 12 000 записях одного диктора из набора Thorsten-Voice Dataset 2022.10, чтобы создавать спокойную, естественную и разборчивую мужскую речь на немецком языке. Модель предназначена для озвучивания немецкого текста в образовательных, исследовательских и творческих проектах. Записи и голос диктора доступны по CC0; веса модели распространяются по лицензии Apache-2.0. Модель поддерживает голос одного диктора и не предназначена для генерации речи другими голосами.

Prakmlis/w2v-bert-2.0-khmer-v4 — модель автоматического распознавания речи на основе Wav2Vec2-BERT, дообученная автором репозитория на датасете, который в карточке не описан. Она принимает аудио и преобразует речь в текст; архитектура — Wav2Vec2BertForCTC, размер — 402,7 млн параметров. Название указывает на поддержку кхмерского языка, однако README не описывает языки и данные обучения, поэтому это следует считать предположением. В оценке указаны WER 0,2116 и CER 0,0573; условий оценки карточка не приводит. Модель распространяется по лицензии MIT.

Это модель автоматического распознавания речи на языке йоруба, дообученная Daniel Ogbuigwe на базе facebook/mms-1b-all с использованием данных Common Voice 16.1. Она построена на архитектуре Wav2Vec2 и содержит около 1,3 млрд параметров; исходное семейство MMS поддерживает более тысячи языков, но этот чекпойнт дообучен для транскрибации йоруба. Модель принимает аудио и преобразует речь в текст, например для расшифровки записей и голосовых сообщений на йоруба. На оценочной выборке указаны loss 0,6682 и WER 0,6802, что следует учитывать при применении к реальным записям. Карточка не описывает дополнительные сценарии и ограничения. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

Alimzhan/wav2vec2-large-xls-r-300m-albanian-colab — модель для автоматического распознавания речи на албанском языке. Она дообучена автором на Common Voice Albanian на базе facebook/wav2vec2-xls-r-300m; архитектура Wav2Vec2ForCTC содержит около 402,7 млн параметров и принимает аудио, выдавая распознанный текст. Модель подходит для преобразования албанской речи в текст в приложениях и рабочих процессах распознавания речи. Модель распространяется в формате safetensors под лицензией Apache-2.0. Карточка не содержит результатов оценки или подробностей о качестве и известных ограничениях, поэтому точность на конкретных акцентах, условиях записи и типах речи не установлена.

Модель infinitejoy/wav2vec2-large-xls-r-300m-sakha — дообученная Infinitejoy версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на саха (якутском) языке. Она принимает аудио и преобразует речь в текст; архитектура основана на Wav2Vec2ForCTC и имеет около 402,7 млн параметров. Обучение проводилось на наборе Mozilla Common Voice 7.0 для саха. На тестовой выборке указана WER 0,4421. Модель подходит для транскрибации записей на саха, включая голосовые сообщения и аудио из корпуса Common Voice. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0. README не описывает ограничения по записи или условиям эксплуатации.

Wav2Vec2-Large-XLSR-53-Georgian — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на грузинском языке с использованием Common Voice. Она принимает аудио и преобразует речь в текст; входные записи должны иметь частоту дискретизации 16 кГц. Модель основана на архитектуре Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель подходит для транскрибации грузинской речи и оценки распознавания на тестовых данных Common Voice. В README указана оценка WER 43,86% на грузинском тестовом наборе Common Voice. Репозиторий содержит веса PyTorch и Flax. Лицензия — Apache-2.0.

gchhablani/wav2vec2-large-xlsr-mr-3 — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 для маратхи. Она принимает аудио и выдаёт текстовую транскрипцию; для входной речи требуется частота дискретизации 16 кГц. Модель основана на архитектуре Wav2Vec2 с CTC и содержит около 402,7 млн параметров. Модель обучалась на OpenSLR SLR64 и наборах маратхи из Interspeech 2021: по 1412 примеров из каждого источника. В карточке приведены результаты тестирования 14,15% на OpenSLR и 27,14% на Interspeech; отдельно указано 19,05% для оценки на 10% данных маратхи из OpenSLR. Эти показатели относятся к описанным наборам и протоколам. Набор OpenSLR содержит только женские голоса, что ограничивает репрезентативность обучения. Модель распространяется по лицензии Apache-2.0.

Модель Wav2Vec2-Large-XLSR-53-Punjabi разработана на основе facebook/wav2vec2-large-xlsr-53 и дообучена для распознавания речи на пенджаби с использованием Common Voice. Она преобразует аудиозапись в текст и подходит для транскрибирования записей и оценки распознавания речи на тестовых данных Common Voice. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров; для входного аудио требуется частота дискретизации 16 кГц. В README приведён результат оценки 57,31%, но не уточнена метрика. Модель принимает аудио и выдаёт текст. Опубликованы веса в форматах PyTorch, Flax и safetensors. Лицензия — Apache-2.0.

manandey/wav2vec2-large-xlsr-tamil — акустическая модель распознавания тамильской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на обучающей и валидационной частях Common Voice. Она использует архитектуру Wav2Vec2ForCTC, содержит 402,7 млн параметров и принимает аудио с частотой дискретизации 16 кГц. Модель выдаёт распознанный текст на тамильском языке; её можно применять напрямую без языковой модели. Подходит для преобразования тамильской речи в текст, в том числе записей, подобных материалам Common Voice. В README приведён результат оценки 56,44%, однако метрика не уточнена, поэтому результат нельзя напрямую интерпретировать как точность распознавания. Модель распространяется по лицензии Apache-2.0.

