I.15Доступность и ассистивные технологии

Модель Wav2Vec2-Large-XLSR-53-Tamil разработана Anurag Shas и дообучена на базе facebook/wav2vec2-large-xlsr-53 для автоматического распознавания тамильской речи. Она принимает аудио и преобразует его в текст; для входной речи требуется частота дискретизации 16 кГц. Обучение проводилось на обучающей и валидационной частях Common Voice, а для тестовой выборки Common Voice на тамильском языке указана оценка 71,87%. Модель построена на архитектуре Wav2Vec2ForCTC и насчитывает около 402,7 млн параметров. Доступны варианты весов PyTorch и Flax. Лицензия — Apache-2.0. Оценка относится к указанной тестовой выборке; README не сообщает метрику и условия, позволяющие переносить её на другие наборы данных или реальные сценарии.

Wav2Vec2-Large-XLSR-53-Nepali — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на непальском языке. Она использует архитектуру Wav2Vec2ForCTC и предназначена для преобразования непальской речи в текст; в карточке показаны примеры распознанных фраз и результат оценки на тестовой части Common Voice — 5,97%. Для входной речи требуется частота дискретизации 16 кГц. Модель обучалась на данных Common Voice и OpenSLR. Репозиторий содержит веса PyTorch и Flax; размер модели — около 402,7 млн параметров. Лицензия — Apache-2.0. Карточка указывает распознавание без языковой модели, однако качество на других наборах данных и устойчивость к разным условиям записи не описаны.

sarpba/whisper-base-hungarian_v4 — авторская дообученная версия OpenAI Whisper Base для распознавания речи на венгерском языке. Модель обучена на примерно 1617 часах тщательно отобранной венгерской аудиозаписи с несколькими сотнями говорящих; обучение включало аугментацию шумом MUSAN для 20% примеров. Архитектура — WhisperForConditionalGeneration, формат весов — safetensors; для работы используется библиотека Transformers. Модель предназначена для транскрибации венгерской речи, в том числе записей с фоновым и уличным шумом. В тестах она превзошла предыдущую версию v3, но уступила более старой модели Whisper Hungarian V2 на наборах FLEURS, Common Voice 17.0 и в тесте с шумом. Метрики на чтении не гарантируют такой же точности для спонтанной речи, телефонных разговоров или сильных акустических искажений. Коммерческое использование без согласия автора не разрешено; для личного применения README отсылает к условиям исходной лицензии Whisper.

Whisper Hindi Large-v2 — версия Whisper Large-v2, дообученная на корпусах распознавания речи на хинди в рамках Whisper fine-tuning sprint. Модель на архитектуре Whisper содержит около 905,2 млн параметров и предназначена для преобразования аудиозаписей на хинди в текст. Она подходит для транскрибирования речи и оценки качества распознавания на тестовых наборах. Для обучения использовались GramVaani ASR Corpus, ULCA ASR Corpus, Shrutilipi ASR Corpus и обучающая и валидационная части Google FLEURS. В README также указаны тестовые части GramVaani ASR Corpus и Google FLEURS для оценки. Доступны веса PyTorch и Flax; модель распространяется по лицензии Apache-2.0.

Whisper Large v2 PL — модель автоматического распознавания речи, созданная дообучением openai/whisper-large-v2 на датасете Common Voice 11.0. Она использует архитектуру Whisper и содержит около 905,2 млн параметров. Модель предназначена для преобразования польской речи в текст; в карточке указана метрика WER 6,9125 на наборе оценки. Модель принимает аудио и выдаёт текст. Она распространяется в формате PyTorch по лицензии Apache-2.0. Подробности об условиях записи аудио, поддержке других языков и ограничениях в карточке не приведены.

