I.15Доступность и ассистивные технологии

Bedru/whisper-medium-amharic-smoke — модель автоматического распознавания речи, созданная дообучением Whisper Small от OpenAI. Она принимает аудио и предназначена для преобразования речи в текст. В README указана оценка на тестовой выборке: loss 1,7905 и WER 1,7508; описание модели и обучающих данных не приведено, а результат WER указывает на очень высокую долю ошибок распознавания. Модель использует архитектуру Whisper и опубликована в формате Safetensors для Transformers. Метаданные указывают лицензию Apache-2.0 и базовую модель openai/whisper-small. Название предполагает настройку для амхарского языка, однако сведения о языковой поддержке в метаданных отсутствуют, поэтому это назначение нельзя подтвердить по карточке.

MGM-7B — открытый мультимодальный чат-бот, созданный дообучением Vicuna-7B-v1.5 на наборе инструкций MGM-Instruction, сгенерированных GPT. Модель разработана для исследований и экспериментов с большими мультимодальными моделями и поддерживает диалог по изображениям, их понимание и рассуждения; семейство MGM также заявляет генерацию изображений, но карточка этой версии не подтверждает её отдельно. Это плотная модель класса MiniGeminiLlamaForCausalLM с 6,6 млрд параметров и контекстом 4096 токенов. Репозиторий содержит веса Safetensors. В карточке не указаны лицензия и конкретные языки; применимость за пределами исследовательских сценариев не описана.

Renpiper-pcm V1 — зеркало чекпойнта Meta AI facebook/mms-tts-pcm для синтеза речи на нигерийском пиджине. Модель использует архитектуру VITS и содержит 3,5 млн параметров; репозиторий представляет веса в формате safetensors. Модель преобразует текст на нигерийском пиджине в речь и подходит для озвучивания коротких фраз и текстов на этом языке. Согласно README, веса не изменялись и не дообучались: это переупаковка исходного чекпойнта MMS в структуру с файлами safetensors. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование. Назначение модели ограничено синтезом речи на нигерийском пиджине; других языков или задач источники не описывают.

MrFitzmaurice/TrOCR-Lambda-Calculus — модель на основе TrOCR, предназначенная для распознавания рукописных выражений на языке λ-исчисления и преобразования их в текстовый код. Она разработана как дообучение microsoft/trocr-base-stage1 и использует архитектуру vision-encoder-decoder из библиотеки Transformers. Модель принимает изображение с рукописным выражением и генерирует его текстовую запись. Она ориентирована на λ-исчисление, в частности на сценарии, где пользователю удобнее записать выражение от руки, чем вводить специальные символы с клавиатуры. Лицензия в предоставленных данных не указана.

Greek Transformer Language Model for FUTO Keyboard — языковая модель для современного греческого языка, разработанная stamchry специально для предиктивного ввода и автокоррекции в FUTO Android Keyboard. Она предназначена для мобильного набора текста, предсказания следующего слова, восстановления ударений и исправления синтетических опечаток. Модель построена на архитектуре LlamaForCausalLM и содержит около 36,15 млн параметров: 9 слоёв, размер скрытого состояния 512, промежуточный размер 1376, 8 attention heads и связанные embedding-слои. Используются SentencePiece Unigram tokenizer со словарём из 15 008 элементов и специальные управляющие токены <XBU>, <XBC> и <XEC> для протокола автокоррекции FUTO. Доступны форматы GGUF Q6_K, Q8_0 и F16; размер Q6_K составляет около 36,8 МБ. Модель поддерживает язык el и ориентирована на работу на Android-устройствах. По приведённым результатам, точность предсказания следующего слова составляет 39,33% для Top-1, 53,06% для Top-3 и 64,48% для Top-10; точность восстановления ударений — 38,60%, автокоррекции синтетических опечаток — 37,40%. Эти показатели характеризуют модель как специализированное компактное решение для клавиатуры, но не как универсальную греческую языковую модель. Для использования требуется греческая версия форка FUTO Android Keyboard с поддержкой Unicode-кодов, ввода внутри слов и пространственного декодирования нажатий. Лицензия — Apache-2.0.

Это дообученная модель yuchiahung/donut_f21_v4_ep3_edit_distance_loss, созданная на основе архитектуры VisionEncoderDecoderModel и предназначенная для преобразования изображений в текст. В README указаны результаты оценки: точность по символам 0,1456, точное совпадение — 0, а средняя длина предсказания значительно короче средней длины эталонной строки. Эти показатели свидетельствуют о низком качестве распознавания в приведённой оценке. Датасет и конкретный сценарий применения не описаны. Модель распространяется в формате safetensors по лицензии MIT.

