I.15Доступность и ассистивные технологии

Whisper Small Czech CV11 — модель распознавания речи, созданная дообучением openai/whisper-small на чешской части набора Mozilla Common Voice 11.0. Она преобразует чешскую речь в текст и подходит для транскрибирования записей и голосовых фрагментов. Архитектура — WhisperForConditionalGeneration, размер — 153,1 млн параметров; базовая модель Whisper мультиязычная. На тестовой выборке указана WER 18,5557 и loss 0,3587. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Оценка приведена для указанного набора данных; README не описывает ограничения качества в других условиях записи.

Это дообученная модель распознавания речи Qwen3-ASR, разработанная KasuleTrevor для транскрибации лугандской речи с нетипичными особенностями произношения. Репозиторий содержит выбранный чекпойнт checkpoint-500, обученный на наборе cdli/ugandan_luganda_nonstandard_speech_v1.0; базовая модель — KasuleTrevor/cdli-qwen3-asr-lg-typical-1p7b-base-finetune. Модель принимает аудио и выдаёт распознанный текст на лугандском языке. Она предназначена для транскрибации речи людей с лёгкими, умеренными и тяжёлыми нарушениями речи. В README приведены тестовые значения WER и CER, а также разбивка качества по тяжести нарушений: ошибка распознавания выше для тяжёлой группы, что ограничивает надёжность результатов в таких случаях. Модель опубликована в формате Safetensors, использует библиотеку Transformers и распространяется по лицензии Apache-2.0.

KasuleTrevor разработал эту модель как дообученный чекпойнт Qwen3-ASR для распознавания речи на лугандийском языке, в том числе речи с нарушениями разной степени тяжести. Это выбранный чекпойнт 1000-го шага третьего этапа обучения на наборе cdli/ugandan_luganda_nonstandard_speech_v1.0; базовая модель — KasuleTrevor/cdli-qwen3-asr-lg-typical-1p7b-base-finetune. Модель принимает аудио и выдаёт распознанный текст. На тестовой выборке средний нормализованный WER по высказываниям составил 0,497, а CER — 0,231; без ограничения нормализованный корпусный WER составил 0,633, CER — 0,323. Ошибки чаще возникали на речи с тяжёлыми нарушениями: средний WER составил 0,597 против 0,397 для лёгких нарушений. Модель распространяется по лицензии Apache-2.0.

ghofrani/common6 — модель распознавания речи на базе архитектуры Wav2Vec2ForCTC, дообученная на датасете COMMON_VOICE для персидского языка. Она принимает аудио и преобразует речь в текст; на указанном в карточке наборе оценки показала WER 0,3421 и loss 0,3706. Размер модели — 402,8 млн параметров. Лицензия в предоставленных данных не указана.

lowdown-labs выпустила потоковую модель распознавания речи на основе CTC с акустическим блоком Fourier Neural Operator. Она принимает моноаудио с частотой 16 кГц порциями и выводит текст с помощью жадного CTC-декодирования по словарю из 256 SentencePiece BPE-единиц и blank-токена. Модель содержит 64,4 млн параметров, работает на CPU и предназначена для локальной потоковой транскрипции с постоянным потреблением памяти; заявлена скорость в 28–30 раз выше реального времени на четырёх потоках CPU. Доступны веса fp32 и вариант int8 меньшего размера. Основные сценарии — живые субтитры, диктовка и автономная транскрипция на телефоне, одноплатном компьютере или ноутбуке без отправки аудио в облако. Streaming-режим сохраняет ограниченный контекст и постоянный объём памяти; выход потоковой обработки совпадает с offline-проходом. Модель рассчитана прежде всего на английскую речь и обучалась, в частности, на читаемой речи LibriSpeech. По точности на чистой речи LibriSpeech модель уступает более крупным и самообученным системам распознавания, а качество снижается на шумной, разговорной и акцентированной речи. Для очень длинных потоков рекомендуется сбрасывать состояние примерно каждые 12 секунд, чтобы уменьшить дрейф контекста. README указывает лицензию CC BY 4.0 для LibriSpeech, но лицензия самой модели в метаданных обозначена как other, поэтому условия использования весов следует сверить с лицензией репозитория.

