I.15Доступность и ассистивные технологии

Whisper Medium Vaani Kannada — модель распознавания речи, дообученная ARTPARK-IISc на базе openai/whisper-medium с использованием датасета ARTPARK-IISc/Vaani. Модель предназначена для преобразования аудиозаписей на каннада в текст. Модель построена на архитектуре Whisper и содержит 455,8 млн параметров. Она принимает аудио и выдаёт текст; в карточке указана поддержка задачи automatic-speech-recognition и тег языка kn. Модель опубликована в формате safetensors под лицензией MIT.

Ivydata/whisper-small-japanese — модель распознавания японской речи, созданная дообучением openai/whisper-small на датасетах Common Voice, JVS и JSUT. Это плотная модель архитектуры Whisper с 153,1 млн параметров, предназначенная для преобразования аудио в текст. Для распознавания входная речь должна быть дискретизирована с частотой 16 кГц. В карточке приведён результат оценки на наборе TEDxJP-10K: Character Error Rate (CER) составляет 23,10%. Модель рассчитана на японский язык. Она распространяется по лицензии Apache-2.0.

BrianMwangi/African-Kikuyu-TTS — модель синтеза речи на языке кикуйю (гĩкуйю), размещённая Brian Mwangi на Hugging Face на основе facebook/mms-tts-kik из проекта Massively Multilingual Speech компании Facebook. Это компактная модель VITS на 3,5 млн параметров, принимающая текст и генерирующая речь; в репозитории веса представлены в формате safetensors. Модель предназначена для озвучивания фраз на кикуйю, в том числе в приложениях для изучения языка, доступности и цифрового сохранения языка. Модель ориентирована на кикуйю, распространённый в центральной Кении язык. Она доступна по лицензии CC BY-NC 4.0, которая требует указания авторства и ограничивает коммерческое использование. Качество зависит от исходных данных MMS: возможны ошибки на незнакомых словах и различия в произношении между диалектами.

BuzzASR/armenian — одноязычная модель автоматического распознавания армянской речи, разработанная как часть набора BuzzASR и созданная полным дообучением openai/whisper-large-v3 с заменой токенизатора на армянский и мультитасковым дообучением на текстовых данных. Она преобразует аудио в текст; языковая и задачная подсказка встроена в конфигурацию генерации. Модель содержит 907,3 млн параметров и использует архитектуру Whisper. Модель предназначена для транскрибации армянской речи. В описанных тестах FLEURS и Common Voice 25 она показала CER 3,72% и 0,65% соответственно, а на объединённом тестовом наборе — CER 2,28% и WER 7,51%; эти результаты сравниваются с нулевым запуском Whisper large-v3. Обучение использовало FLEURS, Common Voice Corpus 25.0 и текстовые данные Goldfish. Модель ограничена армянским языком; качество на других предметных областях и диалектах может отличаться от результатов тестирования. Лицензия — MIT.

arif11/bangla-ASR-v5 — модель автоматического распознавания речи на бенгальском языке, созданная дообучением openai/whisper-small на наборе Mozilla Common Voice 13. Это модель семейства Whisper с архитектурой WhisperForConditionalGeneration и 153,1 млн параметров; она принимает аудио и выдаёт текстовую транскрипцию. Модель предназначена для преобразования бенгальской речи в текст, в том числе для транскрибирования записей и аудио из голосовых сервисов. В README приведены результаты оценки на тестовой выборке: loss 0,1503 и WER 36,6982. Репозиторий распространяется по лицензии Apache-2.0.

