I.15Доступность и ассистивные технологии

facebook/mms-tts-nxq — модель синтеза речи на языке накси (Naxi, nxq), созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текстов на накси. Для каждого языка MMS обучается отдельный чекпойнт. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. Это сквозная система синтеза речи с вариационным автоэнкодером, потоковым модулем, текстовым энкодером на основе Transformer, декодером типа HiFi-GAN и стохастическим предиктором длительности, благодаря которому один и тот же текст может звучать с разным ритмом. Для повторяемой генерации требуется фиксировать seed. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-pss — модель синтеза речи на языке каулунг (Kaulong, pss), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка из семейства MMS-TTS; модель принимает текст и генерирует речевую волну. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, flow-модуль с текстовым энкодером на основе Transformer, стохастический предсказатель длительности и декодер, подобный HiFi-GAN. Размер модели — 3,5 млн параметров. Чекпойнт предназначен для синтеза речи на каулунге; для одинакового результата при повторном запуске требуется фиксировать seed, поскольку предсказание длительности стохастическое. Модель доступна через Transformers версии 4.33 и выше, веса представлены в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

facebook/mms-tts-quc-dialect_central — модель синтеза речи на центральном диалекте языка киче, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на киче в речевую аудиоволну и предназначена для озвучивания текста и создания речевых интерфейсов на этом языке. Модель основана на архитектуре VITS и содержит 3,5 млн параметров. Это отдельный чекпойнт MMS-TTS для указанного языка; он доступен через библиотеку Transformers. Генерация недетерминирована из-за стохастического предсказателя длительности, поэтому для повторяемого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование на её условиях, включая ограничения на коммерческое применение.

facebook/mms-tts-quf — модель синтеза речи на языке кечуа Ламбаеке (quf), созданная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и предназначена для озвучивания текстов и создания речевых интерфейсов на языке с ограниченными ресурсами. Модель использует архитектуру VITS: это сквозная система синтеза речи с вариационным автоэнкодером, потоковыми слоями и декодером на основе свёрточных слоёв. Вариативный предиктор длительности позволяет получать разные ритмические варианты произношения одного текста; из-за стохастической генерации для повторения результата нужен фиксированный seed. Чекпойнт содержит 3,5 млн параметров и работает с текстом на входе, выдавая аудио. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-qwh — модель синтеза речи на языке кечуа, диалекте Уайлас-Анкаш (qwh), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и подходит для озвучивания текстов и создания голосовых сообщений. Модель построена на архитектуре VITS: текстовый энкодер, потоковый модуль и декодер HiFi-GAN формируют речь сквозным образом; предсказатель длительности позволяет варьировать ритм. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; для использования поддерживается библиотека Transformers версии 4.33 и выше. Модель предназначена для языка qwh и не заявлена как многоязычная сама по себе. Из-за стохастического предсказания длительности одинаковый текст может давать разные варианты произношения; фиксированный seed позволяет воспроизводить результат. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-rif-script_latin — модель синтеза речи на тарифитском языке, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на латинской письменности тарифитского языка в речевую аудиоволну и подходит для озвучивания текстов и создания речевых интерфейсов для этого языка. Модель использует архитектуру VITS и обучена сквозным образом; для каждого языка MMS-TTS выпускается отдельный чекпойнт. Размер модели — около 3,5 млн параметров. Стохастический предиктор длительности позволяет получать варианты ритма для одного текста, поэтому для повторяемого результата нужен фиксированный seed. Модель распространяется по лицензии CC BY-NC 4.0.

