I.15Доступность и ассистивные технологии

facebook/mms-tts-klu — модель синтеза речи на языке клао (Klao, код klu), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую волну и предназначена для озвучивания текста на клао. Модель использует архитектуру VITS и обучена отдельно для этого языка. В описании архитектуры указаны текстовый энкодер на основе Transformer, потоковый модуль, декодер, подобный HiFi-GAN, и стохастический предиктор длительности, позволяющий синтезировать разные ритмы речи для одного текста. Размер модели — 3,5 млн параметров; для работы доступна через Transformers версии 4.33 и выше. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Синтез стохастический: для воспроизводимого результата требуется фиксировать seed. Карточка не сообщает о поддержке других языков или дополнительных режимах синтеза.

facebook/mms-tts-kss — модель синтеза речи на языке киси, южный вариант (Kisi, Southern; код kss), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS: это сквозная система с текстовым энкодером на основе Transformer, потоковым модулем и декодером аудиосигнала. Для проекта MMS отдельный чекпойнт VITS обучен для каждого языка; размер этой модели — 3,5 млн параметров. Она доступна через библиотеку Transformers версии 4.33 и новее. Генерация зависит от стохастического предсказателя длительности, поэтому при одном и том же тексте результат может различаться; фиксированный seed позволяет воспроизвести ту же аудиоволну. Модель предназначена для языка киси, южный вариант, и её возможности для других языков не заявлены. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-kus — модель синтеза речи на языке кусасал (Kusaal, kus), созданная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на Kusaal. Модель использует архитектуру VITS и обучена как отдельный чекпойнт для этого языка. Это сквозная система синтеза с текстовым энкодером на основе Transformer, поточным модулем, декодером HiFi-GAN-подобного типа и стохастическим предсказателем длительности, который позволяет варьировать ритм речи. В репозитории указано 3,5 млн параметров; модель доступна для Transformers версии 4.33 и новее. Генерация недетерминирована: для повторения того же аудио требуется фиксированный seed. Модель предназначена для Kusaal, поэтому её применение к другим языкам не подтверждено. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

facebook/mms-tts-lgg — модель синтеза речи на языке лугбара (Lugbara, код lgg), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на лугбара в речевую аудиоволну; отдельный чекпойнт MMS-TTS обучен для этого языка. Модель использует архитектуру VITS для сквозного синтеза речи: текстовый энкодер, потоковый модуль, декодер и стохастический предиктор длительности позволяют формировать речь с разным ритмом. Размер модели — 3,5 млн параметров; доступны веса PyTorch и Safetensors, модель поддерживается Transformers начиная с версии 4.33. Стохастический предиктор делает генерацию недетерминированной, поэтому для повторения результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

facebook/mms-tts-mam-dialect_central — модель синтеза речи на центральном диалекте языка мам из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует текст на мам в речевую аудиоволну и подходит для озвучивания текста на этом языке. Модель построена на архитектуре VITS и обучена как отдельный языковой чекпойнт. Она генерирует речь сквозным образом; стохастический предиктор длительности позволяет получать разные ритмические варианты одной фразы, поэтому для повторяемого результата требуется фиксировать seed. Размер модели — 3,5 млн параметров; для запуска доступна библиотека Transformers версии 4.33 и новее. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не приводит оценки качества или подробностей о голосе и произношении.

