I.15Доступность и ассистивные технологии

maxidl/wav2vec2-large-xlsr-german — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на немецкой части набора Common Voice. Она преобразует немецкую речь в текст и предназначена для сценариев автоматической транскрипции. Архитектура — Wav2Vec2ForCTC; размер — 402,8 млн параметров. Для входного аудио требуется частота дискретизации 16 кГц. В оценке на тестовой части Common Voice для немецкого языка модель показала WER 12,77 %. Репозиторий содержит веса PyTorch и Flax. Лицензия — Apache-2.0.

PereLluis13/wav2vec2-xls-r-1b-ca — модель автоматического распознавания речи на каталанском языке, созданная дообучением facebook/wav2vec2-xls-r-300m на наборах Common Voice 8.0 для каталанского, tv3_parla и parlament_parla. Она использует архитектуру wav2vec2 с выходной головой Wav2Vec2ForCTC и содержит 1,3 млрд параметров. Модель предназначена для преобразования каталанской речи в текст, в том числе для записей, похожих на данные обучающих корпусов: краудсорсинговую речь, телепередачи и парламентские выступления. Распространяется под лицензией Apache-2.0.

Это модель автоматического распознавания речи на польском языке, разработанная Jonatas Grosman путём дообучения facebook/wav2vec2-xls-r-1b с помощью HuggingSound. Она использует архитектуру Wav2Vec2ForCTC и предназначена для преобразования польской речи в текст; в обучении использованы обучающая и валидационная части Common Voice 8.0, Multilingual LibriSpeech и Voxpopuli. Модель содержит 1,3 млрд параметров и принимает аудио с частотой дискретизации 16 кГц. Для распознавания польской речи её можно применять к аудиозаписям и речевым данным из различных источников. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Качество распознавания зависит от записи и соответствия входного аудио требованию 16 кГц; сведения о производительности в конкретных условиях в карточке не приведены.

Модель PereLluis13/wav2vec2-xls-r-300m-ca — версия wav2vec 2.0 XLS-R, дообученная на распознавание каталанской речи. Её подготовил PereLluis13 на основе facebook/wav2vec2-xls-r-300m с использованием данных Common Voice 8.0 для каталанского языка, tv3_parla и parlament_parla. Архитектура — Wav2Vec2ForCTC; в репозитории указано около 402,7 млн параметров, веса представлены в формате PyTorch. Модель принимает аудио и преобразует речь в текст. В README приведён результат оценки WER 0,1499 на тестовых наборах трёх использованных корпусов. Она предназначена прежде всего для распознавания каталанской речи; на диалектах с меньшим объёмом обучающих данных может работать хуже. Также возможны смещения и особенности, унаследованные от краудсорсинговых и парламентских данных. Лицензия — Apache-2.0.

Модель mpoyraz/wav2vec2-xls-r-300m-cv6-turkish разработана как дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на турецком языке. Это плотная модель семейства wav2vec2 с архитектурой Wav2Vec2ForCTC и примерно 402,7 млн параметров; она принимает аудио и выдаёт распознанный текст. Для обучения использовались проверенная часть Common Voice 6.1 TR, кроме тестовой выборки, и MediaSpeech. В README также описана отдельная n-граммная языковая модель KenLM, обученная на статьях турецкой Википедии. Модель подходит для транскрибирования турецкой речи и оценки систем распознавания на наборах Common Voice и Speech Recognition Community. В README приведены результаты: WER 8,83 и CER 2,37 на тестовой выборке Common Voice 6.1 TR, а также WER 32,81 и CER 11,22 на dev-наборе Speech Recognition Community. Модель распространяется по лицензии Apache-2.0.

Модель edugp/wav2vec2-xls-r-300m-cv8-es — дообученная на Common Voice версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи. Она принимает аудио и выдаёт текст; архитектура основана на Wav2Vec2ForCTC, число параметров — 402,7 млн. В оценке на наборе Common Voice модель показала WER 0,1931. Модель подходит для транскрибирования аудиозаписей на испанском языке. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. README не сообщает дополнительных сведений о режимах использования и ограничениях качества.