Ethio-ASR Tigrinya — модель автоматического распознавания речи, разработанная командой Ethio-ASR. Это монолингвальная модель на архитектуре wav2vec2-bert-2.0 с CTC-декодированием, дообученная на тигриньяской части набора WAXAL Speech Dataset. Она содержит около 403,1 млн параметров и принимает аудио, выдавая текст на тигринья. Модель предназначена для транскрибирования речи на тигринья, в том числе как компонент голосовых помощников и средств доступности, а также как исследовательская базовая модель. В README приведены результаты оценки на тестовом наборе WAXAL, но не указано значение WER именно для этой версии репозитория. Разработчик указывает, что модель не предназначена для языков, кроме тигринья, для шумной речи без предварительного улучшения аудио и для высокорисковых сценариев без проверки человеком. Качество может различаться в зависимости от диалекта, пола и возраста говорящего, а также условий записи. Лицензия — CC-BY-4.0.

BuzzASR/korean — специализированная модель автоматического распознавания корейской речи, созданная как часть набора BuzzASR. Это дообучение Whisper large-v3 от OpenAI с исходным токенизатором Whisper; модель содержит около 905,2 млн параметров и работает с аудио на входе, выдавая текст на корейском языке. Модель предназначена для транскрибации корейской речи. В README приведены результаты на тестовых наборах FLEURS и Common Voice 25: нормализованный CER составляет 5,16% и 4,24% соответственно, а на объединённом наборе — 4,61%. По заявлению авторов, это лучший результат среди сравниваемых ими открытых систем; на других доменах и диалектах качество может отличаться. Модель распространяется по лицензии MIT. Она одноязычная и обучалась на данных FLEURS, Common Voice Corpus 25.0 и текстовых данных Goldfish.

facebook/mms-tts-eng — англоязычная модель синтеза речи проекта Massively Multilingual Speech, разработанная Facebook. Она преобразует входной текст на английском языке в речевую аудиоволну и предназначена для приложений озвучивания и генерации речи. Модель построена на архитектуре VITS: это сквозная система с вариационным автоэнкодером, Transformer-энкодером текста, модулем предсказания длительности и декодером на основе HiFi-GAN. Чекпойнт содержит 3,5 млн параметров и доступен для работы через Transformers версии 4.33 и новее. Стохастический предсказатель длительности позволяет получать варианты ритма и произношения для одного текста, поэтому для повторяемого результата требуется фиксировать seed. Репозиторий содержит веса PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-por — модель синтеза речи на португальском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текстов на португальском языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это сквозная система синтеза речи с вариационным автоэнкодером, flow-модулем и HiFi-GAN-подобным декодером; стохастический предсказатель длительности позволяет варьировать ритм произношения. Для повтора идентичного результата требуется фиксировать seed. Модель поддерживается библиотекой Transformers версии 4.33 и выше. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-swe — модель синтеза речи на шведском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на шведском языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; для синтеза используются текстовый энкодер, потоковый модуль, декодер HiFi-GAN и стохастический предсказатель длительности. Генерация недетерминирована: для воспроизводимого результата нужен фиксированный seed. Модель доступна через Transformers версии 4.33 и выше. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

MuzaffarSharofitdinov/mms-tts-uzbek — компактная модель синтеза речи из текста для узбекского языка, опубликованная пользователем MuzaffarSharofitdinov на Hugging Face. По метаданным модель относится к задачам text-to-audio, использует архитектуру VITS и библиотеку Transformers. Размер модели составляет около 3,5 млн параметров, что делает её подходящей для запуска в средах с ограниченными вычислительными ресурсами. Модель предназначена для преобразования узбекского текста в аудиоречь и может использоваться в голосовых интерфейсах, озвучивании текстов, прототипах TTS-сервисов и приложениях доступности. README не содержит сведений о разработчике, обучающих данных, оценке качества, ограничениях, лицензии или рекомендуемых параметрах использования, поэтому качество произношения, поддерживаемые варианты узбекского языка и условия коммерческого применения необходимо проверять отдельно.