Модель facebook/mms-tts-mam-dialect_western — модель синтеза речи для западного диалекта языка мам, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на этом варианте мам. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, потоковый модуль и декодер на основе свёрточных слоёв, а стохастический предиктор длительности позволяет варьировать ритм речи. Размер модели — 3,5 млн параметров; для использования доступна через Transformers версии 4.33 и выше. Каждый языковой вариант MMS-TTS обучается отдельным чекпойнтом. Генерация недетерминирована, поэтому для повторения результата требуется фиксированное значение seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-nab — модель синтеза речи на южном намбиквара (Nambikuára, Southern; код nab), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст на этом языке в речевую аудиоволну; для каждого языка MMS обучается отдельный контрольный набор параметров. Модель построена на архитектуре VITS: это сквозная система синтеза речи с вариационным автоэнкодером, потоковым модулем, текстовым энкодером на основе Transformer, предсказателем длительности и декодером HiFi-GAN-типа. Предсказатель длительности стохастический, поэтому одинаковый текст может звучать по-разному; для воспроизводимого результата требуется фиксировать seed. Размер модели — 3,5 млн параметров. Она доступна через Transformers версии 4.33 и новее. Модель подходит для озвучивания текста на южном намбиквара, например для речевых интерфейсов и создания аудиоматериалов на этом языке. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-nca — модель синтеза речи Iyo для языка, обозначенного кодом nca, разработанная в рамках проекта Massively Multilingual Speech компании Facebook. Это отдельный языковой чекпойнт семейства MMS-TTS, предназначенный для преобразования текста в речевую аудиоволну. Модель построена на архитектуре VITS и формирует речь сквозным образом: текстовый энкодер и flow-модуль передают признаки декодеру HiFi-GAN-подобного типа, а стохастический предсказатель длительности позволяет варьировать ритм произношения. Модель доступна через Transformers версии 4.33 и новее. Веса представлены в форматах PyTorch и Safetensors; размер составляет около 3,5 млн параметров. Стохастическая генерация может давать разные варианты звучания для одного текста, поэтому для повторения результата требуется фиксировать seed. Модель рассчитана на язык nca; переносить её возможности на другие языки без подтверждения не следует. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-nfr — модель синтеза речи на языке нафаанра (Nafaanra, код nfr), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS: текстовый энкодер, потоковый модуль, стохастический предиктор длительности и декодер на основе свёрточных слоёв. Число параметров — 3,5 млн. Чекпойнт доступен для Transformers начиная с версии 4.33; формат весов — PyTorch и Safetensors. Предиктор длительности стохастический, поэтому одинаковый текст может давать разные варианты ритма и звучания; фиксированный seed нужен для воспроизводимого результата. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-ntm — модель синтеза речи на языке Nateni (код ntm), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Это отдельный чекпойнт для одного языка, построенный на архитектуре VITS и содержащий около 3,5 млн параметров. Модель принимает текст и генерирует речевую волну; VITS объединяет вариационный автоэнкодер, потоковый модуль, предсказатель длительности и декодер на основе HiFi-GAN. Случайный предсказатель длительности делает генерацию недетерминированной, поэтому для повторяемого результата требуется фиксированный seed. Модель доступна через Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими целями.

facebook/mms-tts-obo — модель синтеза речи на языке Manobo, Obo (obo), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую волну и предназначена для озвучивания текста на этом языке. Для каждого языка MMS-TTS обучается отдельный чекпойнт. Модель использует архитектуру VITS: сквозную систему text-to-speech на основе вариационного автоэнкодера, потоковых слоёв и декодера, похожего на HiFi-GAN; предсказатель длительности позволяет варьировать ритм речи. Размер модели — 3,5 млн параметров. Для работы доступна через Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и safetensors. Генерация недетерминирована из-за стохастического предсказателя длительности; для повторения результата нужен фиксированный seed. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-otq — модель синтеза речи на языке отоми штата Керетаро, разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст на отоми в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS: текстовый энкодер, потоковый модуль и декодер на основе HiFi-GAN обучены сквозным образом. Чекпойнт содержит около 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; для работы поддерживается библиотека Transformers версии 4.33 и выше. Генерация стохастическая: фиксированный seed нужен, чтобы получить одинаковое аудио при повторном запуске. Модель ориентирована на один язык, поэтому её не следует считать универсальной многоязычной системой синтеза речи. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-qvn — модель синтеза речи на языке кечуа, северный диалект Хунина (qvn), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS — сквозной генератор речи с вариационным автоэнкодером, поточным модулем и декодером в стиле HiFi-GAN. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; для работы предусмотрена библиотека Transformers версии 4.33 и выше. Генерация стохастическая: один и тот же текст может звучать с разным ритмом, а для повторения результата нужен фиксированный seed. Модель специализирована на одном языке, поэтому её не следует считать многоязычной или универсальной. Лицензия CC BY-NC 4.0 требует указания авторства и запрещает коммерческое использование.