Huiaaa/flickr30k-blip-caption — модель описания изображений на основе архитектуры BLIP, размещённая на Hugging Face и работающая через Transformers. Она принимает изображение и генерирует текстовую подпись; в названии указана связь с Flickr30k. Репозиторий содержит примерно 0,2 млрд параметров в формате safetensors с типом тензоров F32. Модель подходит для автоматического составления коротких описаний изображений и создания подписей для фотоколлекций. Карточка не сообщает разработчика, базовую модель, языки, лицензию, длину контекста или подробности обучения и оценки, поэтому эти характеристики нельзя надёжно уточнить.

GIT-base-VQAv2 — модель семейства GenerativeImage2Text (GIT), разработанная Microsoft и дообученная на наборе VQAv2 для ответов на вопросы по изображениям. Она использует декодер Transformer, который получает визуальные токены изображения от CLIP и текстовые токены, а затем генерирует ответ по одному токену. Размер модели — 80,1 млн параметров; нативный контекст — 1024 токена. Модель предназначена прежде всего для визуального вопросно-ответного поиска: пользователь задаёт вопрос о содержимом изображения, модель отвечает текстом. Архитектура GIT также подходит для описания изображений и видео и генерации текстовых меток классов, однако этот чекпойнт специально дообучен на VQAv2. Модель поддерживает английский язык. README отмечает, что она обучалась на парах изображение–текст, а этот вариант дообучен на VQAv2. Доступны веса PyTorch и Safetensors. Лицензия — MIT. Качество зависит от изображения и формулировки вопроса; результаты оценки в карточке не приведены.

Модель dianavdavidson/indic_whisper_hi_multi_gpu_iv_hindi_only_62612_ratio_alldata_lr_1e-4_lgid_None_epochs_100_FT — дообученная версия WhisperForConditionalGeneration на 455,8 млн параметров, созданная на основе parthiv11/indic_whisper_hi_multi_gpu. Она предназначена для автоматического распознавания речи и транскрибирования аудио на хинди. В карточке указаны результаты оценки: loss 0,2428 и Global WER 25,6713. Набор данных, подробности обучения и дополнительные ограничения не описаны. Модель распространяется в формате Safetensors по лицензии MIT.

Jelle_tts — дообученная модель на базе microsoft/speecht5_tts для синтеза речи из текста. Она построена на архитектуре SpeechT5 и предназначена для преобразования текстового ввода в аудио. В README приведён результат оценки: loss 0.4547; сведения о голосе и обучающих данных отсутствуют. Модель распространяется в формате Safetensors и доступна по лицензии MIT.

KaniTTS English — разработанная командой nineninesix модель синтеза речи на основе LFM2 с 460 млн параметров. Она преобразует текст в аудио через двухэтапный конвейер: языковая модель генерирует сжатые аудиотокены, а нейрокодек синтезирует из них звуковую волну. Модель рассчитана на английский язык, частоту дискретизации 22 кГц и контекст до 128 000 токенов. Модель предназначена для озвучивания ответов чат-ботов и голосовых помощников в реальном времени, а также для экранных дикторов и приложений изучения языков. В опубликованных тестах на GPU RTX 5090 и RTX 4080 скорость синтеза составляла примерно в пять раз выше реального времени; эти показатели зависят от оборудования и конфигурации. Для входных фрагментов длиннее 15 секунд качество работы снижается, поэтому рекомендуется делить их на части. Выразительность при передаче эмоций ограничена без дополнительной настройки, возможны смещения в интонациях и произношении. README указывает лицензию Apache 2.0, тогда как метаданные Hugging Face обозначают лицензию как other; лицензионные сведения в источниках расходятся. Базовая модель — nineninesix/kani-tts-400m-0.3-pt, от которой этот чекпойнт происходит через дообучение.

