I.15Доступность и ассистивные технологии

Granite Speech 4.1-2B-Plus GGUF — это квантизированная версия мультимодальной модели IBM Granite Speech 4.1-2B-Plus, подготовленная сообществом handy-computer для работы в transcribe.cpp. Модель предназначена для офлайн-распознавания речи и преобразования аудио в текст с поддержкой английского, французского, немецкого, испанского и португальского языков. Она принимает монофонический WAV с частотой 16 кГц и поддерживает выдачу временных меток для каждого слова или разметку текста по говорящим. Архитектура включает Conformer-энкодер, проектор BLIP-2 Q-Former и авторегрессионный декодер Granite-4.0-1B. В варианте Plus используются объединённые скрытые состояния промежуточного и финального слоёв энкодера, а эмбеддинги токенов связаны с выходной головкой языка. Доступны варианты GGUF от BF16 и F16 до Q4_K_M размером примерно от 1,49 до 4,23 ГБ. На тесте LibriSpeech test-clean заявленный WER составляет 1,46–1,56% в зависимости от квантизации; для языков FLEURS WER в варианте Q8_0 составляет 4,46% для английского, 8,06% для немецкого, 6,53% для испанского, 8,82% для французского и 10,61% для португальского. Сильные стороны модели — локальная работа без облачных сервисов, многоязычное распознавание, словесные временные метки и диаризация. Ограничения: потоковая обработка и автоматическое определение языка не поддерживаются, перевод речи отсутствует, а режимы временных меток и диаризации нельзя использовать одновременно. Для работы требуется transcribe.cpp и аудио в формате 16 кГц mono WAV. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

Higgs Audio v3 8B STT — модель распознавания речи от Boson AI, дообученная методом LoRA на разнообразных наборах данных для ASR. Она принимает монофонический WAV-аудиосигнал с частотой 16 кГц и преобразует речь в текст. Архитектура объединяет замороженный энкодер Whisper-Large-v3 и декодер Qwen3-8B с объединёнными LoRA-весами; общий размер составляет 8,91 млрд параметров. Модель поддерживает режим Thinking для повышения точности. В README приведены результаты на бенчмарке ESB, включая WER 6,23% на AMI, 11,33% на Earnings22 и 9,34% на GigaSpeech. Обучение использовало выборки AMI, SPGISpeech, Earnings22, VoxPopuli, LibriSpeech и TED-LIUM. Метаданные указывают английский язык и лицензию Apache-2.0; опубликованный формат весов — safetensors.

facebook/hubert-large-ls960-ft — модель распознавания речи от Facebook, построенная на архитектуре HuBERT Large и дообученная на 960 часах LibriSpeech. Она преобразует речь в текст и рассчитана на распознавание английской речи, записанной с частотой дискретизации 16 кГц; входной аудиосигнал следует подавать с этой частотой. Модель содержит около 402,7 млн параметров и доступна в форматах PyTorch и TensorFlow. HuBERT использует самоконтролируемое обучение речевых представлений: при предобучении модель учится предсказывать кластерные метки на маскированных фрагментах аудио, а затем дообучается для распознавания речи. Подходит для транскрибирования англоязычных записей и аудио из наборов LibriSpeech-подобного типа. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит конкретных метрик распознавания этой версии; качество зависит от условий записи и соответствия входа требованиям по частоте дискретизации.

Indic Parler-TTS — мультиязычная модель синтеза речи, разработанная в сотрудничестве команды Hugging Face Audio и AI4Bharat. Это дообученная версия Indic Parler-TTS Pretrained на 1 806 часах данных на индийских языках и английском; архитектура Parler-TTS использует условную генерацию речи по тексту и текстовому описанию звучания. Модель принимает текст для озвучивания и описание голоса или манеры речи, позволяя задавать темп, высоту голоса, эмоциональную окраску, акцент, качество записи и фоновые шумы. Модель предназначена для создания речи на 21 языке: ассамском, бенгальском, бодо, догри, английском, гуджарати, хинди, каннада, конкани, майтхили, малаялам, манипури, маратхи, непали, одия, санскрите, сантали, синдхи, тамильском, телугу и урду. В карточке также заявлена неофициальная поддержка чхаттисгархи, кашмири и пенджаби. Доступны 69 голосов; эмоциональные подсказки официально поддерживаются для десяти языков, а возможность задавать иные акценты описана как настройка через style transfer. Модель подходит для озвучивания текстов и создания выразительной речи с управляемыми характеристиками. Карточка не приводит сведения о размере модели и длине контекста. Лицензия — Apache-2.0.