facebook/mms-tts-sch — модель синтеза речи на языке Sakachep (код sch), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт семейства MMS-TTS на архитектуре VITS; модель принимает текст и генерирует речевую аудиоволну. В метаданных указано 3,5 млн параметров. Модель доступна через библиотеку Transformers версии 4.33 и новее. Модель предназначена для преобразования текста на Sakachep в речь. VITS объединяет вариационный автоэнкодер, Transformer-энкодер текста, flow-модуль и декодер, построенный по принципу HiFi-GAN; стохастический предиктор длительности позволяет варьировать ритм синтеза. Результат может меняться между запусками, поэтому для воспроизводимой генерации нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-tnr — модель синтеза речи для языка Ménik (tnr), выпущенная в рамках проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну. Это отдельный чекпойнт VITS, обученный для одного языка; архитектура объединяет вариационный автоэнкодер, flow-модуль с текстовым энкодером на основе Transformer, предсказатель длительности и декодер, подобный HiFi-GAN. Модель содержит 3,5 млн параметров и доступна в форматах PyTorch и Safetensors. Чекпойнт предназначен для озвучивания текста на Ménik и может использоваться в приложениях синтеза речи. Стохастический предсказатель длительности делает генерацию недетерминированной: для повторения результата требуется фиксированное начальное значение генератора. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-usp — модель синтеза речи на языке успантеко, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на успантеко. Модель построена на архитектуре VITS: это сквозная система с вариационным автоэнкодером, потоковым модулем, трансформерным текстовым энкодером, стохастическим предсказателем длительности и декодером HiFi-GAN-подобного типа. Число параметров — около 3,5 млн; формат весов — PyTorch и Safetensors. Для одной и той же фразы модель может синтезировать речь с разным ритмом; результат зависит от случайного семени. В карточке описана поддержка только успантеко (usp, ISO 639-3); контекстная длина не приведена. Модель доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

facebook/mms-tts-xsu — модель синтеза речи на языке санума (xsu), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на санума в речевой аудиосигнал и подходит для озвучивания фраз и создания голосовых интерфейсов на этом языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный чекпойнт, обученный для одного языка; VITS синтезирует речь сквозным образом и использует стохастический предиктор длительности, поэтому при одинаковом тексте результат может различаться. Для повторяемого синтеза требуется фиксировать seed. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

lusxvr/nanoVLM — компактная мультимодальная модель для работы с изображениями и текстом, созданная как минималистичная основа для обучения и экспериментов. Архитектура написана на PyTorch и объединяет визуальный энкодер ViT на базе SigLIP-B/16-224-85M и лёгкую авторегрессионную языковую модель SmolLM2-135M; общий размер составляет 222 млн параметров. Модель предназначена для исследования и экспериментов с обучением vision-language-моделей и генерацией текстовых ответов по изображениям. Она принимает изображение и текстовый запрос, а выдаёт текст. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Языки и длина контекста в предоставленных данных не определены.

openbmb/RLHF-V-SFT — мультимодальная модель для генерации текста на основе архитектуры BEiT-3 и LLaVA с языковой частью LLaMA. Репозиторий содержит 12,9 млрд параметров в формате PyTorch; модель разработана OpenBMB и связана с работами по повышению надёжности ответов визуально-языковых моделей. Модель предназначена для генерации ответов в мультимодальных сценариях, включая диалог по визуальному содержимому. README связывает её с подходом RLAIF-V и сообщает об использовании данных проекта в MiniCPM-V 2.0. Поддержка английского языка указана в метаданных; лицензия — Apache-2.0. Модель относится к семейству BEiT-3/LLaVA и имеет класс Beit3LlavaLlamaForCausalLM. Карточка не приводит длину контекста или подробные результаты оценки самой RLHF-V-SFT, поэтому качество и конкретные границы применимости по имеющимся данным оценить нельзя.