KaniTTS Kyrgyz — текст-в-речь-модель для синтеза речи на кыргызском языке, разработанная авторами проекта KaniTTS. Она предназначена для разговорных ИИ-приложений, виртуальных помощников, экранных читалок и приложений для изучения языка, где важны низкая задержка и быстрое создание речи. В README описана двухэтапная схема: LLM формирует сжатые аудиотокены, а нейросетевой аудиокодек синтезирует из них звуковую волну. Метаданные указывают архитектуру LFM2 с причинной языковой моделью, библиотеку Transformers и 460 млн параметров; README сообщает частоту дискретизации 22 кГц. Контекст модели составляет 128 000 токенов по метаданным, однако карточка рекомендует обрабатывать речь длиннее 15 секунд скользящими окнами. README приводит замеры скорости на нескольких видеокартах, включая работу быстрее реального времени на RTX 5090 и RTX 4080, и отмечает поддержку эмоциональных тегов, использовавшихся при дообучении. Модель является дообучением nineninesix/kani-tts-400m-0.3-pt и принимает текст, выдавая аудио. README указывает лицензию Apache 2.0, тогда как метаданные содержат обозначение other; условия распространения следует сверять с файлами лицензии репозитория. Карточка содержит противоречивое замечание об оптимизации преимущественно для английского, хотя модель названа кыргызской и для неё указано обучение на кыргызских примерах. Также отмечены ограниченная выразительность без дополнительной настройки эмоций и возможное наследование смещений обучающих данных в произношении и просодии.

NeuML/ljspeech-jets-onnx — модель синтеза речи, экспортированная из ESPnet JETS в формат ONNX с помощью библиотеки espnet_onnx. Она преобразует текст в аудио и предназначена для использования в приложениях синтеза речи; запуск возможен через TTS-конвейер txtai или напрямую через ONNX при предварительной токенизации текста. Модель основана на датасете LJSpeech и рассчитана на английскую речь. Репозиторий распространяется по лицензии Apache-2.0.

Mungert/llama-joycaption-beta-one-hf-llava-GGUF — мультимодальная модель для генерации текстовых описаний изображений. Она предназначена прежде всего для image captioning и других сценариев image-text-to-text, где по изображению требуется создать связное текстовое описание. Модель собрана на основе Meta Llama 3.1 8B Instruct и визуального энкодера Google SigLIP2 SO400M patch14 384; точные поддерживаемые языки и размер контекстного окна в представленном README не указаны. Модель распространяется в формате GGUF и рассчитана на запуск через llama.cpp. Доступны варианты с разной точностью, включая BF16, F16, гибридные и низкобитные квантованные форматы, что позволяет выбирать между качеством, скоростью и требованиями к памяти на GPU или CPU. Автор применяет экспериментальный подход с повышением точности отдельных важных слоёв поверх стандартной IMatrix-квантизации, стремясь сохранить больше качества при уменьшенном размере файлов. Ограничения зависят от выбранного формата и оборудования: низкобитная квантизация может снижать точность, а требования к памяти и совместимость определяются конкретной сборкой. Лицензия в README не указана.

mikhail-panzo/malay_full_checkpoint — дообученная модель Microsoft SpeechT5 TTS для преобразования текста в аудио. В карточке указан результат оценки: loss 0,3226; датасет и дополнительные сведения о назначении модели не описаны. Модель распространяется в формате safetensors по лицензии MIT. Базовая модель SpeechT5 предназначена для синтеза речи из текста.