Это модель автоматического распознавания речи на архитектуре wav2vec2 с 402,7 млн параметров, разработанная как дообученная версия facebook/wav2vec2-xlsr-53-espeak-cv-ft. Она принимает аудио и преобразует речь в текст. Модель опубликована в формате PyTorch и предназначена для сценариев распознавания речи. Модель дообучена на датасете audiofolder. README не содержит подробностей о составе данных, поддерживаемых языках, оценке качества или рекомендуемых условиях применения. Лицензия — Apache 2.0.

WAXAL-orm_asr-w2v-bert-2.0 — модель автоматического распознавания речи, созданная дообучением facebook/w2v-bert-2.0. Она использует архитектуру Wav2Vec2-BERT с CTC-выходом и содержит 402,7 млн параметров. Модель принимает аудио и предназначена для преобразования речи в текст; README сообщает оценку CER 0,1687 и loss 0,8218 на тестовом наборе. Модель опубликована в формате safetensors и рассчитана на использование с библиотекой Transformers. В карточке указана лицензия MIT. Язык распознавания, набор данных и подробные ограничения в доступных материалах не раскрыты.

burakaydinofficial/whisper-base-cv11 — это мультиязычная модель распознавания речи, созданная дообучением стандартной архитектуры OpenAI Whisper Base на корпусе Whispered с лицензией CC0. Модель содержит 51,7 млн параметров и предназначена для преобразования речи в аудио в текст; она работает через библиотеку Transformers без пользовательского кода. Модель служит контрольной точкой для сравнения с вариантом whisper-base-mla-cv11, в котором изменена архитектура внимания. В карточке приведены результаты оценки на CommonVoice-17 для английского, немецкого и испанского языков; обучение проводилось на данных для чтения речи, энкодер был заморожен. Поддерживаются английский, немецкий, испанский, французский, русский, турецкий, валлийский, арабский, грузинский, тайский и китайский языки. Контекстная длина в доступных данных не указана. Модель распространяется по лицензии Apache-2.0. Результаты могут немного отличаться при повторной оценке: в карточке отмечено, что контрольная финальная контрольная точка отличается от контрольной точки, выбранной по dev-набору.

sarpba/whisper-hu-small-finetuned — дообученная модель OpenAI Whisper Small для автоматического распознавания речи. Она принимает аудио и преобразует его в текст, с особым упором на венгерский язык. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. В README приведены результаты оценки на тестовом наборе: loss 0,02658 и WER 0,08494. Сведения о составе обучающего набора и ограничениях применения не раскрыты. Модель распространяется по лицензии Apache-2.0.

Mohammed Nasri дообучил модель OpenAI Whisper Large на наборе Common Voice 11.0 для распознавания арабской речи. Это плотная модель архитектуры Whisper с 905,2 млн параметров, представленная в формате PyTorch. На оценочной выборке автор сообщает значение WER 15,9259 и loss 0,1784. Модель принимает аудио и генерирует текстовую расшифровку; карточка не описывает дополнительные сценарии или ограничения качества. Лицензия — Apache-2.0.

Модель TalTechNLP/whisper-large-v3-turbo-et-verbatim — дообученная командой TalTechNLP мультиязычная модель Whisper large-v3-turbo для автоматического распознавания речи. Её обучили на 1400 часах аудио с вручную подготовленными дословными транскрипциями из набора TalTech Estonian Speech Dataset 1.0. Модель принимает аудио и выдаёт текст. Она подходит для дословной транскрибации эстонской речи; архитектура — WhisperForConditionalGeneration, размер — 905,2 млн параметров. Модель доступна в формате safetensors и рассчитана на работу через Transformers. Лицензия — MIT.

arbml/whisper-small-ar — дообученная версия OpenAI Whisper Small для автоматического распознавания речи. Модель основана на архитектуре Whisper и содержит 153,1 млн параметров; в репозитории представлены веса PyTorch. В метаданных указан датасет arbml/mgb2, а карточка сообщает о результате WER 21,3693 на оценочном наборе. Модель принимает аудио и преобразует речь в текст. Лицензия Apache-2.0 разрешает использование на её условиях. Карточка не описывает дополнительные сценарии применения или известные ограничения качества.