facebook/mms-tts-sck — модель синтеза речи на языке садри (sck), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на садри. Модель использует архитектуру VITS — сквозную вариационную модель с состязательным обучением и стохастическим предиктором длительности, который позволяет варьировать ритм речи. Для каждого языка проекта MMS обучается отдельный чекпойнт; размер этой модели — 3,6 млн параметров. Она доступна через библиотеку Transformers версии 4.33 и новее. Из-за стохастического предиктора длительности синтез недетерминирован: для повторения того же результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-snn — модель синтеза речи на языке сиона (Siona, код snn), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует текст на сиона в речевой сигнал и подходит для озвучивания текста и создания голосовых интерфейсов на этом языке. Модель использует архитектуру VITS: текстовый энкодер, нормализующие потоки, стохастический предсказатель длительности и декодер на основе HiFi-GAN формируют сквозной тракт от текста к речевой волне. Веса представлены в форматах PyTorch и Safetensors; в метаданных указано 3,5 млн параметров. Для повторяемого результата требуется фиксировать seed, поскольку генерация зависит от случайного предсказания длительности. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-srx — модель синтеза речи на языке сирмаури (srx), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на сирмаури. Это отдельный языковой чекпойнт семейства MMS-TTS. Модель использует архитектуру VITS: условный вариационный автокодировщик с Transformer-энкодером текста, flow-модулем, стохастическим предиктором длительности и декодером на основе HiFi-GAN. Размер модели — 3,6 млн параметров; веса доступны в форматах PyTorch и Safetensors. Из-за стохастического предиктора одинаковый текст может давать разные варианты произношения и ритма; для повторяемого результата требуется фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-stp — модель синтеза речи на языке тепехуан, юго-восточный (stp), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания фраз и текстов на этом языке. Модель построена на архитектуре VITS: использует текстовый энкодер на основе Transformer, потоковый модуль, стохастический предиктор длительности и декодер, похожий на HiFi-GAN; обучение выполнялось сквозным методом. В репозитории указаны 3,5 млн параметров, веса доступны в форматах PyTorch и Safetensors, а для запуска поддерживается библиотека Transformers версии 4.33 и новее. Предсказатель длительности стохастический, поэтому результат может меняться между запусками; для воспроизводимой генерации требуется фиксированное случайное зерно. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Модель hamza-amin предназначена для синтеза речи на урду: она преобразует текст на урду, записанный арабским письмом, в речь. Это дообученная версия facebook/mms-tts-urd-script_arabic из семейства MMS, построенная на архитектуре VITS; размер модели — 3,6 млн параметров. Модель работает через Transformers и подходит для локального или серверного синтеза речи, а также для учебных и исследовательских сценариев. Модель обучалась на наборе codewithdark/urdu-tts. Количественной оценки качества не проводилось, а качество звучания зависит от обучающих данных. Она не предназначена для входного текста на Roman Urdu, других языков, клонирования голоса или идентификации говорящего; пригодность для пользовательского сервиса следует предварительно оценить на слух. Лицензия в предоставленных данных не указана.

facebook/mms-tts-zab — модель синтеза речи для западного долинного сапотекского языка (Zapotec, Western Tlacolula Valley, zab), созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на этом языке в речевую аудиоволну и подходит для озвучивания текстов и разработки речевых интерфейсов для носителей языка. Модель использует архитектуру VITS и обучена отдельно для одного языка. Это сквозная система синтеза речи с текстовым энкодером на основе Transformer, потоковым модулем, декодером и стохастическим предсказателем длительности; размер по метаданным — 3,5 млн параметров. Из-за стохастического предсказания длительности результат может различаться между запусками; для воспроизводимой генерации нужен фиксированный seed. Модель доступна в Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-zza — модель синтеза речи на языке заза (код zza), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для заза из семейства VITS, доступный через библиотеку Transformers версии 4.33 и новее. Модель принимает текст и генерирует речевую аудиоволну; число параметров — около 3,5 млн. VITS работает сквозным образом: текстовый энкодер и flow-модуль формируют акустическое представление, декодер на основе свёрточных слоёв синтезирует волну, а стохастический предиктор длительности позволяет варьировать ритм произношения. Из-за стохастической генерации для повторения того же результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Карточка модели LanguageBind/MoE-LLaVA-StableLM-1.6B-4e-384 на Hugging Face совпадает с карточкой LanguageBind/MoE-LLaVA-Qwen-1.8B-4e, поэтому описание составлено по ней. MoE-LLaVA-Qwen-1.8B-4e — мультимодальная модель семейства MoE-LLaVA, разработанная проектом LanguageBind. Она сочетает языковую модель Qwen с архитектурой смеси экспертов и предназначена для диалогового понимания изображений: модель принимает изображение и текстовый запрос и формирует текстовый ответ. В карточке она приведена как вариант MoE-LLaVA-1.8B×4-Top2; метаданные указывают 2,3 млрд параметров, контекст 8192 токена и формат PyTorch. README сообщает о результатах на наборах для визуальных вопросов и понимания изображений, включая VQAv2, GQA, VizWiz и MM-Bench. Модель доступна по лицензии Apache-2.0. Для работы README приводит требования к среде: Python 3.10 или новее, PyTorch 2.0.1, CUDA 11.7 или новее, Transformers 4.36.2 и Tokenizers 0.15.1.