Byne/whisper-large-v3-arabic — дообученная Byne версия мультиязычной модели Whisper large-v3 от OpenAI для автоматического распознавания речи и преобразования аудио в текст. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и доступна в формате Safetensors. Название указывает на специализацию на арабской речи. В README приведены результаты оценки: loss 0,1384 и WER 9,3775; описание набора данных, условий оценки и подробные сценарии использования не раскрыты. Модель распространяется по лицензии Apache-2.0.

kingabzpro/whisper-large-v3-turbo-urdu — модель распознавания речи, созданная дообучением Whisper large-v3-turbo на наборе Common Voice 17.0. Она принимает аудио и выдаёт текстовую расшифровку на урду; модель реализована на архитектуре Whisper и содержит около 905,2 млн параметров. Модель предназначена для транскрибации речи на урду, в том числе записей, подобных примерам из Common Voice. В README приведены результаты оценки на тестовой части Common Voice 17.0: WER около 26% и CER около 8,8%, поэтому в расшифровках возможны ошибки, особенно при отличающихся условиях записи или речи. Модель доступна под лицензией Apache-2.0 и рассчитана на использование через Transformers.

thennal/whisper-medium-ml — модель распознавания речи на малаялам, созданная дообучением OpenAI Whisper Medium на Common Voice 11.0. Она принимает аудио и генерирует текстовую расшифровку; архитектура Whisper содержит около 455,8 млн параметров. В README приведены результаты оценки: WER 38,62 и CER 7,33 без нормализации, а после нормализации WER составляет 11,49. Автор отмечает, что нормализация Whisper имеет существенные проблемы для малаялама, поэтому метрики зависят от способа обработки текста. Модель распространяется по лицензии Apache-2.0.

Mofe/xls-r-hausa-40 — модель распознавания речи, разработанная на основе facebook/wav2vec2-xls-r-300m и дообученная на наборе MOZILLA-FOUNDATION/COMMON_VOICE_8_0 для хауса. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь на хауса в текст. На оценочной выборке указаны Loss 0,4998 и WER 0,5153. Модель опубликована под лицензией Apache-2.0. Результаты на этой выборке не гарантируют такого же качества на других записях; подробные сведения об ограничениях и условиях эксплуатации в карточке не приведены.

SayedShaun/bengali-whisper-medium — модель распознавания бенгальской речи с восстановлением пунктуации, созданная на базе Whisper medium. По README, исходную модель обучил tugstugi (Erdene-Ochir Tuguldur) из команды Chimege; этот репозиторий содержит упаковку весов в safetensors и исправленную конфигурацию генерации. Модель насчитывает 455,8 млн параметров и работает через Transformers. Модель принимает аудио на бенгальском языке и генерирует текстовую расшифровку с пунктуацией; она участвовала в решении, занявшем первое место в соревновании Bengali.AI Speech Recognition. Для более широкого восстановления пунктуации автор рекомендует отдельную модель asr-punctuation-restore-bn. Модель распространяется по лицензии Apache-2.0. Она предназначена только для бенгальской речи; на тишине и шуме может выдавать правдоподобный вымышленный текст. README также отмечает ограниченный набор пунктуации и разницу качества между публичной и закрытой выборками соревнования.

thealper2/donut-im2latex — модель распознавания математических формул, разработанная на основе Donut и дообученная на наборе yuntian-deng/im2latex-100k. Она принимает изображение набранной формулы и напрямую генерирует её LaTeX-код без отдельного этапа OCR. Архитектура Vision-Encoder-Decoder сочетает визуальный энкодер Swin Transformer и авторегрессионный декодер в стиле BART. Модель предназначена для преобразования изображений формул, например скриншотов или фрагментов научных документов, в редактируемый LaTeX. На валидационной выборке указаны точное совпадение 0,505 и CER 0,0558. Модель не рассчитана на рукописную математику, распознавание целых страниц или текста в естественных сценах. Длинные и вложенные выражения могут обрезаться или разбираться неверно, редкие символы и изображения низкого качества снижают точность; сгенерированный LaTeX может требовать проверки и не всегда компилируется. Лицензия — Apache-2.0.

Nepali Parler-TTS — дообученная версия Indic Parler-TTS для синтеза речи на непальском языке. Модель использует архитектуру ParlerTTSForConditionalGeneration и библиотеку parler-tts; веса представлены в формате safetensors. В карточке приведены результаты обучения: лучшая потеря на валидации — 5,4707, обучение длилось 1256 шагов и 270,8 минуты. Модель предназначена для преобразования текста в речь на непальском языке. Лицензия в предоставленных данных не указана.