Модель ivangtorre/wav2vec2-xlsr-300m-quechua — дообученная модель распознавания речи на архитектуре Wav2Vec2ForCTC, созданная на основе Wav2Vec2.0 XLS-R 300M. Она обучена на обучающей части набора Americas NLP 2022 для кечуа и предназначена для преобразования речи на кечуа в текст. Модель принимает аудио и выдаёт текстовую транскрипцию; в карточке приведён пример прямого использования без языковой модели. Размер по метаданным — 402,7 млн параметров. Лицензия — CC BY 4.0.

Модель m-salman-a/wav2vec2-xlsr-53-common-voice-indonesian — система автоматического распознавания речи на базе wav2vec 2.0 XLSR-53, дообученная автором репозитория на индонезийской части Common Voice 8.0. Она преобразует аудио на индонезийском языке в текст и предназначена для распознавания речи в записях, подготовленных по правилам предобработки модели. Модель использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. В обучающих данных было около 32 тысяч аудиозаписей из разделов train, validation и other; аудио приводили к частоте 16 кГц, а текст нормализовали: удаляли символы, переводили цифры в словесную форму и приводили символы к нижнему регистру. В README сообщается средний показатель WER 15,6% по пяти запускам на тестовой части Common Voice 8.0. Это экспериментальная модель, созданная в рамках бакалаврской исследовательской работы. Для корректных результатов входное аудио следует привести к 16 кГц и учитывать применённую нормализацию транскриптов; качество на иных данных в карточке не описано. Лицензия в предоставленных данных не указана.

Whisper Amharic Small v2 — дообученная модель распознавания речи на основе openai/whisper-small. Она предназначена для транскрибации амхарской речи; разработчик сообщает, что обучение проводилось на данных Mozilla Common Voice на амхарском языке. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. В README приведён показатель WER 69%, улучшенный с 77% в предыдущей версии. Модель принимает аудио и выдаёт текст. Для работы с ней в README показано использование Transformers и WhisperProcessor. Лицензия — OpenRAIL. Указанный показатель WER свидетельствует о заметной ошибке распознавания, поэтому качество транскрипции может требовать проверки, особенно для задач с высокими требованиями к точности.

CasperMuz/whisper-base-sna-ven-pilot — дообученная модель OpenAI Whisper Base для автоматического распознавания речи на шона и тшивенда. Она основана на архитектуре WhisperForConditionalGeneration и принимает аудио, выдавая распознанный текст. Модель обучена на очищенном наборе WAXAL для шона и наборе Swivuriso для тшивенда; карточка указывает оценку WER 56,48 на evaluation set, 36,81 для шона и 76,15 для тшивенда. Результаты показывают заметно различающееся качество для двух языков, особенно слабое для тшивенда. Распространяется по лицензии Apache-2.0.

Whisper Kannada Tiny — дообученная OpenAI модель Whisper-Tiny, подготовленная vasista22 в рамках Whisper fine-tuning sprint на общедоступных корпусах речи на каннада. Модель предназначена для автоматического распознавания речи и преобразования аудиозаписей на каннада в текст. Архитектура — WhisperForConditionalGeneration, размер — 29,4 млн параметров. Репозиторий содержит веса PyTorch и Flax; для оценки автор указывает код из проекта whisper-finetune. Обучение проводилось на IISc-MILE Kannada ASR Corpus, ULCA ASR Corpus, Shrutilipi ASR Corpus и обучающей и валидационной выборках Google Fleurs. Лицензия — Apache-2.0.

Whisper Medium TW — дообученная Jasper881108 модель распознавания речи на основе openai/whisper-medium. Она предназначена для преобразования аудио на тайваньском китайском языке в текст. Модель использует архитектуру Whisper и содержит 455,8 млн параметров. Для обучения и оценки использовался корпус Common Voice 11.0: обучающая и валидационная части — для обучения, тестовая — для оценки. Модель распространяется в формате PyTorch по лицензии Apache-2.0. В карточке не приведены результаты оценки качества, поэтому точность распознавания для конкретных условий записи не установлена.

Whisper-Small-Kinyarwanda — модель mbazaNLP на архитектуре Whisper Small от OpenAI, дообученная для распознавания речи на киньяруанда на данных Mozilla Common Voice 11.0. Поддержка киньяруанда добавлена дообучением поверх суахили; модель предназначена для преобразования аудиозаписей на этом языке в текст и размечена для автоматического распознавания речи. В карточке указана оценка 24 WER. Модель не выполняет перевод с киньяруанда на английский. Базовая модель Whisper Small мультиязычна и поддерживает транскрибирование речи и перевод аудио на английский, но это дообучение не заявляет такую возможность для киньяруанда. Репозиторий использует формат PyTorch и лицензию CC.