Moondream 3 (Preview) — мультимодальная модель Moondream для анализа изображений и работы с текстом. Она принимает изображение и текстовый запрос, а также может использоваться как универсальная текстовая модель. Архитектура — Mixture of Experts: 9 млрд параметров всего, из них 2 млрд активны; визуальный энкодер основан на SigLIP. Модель имеет 24 слоя и контекстное окно до 32 тысяч токенов. Модель предназначена для ответов на вопросы об изображениях, создания подписей, поиска точек объектов и обнаружения объектов с ограничивающими рамками. Режим рассуждений включён по умолчанию; его можно отключить для простых запросов. Для локального запуска предлагается Transformers с FlexAttention, а также доступен облачный API. Moondream 3 выпущена как Preview, поэтому качество и поведение могут измениться. Веса распространяются по Business Source License 1.1 с Additional Use Grant: разрешены личное и исследовательское применение, внутреннее производственное использование и большинство коммерческих сценариев, но платные сервисы, конкурирующие с предложениями M87 Labs, требуют отдельного соглашения.

PaliGemma 2 28B PT 896 — базовая мультимодальная модель Google для обработки изображений и текста. Она объединяет визуальную модель SigLIP с языковой моделью Gemma 2 и принимает изображения размером до 896 × 896 пикселей вместе с текстом; на выходе генерирует текст. Модель доступна в формате bfloat16 для дообучения, а последовательности входного и выходного текста рассчитаны на 512 токенов. Модель предназначена прежде всего для дообучения под задачи компьютерного зрения и языка: создания подписей к изображениям и коротким видео, ответов на вопросы по изображению, чтения текста, обнаружения и сегментации объектов. Среди возможных специализированных сценариев — анализ спутниковых снимков, описание элементов интерфейса и помощь людям с нарушениями зрения. Для разметки рамками и масками требуется соответствующая настройка задачи. PaliGemma 2 разработана Google и основана на открытых компонентах; поддерживает несколько языков, но карточка не перечисляет их коды. Это модель для одного раунда взаимодействия, а не многоходовый чат-бот. Она может ошибаться в фактах и сложных рассуждениях, хуже справляться с расплывчатыми запросами, а качество без дообучения на конкретную задачу может быть ниже, чем у специализированных моделей. Использование регулируется условиями Gemma и политикой запрещённого использования Gemma.

Pashto Ghag — модель автоматического распознавания речи на пушту, созданная разработчиком проекта Pashto Ghag путём дообучения OpenAI Whisper medium. Модель содержит 455,8 млн параметров и принимает аудио, выдавая текстовую расшифровку на пушту. Для обучения использовались 54,4 часа проверенных записей Pashto Common Voice с нормализованными транскрипциями; опубликован чекпойнт, выбранный по результатам сравнения нескольких вариантов. На трёх отложенных наборах сбалансированный средний WER составил 14,63%.

S2T-MEDIUM-LIBRISPEECH-ASR — модель распознавания речи семейства Speech to Text Transformer (S2T), опубликованная в репозитории Facebook на Hugging Face. Это последовательная модель encoder-decoder на базе Transformer с 55,5 млн параметров: она принимает акустические признаки речи и авторегрессионно генерирует текстовую расшифровку. Модель предназначена для автоматического распознавания английской речи, прежде всего чтения вслух. Она обучена на корпусе LibriSpeech ASR объёмом около 1000 часов: аудио 16 кГц преобразуется в 80-канальные log-mel признаки, а текст нормализуется в нижний регистр и токенизируется SentencePiece. На тестах LibriSpeech указаны WER 3,5 для clean и 7,8 для other. Модель принимает аудио через акустические признаки и выдаёт текст. Она рассчитана на английскую речь в стиле LibriSpeech; результаты для других языков, шумных бытовых записей и сценариев, отличающихся от чтения, не подтверждены приведёнными данными. Лицензия — MIT.