Architext GPT-J-162M — авторегрессионная трансформерная модель семейства GPT-J, разработанная для генерации архитектурных планировок квартир. Модель обучена на корпусе Pile, а затем дообучена на синтетических данных с геометрическими описаниями планировок, созданных с помощью Rhinoceros/Grasshopper. По текстовому запросу она выдаёт дизайн в геометрическом представлении, пригодном для дальнейшей работы в проектных процессах. Архитектура включает 12 слоёв, размерность модели 768, 16 голов внимания и словарь из 50 257 токенов; применяется RoPE. Контекст составляет 2 048 токенов. Модель лучше всего подходит для концептуальных планов жилых помещений и учитывает запросы о типологии, смежности и расположении комнат. Генерации часто геометрически корректны, но могут не соответствовать смыслу запроса; модель ограничена разнообразием формулировок и не предназначена для создания точной строительной документации. Лицензия — Apache-2.0.

Qwen3-VL-8B-Instruct-Unredacted-MAX-FP8 — мультимодальная vision-language модель, опубликованная prithivMLmods и основанная на Qwen3-VL-8B-Instruct-Unredacted-MAX. Это FP8-сжатая версия с архитектурой на 8 млрд параметров, предназначенная для анализа изображений, генерации подробных подписей и рассуждений по сложному визуальному содержимому. В карточке указана поддержка английского языка, а основная модальность описана как image-text-to-text. Модель рассчитана на расширенное визуальное рассуждение, включая анализ художественных, технических, медицинских, исторических, абстрактных и исследовательских материалов. Возможные сценарии применения включают генерацию описаний для датасетов и метаданных, задачи доступности, архивирование визуальных данных, red-teaming, исследование механизмов отказа и творческое повествование. Она поддерживает динамическое разрешение и различные соотношения сторон изображений. Ключевая особенность — квантование весов и активаций в формате FP8 W8A8 с использованием BF16 и F8_E4M3, что снижает потребление VRAM и может повысить производительность инференса при сохранении возможностей исходной модели. Вариант оптимизирован для Hopper и совместимых GPU, однако для обработки изображений высокого разрешения и длинной генерации всё ещё требуется достаточно VRAM и совместимое аппаратное обеспечение. Abliterated fine-tuning уменьшает встроенные отказы, поэтому модель может генерировать чувствительное или спорное содержимое; результаты требуют ответственного и законного использования. Лицензия — Apache-2.0.

jonatasgrosman/wav2vec2-xls-r-1b-russian — модель распознавания русской речи, дообученная Jonatas Grosman на основе facebook/wav2vec2-xls-r-1b с помощью инструмента HuggingSound. Модель использует архитектуру Wav2Vec2ForCTC и принимает аудио, записанное с частотой дискретизации 16 кГц, чтобы преобразовать речь в текст. Модель предназначена для автоматической транскрибации русской речи. При дообучении использовались обучающая и валидационная части Common Voice 8.0, Golos и Multilingual TEDx. В метаданных указаны 1,3 млрд параметров и поддержка русского языка. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

BLIP image-captioning-base — модель описания изображений на основе архитектуры BLIP с визуальным backbone ViT-Base. Она создана авторами BLIP и обучена для генерации подписей к изображениям на датасете COCO. Репозиторий предоставляет веса в форматах PyTorch и TensorFlow. Модель предназначена для условной и безусловной генерации текстовых подписей к изображениям. Её можно использовать для автоматического составления кратких описаний фотографий и как компонент систем, которым нужно преобразовать визуальное содержимое в текст. Карточка BLIP также описывает семейство как подход для задач понимания изображений и языка, однако этот чекпойнт заявлен именно для image captioning. Возможны ошибки в распознавании деталей сцены и смещения в описаниях; перед применением в значимых сценариях качество и безопасность следует оценить отдельно. Лицензия репозитория — BSD-3-Clause; в карточке также рекомендуется учитывать исследовательский характер выпуска и ограничения модели.