IndicWav2Vec-Hindi — модель распознавания речи на основе архитектуры Wav2Vec2, разработанная AI4Bharat. Она предназначена для преобразования аудиоречи на хинди в текст и подходит для сценариев автоматической транскрибации. Модель обучена в fairseq и перенесена в формат Hugging Face; репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель распознаёт речь на хинди. Для неё отмечено ограничение: вывод при инференсе с языковой моделью не поддерживается, что может ограничивать улучшение транскрипции с помощью языкового декодирования.

InternVL2_5-8B-MPO-hf — мультимодальная модель для диалога по изображениям и тексту, выпущенная OpenGVLab как версия InternVL2.5-MPO в формате Transformers. Она сочетает визуальный энкодер InternViT-300M-448px-V2_5 с языковой частью internlm2_5-7b-chat; серия использует Mixed Preference Optimization. Модель подходит для описания изображений, визуальных вопросов и ответов, распознавания текста на изображениях и других задач понимания изображений с ответом на естественном языке. В карточке указаны мультиязычная поддержка и лицензия MIT. Доступные метаданные подтверждают архитектуру InternVL и поддержку чата и зрения; конкретная длина контекста не установлена использованными источниками.

Карточка модели mahrukhsaeed/Kokoro-text-to-speech-82M на Hugging Face совпадает с карточкой hexgrad/Kokoro-82M, поэтому описание составлено по ней. Kokoro-82M — открытая модель синтеза речи, разработанная и обученная участниками проекта Kokoro. Модель содержит 82 млн параметров и основана на архитектурах StyleTTS 2 и ISTFTNet; для генерации речи она использует текст и фонемные представления. В README указано, что модель компактна, работает быстрее и дешевле многих более крупных систем и при этом обеспечивает сопоставимое качество. Модель предназначена для преобразования текста в аудио, включая локальное использование, интеграцию в приложения и коммерческие сервисы. В версии 1.0 заявлены 8 языков и 54 голоса; метаданные подтверждают английский язык. README описывает обучение на нескольких сотнях часов аудио и IPA-разметке. Веса распространяются по лицензии Apache-2.0, что допускает коммерческое применение при соблюдении условий лицензии.

LLaVA-NeXT 72B — мультимодальная чат-модель семейства LLaVA-NeXT, разработанная авторами проекта LLaVA-NeXT. Она объединяет языковую модель с предварительно обученным визуальным энкодером и предназначена для диалога по изображениям, описания изображений и ответов на вопросы о визуальном содержимом. В карточке этой версии в качестве базовой языковой модели указана meta-llama/Meta-Llama-3-8B-Instruct; название репозитория указывает на вариант с 72B, однако размер в предоставленных метаданных не приведён. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Семейство улучшено за счёт более разнообразных данных и более крупной языковой основы по сравнению с LLaVA-1.6; обучение включало пары изображение–текст, мультимодальные инструкции и данные для визуальных вопросов и ответов. В карточке указан английский язык. Лицензия обозначена как other, поэтому условия использования следует сверять с лицензиями модели и её компонентов.

LLaVA-NeXT (LLaVA-1.6) — мультимодальная чат-модель, разработанная Haotian Liu, Chunyuan Li, Yuheng Li, Bo Li, Yuanhan Zhang, Sheng Shen и Yong Jae Lee. Она объединяет языковую модель Vicuna-13B с предварительно обученным визуальным энкодером и предназначена для диалога по изображениям. Модель принимает изображения и текстовые запросы, а ответы формулирует текстом. По сравнению с LLaVA-1.5 в ней используются динамическое высокое разрешение и более разнообразные данные визуальной настройки инструкций; заявленные сценарии включают описание изображений, визуальные вопросы и ответы, распознавание текста на изображениях и мультимодальный чат. Репозиторий содержит веса в формате Safetensors. Лицензия указана как Llama 2. Возможные ограничения включают ошибки в распознавании деталей изображения и текста, а также неточности в ответах; отдельные количественные оценки качества в карточке не приведены.