Muse-Glimmer-30B-Heretic-Abliterated-BF16 — дообученная версия мультимодальной модели Muse-Glimmer-30B, опубликованная mlasli. Она принимает текст и изображения и предназначена для диалогов и анализа изображений. Веса представлены в формате safetensors с точностью BF16; по данным карточки, загрузка требует около 55 ГБ видеопамяти. Базовая модель содержит 29,6 млрд параметров. Модель обработана методом abliteration с помощью Heretic: направление отказа удалялось из представлений на 52 слоях трансформера, параметры подбирались в 500 испытаниях Optuna, затем адаптеры LoRA были объединены с весами. В карточке сообщается о снижении доли отказов до 6,5% и KL-дивергенции 0,076. Модель рассчитана на английский язык. Лицензия — Apache-2.0.

Nemotron-Labs-Audio-Visual Flamingo (AVF-Instruct) — открытая аудиовизуальная языковая модель, разработанная NVIDIA и Университетом Мэриленда для совместного анализа и рассуждений по речи, звукам, изображениям и видео. Она принимает текстовые запросы вместе с аудио, изображениями и видеоматериалами, а в ответ генерирует текст. Архитектура объединяет визуальный энкодер SigLIP, аудиоэнкодер AF-Whisper, отдельные проекторы для аудио и визуальных признаков и декодер семейства Qwen2.5-7B. Синхронизированные аудио- и видеоданные объединяются с учётом временной последовательности. Модель ориентирована на английский язык; для длинных видео заявлена обработка до 15 минут и контекст до 32K токенов. Модель предназначена для вопросов и ответов по видео, аудиовизуального описания, анализа последовательности событий и сопоставления звуков с визуальными моментами. Ей могут быть сложны очень длинные и насыщенные видео, особенно когда нужные свидетельства редки или удалены друг от друга во времени; обучающие данные также могут содержать смещения и пересечения с ранее использованными данными. Интеграция с Transformers доступна через форк. Лицензия NVIDIA OneWay Noncommercial License разрешает только некоммерческое исследовательское использование.

asif00/orpheus-bangla-tts — экспериментальная версия Orpheus 3B, дообученная для синтеза речи на бенгальском языке. Модель основана на LlamaForCausalLM и содержит 3,3 млрд параметров; для обучения использовался датасет SUST-CSE-Speech/banspeech с 955 аудиофрагментами из аудиокниг, а обучение в течение 10 эпох проводилось на одной T4 GPU в Google Colab. Модель предназначена для преобразования бенгальского текста в речь, в том числе для экспериментов с озвучиванием аудиокниг, разговорными системами и синтезом речи. В метаданных указан контекст 131072 токена и формат safetensors. README характеризует модель как proof of concept: из-за малого объёма обучающих данных и ограниченного обучения естественность и точность синтеза могут меняться в зависимости от текста. Лицензия — Apache-2.0.

pwcosmos/pwcosmos-v-v5 — дообученная модель pwcosmos на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit. Это плотная мультимодальная модель семейства Gemma 4 для диалоговой работы с текстом и изображениями; карточка указывает обучение с использованием Unsloth и библиотеки TRL. Модель подходит для визуальных вопросов и других сценариев, где нужно сформировать текстовый ответ по изображению и запросу. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. В метаданных указан английский язык. Карточка не описывает конкретные результаты дообучения или специализированную предметную область, поэтому назначение модели ограничивается общими сценариями image-text-to-text.

noctrex публикует MXFP4-квантизированные варианты Qwen3.6-35B-A3B с поддержкой multi-token prediction (MTP). Это мультимодальная MoE-модель на базе Qwen/Qwen3.6-35B-A3B, предназначенная для диалогов и анализа изображений; в карточке Hugging Face указана задача image-text-to-text и возможность vision. Репозиторий содержит варианты GGUF в форматах BF16 и F16; README также описывает вариант Q8 и рекомендует запуск через llama.cpp с режимом draft-mtp. Варианты различаются обработкой тензоров помимо MoE-весов MXFP4 и компромиссом между качеством, скоростью и размером. Модель подходит для ответов на вопросы по изображениям и мультимодальных диалогов. README приводит размеры вариантов BF16 и F16 — 21,39 ГиБ, Q8 — 19,71 ГиБ, но не сообщает размерность параметров, длину контекста или поддерживаемые языки. Лицензия в предоставленных данных не указана.