GIT-large-COCO — модель семейства GenerativeImage2Text, разработанная Microsoft и дообученная на наборе COCO. Это декодер Transformer, который использует визуальные токены изображения, полученные с помощью CLIP, и предыдущие текстовые токены для последовательной генерации текста. Размер модели — 80,1 млн параметров; в метаданных указан контекст длиной 1024 токена. Основное назначение этого чекпойнта — создание подписей к изображениям. Архитектура GIT также подходит для визуальных вопросов и ответов и генерации текстовых меток классов, однако README рекомендует эту версию прежде всего для описания изображений. Карточка сообщает о дообучении на COCO; языковая метка модели — английский. Модель принимает изображение и выдаёт текст. Она не предназначена для генерации изображений, а качество ограничено обучающими данными и задачей подписи: подробные рассуждения о сложных сценах не заявлены. Распространяется по лицензии MIT.

Indic-Speak — мультиязычная система синтеза речи, разработанная Bodhan AI на базе дообученной языковой модели Llama 3.2 3B. Она преобразует текст в речь на английском и индийских языках, с особым вниманием к учебным материалам: корректно читает математические выражения, единицы измерения, дроби, степени и химические формулы, а также естественно произносит фразы, в которых смешаны английский и индийский языки. Темп речи рассчитан на объяснения и обучение. Модель построена как языковая модель речи: Llama генерирует аудиокоды SNAC, а дообученный декодер Vocos преобразует их в звуковую волну. В репозитории указаны 3,78 млрд параметров и формат bf16. Поддерживаются 13 производственных языков и ещё 10 языков в предварительном режиме; доступны разные голоса, записанные с согласия дикторов. Модель также предназначена для аудиокниг, озвучивания приложений, голосовых помощников и доступности. Модель лучше всего справляется с объяснительным содержанием; редкие слова могут произноситься неверно, а сложные формулы могут требовать подготовки. Управление стилем пока нестабильно, звуковые эффекты и клонирование голоса не поддерживаются. Лицензия — Indic Open Model License v1.0; условия также требуют учитывать лицензии и условия использования базовой Llama и компонентов SNAC и Vocos.

NaijaVox-V1 — модель распознавания речи от Axiveri, дообученная методом LoRA на базе OpenAI Whisper-large-v3 для нигерийских языков и акцентов. Она преобразует аудио в текст на йоруба, хауса, игбо, нигерийском пиджине и нигерийском варианте английского; для йоруба заявлена поддержка диакритических знаков. Репозиторий содержит веса в формате Safetensors и расширенный токенизатор с новыми языковыми токенами. Модель предназначена для транскрибации речи в мобильных приложениях, банковском обслуживании, СМИ, здравоохранении, образовании и средствах доступности, а также для исследований распознавания малоресурсных языков Западной Африки. В README приведены результаты оценки на небольших тестовых выборках FLEURS и других наборах: например, WER составляет 16,8% для нигерийского пиджина, 21,1% для нигерийского английского и 28,8% для йоруба. Эти результаты не гарантируют аналогичного качества на других записях и условиях. Модель рассчитана на входное аудио и выдаёт текст. В карточке не приведены сведения о размере модели и длине контекста. Лицензия — Apache-2.0.

Voxtral Mini 4B Realtime 2602 — мультиязычная модель автоматического распознавания речи в реальном времени, разработанная Mistral AI и представленная в формате ONNX сообществом onnx-community на основе mistralai/Voxtral-Mini-4B-Realtime-2602. Она предназначена для потоковой транскрибации аудио, создания субтитров в реальном времени, голосовых ассистентов, частной расшифровки встреч и других приложений, где важны низкая задержка и непрерывная обработка речи. Модель содержит около 4 млрд параметров: языковую модель примерно на 3,4 млрд параметров и аудиоэнкодер примерно на 970 млн параметров. Аудиоэнкодер использует каузальное внимание, а обе основные части — скользящее оконное внимание, что поддерживает потоковую обработку продолжительных аудиосессий. Заявлены 13 языков: английский, французский, испанский, немецкий, русский, китайский, японский, итальянский, португальский, нидерландский, арабский, хинди и корейский. Задержка транскрибации настраивается; рекомендуемое значение — 480 мс, диапазон зависит от конфигурации и позволяет выбирать баланс между скоростью и точностью. Указана производительность свыше 12,5 токена в секунду на устройствах с минимальными аппаратными ресурсами. Сильные стороны модели — нативная потоковая архитектура, низкая задержка, поддержка нескольких языков, возможность развертывания на устройствах и качество, сопоставимое с офлайн-системами при задержке 480 мс. Ограничения включают компромисс между задержкой и точностью, а также зависимость длительности потоковой сессии от настроек максимальной длины контекста и доступных ресурсов. Модель выпущена в формате BF16 по лицензии Apache 2.0, допускающей исследовательское и коммерческое использование.