cstr/mimo-asr-GGUF — это конверсия модели MiMo-V2.5-ASR от Xiaomi MiMo Team в формате GGUF, подготовленная для работы с runtime CrispASR от CrispStrobe. Модель предназначена для автоматического распознавания речи и преобразует аудио в текст; поддерживает Mandarin, включая диалекты Wu, Cantonese, Hokkien и Sichuanese, английский язык и переключение между языками. Для работы требуется отдельная аудиотокенизаторная модель cstr/mimo-tokenizer-GGUF, преобразующая 16-кГц PCM-аудио в коды, которые потребляет языковая модель. Архитектура включает аудиотракт с 6-слойным input_local_transformer, 8-канальными RVQ-эмбеддингами и проекцией в пространство размерности 4096, а также 36-слойную Qwen2 с 7,5 млрд параметров, 4096-мерными скрытыми состояниями, 32 attention heads, 8 KV heads и максимальной длиной позиции 8192. Доступны варианты F16 размером 14,9 ГБ и Q4_K размером 4,2 ГБ; последний рекомендуется по умолчанию, помещается примерно в 8 ГБ RAM и использует объединённые Q/K/V-проекции для ускорения декодирования. Модель поддерживает полностью нативный C++-инференс без Python и Transformers, работает на CPU, CUDA и Apple Silicon с Metal, использует KV-кэширование и подходит для локальной транскрипции. На Apple M1 вариант Q4_K обрабатывает 11 секунд аудио примерно за 25–30 секунд, то есть около 0,4× реального времени; основным ограничением остаётся медленное пошаговое декодирование. Качество зависит от квантования, а для длительных записей могут потребоваться значительные объёмы памяти. Модель распространяется по лицензии MIT.

MiMo-VL-7B-RL-2508 — мультимодальная модель Xiaomi для понимания изображений и видео и ответов на вопросы по визуальному содержимому. Она основана на архитектуре Qwen2.5-VL и включает визуальный ViT-энкодер с обработкой исходного разрешения, MLP-проектор для связи изображения с языковой частью и языковую модель MiMo-7B. Размер модели — 7 млрд параметров, контекст — до 128 000 токенов. Модель предназначена для визуального рассуждения, распознавания и описания содержания изображений, анализа видео, визуального grounding и понимания графических интерфейсов. Версия RL-2508 прошла постобучение с обучением с подкреплением и поддерживает режим управления рассуждением: по умолчанию рассуждение включено, а командой /no_think можно запросить прямой ответ. Модель работает через Transformers и выдаёт текст; в README приведены высокие результаты на MMMU и VideoMME. Модель распространяется по лицензии MIT. Практическое применение требует учитывать, что ответы могут быть ошибочными, а README описывает в основном результаты собственных оценок разработчика; для корректной подачи визуальных данных в запросе нужно размещать изображение или видео перед текстом.

openbmb/MiniCPM-V-4-gguf — квантизированная мультимодальная модель OpenBMB для понимания изображений, нескольких изображений и видео. Она предназначена для визуальных диалогов, анализа содержимого изображений и видео, OCR и работы с мультимодальными запросами, включая локальное и встраиваемое использование на конечных устройствах, например смартфонах. Модель основана на MiniCPM-V 4.0, построенной на SigLIP2-400M и MiniCPM4-3B; общий размер составляет 4,1 млрд параметров. Поддерживаются визуальные входы в виде одиночных и нескольких изображений, а также видео; заявлена многоязычность. Модель ориентирована на эффективный запуск на устройствах и совместима с llama.cpp, Ollama, vLLM, SGLang, LLaMA-Factory и локальными веб-демонстрациями. В README приведён результат 69,0 на OpenCompass, а для iPhone 16 Pro Max указаны задержка до первого токена менее 2 секунд и скорость декодирования свыше 17 токенов в секунду. К сильным сторонам относятся сочетание визуальных возможностей и компактного размера, эффективность при локальном развертывании, а также поддержка многоизображенческого и видеопонимания. README не содержит сведений о размере контекстного окна, точном перечне языков, формате квантования или специфических ограничениях качества. Модель распространяется по лицензии Apache-2.0.