OpenVINO/whisper-small.en-int8-ov — англоязычная модель автоматического распознавания речи на базе Whisper small, разработанного OpenAI. Модель преобразована в формат OpenVINO IR, а её веса сжаты до INT8 с помощью NNCF; объём модели составляет около 153,1 млн параметров. Модель предназначена для преобразования английской речи в текст: расшифровки аудиозаписей, голосовых заметок, интервью и других источников аудио. Она поддерживает запуск через OpenVINO и Optimum Intel, включая инференс на CPU, и совместима с OpenVINO версии 2025.2.0 и выше и Optimum Intel версии 1.23.0 и выше. INT8-квантизация уменьшает размер весов и может сделать инференс более эффективным на совместимом оборудовании, однако модель рассчитана именно на английский язык. Использование распространяется по лицензии Apache-2.0.

RedHatAI/whisper-small-quantized.w8a8 — квантизированная версия модели openai/whisper-small, разработанная Neural Magic. Это аудио-текстовая модель автоматического распознавания речи: она принимает аудиосигнал и генерирует текстовую расшифровку. Модель предназначена для транскрибации аудиозаписей и развёртывания в приложениях, где важны эффективное выполнение инференса и совместимость с vLLM. Модель использует архитектуру Whisper small и поддерживает обработку аудио с выдачей текста. Указан язык en; другие языки в предоставленных данных не заявлены. Веса и активации квантизированы в INT8 по схеме W8A8, что может снизить требования к памяти и повысить эффективность инференса по сравнению с полноточной версией, но потенциально сопровождается потерей точности. Модель подготовлена для работы с vLLM версии 0.5.2 и новее, включая OpenAI-compatible serving. В README не приведены численные результаты оценки качества, ограничения по длине аудио или подробные характеристики исходной архитектуры. Модель распространяется по лицензии Apache-2.0. Для её использования требуется инфраструктура, совместимая с Transformers и vLLM; конкретные параметры производительности зависят от оборудования и настроек развёртывания.

mlx-community/whisper-tiny-asr-fp16 — версия Whisper Tiny, преобразованная сообществом mlx-community из openai/whisper-tiny в формат MLX с помощью mlx-audio 0.2.10. Это компактная модель распознавания речи с архитектурой Whisper и примерно 29,4 млн параметров, предназначенная для преобразования аудиозаписей в текст. Репозиторий содержит веса Safetensors; для работы используется библиотека mlx-audio. Модель поддерживает многоязычное распознавание, в том числе русского, английского, китайского, немецкого, испанского, французского и японского языков. Она подходит для транскрибации коротких записей и речи в приложениях на устройствах Apple Silicon, совместимых с MLX. Это конверсия исходной модели, а не отдельное дообучение; для подробностей о качестве и ограничениях следует обращаться к карточке openai/whisper-tiny. Лицензия — Apache-2.0.

deepdml/whisper-tiny-es-mix-norm — дообученная модель распознавания речи на базе openai/whisper-tiny, разработанная deepdml. Она преобразует аудио в текст и обучена на наборах Common Voice 26.0, WorldSpeech, VoxPopuli, Multilingual LibriSpeech, VoxForge, FLEURS и Basque Parliament. В карточке указаны результаты оценки: WER 16,07 и CER 6,04; подробности методики оценки не приведены. Модель представлена в формате safetensors и доступна по лицензии Apache-2.0.

Модель ARTPARK-IISc/whisper-tiny-vaani-hindi — дообученная на датасетах индийской речи версия Whisper-tiny от OpenAI, разработанная ARTPARK-IISc. Она предназначена для автоматического распознавания речи на хинди и преобразования аудиозаписей в текст. В README указано, что при дообучении использовано около 718 часов транскрибированной речи из Vaani, Gramvaani, IndicVoices, Fleurs, IndicTTS и Common Voice. Модель имеет архитектуру WhisperForConditionalGeneration и около 29,4 млн параметров; доступна в формате safetensors и рассчитана на использование через Transformers. В карточке приведены результаты оценки WER для Gramvaani, Fleurs и IndicTTS, но они различаются, поэтому качество может зависеть от набора данных и сценария записи. Лицензия — Apache-2.0.