Карточка модели prince-canuma/Spark-TTS-0.5B на Hugging Face совпадает с карточкой SparkAudio/Spark-TTS-0.5B, поэтому описание составлено по ней. Spark-TTS — двуязычная модель синтеза речи от команды SparkAudio, построенная на архитектуре Qwen2.5. Она использует LLM для предсказания речевых токенов и восстанавливает по ним аудио без отдельной модели генерации акустических признаков; размер модели в карточке указан как 0,5 млрд параметров. Модель предназначена для преобразования текста в естественно звучащую речь на китайском и английском языках. Она поддерживает клонирование голоса без отдельного обучения на голосе говорящего, в том числе между языками и при переключении языков, а также настройку виртуального голоса по параметрам пола, высоты тона и скорости речи. Spark-TTS подходит для персонализированного синтеза речи, вспомогательных технологий и лингвистических исследований. README сообщает о применимости для исследовательских и производственных сценариев, но отмечает, что код обучения и датасет VoxBox ещё не выпущены. Лицензия — CC BY-NC-SA 4.0; проект предназначен для академического, образовательного и иного правомерного использования.

ewigeki/speecht5_tts_common_voice_uk — модель синтеза речи из текста на украинском языке, созданная дообучением SpeechT5 на данных Common Voice. Она использует архитектуру SpeechT5ForTextToSpeech и распространяется в форматах PyTorch и safetensors. Модель предназначена для преобразования украинского текста в речь. В карточке приведена таблица транслитерации украинских символов, включая Є, І и Ї, что указывает на обработку украинской письменности при подготовке текста. Базовая модель SpeechT5 была дообучена Microsoft на LibriTTS для синтеза речи. Модель распространяется по лицензии MIT. Доступные сведения не описывают качество синтеза, поддерживаемые голоса или длину входного текста.

NVIDIA FastConformer-Hybrid Large (ka) — модель распознавания речи на грузинском языке, разработанная NVIDIA и предназначенная для использования с инструментарием NeMo. Она преобразует монофонические аудиозаписи WAV с частотой 16 кГц в текст на грузинском письме; результат включает пробелы и знаки препинания: точки, запятые и вопросительные знаки. Модель построена на архитектуре FastConformer и содержит около 115 млн параметров. Это гибридный чекпойнт, обученный с функциями потерь Transducer и CTC, поэтому распознавание доступно в обоих режимах. Для обучения использовали около 163 часов грузинской речи из Mozilla Common Voice 17.0 и Google Fleurs. В README приведены значения WER 5,73% на тесте Common Voice и 13,44% на тесте Fleurs при жадном декодировании Transducer. Модель подходит для транскрибации грузинской речи и может служить предобученной основой для дообучения на других данных. Качество может снижаться на технической лексике, разговорных вариантах речи и акцентированной речи. Лицензия — CC BY 4.0.

Tamil ASR Qwen3 — модель распознавания речи, разработанная LemuraLabs и дообученная на базе Qwen/Qwen3-ASR-1.7B для транскрибации тамильской речи. Это генеративная ASR-архитектура с аудиоэнкодером и декодером Qwen3 на 1,7 млрд параметров; принимает монофоническое аудио с частотой 16 кГц и выдаёт текст на тамильском языке. Для декодирования автор рекомендует beam search с пятью лучами. Модель предназначена для расшифровки разговорной и прочитанной речи, голосовых интерфейсов, создания субтитров и автоматизированных конвейеров транскрибации. На тестовой части FLEURS-Tamil автор сообщает WER 25,27% и CER 7,95% на 586 клипах; результаты заявлены как лучшие относительно указанных в карточке IndicConformer-600M и Whisper-large-v3 при общей нормализации текста. Модель обучалась примерно на 1 475 часах тамильской речи из IndicVoices, Shrutilipi и Kathbath. Она ориентирована только на тамильский язык; качество может снижаться на сильно зашумлённой, удалённой или смешанной по языкам речи, а также зависеть от диалекта, предметной области и характеристик диктора. Лицензия — Apache-2.0.

bengaliAI/tugstugi_bengaliai-asr_whisper-medium — модель распознавания речи, опубликованная Bengali.AI. Она предназначена для преобразования аудиозаписей в текст и доступна для запуска через Transformers как задача automatic-speech-recognition. Модель построена на архитектуре WhisperForConditionalGeneration семейства Whisper и содержит около 455,8 млн параметров. В репозитории указана лицензия Apache-2.0. Карточка модели практически не содержит описания обучения и результатов, поэтому нельзя подтвердить её качество на конкретных вариантах бенгальского языка или других языках. Конфигурация ограничивает декодирование 448 токенами; модель принимает аудио и выдаёт текст.