Jotschi дообучил Mistral-7B-v0.1 для генерации подписей к изображениям на немецком языке в стиле COCO. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и рассчитана на контекст до 32 768 токенов. Для генерации используется текстовый префикс «Bildbeschreibung:».

Jooju2872/moondream2 — размещённая пользователем версия небольшой модели Moondream, разработанной для эффективной работы на устройствах с ограниченными ресурсами. Это плотная vision-language модель архитектуры HfMoondream, принимающая изображения и текстовые запросы и формирующая текстовые ответы. Метаданные указывают задачу image-text-to-text; модель подходит для визуальных вопросов и ответов, описания изображений и чтения текста на изображениях и документах. В README приведены результаты на наборах VQAv2, GQA, TextVQA, DocVQA, TallyQA и POPE. Репозиторий содержит веса Safetensors и GGUF в формате F16. README отмечает совместимость с Torch 2.1.1 и поддержку параметров temperature и top_p; также рекомендуется фиксировать версию модели, поскольку она регулярно обновляется. Лицензия — Apache-2.0. В карточке не указаны точный размер модели и длина контекста.

moonshine-ai/moonshine-base-ja — модель автоматического распознавания речи для японского языка из семейства Moonshine. Модель доступна через библиотеку Transformers и распространяется в формате Safetensors; разработчик и точная архитектура в предоставленной карточке не указаны. Модель предназначена для преобразования японской речи в текст и может использоваться в транскрибации аудиозаписей, голосовых заметок, субтитрировании и интеграции распознавания речи в приложения. В метаданных указано окно контекста 194 токена. В предоставленных материалах нет результатов оценки качества, сведений о тренировочных данных, размере модели, поддерживаемых аудиоформатах или рекомендаций по применению. Лицензия обозначена как other, поэтому перед использованием необходимо проверить полный текст условий лицензирования.

Moonshine Tiny PT v05 — дообученная модель распознавания речи на базе aomocelin/moonshine_tiny_pt_v04, разработанная автором репозитория. Она принимает аудио и генерирует текстовую транскрипцию; в метаданных указаны архитектура Moonshine и библиотека Transformers. Для модели приведён результат оценки на тестовом наборе: WER 0,2474 и loss 11,9352, однако сведения о наборе данных и условиях оценки отсутствуют. Контекст составляет 194 токена. Модель распространяется по лицензии MIT.

MOSS-Audio-4B-Instruct — открытая модель для понимания аудио, разработанная MOSI.AI, командой OpenMOSS и Shanghai Innovation Institute. Это вариант Instruct с аудиоэнкодером MOSS-Audio-Encoder и языковой основой Qwen3-4B; общий размер составляет около 4,6 млрд параметров. Аудио преобразуется в временные представления с частотой 12,5 Гц, которые объединяются с представлениями языковой модели для генерации текста. Модель принимает аудио и выполняет инструкции на его основе. Модель предназначена для распознавания речи с временными метками, ответов на вопросы и составления резюме по аудио, анализа говорящих, эмоций и звуковых событий, описания окружающей обстановки и понимания музыки. Архитектура с передачей признаков между слоями энкодера и временными маркерами поддерживает анализ акустических деталей и последовательности событий. В карточке семейства заявлена поддержка английского и китайского языков; результаты оценки относятся к семейству моделей и не гарантируют такое же качество именно для варианта 4B. Модель распространяется по лицензии Apache-2.0. Карточка описывает возможности семейства, но не приводит отдельные результаты оценки, требования к ресурсам или конкретные ограничения варианта 4B-Instruct.