KugelAudio-0-Open — открытая модель синтеза речи, разработанная командой KugelAudio KI-Servicezentrum Berlin-Brandenburg на основе Microsoft VibeVoice. В модели около 7 млрд параметров; гибридная архитектура сочетает авторегрессионную языковую модель Qwen2.5-7B, диффузионный модуль для предсказания речевых латентов и акустический декодер, выдающий аудио с частотой 24 кГц. Модель преобразует текст в речь на европейских языках и поддерживает выбор из предварительно закодированных голосов. Она рассчитана на озвучивание текста разными манерами, включая нейтральную речь, шёпот и эмоциональную подачу. В README указано около 200 000 часов предобработанных речевых данных YODAS2; качество лучше всего представлено для английского, немецкого, французского и испанского языков. Модель распространяется по лицензии MIT. Для инференса требуется около 19 ГБ видеопамяти, а скорость на современных GPU составляет примерно реальное время. Клонирование голоса из исходной аудиозаписи в открытой версии не поддерживается; доступно использование готовых голосов, а качество и естественность речи различаются между языками.

facebook/mms-tts-lao — модель синтеза речи на лаосском языке из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания лаосских текстов и создания речевого вывода в приложениях. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это сквозная система синтеза речи с вариационным автоэнкодером, flow-модулем и декодером на основе HiFi-GAN; стохастический предиктор длительности позволяет варьировать ритм произношения. Для каждого языка MMS обучается отдельный чекпойнт. Модель доступна через Transformers версии 4.33 и новее. Генерация недетерминирована: для повторяемого результата требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-nld — модель синтеза нидерландской речи из текста, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Для каждого языка MMS обучается отдельная модель; этот чекпойнт предназначен для нидерландского языка. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Она работает сквозным образом: преобразует входной текст в речевую аудиоволну, используя текстовый энкодер на основе Transformer, поточный модуль, декодер типа HiFi-GAN и стохастический предиктор длительности. Модель доступна через библиотеку Transformers. Чекпойнт подходит для озвучивания нидерландского текста и приложений синтеза речи. Из-за стохастического предиктора одинаковый текст может звучать по-разному; для воспроизводимого результата нужно фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерчески.

facebook/mms-tts-urd-script_arabic — модель синтеза речи на урду, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на урду, записанный арабским письмом, в речевую аудиоволну и предназначена для озвучивания текста и создания речевого вывода в приложениях. Для каждого языка MMS обучен отдельный чекпойнт. Модель использует архитектуру VITS — сквозную систему синтеза речи на основе вариационного автоэнкодера, flow-модуля, текстового энкодера на базе Transformer и декодера в стиле HiFi-GAN. Размер модели — 3,6 млн параметров; доступны веса PyTorch и Safetensors. Она поддерживается библиотекой Transformers начиная с версии 4.33. Из-за стохастического предсказателя длительности результат может меняться между запусками; для воспроизводимой генерации нужно фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческим образом.

facebook/mms-tts-ury — модель синтеза речи на языке ория, выпущенная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует последовательность текста в речевую волну и предназначена для озвучивания текстов на ория. Модель построена на архитектуре VITS: это сквозная система с вариационным автоэнкодером, поточным модулем и декодером на основе свёрточных слоёв; предсказатель длительности позволяет варьировать ритм речи. В репозитории представлены веса PyTorch и safetensors, размер модели — 3,5 млн параметров. Модель работает с библиотекой Transformers версии 4.33 и новее. Генерация недетерминирована из-за стохастического предсказателя длительности, поэтому для воспроизводимого результата нужно фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческих целях.

facebook/mms-tts-vie — модель синтеза речи на вьетнамском языке из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания вьетнамских фраз и создания аудиоверсий текстового контента. Модель использует архитектуру VITS и содержит около 3,6 млн параметров. Это сквозная система синтеза речи с текстовым энкодером на основе Transformer, потоковым модулем, декодером в стиле HiFi-GAN и стохастическим предсказателем длительности, который позволяет варьировать ритм произношения. Для повторения того же результата нужен фиксированный seed. Модель доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Molmo2-4B — открытая мультимодальная модель семейства Molmo2, разработанная Allen Institute for AI (Ai2). Она предназначена для диалога о визуальных данных: модель анализирует изображения, несколько изображений и видео, отвечает на вопросы и связывает текстовые описания с объектами и событиями в кадре. В числе заявленных сильных сторон — короткие видео, подсчёт объектов и создание подписей; на длинных видео модель показывает конкурентные результаты среди моделей сопоставимого размера. Модель объединяет языковую основу Qwen3-4B-Instruct-2507 с визуальной частью на базе SigLIP 2; архитектура — плотная Molmo2ForConditionalGeneration. Репозиторий содержит веса Safetensors и рассчитан на использование через Transformers. Обучение использовало общедоступные сторонние наборы данных и тщательно отобранные пары изображение–текст и видео–текст. Лицензия — Apache-2.0.