echarlaix/SmolVLM2-256M-Video-Instruct-openvino — мультимодальная модель для задач image-text-to-text, то есть обработки визуального содержимого и генерации текстовых ответов. Модель разработана пользователем или организацией echarlaix; в карточке указана библиотека Transformers. По идентификатору модели она относится к семейству SmolVLM2, имеет заявленный размер 256M и вариант, ориентированный на работу с видео и OpenVINO. В карточке указано, что модель поддерживает английский язык. Точные сведения об архитектуре, размере контекста, поддерживаемых форматах видео, качестве, ограничениях и рекомендуемых сценариях использования отсутствуют, поэтому эти характеристики нельзя надёжно описать. Лицензия Apache-2.0 допускает использование, модификацию и распространение модели на условиях этой лицензии.

Модель PrinceAlhassanNasamu/tekyerema-tts-kus — система синтеза речи на языке кусал, дообученная разработчиком на базе facebook/mms-tts-kus. Это компактная модель VITS с 3,5 млн параметров в формате Safetensors; обучение длилось 20 000 шагов на наборе kusaal_scripture. Модель преобразует текст в аудио и предназначена для озвучивания текстов на кусал, в том числе команд голосового агента. Голос обучен на чтении священных текстов, поэтому звучит как чтение, а не как обычная разговорная речь. Проверка носителем языка показала обобщение фонетического покрытия на тексты вне обучающего набора, однако командах голосового агента длительность синтеза составляла около 54% от человеческой. Токенизатор посимвольный: символы вне словаря отбрасываются без предупреждения. Перед синтезом следует привести текст к нижнему регистру и преобразовать числа в слова; для кусал также остаются проблемными буква «c» и некоторые знаки препинания. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое.

Модель kasohrab/theworld-spatial-from-cc3m-lm-only — дообученная версия мультимодальной Gemma 3 4B IT от Google. Она принимает изображения и текст и предназначена для задач image-text-to-text. Название указывает на пространственную тематику и связь с CC3M, однако README не раскрывает конкретные сценарии, обучающие данные или результаты оценки. Модель распространяется в формате safetensors по лицензии Gemma; при использовании необходимо соблюдать её условия.

ViLaSR-7B — мультимодальная модель зрения и языка, разработанная авторами работы «Reinforcing Spatial Reasoning in Vision-Language Models with Interwoven Thinking and Visual Drawing». Это дообученная версия Qwen/Qwen2.5-VL-7B-Instruct с плотной архитектурой Qwen2.5-VL и 7,1 млрд параметров; модель распространяется в формате safetensors. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Она предназначена для пространственных рассуждений и визуального анализа с использованием чередования рассуждений и визуального рисования. Поддерживаются чатовый режим и интерфейс вызова инструментов; заявленная длина контекста — 128 000 токенов. В метаданных указан английский язык. Модель подходит для задач, связанных с пространственным пониманием изображений и визуальным рассуждением. Данные не описывают качество на конкретных тестах или подробные ограничения применения. Лицензия в предоставленной карточке не указана.

dandelin/vilt-b32-finetuned-vqa — модель Vision-and-Language Transformer (ViLT), дообученная на наборе VQAv2. Архитектура объединяет визуальные и текстовые признаки в трансформере и не использует сверточную сеть или разметку регионов объектов. Веса представлены в формате PyTorch, размер модели — 136,7 млн параметров. Модель предназначена для визуальных вопросов и ответов: она принимает изображение и вопрос на естественном языке и генерирует ответ, связанный с изображением. Её можно применять, например, для ответа на вопросы о содержимом фотографий. Контекст указан как 40 токенов. README не приводит подробных результатов оценки, сведений о предобработке или языковой поддержке; поэтому качество и языковой охват за пределами описанного сценария не установлены. Лицензия — Apache-2.0.