facebook/mms-tts-kyz — модель синтеза речи на языке кайаби (kyz), выпущенная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну. Модель построена на архитектуре VITS и содержит 3,5 млн параметров; для языка обучен отдельный чекпойнт MMS-TTS. Модель доступна через библиотеку Transformers версии 4.33 и новее. Чекпойнт предназначен для озвучивания текста на кайаби, например для создания речевых материалов и голосового доступа к текстовому содержимому. Предсказатель длительности стохастический, поэтому одинаковый текст может звучать с разным ритмом; для воспроизводимого результата нужен фиксированный seed. Репозиторий содержит веса PyTorch и Safetensors. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-mar — модель синтеза речи на маратхи из проекта Massively Multilingual Speech компании Facebook. Она преобразует текст на маратхи в речевую аудиоволну; для каждого языка в MMS-TTS обучается отдельный чекпойнт. Модель использует архитектуру VITS с 3,6 млн параметров: текстовый энкодер на основе Transformer, flow-модуль, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN. Стохастический предиктор позволяет получать разные ритмические варианты произношения одного текста; для повторяемого результата требуется фиксированный seed. Модель доступна через Transformers версии 4.33 и новее. Подходит для озвучивания текстов на маратхи. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-uzb-script_cyrillic — модель синтеза речи на узбекском языке, записанном кириллицей, из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она предназначена для преобразования текста в речевую аудиоволну, например для озвучивания текстов и создания голосового вывода в приложениях. Модель использует архитектуру VITS и содержит 3,5 млн параметров. Это отдельный чекпойнт для узбекского языка; архитектура объединяет текстовый энкодер, потоковый модуль и декодер речи и может синтезировать варианты с разным ритмом. Для повторения идентичного аудиовывода требуется фиксированное начальное значение генератора случайных чисел. Модель доступна через библиотеку Transformers версии 4.33 и выше и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Moonshine Streaming Small — Spanish — это модель распознавания испанской речи от Moonshine AI. Она транскрибирует аудио по мере поступления, не дожидаясь окончания высказывания, и рассчитана на локальный запуск на устройствах с ограниченными ресурсами. По метаданным, модель содержит 48,2 млн параметров; карточка описывает потоковую архитектуру с аудиофронтендом 50 Гц и оконным Transformer-энкодером. Модель доступна в формате Safetensors, работает через Transformers и поддерживает контекст до 4096 токенов. Обучение сочетает небольшую коллекцию человеческих расшифровок и крупный испаноязычный корпус с автоматически созданными псевдоразметками. В оценке на двух наборах чтения WER составил около 4,9%, однако эти результаты не характеризуют спонтанную речь, телефонные записи и тяжёлые диалекты. Возможны ошибки в именах, числах и переключении языков, а на коротких или шумных фрагментах — зацикливание текста. Для корректной потоковой работы при обработке нужно передавать attention mask. Лицензия — MIT.

Ola-7B — мультимодальная модель, разработанная исследователями Tencent, Университета Цинхуа и Наньянского технологического университета. Она дообучена на базе Qwen2.5-7B и сочетает визуальный энкодер Oryx-ViT с языковой моделью Qwen2.5 на 7,1 млрд параметров. Модель принимает текст, изображения, видео и аудио, а выдаёт текст; контекстное окно составляет 32 тыс. токенов. Модель предназначена для диалогов и генерации текстовых ответов по визуальным и аудиовизуальным данным, включая изображения и видео произвольного пространственного размера и временной длины. Обучение проводилось в три этапа на смеси более чем из 5 млн примеров с изображениями, видео и аудио. Для запуска требуется отдельно скачать speech encoder и указать его путь в config.json. Модель распространяется в формате safetensors по лицензии Apache-2.0.

BuzzASR Persian — одноязычная модель автоматического распознавания персидской речи, разработанная как часть набора BuzzASR. Это полноценно дообученная версия Whisper large-v3 с заменой токенизатора на персидский и дополнительным текстовым многозадачным обучением. Модель содержит около 907,3 млн параметров и предназначена для преобразования персидской речи в текст. Модель оценивается на наборах FLEURS и Common Voice 25.0; в карточке сообщается о снижении CER относительно Whisper large-v3 без дообучения. Она подходит для транскрибации персидской речи, однако качество на других доменах, диалектах и условиях записи может отличаться. Модель одноязычная и рассчитана на персидский язык. Модель распространяется по лицензии MIT. Указанные результаты относятся к тестовым разделам FLEURS и Common Voice и не гарантируют аналогичное качество на произвольных аудиозаписях.