AlexN/xls-r-300m-pt — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на португалоязычной части набора MOZILLA-FOUNDATION/COMMON_VOICE_8_0. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; карточка сообщает результат WER 0,2382 на оценочной выборке. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

AudioSangraha-Audio_to_Text — дообученная разработчиком AqeelShafy7 модель распознавания речи на архитектуре Whisper Small. Она предназначена для преобразования аудио в текст. Веса представлены в формате safetensors; модель содержит 153,1 млн параметров и распространяется по лицензии Apache-2.0. В карточке приведены результаты оценки: loss 0,3071 и WER 52,3227. Описание не раскрывает языки, обучающие данные и сценарии применения, поэтому качество распознавания в конкретных условиях по этим сведениям оценить нельзя.

Ąžuolas Whisper LT CT2 — литовская модель распознавания речи, созданная akisviete на основе Ąžuolas Whisper LT и преобразованная в формат CTranslate2 для работы с faster-whisper. В репозитории доступны варианты float16 и int8_float16; второй занимает около 1,5 ГБ вместо 2,9 ГБ, при этом в приведённых тестах качество почти не меняется. Исходная модель основана на Whisper large-v3 и обучена на литовской речи из корпуса LIEPA-3. Модель предназначена для транскрибации литовской речи с временными метками сегментов. В тестах указаны WER 9,05% на FLEURS LT и 4,60% на Common Voice 26.0 LT. Для практического использования автор рекомендует включать фильтр тишины VAD и делить длинные записи на фрагменты до 22 секунд. Модель выдаёт текст строчными буквами без пунктуации и может генерировать текст на участках тишины без VAD. Лицензия — CC BY 4.0.

blas-m3-lm — модель распознавания ирландской речи в текст, разработанная автором репозитория jyoutir. Это акустическая модель wav2vec2-XLS-R на базе Wav2Vec2ForCTC с дообучением для ирландского языка и встроенной 5-граммовой языковой моделью KenLM, подключённой через Wav2Vec2ProcessorWithLM. В метаданных указано 403 млн параметров; в README акустическая часть описана как модель на 300 млн параметров. Модель предназначена для транскрибации ирландской речи. В README приведены результаты на Common Voice 25.0 для ga-IE: WER 19,95 и CER 8,42; на FLEURS ga-IE: WER 48,05 и CER 24,20. Автор сообщает, что KenLM снижает WER на 5,6 пункта относительно одной акустической модели. Для декодирования используются pyctcdecode, ширина луча 100 и параметры α=0,5, β=1,5. Модель распространяется по лицензии Apache-2.0. Для работы требуется аудиовход; результатом является текстовая транскрипция. Качество на FLEURS заметно ниже, чем на Common Voice, поэтому результаты зависят от условий записи и набора данных. Заявления о лидерстве в бенчмарке и сравнении с другими системами основаны на измерениях и описании автора README.

bp400-xlsr — модель автоматического распознавания речи на базе Wav2Vec 2.0, дообученная для бразильского португальского языка. Карточка описывает её как демонстрационную модель, обученную на объединённых корпусах CETUC, Common Voice, LaPS BM, MLS, TEDx, SID и VoxForge; веса представлены в формате PyTorch. Размер модели — около 402,7 млн параметров. Модель преобразует аудиозаписи речи в текст и предназначена для транскрибирования бразильского португальского, в том числе записей из перечисленных корпусов. В README приведены результаты WER на отдельных тестовых наборах: без языковой модели среднее значение составляет 0,124, а с 4-граммовой языковой моделью — 0,105. Качество зависит от корпуса; для TEDx ошибки заметно выше, чем для некоторых других наборов. Для использования указана лицензия Apache-2.0.