Это модель распознавания речи на тигринья, разработанная командой WAXALNet в рамках исследования WAXAL ASR Benchmark. Она создана на базе Whisper Small и дообучена на тигринья части корпуса WAXAL. Модель предназначена для транскрибирования разговорной речи, включая спонтанную речь; её оценивали на тестовом наборе WAXAL и частично на наборе FLEURS с прочитанной речью. Модель использует архитектуру Whisper и содержит 153,1 млн параметров по метаданным Hugging Face. Она принимает аудио и выдаёт текст на тигринья. На отфильтрованном тестовом наборе WAXAL указаны WER 53,5% и CER 38,7%, поэтому перед практическим применением качество следует проверять на целевых данных; README не рекомендует использовать модель в ответственных производственных сценариях без дополнительной проверки. Модель распространяется по лицензии Apache 2.0.

Модель HarrisDePerceptron/xls-r-300m-ur-cv7 — вариант facebook/wav2vec2-xls-r-300m, дообученный HarrisDePerceptron для автоматического распознавания речи на урду на датасете Mozilla Foundation Common Voice 7.0. Это плотная архитектура wav2vec2 с CTC-головой; в метаданных указано 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст на урду. На оценочной выборке указаны loss 1,2924 и WER 0,7201, что свидетельствует о заметной ошибке распознавания и ограничивает пригодность модели для сценариев, где важна высокая точность. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

RJ3vans/CCVspanTagger — модель на архитектуре BERT для разметки токенов, связанных с составными предложениями. Она определяет, входят ли токены в составную клаузу; в примере из карточки союз «and» выделяется квадратными скобками. Модель предназначена для этапа разметки в системах упрощения текста и обработки предложений. Модель дообучена для классификации токенов на наборе данных, описанном в докторской диссертации Райана Эванса о упрощении предложений. Веса доступны в формате PyTorch; размер модели — 432,3 млн параметров, максимальная длина контекста — 512 токенов. Карточка не сообщает лицензию, поэтому условия распространения и использования определить нельзя.

Nulute/chudbot-coal-0.3 — дообученная модель Nulute на базе unsloth/Qwen3.5-2B, созданная с помощью Unsloth и библиотеки Hugging Face TRL. Это плотная мультимодальная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, предназначенная для диалогов и задач image-text-to-text: она принимает текст и изображения и формирует текстовые ответы. В метаданных также заявлен интерфейс вызова инструментов. Модель может подойти для вопросов по изображениям и диалоговых сценариев с визуальным контекстом. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает результаты оценки качества или специальные области применения модели.

mondk/claude-qwen3.vl.8b — дообученная мультимодальная модель на основе unsloth/Qwen3-VL-8B-Instruct-unsloth-bnb-4bit. Она предназначена для диалоговых задач с изображениями и текстом; в метаданных также заявлен интерфейс вызова инструментов. Архитектура — плотная Qwen3-VL с 8 млрд параметров в базовой модели; репозиторий содержит веса safetensors. README упоминает связанный GGUF-репозиторий mondk/claude.sonnet5-base.qwen3-VL-8b-it, но не уточняет его отношение к текущей модели. Модель может подойти для вопросов об изображениях и мультимодального диалога на английском языке. Она распространяется по лицензии Apache-2.0. Карточка не описывает специализацию дообучения и не приводит оценок качества, поэтому конкретные преимущества и ограничения сверх указанных возможностей определить нельзя.

edusc182/Gemma2B-Web-Creator-SLERP — слияние моделей, созданное автором карточки с помощью mergekit и метода SLERP. В него вошли edusc182/Gemma_2B и RichardErkhov/suriya7_-_Gemma-2B-Finetuned-Python-Model-4bits; итоговые веса представлены в формате safetensors и рассчитаны на работу через Transformers. По метаданным модель поддерживает диалог и обработку изображений вместе с текстовыми запросами. Она подходит для вопросов об изображениях и визуального диалога; один из объединённых компонентов дообучен для работы с Python, но отдельная поддержка генерации кода для итоговой модели не подтверждена. Карточка не сообщает размер модели, контекстное окно, поддерживаемые языки или лицензию.