Whisper Tiny — компактная предварительно обученная модель распознавания речи семейства Whisper, разработанная OpenAI. Это трансформерная архитектура «энкодер—декодер» с 29,4 млн параметров, обученная на больших массивах размеченной речи с масштабным слабым контролем. Модель принимает аудио и генерирует его текстовую расшифровку; семейство Whisper также поддерживает перевод речи, но метаданные этой модели указывают только задачу распознавания речи. Модель подходит для транскрибации речи на множестве языков, включая русский, а также для распознавания аудио с акцентами, фоновым шумом и технической лексикой. Базовая длительность входного аудиофрагмента — до 30 секунд; длинные записи можно обрабатывать с разбиением на фрагменты. Модель может выдумывать слова, которых нет в аудио, повторять текст, а качество распознавания неодинаково для разных языков, акцентов и диалектов. Распространяется по лицензии Apache-2.0.

NB-Whisper Medium Beta — модель автоматического распознавания речи от NB AI-Lab Национальной библиотеки Норвегии. Это дообученная версия Whisper с архитектурой WhisperForConditionalGeneration и примерно 455,8 млн параметров. Модель принимает аудио и создаёт письменную транскрипцию; основное назначение — распознавание норвежской речи, также поддерживается английский язык. Обучение проводилось на 20 000 часах размеченных данных, включая норвежские речевые корпуса, парламентские выступления, телесубтитры и аудиокниги. Доступны веса в форматах PyTorch, TensorFlow, JAX/Flax, ONNX и Safetensors. Модель предназначена для общего распознавания речи и доступна третьим сторонам как публичная бета. Разработчик отмечает, что для норвежских транскрипций она показывает высокое качество относительно ASR-моделей сопоставимого размера. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

Vyom TTS HI — модель синтеза речи на хинди, разработанная OpenXfi by ATX Labs. Это дообученная на базе speech-LLM Orpheus 3B модель с адаптером LoRA r=64, alpha=128 и rsLoRA, обученная в 16-битной точности. Она принимает текст на хинди и генерирует выразительную речь женским голосом в формате WAV с частотой 24 кГц с помощью нейронного вокодера SNAC. Модель предназначена для озвучивания регионального контента, аудиокниг и медиа, голосовых помощников, разговорных AI-агентов и средств чтения для людей, которым удобнее слушать текст. В оценке на 210 подсказках отдельно проверялись сложные фразы, обычная разговорная речь и числа. Для чисел авторы рекомендуют записывать их словами: синтез цифровых записей показал ограничения; английские заимствования и редкие акронимы также могут звучать с фонетическими артефактами. Модель ориентирована на хинди и не предназначена для клонирования голоса или имитации людей без разрешения. Репозиторий распространяется под лицензией MIT.

deepdml/whisper-large-v3-turbo — многоязычная модель распознавания речи семейства Whisper, основанная на Whisper large-v3 от OpenAI. Это Transformer encoder-decoder с 905,2 млн параметров; в версии Turbo число слоёв декодера сокращено с 32 до 4, что ускоряет генерацию транскрипции с небольшим снижением качества. Модель принимает аудио и преобразует речь в текст, поддерживая распознавание на языке оригинала; семейство Whisper также умеет переводить речь, однако метаданные этой модели указывают только задачу автоматического распознавания речи. Модель подходит для транскрибирования записей, интервью, встреч и других аудиоматериалов на многих языках. Для длинных записей README описывает последовательную обработку скользящим окном и разбиение на перекрывающиеся фрагменты; стандартное окно восприятия составляет 30 секунд. По заявлению карточки, Whisper устойчив к акцентам, фоновому шуму и технической лексике, но точность неодинакова между языками, диалектами и группами говорящих. Возможны повторы и галлюцинации — текст, отсутствующий в аудио. Модель распространяется под лицензией Apache-2.0. README указывает поддержку библиотеки Transformers; файлы репозитория представлены в формате safetensors.

mlx-community/whisper-large-v3-turbo-4bit — мультиязычная модель распознавания речи на базе OpenAI Whisper large-v3-turbo, преобразованная сообществом mlx-community в формат MLX с 4-битным представлением. Она предназначена для преобразования аудиозаписей в текст и запуска на устройствах Apple через библиотеку mlx-audio-plus. Модель принимает аудио и выдаёт текст; исходная модель также поддерживает перевод речи в текст. Репозиторий распространяется по лицензии Apache-2.0.