Cohere Transcribe — открытая модель распознавания речи с аудиовходом и текстовым выходом, разработанная Cohere и Cohere Labs. Это специализированная плотная модель архитектуры Cohere ASR размером 2 млрд параметров, обученная с нуля для эффективной транскрипции. Она поддерживает 14 языков: арабский, немецкий, греческий, английский, испанский, французский, итальянский, японский, корейский, нидерландский, польский, португальский, вьетнамский и китайский. Модель доступна через Transformers и подходит для локального распознавания, а для онлайн-сервинга в README рекомендуется vLLM. По данным разработчиков, модель обеспечивает высокую точность транскрипции на поддерживаемых языках и может работать до трёх раз быстрее других специализированных ASR-моделей сопоставимого размера. Лучше всего она работает с аудио на одном заранее выбранном языке: автоматического определения языка нет, а переключение языков в речи обрабатывается непоследовательно. Модель не формирует временные метки и не выполняет диаризацию; на тишине и фоновых звуках может выдавать галлюцинации, поэтому для таких записей полезен предварительный VAD или шумовой порог. Лицензия — Apache-2.0.

Это квантованная версия Cohere Transcribe, разработанная на основе модели CohereLabs/cohere-transcribe-03-2026. Она предназначена для автоматического распознавания речи и транскрибации аудио на 14 языках. Архитектура включает Conformer-энкодер на 48 слоёв и Transformer-декодер на 8 слоёв; модель содержит около 2 млрд параметров и использует токенизатор SentencePiece с размером словаря 16 384. Квантование NVFP4 W4A16 представляет веса в формате NVIDIA FP4, а активации — в BF16. Модель принимает аудио и выдаёт текстовую транскрипцию. Поддерживаемые языки: арабский, немецкий, греческий, английский, испанский, французский, итальянский, японский, корейский, нидерландский, польский, португальский, вьетнамский и китайский (мандаринский). Репозиторий распространяется по лицензии Apache-2.0. Карточка описывает запуск с vLLM и Transformers; фактическая точность и качество на конкретных аудиоданных в предоставленных сведениях не приводятся.

Confucius4-R2T2-GGUF — это квантизированная GGUF-версия модели Confucius4-R2T2 от NetEase Youdao, подготовленная для запуска в audio.cpp. Модель предназначена для автоматического распознавания речи, включая офлайн-транскрибацию и потоковую обработку аудио в реальном времени с низкой задержкой. Поддерживается append-only потоковая выдача текста с декодированием по принципу Longest Stable Prefix. Модель представляет собой дообученную версию Qwen3-ASR-1.7B. Доступны варианты Q8_0 размером около 2,31 GiB и F16 размером около 3,81 GiB; вариант F16 ориентирован на максимальную точность, а Q8_0 — на более компактное размещение. GGUF-файлы содержат токенизатор, конфигурации процессора и генерации, шаблон чата и спецификацию модели, поэтому для запуска достаточно одного файла. Поддерживаются CPU, CUDA и Metal, а также размеры потоковых фрагментов от 80 мс до 2 секунд. Заявлена поддержка китайского, английского, кантонского и ряда других языков, включая русский, японский, корейский, арабский, немецкий, французский, испанский, португальский, итальянский, хинди и другие. Сильными сторонами являются локальный запуск без Python и PyTorch, потоковый режим, низкая задержка и возможность работы с живым аудиопотоком. Ограничения включают отсутствие проверенной поддержки квантизаций ниже Q8_0, а также то, что VAD-определение окончания речи на момент публикации не включено. Модель распространяется по лицензии netease-youdao-model-use-license; условия следует уточнять в тексте лицензии.

DeepCaption-VLA-V2.0-7B — мультимодальная модель на архитектуре Qwen2.5-VL, созданная prithivMLmods объединением DeepCaption-VLA-7B и Qwen2.5-VL-7B-Instruct. Она предназначена для описания изображений и атрибуции визуальных свойств: формирует подробные подписи с характеристиками объектов, сцен и окружения, а по формулировке запроса может выдавать краткие или детальные описания. Модель рассчитана на изображения разных жанров и пропорций, включая художественные, технические, абстрактные и малоконтекстные примеры. Модель содержит 7,1 млрд параметров, принимает изображения и текстовые инструкции и генерирует текст. Заявлена поддержка английского, китайского и тайского языков; контекст составляет до 128 000 токенов. Лицензия — Apache-2.0. В неоднозначных или низкокачественных изображениях модель может приписывать объектам свойства, которые не видны явно; уровень детализации зависит от запроса. Качество может снижаться на синтетических и абстрактных изображениях, а в описаниях чувствительных изображений может появляться явный контент.