Карточка модели armandosds/Molmo2-4B на Hugging Face совпадает с карточкой allenai/Molmo2-4B, поэтому описание составлено по ней. Molmo2-4B — открытая мультимодальная модель семейства Molmo2, разработанная Allen Institute for AI (Ai2). Она предназначена для диалога о визуальных данных: модель анализирует изображения, несколько изображений и видео, отвечает на вопросы и связывает текстовые описания с объектами и событиями в кадре. В числе заявленных сильных сторон — короткие видео, подсчёт объектов и создание подписей; на длинных видео модель показывает конкурентные результаты среди моделей сопоставимого размера. Модель объединяет языковую основу Qwen3-4B-Instruct-2507 с визуальной частью на базе SigLIP 2; архитектура — плотная Molmo2ForConditionalGeneration. Репозиторий содержит веса Safetensors и рассчитан на использование через Transformers. Обучение использовало общедоступные сторонние наборы данных и тщательно отобранные пары изображение–текст и видео–текст. Лицензия — Apache-2.0.

Карточка модели PierrunoYT/moondream3-preview на Hugging Face совпадает с карточкой moondream/moondream3-preview, поэтому описание составлено по ней. 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.

Moonshine-Base-BN — компактная модель распознавания бенгальской речи, выпущенная Sanjid Hasan и Md. Abdur Rahman вместе с работой для MuslimML Workshop при ICML 2026. Она основана на UsefulSensors/moonshine-base и адаптирована заменой токенизатора декодера на BanglaBERT WordPiece с последующим дообучением для восстановления декодирования. Модель содержит 61,5 млн параметров, принимает аудио и генерирует текст; в метаданных указан контекст 194 токена. Для обучения и оценки использован набор Lipi-Ghor-bn-882-SSTT с бенгальской речью. Модель предназначена для распознавания бенгальской речи, в том числе в многодоменных и многоголосых записях. Авторы сообщают о меньшей доле ошибок на уровне символов, чем у сравниваемых систем, и скорости примерно в 3,5 раза выше, чем у оптимизированного Whisper CTranslate2; результаты относятся к тестовому разделу указанного набора данных. Модель распространяется по лицензии MIT.

Harveenchadha/odia_large_wav2vec2 — модель автоматического распознавания речи на базе архитектуры Wav2Vec2, разработанная автором Harveenchadha и реализованная с использованием Transformers и PyTorch. Модель предназначена для преобразования аудиозаписей на языке одия (код or) в текст. Модель содержит около 402,7 млн параметров и обучалась с использованием набора Harveenchadha/indic-voice, а также оценивалась на данных Common Voice. Она подходит для транскрибации речевых записей, голосовых сообщений и других аудиоматериалов на одия. Согласно приведённым результатам, значение WER на тестовых выборках Common Voice составляет 53,58–55,26, а CER — 11,26–13,01, поэтому качество распознавания может заметно зависеть от диктора, акустических условий и типа речи. Модель распространяется по лицензии Apache-2.0.

google/paligemma-3b-ft-cococap-224 — модель компьютерного зрения и языка от Google, дообученная для создания подписей к изображениям на COCO. Она принимает изображение и текстовую подсказку и генерирует текстовое описание изображения. Модель относится к семейству PaliGemma, сочетающему визуальную часть SigLIP с языковой моделью Gemma; вариант рассчитан на входное разрешение 224 пикселя. Карточка описывает поддержку нескольких языков, но не перечисляет их для этой версии. Модель подходит для автоматического создания коротких подписей к изображениям и задач, где требуется преобразовать визуальное содержание в текст. PaliGemma рассчитана на один ход и не предназначена для многоходового диалога; для наиболее надёжной работы её следует применять в задаче, соответствующей дообучению. Возможны фактические ошибки, слабая работа с неоднозначными или сложными запросами и унаследованные от Gemma смещения. Лицензия — Gemma.