Карточка модели RedHatAI/whisper-tiny на Hugging Face совпадает с карточкой openai/whisper-tiny, поэтому описание составлено по ней. Whisper Tiny — компактная предварительно обученная модель распознавания речи семейства Whisper, разработанная OpenAI. Это трансформерная архитектура «энкодер—декодер» с 29,4 млн параметров, обученная на больших массивах размеченной речи с масштабным слабым контролем. Модель принимает аудио и генерирует его текстовую расшифровку; семейство Whisper также поддерживает перевод речи, но метаданные этой модели указывают только задачу распознавания речи. Модель подходит для транскрибации речи на множестве языков, включая русский, а также для распознавания аудио с акцентами, фоновым шумом и технической лексикой. Базовая длительность входного аудиофрагмента — до 30 секунд; длинные записи можно обрабатывать с разбиением на фрагменты. Модель может выдумывать слова, которых нет в аудио, повторять текст, а качество распознавания неодинаково для разных языков, акцентов и диалектов. Распространяется по лицензии Apache-2.0.

Карточка модели unsloth/whisper-tiny на Hugging Face совпадает с карточкой openai/whisper-tiny, поэтому описание составлено по ней. Whisper Tiny — компактная предварительно обученная модель распознавания речи семейства Whisper, разработанная OpenAI. Это трансформерная архитектура «энкодер—декодер» с 29,4 млн параметров, обученная на больших массивах размеченной речи с масштабным слабым контролем. Модель принимает аудио и генерирует его текстовую расшифровку; семейство Whisper также поддерживает перевод речи, но метаданные этой модели указывают только задачу распознавания речи. Модель подходит для транскрибации речи на множестве языков, включая русский, а также для распознавания аудио с акцентами, фоновым шумом и технической лексикой. Базовая длительность входного аудиофрагмента — до 30 секунд; длинные записи можно обрабатывать с разбиением на фрагменты. Модель может выдумывать слова, которых нет в аудио, повторять текст, а качество распознавания неодинаково для разных языков, акцентов и диалектов. Распространяется по лицензии Apache-2.0.

ASID-Captioner-7B — мультимодальная модель для детального описания видео, разработанная AudioVisual-Caption и дообученная на основе Qwen/Qwen2.5-Omni-7B на наборе ASID-1M. Она анализирует видеокадры и, если доступна, звуковую дорожку, формируя связное текстовое описание.

facebook/mms-1b-fl102 — мног multilingual-модель автоматического распознавания речи из проекта Massively Multilingual Speech компании Facebook (Meta), разработанная Vineel Pratap и соавторами. Это дообученный на наборе Fleurs чекпойнт семейства Wav2Vec2 с CTC-архитектурой и адаптерами, содержащий около 1,3 млрд параметров по метаданным. Модель принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; заявлена поддержка 102 языков. Модель подходит для транскрибации записей и распознавания речи на множестве языков, в том числе при создании многоязычных речевых сервисов. Карточка указывает лицензию CC-BY-NC 4.0, которая ограничивает коммерческое использование. Возможны ошибки распознавания, особенно для условий и языков, не представленных в обучающих данных; метаданные перечисляют лишь часть языкового покрытия.

ruT5-base-pls — дообученная модель семейства T5, созданная на основе ai-forever/ruT5-base для упрощения русскоязычного текста. Она принимает сложное предложение и генерирует более простую перефразировку с сохранением смысла; при обучении использовались наборы RuSimpleSentEval и RuAdapt. Модель содержит 123,8 млн параметров, использует архитектуру T5ForConditionalGeneration и принимает текст длиной до 512 токенов. Модель предназначена для упрощения предложений и может применяться для подготовки более доступных формулировок. В карточке приведены метрики BLEU 100,0, SARI 28,699 и FKGL 31,931, однако README предупреждает, что значение BLEU выглядит аномальным, а FKGL необычно высок для упрощённого текста; результаты следует перепроверить на корректной отложенной выборке. Лицензия модели не указана, поэтому условия её использования следует уточнить по лицензиям базовой модели и обучающих данных.

cnmoro/tiny-image-captioning — компактная модель для создания текстовых описаний изображений. Она разработана на основе архитектуры vision-encoder-decoder с визуальным энкодером ViT-small-patch16-224 и текстовым декодером BERT-tiny; общий размер весов — около 100 МБ. Модель предназначена для генерации англоязычных подписей к изображениям и, по заявлению автора, быстро работает на CPU. Модель принимает изображение и выдаёт текстовое описание. Она опубликована под лицензией Apache-2.0. Карточка не сообщает об ограничениях точности или поддержке других языков; качество подписи может зависеть от содержания изображения.