Distil-Large-v3.5 — англоязычная модель распознавания речи из семейства Distil-Whisper, созданная в совместной работе Бофэном Хуаном, Эсташем Ле Бианом, Стивеном Чжэном и Вайбхавом Шриваставом. Это дистиллированная версия OpenAI Whisper-Large-v3 с архитектурой Whisper encoder-decoder; в метаданных указано 905,2 млн параметров. Модель предназначена для преобразования речи в текст, включая короткие аудиозаписи и длинные записи с последовательной или разбитой на фрагменты обработкой. Авторы сообщают об обучении на 98 тысячах часов разнообразных публичных данных, использовании teacher-модели с расширенным графиком обучения и аугментации SpecAugment. По оценкам авторов, модель примерно в 1,5 раза быстрее Whisper-Large-v3-Turbo и показывает хорошие результаты на коротких записях; также её можно использовать как черновую модель для speculative decoding с Whisper-Large-v3. Модель рассчитана на английскую речь. Она поддерживается библиотекой Transformers версии 4.39 и новее, веса опубликованы в формате safetensors. Лицензия — MIT. Результаты зависят от типа аудио: на приведённой авторами оценке ошибка распознавания длинных записей выше, чем коротких; заявленные метрики основаны на нормализованном тексте и конкретных тестовых наборах.

EuroVLM-1.7B-Preview — мультимодальная модель зрения и языка, разработанная Unbabel совместно с Instituto Superior Técnico, Instituto de Telecomunicações, University of Edinburgh, Aveni, University of Paris-Saclay, University of Amsterdam, Naver Labs и Sorbonne Université при финансировании Европейского союза. Она основана на EuroLLM-1.7B и предназначена для работы с изображениями и текстом: модель описывает изображения, отвечает на вопросы по ним, выполняет инструкции с визуальным контекстом и анализирует документы, диаграммы и графики. Модель использует архитектуру LLaVA-NeXT с плотным трансформером EuroLLM и визуальным энкодером ViT на основе SigLIP2 SO400M. По карточке, языковая часть содержит 1,7 млрд параметров, а визуальный компонент — около 400 млн; контекст поддерживает до 32 тысяч токенов. Заявлена поддержка 39 языков, включая русский. Модель была настроена на многоязычных наборах для описания изображений, визуальных вопросов и ответов и мультимодальных рассуждений. Лицензия — Apache 2.0. Это предварительная версия, которая всё ещё разрабатывается. Возможны ошибки и галлюцинации в описаниях изображений, предвзятая интерпретация и нестабильность результатов между языками; карточка рекомендует осторожность при применении в производственной среде.

Gemma4-BLIP3o-Captioner-5B — экспериментальная мультимодальная модель для генерации подробных описаний изображений, разработанная prithivMLmods на основе Google Gemma-4-E2B-it. Модель дообучена примерно на 3 тысячах примеров из набора BLIP3o-Pretrain-Long-Caption и настроена на имитацию системы BLIP3o (Bootstrapped Language-Image Pretraining). Она предназначена для автоматического описания сцен, природных ландшафтов, портретов, объектов и других визуальных категорий, включая последовательное описание кадров видео. Основной язык — английский. Модель использует мультимодальную архитектуру базовой Gemma-4-E2B-it, поддерживает обработку изображений и ориентирована на локальный inference с использованием Transformers или llama.cpp. Модифицированный chat template содержит встроенный системный промпт для плотных, детализированных и контекстно насыщенных описаний; режим рассуждений по умолчанию отключён для снижения задержки. Доступны файлы GGUF в форматах от Q2_K до Q8_0, а также варианты BF16 и F16. Сильными сторонами модели являются специализация на подробном image captioning, поддержка последовательных видеокадров и пригодность для локальных или ориентированных на приватность сценариев. Ограничение заключается в том, что модель экспериментальная и может выдавать артефакты или ухудшенные результаты при использовании для общего диалога и задач, не связанных с описанием изображений. Модель распространяется по лицензии Apache-2.0.