Trelis подготовила и разместила модель Piper TTS ruRU-irina-medium — среднеразмерный синтезатор русской женской речи с голосом Ирины. Модель основана на архитектуре VITS и сохранена в формате ONNX; она преобразует русский текст в речь с частотой дискретизации 22,05 кГц. Модель подходит для озвучивания фраз и текстов, создания голосовых интерфейсов и персонализированного синтеза речи. Она дообучена на данных RHVoice для диктора Ирины от модели lessac medium; обозначение medium характеризует размер модели, а не качество звучания. Для запуска можно использовать Piper TTS или ONNX отдельно с установленным espeak-ng. Для Piper TTS указана лицензия GPL, а для автономного ONNX-варианта — MIT; лицензия самого репозитория обозначена как other.

google/pix2struct-screen2words-base — модель Google семейства Pix2Struct для понимания визуально представленного текста и элементов интерфейса. Это базовая версия Pix2Struct с архитектурой «кодировщик изображений — декодер текста», доступная в формате PyTorch и предназначенная для генерации текстовых ответов по изображению. Модель принимает изображение экрана и может отвечать на вопросы о его содержимом, например распознавать слова и подписи в интерфейсе. Pix2Struct предварительно обучали преобразовывать замаскированные снимки веб-страниц в упрощённый HTML; подход рассчитан на разнообразные задачи визуального понимания. В семействе используется представление изображений с переменным разрешением, а языковая подсказка может быть встроена непосредственно в изображение. В метаданных указаны английский, французский, румынский и немецкий языки. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает отдельные ограничения именно этой версии; качество ответов может зависеть от читаемости и состава содержимого снимка экрана.

Qwen3-ASR-1.7B-NL — модель распознавания речи на нидерландском языке, разработанная Yuriy VNV и дообученная на базе Qwen/Qwen3-ASR-1.7B. Она принимает аудио и выдаёт текст с регистром и пунктуацией; для загрузки используется пакет qwen-asr. Модель предназначена для транскрибации нидерландской речи, особенно записей, похожих на чтение вслух. По данным карточки, на тестовой части Common Voice 22 модель достигла WER 5,28% против 6,68% у базовой модели при одинаковой оценке и жадном декодировании. Обучение включало синтетические нидерландские аудиозаписи и данные Common Voice. Модель распространяется по лицензии Apache-2.0. Точность может снижаться на разговорной речи, записях с несколькими говорящими, дальней дистанции и выраженными акцентами. Межъязыковое распознавание и переключение языков не являются целевыми сценариями; регистр и пунктуация предсказываются приблизительно.

Модель lgris/sew-tiny-portuguese-cv8 разработана lgris и представляет собой дообученную версию lgris/sew-tiny-pt для автоматического распознавания речи. Она использует архитектуру SEW с CTC-декодированием и содержит 50,4 млн параметров. Модель обучалась на Common Voice 8.0 и предназначена для преобразования португальской речи в текст. На оценочной выборке указаны loss 0,4082 и WER 0,3053. Модель принимает аудио и выдаёт текст; опубликованные веса имеют формат PyTorch. Лицензия — Apache-2.0.

IoanRazvan/speecht5_tts_voxpopuli_ro — модель синтеза речи из текста на архитектуре SpeechT5, созданная дообучением microsoft/speecht5_tts на датасете VoxPopuli. Она предназначена для преобразования текста в аудио; в README приведено значение loss 0,4374 на оценочном наборе. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT.