MOSS-Audio-8B-Instruct — открытая мультимодальная модель понимания аудио от MOSI.AI, команды OpenMOSS и Shanghai Innovation Institute. Вариант Instruct предназначен для выполнения инструкций по аудиозаписям: модель принимает аудио и формирует текстовые ответы о его содержании. Модель объединяет аудиоэнкодер MOSS-Audio-Encoder, адаптер модальности и языковую модель Qwen3-8B; общий размер составляет около 8,6 млрд параметров. Архитектура использует временные маркеры и признаки аудио с нескольких слоёв энкодера. Поддерживаются задачи распознавания речи с временными метками, анализа говорящих и эмоций, описания звуковых событий и сцен, понимания музыки, ответов на вопросы и суммаризации аудио. Карточка указывает английский и китайский языки. Модель ориентирована на разбор реальных аудиозаписей и вопросов с учётом временного контекста. Репозиторий распространяет веса в формате safetensors по лицензии Apache-2.0. Контекстное окно и количественные результаты именно этого варианта в предоставленных данных не указаны.

Карточка модели OpenMOSS-Team/MOSS-Audio-8B-Thinking на Hugging Face совпадает с карточкой OpenMOSS-Team/MOSS-Audio-4B-Instruct, поэтому описание составлено по ней. MOSS-Audio-4B-Instruct — открытая модель для понимания аудио, разработанная MOSI.AI, командой OpenMOSS и Shanghai Innovation Institute. Это вариант Instruct с аудиоэнкодером MOSS-Audio-Encoder и языковой основой Qwen3-4B; общий размер составляет около 4,6 млрд параметров. Аудио преобразуется в временные представления с частотой 12,5 Гц, которые объединяются с представлениями языковой модели для генерации текста. Модель принимает аудио и выполняет инструкции на его основе. Модель предназначена для распознавания речи с временными метками, ответов на вопросы и составления резюме по аудио, анализа говорящих, эмоций и звуковых событий, описания окружающей обстановки и понимания музыки. Архитектура с передачей признаков между слоями энкодера и временными маркерами поддерживает анализ акустических деталей и последовательности событий. В карточке семейства заявлена поддержка английского и китайского языков; результаты оценки относятся к семейству моделей и не гарантируют такое же качество именно для варианта 4B. Модель распространяется по лицензии Apache-2.0. Карточка описывает возможности семейства, но не приводит отдельные результаты оценки, требования к ресурсам или конкретные ограничения варианта 4B-Instruct.

cstr/MOSS-Transcribe-preview-2B-GGUF — это GGUF/GGML-конверсия модели MOSS-Transcribe-preview-2B, разработанной командой OpenMOSS-Team. Репозиторий cstr содержит только преобразованные и квантизированные веса и предназначен для запуска через CrispASR. Модель выполняет автоматическое распознавание речи и транскрибацию аудио, поддерживая английский и китайский языки. Заявленная авторами средняя ошибка распознавания составляет 4,87% WER. Модель представляет собой speech-LLM примерно на 2,4 млрд параметров. Она объединяет аудиоэнкодер Qwen3-Omni-MoE с 32-слойным Transformer, размерностью 1280, и языковую модель Qwen3-1.7B с 28 слоями и GQA. Аудио обрабатывается в формате 16 кГц, моно, с 128 mel-бинами; для запуска необходима обязательная ChatML-шаблонизация запроса. Доступны варианты F16 размером 4,51 ГБ, Q8_0 размером 3,28 ГБ и рекомендуемый Q4_K размером 2,63 ГБ. Квантизация применяется преимущественно к матричным операциям языковой модели, тогда как аудиоэнкодер, адаптер и связанные embedding-слои сохраняются в F16 для поддержания качества. Модель может работать на CPU и GPU, включая Metal и CUDA, а runtime CrispASR использует постоянный KV-кэш для эффективной генерации токенов. Сильными сторонами являются компактный размер, наличие квантизированных сборок и проверенная эквивалентность с эталонной реализацией на тестовом аудио. Ограничения включают специализацию на распознавании речи, необходимость подачи монофонического аудио 16 кГц и зависимость от runtime CrispASR; в README также отмечено, что вывод обычно представлен строчными буквами с минимальной пунктуацией. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

Scicom International разработала Multilingual-Expressive-TTS-1.7B как дообученную модель для многоязычного синтеза выразительной речи. Это плотная причинная языковая модель архитектуры Qwen3 на 1,9 млрд параметров; для преобразования аудиокодов в речь используется NeuCodec с частотой дискретизации 24 кГц. Модель поддерживает многоголосную генерацию и может работать с доступными голосами; автор заявляет поддержку более 150 языков. В метаданных указаны английский, китайский и тамильский языки. Заявленная длина контекста — 32 768 токенов. Модель предназначена для синтеза речи по тексту, в том числе с выразительной подачей и выбором голоса. README также описывает генерацию описаний голосов. Репозиторий содержит веса safetensors и использует библиотеку Transformers; для аудиодетокенизации требуется NeuCodec. Лицензия в предоставленных сведениях не указана.

