I.15Доступность и ассистивные технологии

facebook/mms-tts-tbc — модель синтеза речи для языка Takia (код tbc), созданная в рамках проекта Massively Multilingual Speech компании Facebook. Она преобразует текст в речевую аудиоволну и предназначена для озвучивания текста на Takia. Модель построена на архитектуре VITS: сочетает вариационный автоэнкодер, Transformer-энкодер текста, нормализующие потоки, стохастический предсказатель длительности и декодер на основе HiFi-GAN. Размер модели — около 3,5 млн параметров; она доступна в Transformers и сохранена в форматах PyTorch и Safetensors. Отдельный чекпойнт MMS-TTS обучен для каждого языка. Стохастический предсказатель длительности позволяет получать варианты ритма речи, поэтому для повторяемого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

facebook/mms-tts-tca — модель синтеза речи на языке тикуна (Ticuna, код tca), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт семейства MMS-TTS, который преобразует входной текст в речевую аудиоволну. Модель построена на архитектуре VITS и синтезирует речь сквозным образом. Стохастический предиктор длительности позволяет получать разные ритмические варианты одной фразы; поэтому при одинаковом тексте результат может различаться, а для воспроизводимого вывода нужен фиксированный seed. Веса доступны в форматах PyTorch и safetensors, модель поддерживается библиотекой Transformers версии 4.33 и новее. Модель предназначена для генерации речи на тикуна, например для озвучивания текста и создания речевых интерфейсов. Она содержит 3,6 млн параметров. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческих целях.

facebook/mms-tts-tes — модель синтеза речи на языке тенггер (tes), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт семейства VITS, архитектура которого преобразует входной текст в речевую волну; модель содержит 3,5 млн параметров и доступна для работы через Transformers. Модель предназначена для озвучивания текста на тенггере. VITS объединяет вариационный автоэнкодер, потоковый модуль с текстовым энкодером на основе Transformer, предсказатель длительности и декодер, построенный по принципу HiFi-GAN. Предсказание длительности стохастическое, поэтому при одинаковом тексте возможны варианты ритма и звучания; для воспроизводимого результата требуется фиксированный seed. Распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-tly — модель синтеза речи на языке талыш, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на талышском языке в речевую аудиоволну и предназначена для озвучивания текстов и создания речевых интерфейсов на этом языке. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; для синтеза речи он сочетает текстовый энкодер, вероятностное моделирование длительности и декодер аудиосигнала. Модель доступна через библиотеку Transformers версии 4.33 и выше и распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

facebook/mms-tts-vif — модель синтеза речи для языка Vili (код vif), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на Vili в речевую аудиоволну и предназначена для озвучивания текста и создания речи в приложениях для этого языка. Модель основана на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; синтез выполняется сквозным способом с помощью вариационного автоэнкодера, потокового модуля и декодера, а стохастический предиктор длительности позволяет варьировать ритм речи. Для повторяемого результата требуется фиксировать seed. Модель доступна через Transformers версии 4.33 и новее. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Модель предназначена для Vili и не является многоязычной моделью одного чекпойнта.

facebook/mms-tts-wmw — модель синтеза речи на языке мвани (Mwani, код wmw) из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на мвани. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт семейства MMS-TTS; для синтеза используются стохастический предиктор длительности и декодер аудиосигнала. Модель поддерживается библиотекой Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование на некоммерческих условиях с соблюдением требований лицензии. При одинаковом тексте результат может различаться из-за стохастического синтеза; фиксированный seed позволяет воспроизводить одну и ту же аудиоволну.

facebook/mms-tts-xnr — модель синтеза речи на языке кангри (xnr), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на кангри. Модель использует архитектуру VITS — сквозную систему синтеза речи на основе вариационного автоэнкодера, нормализующих потоков и состязательного обучения. В состав входят текстовый энкодер, предсказатель длительности и декодер, формирующий аудиосигнал. Размер модели — 3,6 млн параметров; доступны веса PyTorch и Safetensors. Предсказатель длительности стохастический, поэтому результат синтеза может меняться между запусками; для повторяемого результата нужен фиксированный seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

lusxvr/nanoVLM-460M-8k — мультимодальная модель для работы с изображениями и текстом, доступная в формате Safetensors и рассчитанная на использование через библиотеку nanoVLM. В README приведён пример загрузки модели из репозитория с помощью класса VisionLanguageModel. Модель предназначена для задач image-text-to-text: она принимает изображение вместе с текстовым запросом и формирует текстовый ответ. Карточка не описывает конкретные сценарии, языки или ограничения качества. Репозиторий распространяется по лицензии MIT.