RASMUS разработал wav2vec2-xlsr-1b-ru — модель распознавания речи на архитектуре Wav2Vec2ForCTC, дообученную на базе facebook/wav2vec2-xls-r-1b на датасете Common Voice. Она преобразует русскую речь в текст и подходит для автоматической расшифровки аудиозаписей. На оценочной выборке указаны Loss 0,1352 и WER 0,0971. Модель содержит 1,3 млрд параметров и распространяется в формате PyTorch. Лицензия в доступных данных не указана.

Whisper Large v3 FP16 OpenVINO — это модель автоматического распознавания речи, разработанная OpenAI и преобразованная в формат OpenVINO IR с весами в формате FP16. Модель предназначена для преобразования аудиозаписей в текст и совместима с библиотеками OpenVINO и Optimum Intel. Модель содержит около 905,2 млн параметров и поддерживает распознавание речи на широком наборе языков, включая русский, английский, китайский, немецкий, испанский, французский, японский и многие другие. Она рассчитана на запуск через OpenVINO 2025.2.0 или новее и Optimum Intel 1.23.0 или новее, включая выполнение на CPU через OpenVINO GenAI. Модель подходит для транскрибации аудиозаписей, голосовых сообщений, звонков и другого речевого контента. FP16-представление и формат OpenVINO IR ориентированы на эффективное выполнение на поддерживаемом оборудовании, однако ограничения исходной модели Whisper Large v3 распространяются и на эту конвертированную версию. Модель распространяется по лицензии Apache-2.0.

unsloth/whisper-large-v3-turbo — мультиязычная модель распознавания речи семейства Whisper, опубликованная Unsloth в формате Transformers и Safetensors. Это Transformer-энкодер-декодер с 905,2 млн параметров, производный от openai/whisper-large-v3-turbo и openai/whisper-large-v3. В turbo-версии число слоёв декодера сокращено с 32 до 4, что ускоряет работу и снижает потребление памяти при небольшом ухудшении качества. Модель принимает аудио и преобразует речь в текст на том же языке; также семейство Whisper поддерживает перевод речи между языками. Она рассчитана на многоязычную транскрибацию, в том числе аудио на русском, английском, китайском, немецком, испанском, французском и других языках. Для аудио длиннее 30 секунд README рекомендует использовать последовательную или пакетную обработку фрагментами. Модель может быть полезна для расшифровки записей, диктовки и транскрибации аудио с разными акцентами и фоновым шумом. Возможны галлюцинации, повторы и неодинаковая точность для разных языков, акцентов и диалектов; качество может быть ниже для языков с малым объёмом обучающих данных. Лицензия — MIT.

Карточка модели hudsonai-app/whisper-large-v3-turbo-4bit на Hugging Face совпадает с карточкой mlx-community/whisper-large-v3-turbo-4bit, поэтому описание составлено по ней. mlx-community/whisper-large-v3-turbo-4bit — мультиязычная модель распознавания речи на базе OpenAI Whisper large-v3-turbo, преобразованная сообществом mlx-community в формат MLX с 4-битным представлением. Она предназначена для преобразования аудиозаписей в текст и запуска на устройствах Apple через библиотеку mlx-audio-plus. Модель принимает аудио и выдаёт текст; исходная модель также поддерживает перевод речи в текст. Репозиторий распространяется по лицензии Apache-2.0.

mlx-community/whisper-large-v3-turbo-fp16 — преобразованная в формат MLX модель распознавания речи на основе openai/whisper-large-v3-turbo. Разработчик репозитория mlx-community; преобразование выполнено с помощью mlx-audio-plus версии 0.1.4. Модель предназначена для преобразования аудиозаписей в текст. Она использует архитектуру Whisper и поддерживает мультиязычное распознавание речи. Репозиторий содержит веса в формате safetensors и предназначен для работы с библиотекой mlx-audio-plus. Лицензия — Apache-2.0. Производительность и качество зависят от языка, условий записи и используемого оборудования; README не приводит отдельных оценок для этой сборки.