NbAiLab/NbAiLab норвежская команда разработала эту модель распознавания речи на основе XLS-R от Facebook/Meta, дообучив её для новонорвежского письменного языка (нюношк). Модель использует архитектуру Wav2Vec2ForCTC и содержит 1,3 млрд параметров; она принимает аудио и преобразует речь в текст. Для обучения использовался Norwegian Parliamentary Speech Corpus (NPSC), опубликованный в формате набора данных NbAiLab/NPSC. Модель предназначена для автоматической транскрибации речи на нюношке, в том числе парламентских выступлений. На тестовом наборе авторы сообщают WER 11,32% и CER 4,02% при декодировании с 5-граммовой языковой моделью KenLM; без языковой модели WER составляет 13,64%. Качество на других доменах и типах аудио может отличаться. Модель распространяется по лицензии Apache-2.0.

Это 4-битная MLX-конверсия потоковой модели распознавания речи Nemotron-3.5 ASR Streaming от NVIDIA, подготовленная aufklarer для Apple Silicon. Модель содержит около 600 млн параметров и использует архитектуру FastConformer-CacheAware-RNN-T с языковым промптом. Она принимает аудио и выдаёт текстовую расшифровку в потоковом режиме; в карточке указана поддержка 40 языков, а метаданные перечисляют английский, испанский, немецкий, французский, итальянский, португальский, русский, хинди, китайский, японский, корейский и арабский. Квантизация до 4 бит уменьшает размер весов до 473 МБ и пиковое потребление памяти примерно до 750 МБ. В тестах на Apple Silicon M5 Pro модель показала задержку обработки чанка 12,8 мс на медиане и 15,6 мс на 99-м перцентиле. По данным карточки, средняя ошибка распознавания возрастает примерно на 6 процентных пунктов относительно исходной версии fp32; особенно заметно это для хинди и американского английского. Автор рекомендует вариант для локальных ассистентов и предварительных расшифровок, когда допустима потеря точности. Условия лицензии обозначены как other; конкретные права использования следует проверить в лицензии репозитория.

Это дообученная модель распознавания речи Nemotron 3.5 ASR для вьетнамского и английского языков, подготовленная автором репозитория на основе чекпойнта NVIDIA nvidia/nemotron-3.5-asr-streaming-0.6b. Она объединяет акустический энкодер FastConformer, сеть предсказаний RNNT, joint-сеть, токенизатор и процессор; веса представлены в формате safetensors и загружаются через AutoProcessor и AutoModelForRNNT в Transformers. Модель предназначена для преобразования речи во вьетнамскую или английскую транскрипцию, включая потоковые сценарии. В README приведены оценки на наборах PW733 и LSVSC: после дообучения ошибка распознавания на PW733 заметно снизилась относительно базовой модели. Результаты зависят от набора данных, нормализации и параметров lookahead; приведённая оценка английского языка получена на локальной выборке и напрямую не сопоставима с удалённой валидацией. Репозиторий распространяется по лицензии Apache-2.0. Для использования требуется аудиовход; карточка не сообщает длительность аудио или ограничения контекста.

omniASR-CTC-300M — конверсия чекпойнта OmniLingual omniASR_CTC_300M в формат Hugging Face, опубликованная aadel4. Это модель распознавания речи на архитектуре Wav2Vec2 с CTC-декодированием: она принимает аудио и выдаёт логиты по SentencePiece-словарю для транскрибирования речи на нескольких языках. В метаданных указано 412,7 млн параметров; модель использует класс Wav2Vec2ForCTC и библиотеку Transformers. В карточке описаны 24 слоя энкодера и размер скрытого состояния 1024. Автор сообщает, что результаты модели совпадают с исходным чекпойнтом fairseq2 с точностью до atol=1e-4 на контрольном аудиофрагменте, и приводит совпадающую транскрипцию. Модель предназначена для многоязычного ASR; конкретные поддерживаемые языки в карточке не перечислены. Условия лицензирования в предоставленных данных не описаны.