Salma118/NASAQ4.1 — дообученная мультимодальная модель семейства Gemma 4, разработанная Salma118 на базе unsloth/gemma-4-31b-it-unsloth-bnb-4bit. Модель использует плотную архитектуру Gemma4ForConditionalGeneration и предназначена для диалогового взаимодействия с текстом и изображениями; в метаданных также заявлен интерфейс вызова инструментов. Модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Она подходит для ответов на вопросы по изображениям и сочетания текстовых запросов с визуальным вводом. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Orpheus Urdu — дообученная модель синтеза речи на основе Orpheus 3B от CanopyLabs, адаптированная для урду. Она принимает текст и генерирует речь на урду; автор предлагает её для экспериментов с синтезом речи, включая озвучивание аудиокниг и использование в разговорных системах. Модель основана на плотной архитектуре Llama с классом LlamaForCausalLM и содержит 3,3 млрд параметров. Контекстная длина — до 131 072 токенов. Для обучения использован набор mahwizzzz/UAT из 20,4 тыс. аудиозаписей аудиокниг; дообучение проводилось в течение 10 эпох на RTX 4090. Репозиторий содержит веса в формате Safetensors. Автор помечает модель как экспериментальную и не рекомендует её для производственного использования. Лицензия — MIT.

OTTER-Image-MPT7B — мультимодальная модель семейства OTTER, разработанная исследователями S-Lab Наньянского технологического университета и Microsoft Research. Она предназначена для генерации ответов на текстовые запросы с учетом изображений, например для диалога о содержимом изображения и визуальных вопросов и ответов. Модель построена на архитектуре OtterForConditionalGeneration и использует базу MPT-7B; README предлагает запускать локальную оценку и демонстрацию. Вход включает текст и изображения, выход — текст. Лицензия — MIT. Доступные сведения не уточняют поддерживаемые языки и длину контекста.

ATH-MaaS/Ovis1.5-Gemma2-9B — мультимодальная большая языковая модель архитектуры Ovis, разработанная авторами Ovis. Она объединяет визуальный энкодер SigLIP-400M с языковой моделью Gemma2-9B-It и структурно согласует визуальные и текстовые представления. Модель принимает изображения вместе с текстовыми запросами и формирует текстовые ответы в диалоговом режиме. Модель предназначена для ответов на вопросы по изображениям и других задач визуально-языкового взаимодействия. В сравнении MMTBench-VAL в карточке указана оценка 62,7; авторы также сообщают об открытой публикации обучающих данных, кода обучения и инференса и весов. Репозиторий использует safetensors и библиотеку Transformers. Для запуска README приводит зависимости PyTorch 2.1.2 и Transformers 4.43.2, а также Pillow 10.3.0. Лицензия модели — Apache-2.0. В README рекомендуется использовать более новую версию Ovis2; указанная оценка относится к конкретному бенчмарку и сама по себе не гарантирует качество на других задачах.

ridcl/paperwerk-vqa — дообученная мультимодальная модель для визуальных вопросов и ответов (VQA), основанная на Qwen3-VL-4B-Instruct. Она принимает изображения вместе с текстовыми запросами и формирует текстовые ответы; также поддерживает выдачу ограничивающих рамок объектов в формате [xmin, ymin, xmax, ymax] с координатами в диапазоне 0–1000. Модель предназначена для диалога по изображениям и сценариев, где требуется указать расположение объектов. Модель использует архитектуру Qwen3-VL с 4 млрд параметров и распространяется в формате safetensors для Transformers. В README приведён запуск через vLLM с максимальной длиной последовательности 32768 токенов. Лицензия и целевые языки в предоставленных данных не указаны, поэтому условия использования по ним определить нельзя.

pretrain_dsg_OLA-VLM-CLIP-ViT-Llama3-8b — предварительно обученная мультимодальная модель семейства OLA-VLM, разработанная командой Shi Labs. Она переносит визуальную информацию от целевых энкодеров в промежуточные представления языковой модели и обучается одновременно на задаче предсказания следующего токена и минимизации потерь эмбеддингов на выбранных слоях. Модель предназначена для диалога по изображениям и генерации текстовых ответов с визуальным контекстом. Модель основана на дообученной Meta-Llama-3-8B-Instruct, использует плотную архитектуру OlaLlavaLlamaForCausalLM и содержит 7,5 млрд параметров. Она принимает изображения и текст, выдаёт текст, поддерживает английский язык и контекст до 8192 токенов. Весы доступны в формате Safetensors. Модель подходит для визуально ориентированных мультимодальных сценариев, но карточка не приводит количественных оценок качества или подробных результатов тестирования. Лицензия — Apache-2.0.