Модель Trelis/piper-pt-br-faber-medium — средняя по размеру модель синтеза речи с мужским голосом на бразильском варианте португальского языка. Она создана на архитектуре VITS и распространяется в формате ONNX; модель пере размещена из rhasspy/piper-voices и дообучена на основе lessac medium на данных OHF Voice Datasets. Модель преобразует текст в речь и подходит для озвучивания фраз и коротких текстов на португальском языке Бразилии. Средний размер обозначает размер модели, а не качество звучания; для этого варианта указано около 15 млн параметров и частота аудио 22,05 кГц. Для запуска можно использовать Piper TTS, распространяемый по GPL, либо ONNX отдельно от зависимости piper-tts; для отдельного запуска требуется espeak-ng. Репозиторий модели лицензирован по CC0-1.0. Голос специализирован на pt-BR, поэтому карточка не подтверждает пригодность для других языков или акцентов.

mlx-community/Qwen2.5-VL-3B-Instruct-bf16 — конвертированная сообществом mlx-community версия Qwen2.5-VL-3B-Instruct от Alibaba для запуска в экосистеме MLX. Это плотная мультимодальная модель с архитектурой Qwen2.5-VL и примерно 3,1 млрд параметров; она принимает изображения и текстовые запросы, поддерживает диалоговый анализ изображений и выдаёт ответы на естественном языке. Модель также поддерживает работу с видео и структурированный вывод, а её контекст составляет до 128 000 токенов. Подходит для визуальных вопросов и ответов, описания содержимого изображений и видео, а также диалоговых сценариев с визуальным вводом. Метаданные указывают поддержку интерфейса вызова инструментов. Репозиторий содержит веса safetensors и рассчитан на использование с mlx-vlm. README направляет к карточке исходной модели за подробностями; конкретные условия лицензии и ограничения качества в предоставленных данных не описаны.

senga-nt-canon-mat-tts — дообученная модель Microsoft SpeechT5 для синтеза речи по тексту. В метаданных указаны архитектура SpeechT5, библиотека Transformers и формат весов safetensors; README сообщает значение loss 0,2274 на наборе оценки. Модель предназначена для преобразования текста в аудио. Подробности о голосе, языках синтеза, данных обучения и практических сценариях в карточке не раскрыты. Использование регулируется лицензией MIT.

Это дообученная модель SpeechT5 от Microsoft для синтеза речи из текста. В репозитории указана оценка Loss 0,4559 на тестовой выборке; дополнительных сведений о наборе данных и характеристиках синтеза карточка не содержит. Модель предназначена для преобразования текста в аудио. Базовая модель — microsoft/speecht5_tts, библиотека — Transformers, веса сохранены в формате Safetensors. Лицензия — MIT.

Bunny2308/speecht5_finetuned_voxpopuli — дообученная модель SpeechT5 от Microsoft для синтеза речи из текста. В метаданных указана архитектура SpeechT5ForTextToSpeech и формат весов safetensors; базовая модель — microsoft/speecht5_tts. В README сообщается о дообучении на наборе данных, обозначенном как None, и значении loss 0,4674 на evaluation set, но подробности обучения и оценки не приведены. Модель предназначена для преобразования текста в аудио. Лицензия — MIT.

Модель автоматического распознавания речи на телугу, дообученная Swecha на диалекте Раяласима в рамках инициативы Swecha Gonthuka. Она использует архитектуру Wav2Vec2 с выходной CTC-головой и содержит 113,3 млн параметров; принимает аудио и преобразует речь в текст. Модель предназначена для транскрибации речи носителей диалекта Раяласима, а также для образовательных, вспомогательных и исследовательских сценариев, связанных с телугу. Качество транскрибации зависит от аудиозаписи и особенностей говорящего: фоновый шум снижает точность, а на других диалектах телугу качество может быть ниже. Модель распространяется по лицензии Apache-2.0.