omniASR-CTC-300M-v2-Zulu-All-v2 — модель распознавания речи на базе Wav2Vec2 с архитектурой CTC, преобразованная из чекпойнта OmniLingual fairseq2 omniASR_CTC_300M_v2. Она принимает аудио и выдаёт распознанную речь в виде текста; выходной слой формирует CTC-логиты по словарю SentencePiece. Модель предназначена для многоязычной транскрибации речи. В конфигурации указаны 24 слоя энкодера и размер скрытого представления 1024; число параметров по метаданным — 413,2 млн. Совпадение численных выходов с исходным чекпойнтом fairseq2 подтверждено на одном отложенном аудиопримере с допуском atol=1e-4. Репозиторий использует формат safetensors и библиотеку Transformers. В карточке не названы конкретные поддерживаемые языки, поэтому их нельзя перечислить. Лицензия в предоставленных данных не указана.

jadasdn/open-ai-small-2 — дообученная модель распознавания речи на архитектуре Whisper, разработанная на основе jadasdn/open-ai-small-1. Она предназначена для преобразования входящей речи в текст; в карточке указаны 153,1 млн параметров и результат оценки WER 21,4497. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка сообщает о дообучении на наборе данных, обозначенном как None, но не описывает его состав, языки, условия оценки или ограничения. Поэтому качество распознавания для конкретных языков и аудиосценариев по приведённым данным определить нельзя.

LiteRT Community Parakeet CTC 0.6B — модель автоматического распознавания речи, основанная на nvidia/parakeet-ctc-0.6b. Она предназначена для преобразования речи в текст в сценариях automatic speech recognition. Из доступных данных известно, что модель относится к семейству Parakeet CTC и имеет размер около 0,6 млрд параметров. Архитектура, поддерживаемые языки, аудиомодальности, максимальная длина контекста, точность и требования к ресурсам в карточке не указаны, поэтому оценить её сильные стороны и ограничения подробнее невозможно. Модель распространяется по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0), которая обычно требует указания авторства в соответствии с условиями лицензии.

Moondream Parakeet Redux — компактная модель автоматического распознавания речи, созданная на основе Parakeet-TDT-0.6B-v3 от NVIDIA. Она сохраняет исходную архитектуру и токенизатор, но веса энкодера представлены значениями −1, 0 и +1 (1,58 бита); размер весов — 178 МБ. Для запуска README рекомендует Photon, который использует AVX-512 VNNI на x86, NEON на ARM и Metal на Apple-устройствах. Модель предназначена для преобразования речи в текст, включая многоязычные записи и длинные аудио. Встроенная голова определения речевой активности помогает Photon разделять длинные записи на фрагменты до 30 секунд. В опубликованных сравнениях Redux близка к исходной модели на английском, показывает лучшие результаты на FLEURS и длинных выступлениях, но сильнее теряет точность при фоновом шуме. Заявленные скорости зависят от оборудования и среды Photon. В карточке указана лицензия CC-BY-4.0. Модель поддерживает 25 языков, включая русский; метаданные перечисляют языковые коды для 23 из них.

mlx-community/parakeet-rnnt-0.6b — преобразованная в формат MLX версия модели NVIDIA parakeet-rnnt-0.6b. Это модель распознавания речи на архитектуре FastConformer с RNN-T, предназначенная для получения текстовой расшифровки из аудио. Базовая модель рассчитана на английскую речь; репозиторий содержит веса safetensors для использования с библиотекой MLX на совместимом оборудовании Apple. Модель подходит для транскрибирования записей и аудиопотоков на английском языке. В README приведены варианты запуска через parakeet-mlx и mlx-audio. Лицензия — CC BY 4.0. Данные о размере и длине контекста для этой версии в предоставленных источниках отсутствуют.