Мультимодальная модель семейства Qwen3.5, дообученная ConnorYU на основе ConnorYU/Qwen3.6-27B-VerIH-step200. Она предназначена для диалогов с текстом и изображениями: принимает текстовые запросы и изображения, а в ответ генерирует текст. Метаданные указывают на поддержку интерфейса вызова инструментов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. В карточке нет сведений о размере модели, длине контекста и целевых сценариях обучения.

Модель raselhosen/qwen_finetune_vision_model — дообученная мультимодальная модель семейства Qwen3.5, разработанная raselhosen на базе unsloth/Qwen3.5-0.8B. Она предназначена для диалоговых задач с изображениями: принимает текст и изображения и формирует текстовые ответы. В метаданных также отмечены возможности чата и интерфейс вызова инструментов; модель представлена в формате safetensors и обучалась с использованием Unsloth и библиотеки TRL. Основной язык карточки — английский. Модель распространяется по лицензии Apache-2.0. Размер модели и длина контекста в предоставленных данных не указаны.

SPUPER-qwen3.5-9b-acaciawl-add-owliker1 — дообученная компанией или автором Hahmdong мультимодальная модель семейства Qwen3.5. Согласно карточке, она создана на базе Hahmdong/SPUPER-qwen3.5-9b-acaciawl-add с использованием TRL. Метаданные указывают архитектуру Qwen3_5ForConditionalGeneration, формат safetensors и поддержку диалога с изображениями. Модель предназначена для общения и ответов на запросы, содержащие изображения; пример в карточке также показывает текстовый диалог. Карточка не приводит конкретных результатов оценки качества, языковых характеристик или условий лицензии, поэтому их нельзя уточнить.

bczhou/tiny-llava-v1-hf — компактная визуально-языковая модель семейства TinyLLaVA, разработанная авторами проекта TinyLLaVA. Она принимает изображения вместе с текстовыми запросами и формирует текстовые ответы в диалоговом формате; поддерживает работу с несколькими изображениями и запросами. В карточке репозитория указана архитектура LlavaForConditionalGeneration и сохранение весов в safetensors. Модель предназначена для вопросов об изображениях, их описания и визуального диалога. Проект TinyLLaVA исследует мультимодальные модели малого масштаба; README сообщает о вариантах семейства размером от 1,5 до 3,1 млрд параметров, но точный размер именно этого чекпойнта не приводит. Для запуска требуется соблюдать шаблон USER/ASSISTANT и использовать подходящий режим диалога. В качестве обучающих данных проекта указаны наборы LLaVA и ShareGPT4V; в метаданных для этой карточки отмечены английский и китайский языки. Репозиторий распространяется по лицензии Apache-2.0. Компактность модели не гарантирует точности на сложных визуальных вопросах; численные оценки в README относятся к отдельным вариантам TinyLLaVA, поэтому их нельзя однозначно приписать этому чекпойнту.

VideoLLaMA3-2B-Image-HF — мультимодальная модель семейства VideoLLaMA 3, разработанного Language Technology Lab при Alibaba DAMO Academy; репозиторий lkhl содержит совместимую с Transformers копию весов. Она предназначена для диалога по изображениям: отвечает на вопросы о содержимом, описывает сцены и связывает визуальные сведения с текстом. Модель использует архитектуру VideoLlama3ForConditionalGeneration; исходный вариант VideoLLaMA3-2B-Image построен на Qwen2.5-1.5B-Instruct. В переданных метаданных указаны вход изображений и текстовый диалог, выход — текст; библиотека — Transformers, формат весов — Safetensors. Семейство VideoLLaMA 3 также ориентировано на понимание видео, однако для данного репозитория подтверждена задача image-text-to-text. Карточка копии автоматически сгенерирована и не содержит сведений о лицензии, языках, размере контекста и ограничениях; у оригинальной карточки указан английский язык и лицензия Apache-2.0. Условия оригинала нельзя автоматически переносить на эту копию.