Omarrran/turkish_finetuned_speecht5_tts — модель синтеза речи из текста, созданная дообучением Microsoft SpeechT5 на турецком речевом наборе данных erenfazlioglu/turkishvoicedataset. Она предназначена для озвучивания турецких текстов в приложениях доступности, обучающих сервисах, голосовых помощниках и системах объявлений. Модель использует архитектуру SpeechT5 и опубликована в формате Safetensors; в README приведены примеры синтеза и результаты обучения, включая снижение валидационной ошибки. README сообщает об ускорении инференса после квантизации, однако метаданные этого репозитория указывают формат Safetensors и не подтверждают, что здесь размещена квантованная версия. Авторы README отмечают ограничения в разнообразии данных и фонетическом покрытии турецкой речи, а также необходимость дальнейшей оценки качества. Модель распространяется по лицензии MIT.

BuzzASR/urdu — одноязычная модель автоматического распознавания речи на урду, разработанная в рамках набора BuzzASR и дообученная из openai/whisper-large-v3. Она принимает аудио и генерирует текстовую транскрипцию; модель построена на архитектуре Whisper large-v3 и содержит 905,2 млн параметров. Для распознавания используется токенизатор Whisper, а языковая и задачная подсказка встроена в конфигурацию генерации. Модель предназначена для транскрибации речи на урду. На тесте FLEURS указаны CER 7,5% и WER 21,8%; на объединённом тесте — CER 9,24% и WER 26,77%. Обучение использовало FLEURS и текстовые данные корпуса Goldfish. Модель оценивалась на тестовых разделах FLEURS и Common Voice, поэтому качество на других тематиках, диалектах и акустических условиях может отличаться. Лицензия — MIT.

Harveenchadha/vakyansh-wav2vec2-punjabi-pam-10 — модель распознавания речи на базе архитектуры wav2vec2, дообученная на многоязычной предварительно обученной модели CLSRIL-23. Она преобразует аудиоречь на панджаби в текст и может применяться для транскрибации записей и построения систем распознавания речи. Модель содержит 113,3 млн параметров и представлена в формате PyTorch; входное аудио должно иметь частоту дискретизации 16 кГц. Распознавание выполняется без языковой модели, поэтому в некоторых случаях возможен повышенный показатель ошибок слов. Модель выпущена под лицензией MIT.

BuzzASR/Vietnamese — специализированная модель автоматического распознавания речи на вьетнамском языке, разработанная как часть набора из 102 языковых ASR-моделей BuzzASR. Она дообучена методом простого fine-tuning от openai/whisper-large-v3 с сохранением токенизатора Whisper и настройкой только для распознавания речи. Модель использует архитектуру Whisper large-v3 с 905,2 млн параметров и принимает аудио, выдавая текстовую транскрипцию. Модель предназначена для транскрибации вьетнамской речи. В тестах README указаны CER 3,73% и WER 7,26% на FLEURS, а также CER 5,38% и WER 10,68% на комбинированном тестовом наборе; результаты зависят от данных и условий оценки. Обучение включало FLEURS и текстовые данные корпуса Goldfish. Модель распространяется по лицензии MIT.