Это производная мультимодальной модели Qwen3.8-27B, подготовленная сообществом QQZ2026 для запуска через llama.cpp в формате GGUF. В репозитории размещены варианты NVFP4/Q5K с физически удалённым слоем MTP и соответствующий проектор изображений F16; сохранённые тензоры скопированы без повторной квантизации. Проект не является официальным выпуском Qwen, NVIDIA, Hugging Face или llama.cpp. Модель предназначена для диалогов с изображениями и их анализа. Автор описывает профиль запуска на видеокарте NVIDIA GeForce RTX 5060 Ti с 16 ГБ видеопамяти: текстовая часть размещается на GPU, проектор изображений — в оперативной памяти, а число токенов изображения ограничивается 4096. В конфигурации с общим KV-кэшем на 66 тыс. токенов проверялась параллельная обработка запросов; скорость декодирования на GPU в отдельных тестах составляла около 25,9 токена в секунду. Профиль чувствителен к конфигурации оборудования и программного обеспечения: после прогрева оставалось около 74 МиБ свободной видеопамяти, поэтому другие CUDA-нагрузки или иные параметры могут привести к нехватке ресурсов. Без ограничения токенов изображения запросы с динамическим разрешением могут превысить доступную ёмкость контекста. README не сообщает условия лицензии; перед использованием следует проверить лицензию базовой модели и самого репозитория.

Qwen3-VL-4B-Thinking-abliterated-v1 — мультимодальная модель PrithivMLmods, дообученная на основе Qwen/Qwen3-VL-4B-Thinking. Она принимает изображения вместе с текстовыми запросами и генерирует подробные описания и рассуждения о визуальном содержимом, в том числе о сложных, стилизованных и чувствительных изображениях. Модель поддерживает разные пропорции и разрешения изображений и позволяет получать как краткие сводки, так и детальные описания. Модель предназначена для описания изображений, визуального анализа, творческих сценариев и исследований модерации и безопасности. Она рассчитана прежде всего на английский язык; мультиязычные запросы возможны, но зависят от формулировки запроса. Модель распространяется в формате safetensors и лицензирована по Apache-2.0. Вариант abliterated настроен на обход стандартных фильтров и может выдавать откровенные, чувствительные или оскорбительные описания. Точность может снижаться на незнакомых, синтетических и абстрактных изображениях, а стиль и ход рассуждений зависят от запроса; модель не подходит для систем, которым требуется строгая модерация контента.

QwENDEAVR-VL — мультимодальная модель на основе Qwen2-VL, опубликованная prakcoin и дообученная от unsloth/qwen2-vl-7b-instruct-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL от Hugging Face. Модель поддерживает диалоговый режим и принимает текст вместе с изображениями, чтобы отвечать на запросы о визуальном содержимом. Модель с плотной архитектурой Qwen2-VL насчитывает 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке указана лицензия Apache-2.0. Данные о специализированной области применения и результатах оценки качества не приведены.

Это GGUF-сборка MXFP4-квантования модели jamiefutch/Qwopus3.6-35B-A3B-v1-MTP-MXFP4_MOE-GGUF, основанная на дообученной Jackrong/Qwopus3.6-35B-A3B-v1. Она предназначена для диалогов с анализом изображений; в README указана версия с multi-token prediction (MTP), рассчитанная на ускорение генерации при использовании llama.cpp и соответствующих настроек спекулятивного декодирования. Базовая модель относится к мультимодальным MoE-моделям семейства Qwen3.5. В репозитории представлены варианты MXFP4 для весов MoE с остальными тензорами в BF16, F16 или Q8; README приводит размеры от 19,71 до 21,39 GiB и отмечает компромисс между качеством, скоростью и требованиями оборудования. Модель принимает текст и изображения и выдаёт текст. Данные не сообщают поддерживаемые языки или длину контекста. Лицензия в предоставленных сведениях не указана.

SenseNova-SI-1.1-Qwen2.5-VL-3B — мультимодальная модель SenseNova, дообученная на базе Qwen/Qwen2.5-VL-3B-Instruct для развития пространственного понимания. Она принимает изображения и текстовые запросы, а ответы формирует на естественном языке; модель подходит для диалогового анализа сцен и решения задач на пространственное мышление. В основе — плотная архитектура Qwen2.5-VL с 3,1 млрд параметров и контекстом до 128 000 токенов. Карточка SenseNova-SI описывает обучение на корпусе SenseNova-SI-8M и высокие результаты семейства на нескольких бенчмарках пространственного интеллекта, а также сохранение сильного общего мультимодального понимания. В приведённом обзоре эти результаты относятся к семейству в целом, поэтому их нельзя однозначно приписать именно версии 3B. Модель распространяется в формате safetensors по лицензии Apache-2.0.