VILA-2.7b — визуально-языковая модель семейства VILA, разработанная авторами исследования VILA. Это плотная модель на архитектуре LlavaLlamaForCausalLM с 2,6 млрд параметров и контекстом 4096 токенов. Она обучалась на чередующихся данных изображений и текста и предназначена для мультимодальных исследований и чат-ботов. Модель принимает текст и изображения и отвечает текстом. Она поддерживает рассуждения по нескольким изображениям, обучение в контексте и визуальную цепочку рассуждений, сохраняя возможности работы с одним текстом. Для запуска на устройствах с ограниченными ресурсами авторы описывают развёртывание через TinyChat с 4-битной квантизацией AWQ, хотя опубликованный репозиторий содержит веса в формате safetensors. Модель обучена в феврале 2024 года. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.

VL-Rethinker-7B — мультимодальная модель TIGER-Lab для ответов на текстовые запросы с учётом изображений и рассуждений по визуальному содержимому. Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct методами GRPO-SSR и Forced Rethinking с использованием набора ViRL39K, подготовленного для мультимодальных рассуждений. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров, поддерживает контекст до 128 000 токенов и рассчитана прежде всего на визуальные вопросы и другие задачи мультимодального reasoning. В README заявлены высокие результаты на мультимодальных бенчмарках, но конкретные показатели здесь не приведены. Модель распространяется по лицензии Apache-2.0.

Многоязычная модель распознавания речи DONDO от Khaya AI для языков южной Ганы. Это модель CTC на архитектуре w2v-BERT 2.0 с 402,7 млн параметров, дообученная для транскрибации речи на английском, адангме, эве, фанте, французском, га, нзема и асанте-тви. Для выбора языка при распознавании требуется передать языковой префикс; автоматического определения языка нет. Модель предназначена для транскрибации речи и дальнейшей адаптации под данные конкретной предметной области. Обучающие данные преимущественно состоят из прочитанных религиозных текстов с проверенными транскрипциями в стандартной орфографии. Заявленная средняя доля ошибок слов на оценочных данных составила 11,4% на этапе Step 2; результаты относятся к близкому обучающему домену, а английская речь в многоязычной версии распознаётся хуже, чем в отдельной англоязычной модели. Модель принимает аудио и выдаёт текст. Распространяется по лицензии Apache-2.0, допускающей коммерческое использование с соблюдением условий лицензии.

Musharaf08/wav2vec2-balti-google-colab — дообученная модель распознавания речи на архитектуре Wav2Vec2ForCTC, основанная на facebook/wav2vec2-base. Она предназначена для преобразования речи в текст; название репозитория указывает на язык балти, однако README не содержит сведений о тренировочном наборе данных или поддерживаемых языках. Модель содержит 113,3 млн параметров и распространяется в формате safetensors через Transformers. В карточке приведены результаты оценки: loss 0,9115 и WER 0,5423. Модель выпущена под лицензией Apache-2.0. Данных о длине аудио, условиях записи и известных ограничениях нет.

janiduchamika/wav2vec2-xls-r-300m-sinhala-general-185k — модель автоматического распознавания речи на архитектуре Wav2Vec2ForCTC. Она содержит 402,7 млн параметров и принимает аудио, выдавая распознанный текст. В README указаны обучение с нуля на датасете, название которого не приведено, и результаты оценки: WER 25,13 и loss 0,1645. Модель предназначена для преобразования речи в текст; название репозитория указывает на сингальский язык. Карточка не описывает условия записи, охват диалектов и конкретные сценарии применения, поэтому качество вне указанного оценочного набора не подтверждено. Лицензия не указана в предоставленных данных.

whispLM-600m — модель распознавания речи для низкоресурсного языка урду, разработанная авторами репозитория. Архитектура объединяет акустический энкодер Whisper-tiny с языковой моделью-декодером Qwen3-0.6B через обучаемый проектор сжатия; обучение проводилось по двухэтапной схеме. Модель принимает аудио и выдаёт текстовую транскрипцию на урду. На тестовой выборке из 1000 примеров модель показала WER 0,5566 и CER 0,2805; авторы сообщают о снижении WER на 5,11% относительно дообученной Whisper-tiny. Для запуска нужны отдельные компоненты encoder/, llm/ и projector.pt: модель несовместима со стандартным интерфейсом transformers.pipeline для распознавания речи. Лицензия — Apache-2.0.