Xenova/vit-gpt2-image-captioning — это модель для автоматического создания текстовых описаний изображений. Она основана на nlpconnect/vit-gpt2-image-captioning, разработана для использования с библиотекой Transformers.js и содержит веса в формате ONNX, совместимом с этим окружением. Репозиторий Xenova предоставляет веб-совместимое представление исходной модели. Модель предназначена для задач image captioning: по изображению она генерирует текстовое описание, что подходит для автоматической аннотации изображений и интеграции функций компьютерного зрения в веб-приложения. В README не указаны точные размеры модели, параметры архитектуры, поддерживаемые языки, максимальная длина контекста, дополнительные модальности или конкретные показатели качества. Ключевое ограничение — модель ориентирована на описание изображений и не предназначена для общего диалога или генерации произвольного текста. Лицензия в предоставленных данных не указана, поэтому условия использования необходимо уточнять в карточке исходной модели nlpconnect/vit-gpt2-image-captioning и связанных файлах репозитория.

wav2vec2-large-xls-r-300m-lithuanian — модель распознавания литовской речи, дообученная infinitejoy на базе facebook/wav2vec2-xls-r-300m на литовской части Common Voice 7.0. Это аудиомодель на архитектуре Wav2Vec2ForCTC с 402,7 млн параметров, предназначенная для преобразования речи в текст. В README приведены результаты на тестовой выборке: WER 0,2486 и loss 0,1722. Модель подходит для транскрибирования записей и голосовых фрагментов на литовском языке. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Подробные сведения о рекомендуемых условиях применения и ограничениях в карточке отсутствуют.

Модель anton-l/wav2vec2-large-xlsr-53-estonian — дообученная на эстонском языке версия facebook/wav2vec2-large-xlsr-53, созданная на данных Common Voice. Это модель распознавания речи на базе Wav2Vec2 с архитектурой Wav2Vec2ForCTC и 402,7 млн параметров; она принимает аудио и преобразует эстонскую речь в текст. Для распознавания входную речь следует подавать с частотой дискретизации 16 кГц. Модель можно запускать без языковой модели; в README указано значение оценки 30,74% на тестовых данных Common Voice, но метрика не уточнена. Модель предназначена для транскрибирования записей на эстонском языке и построена на обучающих и валидационных данных Common Voice. Репозиторий содержит веса PyTorch и Flax. Лицензия — Apache-2.0.

anton-l/wav2vec2-large-xlsr-53-romanian — модель распознавания речи на базе facebook/wav2vec2-large-xlsr-53, дообученная на румынском языке разработчиком anton-l с использованием Common Voice. Она преобразует аудиоречь в текст и подходит для транскрибирования записей на румынском языке. Архитектура — Wav2Vec2ForCTC с 402,7 млн параметров; доступны веса PyTorch и Flax. Для входной речи требуется частота дискретизации 16 кГц. Модель рассчитана на автоматическое распознавание румынской речи; в карточке приведён результат оценки 24,84% на тестовой части Common Voice, но не уточнена метрика. Распространяется по лицензии Apache-2.0.

lgris/wav2vec2-podcasts-tagarela-v2 — модель распознавания речи на базе Wav2Vec2, разработанная автором репозитория и дообученная на полном наборе TAGARELA v2. Она преобразует речь в текст и рассчитана прежде всего на транскрибирование аудио на бразильском португальском. Модель содержит 113,3 млн параметров; в README указаны входное аудио 16 кГц, моно и словарь из 51 токена. В тестах README приведены WER 14,96% на TAGARELA v2, 23,75% на TAGARELA v1 и 23,98% на CORAA v1.1. Результаты показывают, что качество зависит от набора данных; метрики не гарантируют такую же точность на других источниках, акцентах или условиях записи. Модель распространяется по лицензии Apache-2.0.

kingabzpro/whisper-large-v3-urdu — модель распознавания речи, созданная дообучением Whisper large-v3 от OpenAI на наборе Common Voice 17.0. Она предназначена для преобразования речи на урду в текст; для запуска можно использовать библиотеку Transformers и pipeline automatic-speech-recognition. Модель содержит 905,2 млн параметров и принимает аудио, выдавая текстовую транскрипцию. В README приведены оценки на тестовой части Common Voice 17.0: WER 26,019%, CER 9,426% и BLEU 59,446%; в другом разделе указаны WER 21,4712% и CER 7,1975%, поэтому результаты в карточке расходятся. Лицензия — Apache-2.0.