SenseNova-SI-1.1-Qwen3-VL-8B — мультимодальная модель для пространственного понимания, разработанная командой SenseNova на основе Qwen3-VL-8B-Instruct. Она дообучена на наборе SenseNova-SI-8M, содержащем восемь миллионов разнообразных примеров, отобранных по таксономии пространственных способностей. Модель принимает текст и изображения и предназначена для диалогового анализа визуальных сцен, пространственных отношений и задач визуального рассуждения. Модель относится к семейству Qwen3-VL и использует плотную архитектуру Qwen3VLForConditionalGeneration. В README семейство SenseNova-SI описано как сохраняющее сильные возможности общего мультимодального понимания и показывающее результаты на тестах пространственного интеллекта; конкретные показатели в карточке относятся к семейству в целом и не выделены для этой версии. Модель распространяется по лицензии Apache-2.0. Данных о размере контекста и поддерживаемых языках для данной версии в предоставленных источниках нет.

Модель Prince Nasamu Alhassan — дообученная версия VITS для синтеза речи на языке эве из текста. Она создана на основе facebook/mms-tts-ewe и обучена в течение 20 тысяч шагов на корпусах bibletts_ewe_hifi и waxal_ewe_tts. Модель предназначена для озвучивания фраз и коротких сообщений на эве; размер по метаданным — 3,6 млн параметров. Для запуска в README описано использование Transformers и VitsModel. Обучающие данные преимущественно состоят из библейских текстов, поэтому голос и формулировки могут лучше соответствовать этому регистру, чем повседневной речи. Токенизатор посимвольный: символы вне его словаря молча удаляются. Перед синтезом следует переводить текст в нижний регистр и записывать числа словами; для эве в README указано отсутствие потери символов на проверенной выборке после такой нормализации. Модель заявлена как исследовательская работа с хакатона, а не поддерживаемый продукт. Лицензия — CC BY-NC 4.0, использование ограничено её условиями, включая некоммерческое применение.

VAETKI-VL-7B-A1B — мультимодальная модель зрения и языка, разработанная консорциумом NC-AI при участии ETRI и Korea University. Она объединяет авторегрессионную языковую модель VAETKI, визуальный энкодер RICE-ViT и FFN и предназначена для эффективного инференса и диалоговых задач с изображениями. Модель построена на архитектуре MoE: при общем размере 7,58 млрд параметров активируется около 1,2 млрд параметров языковой части; используются 64 эксперта, из которых активны 5. Визуальный энкодер содержит 0,33 млрд параметров. Контекст — 16 тыс. токенов. Модель обучалась в три этапа: выравнивание проектора, базовое и расширенное дообучение с инструкциями на мультимодальных данных. Поддерживаемые языки — корейский и английский. Лицензия MIT. Модель подходит для диалогов по изображениям и ответов на визуальные вопросы. Она может выдавать неточные или неполные ответы и галлюцинировать, особенно при неоднозначных запросах; у неё есть ограничения в многошаговых рассуждениях, точных вычислениях и генерации корректного кода. В README модель не рекомендуется для критически важных и регулируемых решений.

VLAA-Thinker-Qwen2VL-2B — компактная модель компьютерного зрения и языка, разработанная проектом VLAA на архитектуре Qwen2VL. Она принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы; модель предназначена для диалоговых сценариев с визуальными данными и рассуждений по изображениям. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2VL и рассчитана на контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors, модель работает через Transformers и поддерживает чат с изображениями. В README модель связывается с исследованием раннего обучения рассуждающих визуально-языковых моделей по подходу R1. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Подробные сведения о поддерживаемых языках и точности на отдельных задачах в предоставленных материалах отсутствуют.

Marxav/wav2vec2-large-xlsr-53-breton — модель распознавания речи на основе архитектуры wav2vec2, дообученная для бретонского языка на обучающей и проверочной выборках Common Voice. Она принимает аудио и преобразует речь в текст; в карточке приведены примеры распознавания и результат оценки 43,43% на тестовых данных Common Voice. Модель содержит около 402,7 млн параметров и доступна в форматах PyTorch и Flax. Модель подходит для транскрибирования записей речи на бретонском языке и экспериментов с распознаванием речи. Распознавание в примере выполняется без языковой модели. Распространяется по лицензии Apache-2.0.

Модель sakares/wav2vec2-large-xlsr-thai-demo — дообученная разработчиком sakares версия facebook/wav2vec2-large-xlsr-53 для распознавания тайской речи. Она построена на архитектуре Wav2Vec2ForCTC и содержит 402,7 млн параметров; обучалась на данных Common Voice. Модель принимает аудио, записанное с частотой дискретизации 16 кГц, и преобразует речь в текст без языковой модели. Модель предназначена для автоматической транскрипции тайской речи и оценки качества распознавания на тестовой выборке Common Voice. В README приведён тестовый результат 44,46%, но метрика не уточнена. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.