DevQuasar опубликовал GGUF-версию модели Xiaomi MiMo-V2.6-Pro-RL. Модель предназначена для диалогов с текстом и изображениями и поддерживает визуальные запросы в формате image-text-to-text. Каталог указывает, что это дообученная модель Xiaomi MiMo-V2.6-Pro-RL, представленная в формате GGUF F16. Её можно применять в сценариях чата, где нужно задавать вопросы по изображениям и получать текстовые ответы. Сведения о лицензии, поддерживаемых языках и ограничениях качества в предоставленных данных отсутствуют.

azzurra-voice — выразительная модель синтеза речи на итальянском языке, разработанная компанией Cartesia в рамках Azzurra Project. Она предназначена для исследователей, разработчиков и создателей приложений, которым нужны локальные, инклюзивные и ориентированные на человека голосовые интерфейсы. Модель основана на архитектуре sesame/csm-1b и обучена на закрытом наборе данных, включающем тысячи часов высококачественной итальянской речи. Данные охватывают широкий демографический и географический диапазон Италии, включая региональные акценты, различные просодические особенности и разговорные стили. Модель работает с текстом и генерирует аудио с частотой дискретизации 24 000 Гц; интеграция возможна через библиотеку transformers, а для быстрого инференса в реальном времени предлагается реализация csm.rs. К сильным сторонам относятся естественная интонация, выразительность, передача эмоций и более аутентичное звучание итальянской речи по сравнению с роботизированным синтезом. README не содержит подробностей о поддержке других языков, максимальной длине контекста, точных требованиях к ресурсам или количественных оценках качества, поэтому эти характеристики нельзя определить. Модель распространяется как open-weight под лицензией Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0): разрешены распространение и адаптация при указании авторства, запрете коммерческого использования и распространении производных материалов на тех же условиях.

BG-TTS-V7 — модел за синтез на реч от български текст, разработен от beleata74. Това е decoder-only модел на базата на Qwen3-0.6B-Base, дообучен да преобразува текст в поредица от аудио токени MioCodec, които се декодират до реч. Посочени са 520,7 млн. параметра в метаданните и контекст от 32 768 токена; README описва разширение на токенизатора с 12 800 специални речеви токена и обучение върху около 769 часа български аудио. Моделът е предназначен предимно за генериране на българска реч и може да се използва с MioTTS-Inference или с Transformers. README посочва, че може да генерира и английска реч, но с по-ниско качество. Моделът е публикуван под лиценз Apache-2.0. Ограниченията включват сравнително малкия за TTS набор от обучаващи данни, грешки при някои кратки думи и липса на voice cloning чрез промпт. README съобщава за плато на validation loss около 5,06.

FastVLM-0.5B-bf16 — мультимодальная модель для преобразования изображений и текстовых запросов в текстовые ответы. Модель разработана Apple, а данная версия преобразована сообществом mlx-community из оригинальной Apple FastVLM-0.5B в формат MLX для использования на устройствах и системах, совместимых с MLX. Модель предназначена для задач понимания изображений, включая описание содержимого изображения по текстовой инструкции. В карточке указано, что она имеет размер 0,5 млрд параметров, поддерживает сценарий image-text-to-text и использует формат bf16. Конкретные сведения об архитектуре, поддерживаемых языках, размере контекстного окна, производительности и ограничениях в README не приведены. Для запуска рекомендуется пакет mlx-vlm и интерфейс генерации MLX. Модель распространяется по лицензии apple-amlr. Условия и ограничения этой лицензии, а также подробности о применении оригинальной модели следует уточнять в исходной карточке Apple FastVLM-0.5B.

Модель Ambamir/gemma_3_finetune_amb_v2 — дообученная Ambamir версия Gemma 3 4B Instruct с поддержкой изображений. Она предназначена для диалоговых сценариев, в которых нужно совместно анализировать текст и изображения и формировать текстовые ответы. В карточке указано, что обучение проводилось с использованием Unsloth и библиотеки TRL; модель распространяется в формате safetensors по лицензии Apache-2.0. Модель принимает текст и изображения и выдаёт текст. Метаданные указывают английский язык; сведений о длине контекста и конкретной специализации дообучения нет. Поскольку модель основана на Gemma 3 4B Instruct, её возможности и качество могут быть ограничены по сравнению с более крупными моделями; результаты на задачах, отличающихся от обучающих, требуют проверки.