Harveenchadha/vakyansh-wav2vec2-odia-orm-100 — модель автоматического распознавания речи, опубликованная Harveen Singh Chadha в рамках проекта Vakyansh, разработанного для индийских языков с ограниченными ресурсами. Она преобразует аудиозаписи на языке одия в текст и предназначена для систем speech-to-text, транскрибации и голосовых интерфейсов. Модель основана на архитектуре wav2vec2 и реализована для использования с Transformers и PyTorch. В ней около 113,3 млн параметров; она дообучена на 100 часах данных для одия и использует базовую модель CLSRIL-23. Модель поддерживает естественный язык одия (Odia, ISO 639-1: or). Репозиторий Vakyansh распространяется по лицензии MIT; отдельная лицензия в карточке этой модели не указана. Модель ориентирована на распознавание речи на одия и может применяться в офлайн- и серверных ASR-конвейерах. Она специализирована для одного языка, поэтому не предназначена для многоязычной транскрибации без дополнительной модели или дообучения; качество зависит от акустических условий, диктора и близости входных данных к обучающему домену.

Vision Narrator 0.8B — компактная визуально-языковая модель Nice Dreamz на базе Qwen3.5 0.8B, дообученная для помощи незрячим и слабовидящим пользователям. Она принимает изображение и вопрос о нём или запрос на описание, а затем формирует ответ; модель предназначена для офлайн-запуска на телефоне. Вариант в этом репозитории использует 4-битные веса языковой части в формате MLX, тогда как визуальный энкодер оставлен без сжатия. Архитектура — Qwen3_5ForConditionalGeneration: языковая часть имеет 24 слоя, а визуальная башня — 12 слоёв. Модель отвечает на вопросы о повседневных сценах и предметах, читает бытовые документы и счета, а также сообщает, когда изображение слишком тёмное или нечёткое для надёжного ответа. В тесте на 295 отложенных вопросах VizWiz версия v09 показала 66,4% стандартной точности; при этом README отмечает слабое распознавание направления движения лифта и возможные ошибки в названиях брендов и отправителях на плохо освещённых страницах. Модель рассчитана на английский язык и бытовые ситуации в США. Лицензия — Apache-2.0.

cahya/wav2vec2-base-turkish-cv7 — модель распознавания турецкой речи, разработанная Cahya и дообученная на наборе MOZILLA-FOUNDATION/COMMON_VOICE_7_0 - TR. Она использует архитектуру wav2vec2 с CTC-декодером и содержит 113,3 млн параметров. Модель принимает аудио и выдаёт распознанный текст на турецком языке. На оценочной выборке указаны loss 0,2893 и WER 0,2713. Модель подходит для транскрибации турецкой речи, в том числе записей, похожих по условиям на Common Voice. Доступна по лицензии Apache-2.0.

alvanlii/wav2vec2-BERT-cantonese — дообученная модель распознавания речи на основе facebook/w2v-bert-2.0, разработанная Alvin. Она преобразует аудио на кантонском языке в текст и предназначена для автоматической транскрипции речи. Модель основана на архитектуре Wav2Vec2-BERT и содержит 405,4 млн параметров. Для обучения использовались наборы Common Voice 16 на кантонском и китайском языках Гонконга, CantoMap и Cantonese-ASR. На тестовой части Common Voice 16 для кантонского языка автор сообщает CER 10,27 без учёта пунктуации. Модель рассчитана на распознавание кантонской речи; приведённый результат относится к конкретному тестовому набору и не гарантирует такое же качество на других аудиозаписях. Распространяется по лицензии Apache-2.0.

Ivydata разработала эту модель распознавания японской речи, дообучив facebook/wav2vec2-large-xlsr-53 на данных Common Voice, JVS и JSUT. Это акустическая модель Wav2Vec2 с архитектурой Wav2Vec2ForCTC и 405,7 млн параметров, предназначенная для преобразования японской речи в текст. Для распознавания входную речь следует подавать с частотой дискретизации 16 кГц. Модель можно использовать для расшифровки японской речи без языковой модели, например, в записях выступлений и других аудиоматериалах. В тесте на TEDxJP-10K автор сообщает CER 27,87%; приведённые примеры показывают, что распознавание может содержать ошибки. Модель распространяется по лицензии Apache-2.0.