Whisper Small Santali (Ol Chiki) — модель распознавания речи, созданная дообучением openai/whisper-small на наборе Common Voice Scripted Speech 24.0 для языка сантали, записанного письмом ол-чики. Модель основана на архитектуре Whisper и содержит 153,1 млн параметров; принимает аудио и генерирует текстовую транскрипцию. В метаданных указана библиотека Transformers и формат весов safetensors. Модель предназначена для автоматической транскрипции речи на сантали письмом ол-чики. В README приведена оценка WER 1,115 на тестовом наборе; это указывает на существенные ошибки распознавания в проведённой оценке. Модель распространяется по лицензии Apache-2.0.

Akashpb13/xlsr_kurmanji_kurdish — модель распознавания речи на курманджи, созданная дообучением facebook/wav2vec2-xls-r-300m. Архитектура Wav2Vec2ForCTC содержит около 402,7 млн параметров и принимает аудио, выдавая распознанный текст. Модель обучалась на курманджийской части Mozilla Common Voice 7.0; в карточке указана оценка WER 0,388585 на наборе, сформированном из обучающих и оценочных данных Common Voice 7.0. Метаданные также связывают модель с Common Voice 8.0 для оценки. Модель подходит для транскрибирования записей на курманджи и экспериментов с распознаванием этой речи. Для использования модель и код распространяются по лицензии Apache-2.0. Карточка не описывает специальные сценарии применения или дополнительные ограничения; приведённый WER указывает, что ошибки распознавания следует учитывать при практическом использовании.

OsaurusAI подготовила Bonsai-27b-1bit-JANG — квантованную версию мультимодальной плотной модели Bonsai-27B-unpacked на архитектуре Qwen3.5 с 27 млрд параметров. Модель принимает текст и изображения и предназначена для диалогов и генерации текстовых ответов по визуальному содержимому; в комплект входят обработчики изображений и видео, а шаблон чата поддерживает режим рассуждений и интерфейс вызова инструментов. Текстовые матрицы хранятся в формате JANG affine с 1-битными кодами и размером группы 128. Линейные слои зрения используют 4-битное affine-хранение, а нормы, состояния и некоторые другие тензоры сохраняются в float16. Для запуска требуется сборка vMLX с поддержкой дискретного JANG-affine и смешанной точности для зрения; обычный mlx_lm эти форматы не поддерживает. Проверка README описывает запуск на Apple M5 Max с 128 ГБ объединённой памяти. Лицензия — Apache-2.0.

Co-Instruct — мультимодальная модель семейства mPLUG-Owl2 от q-future, представленная в виде плотной архитектуры на 6,6 млрд параметров. Она принимает изображения и текст и предназначена для диалога о визуальном содержимом и генерации текстовых ответов по изображениям. Модель опубликована в форматах PyTorch и safetensors; указанная длина контекста — 2048 токенов. Карточка показывает способ загрузки через Transformers с использованием доверенного удалённого кода и PyTorch FP16. В метаданных перечислены наборы Q-Instruct-DB и Co-Instruct-DB. Лицензия и конкретные ограничения модели в доступных материалах не описаны.

CosmosIE-4B — дообученная модель семейства Qwen3.5, созданная на основе IoakeimE/CosmosIE-4B-qwen с использованием TRL. Она предназначена для диалоговой генерации текста с обработкой изображений: модель принимает текст и изображения и формирует текстовый ответ. В карточке приведён пример обращения к ней через Transformers.

Drop-Lychee-1-0-ultra-flash — дообученная mx-llms модель семейства Qwen3.5 для диалоговых задач с изображениями. Она принимает текст и изображения и формирует текстовые ответы; в метаданных также указана возможность работы через интерфейс вызова инструментов. Модель построена на плотной архитектуре Qwen3_5ForConditionalGeneration и распространяется в формате safetensors. Для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель подходит для диалога по изображениям и ответов на вопросы с визуальным контекстом. Она лицензирована по Apache-2.0. README не сообщает размер модели, длину контекста или конкретные результаты оценки качества.

Ethio-ASR-afrihubert-uf — модель автоматического распознавания речи, созданная в рамках независимого воспроизведения исследования Ethio-ASR в Университете Флориды. Это дообученная на эфиопской части набора WAXAL модель AfriHuBERT с архитектурой HuBERT и CTC-декодированием; она содержит 113,6 млн параметров и распространяется в формате safetensors для Transformers. Модель предназначена для транскрибирования речи на амхарском, тигринья, оромо, сидаама и волайтта. На тестовом разбиении WAXAL указаны WER 35,16% для амхарского, 30,06% для оромо и 34,66% для сидаама при обработке, включающей объединение омографов письма геэз и удаление пунктуации; без такой обработки макро-WER составляет 41,71%. Воспроизведение отстаёт от опубликованного в статье чекпойнта на 1,63%. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но не для коммерческих целей.