I.15Доступность и ассистивные технологии

ArTST ASR v2 — модель распознавания речи от Speech Lab при MBZUAI. Это вариант SpeechT5, дообученный для преобразования арабской речи в текст на наборе данных MGB2; модель доступна для использования через Transformers и хранится в формате safetensors. Модель предназначена для автоматической транскрипции арабской речи. Её можно применять для создания текстовых расшифровок аудиозаписей и построения систем распознавания речи на арабском языке. Карточка указывает, что модель дообучена от предварительно обученной ArTST; базовая модель доступна по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

senaro/atlas-v19-gemma4-12b — дообученная модель senaro на архитектуре Gemma 4 Unified с плотной структурой. Она предназначена для диалоговой работы с текстом и изображениями: принимает текстовые запросы и изображения, а отвечает текстом. Модель можно применять для описания изображений и ответов на вопросы по их содержимому. Модель дообучена на senaro/atlas-trmonly-gemma4-12b; в карточке указано, что обучение выполнялось с Unsloth и библиотекой TRL. Весовые файлы представлены в формате safetensors. Лицензия — Apache-2.0. Карточка и метаданные не сообщают размер модели, длину контекста, обучающие данные или результаты оценки качества.

Audar-ASR-V1-Flash — генеративная модель автоматического распознавания речи, разработанная AudarAI. Это облегчённая edge-версия семейства Audar-ASR-V1, ориентированная прежде всего на арабскую речь и работу в реальном времени на устройствах с ограниченными ресурсами. Модель преобразует аудио в текст с помощью аудиоэнкодера и языкового декодера, а не CTC или transducer-подхода. Модель содержит около 0,78 млрд параметров: 0,19 млрд в аудиоэнкодере и 0,60 млрд в декодере. Она принимает монофонический звук с частотой 16 кГц и обрабатывает контекст до 30 секунд, а более длинные записи поддерживает через разбиение на фрагменты или потоковую обработку. Заявлена поддержка 30 языков, включая литературный арабский, основные арабские диалекты, английский и ещё 28 языков; предусмотрено распознавание арабско-английского переключения кодов. Модель доступна через Transformers, GGUF/llama.cpp и vLLM, работает на CPU, GPU и edge-устройствах. К сильным сторонам относятся специализация на арабской речи, диалектах и код-свитчинге, поддержка потокового распознавания, относительно небольшой размер и возможность локального запуска. По данным README, модель обучалась на более чем 300 000 часах размеченного двуязычного аудио, прошла диалектно-ориентированное дообучение и KTO-выравнивание с участием носителей арабского языка; заявленный средний WER на Open Universal Arabic ASR Leaderboard составляет 32,0%. Ограничениями являются контекст 30 секунд и более низкая точность на наиболее сложной диалектной речи по сравнению с более крупной версией Audar-ASR-V1-Turbo. Модель распространяется по лицензии AudarAI Open License v1.0.

mlx-community/chatterbox-multilingual-v3 — версия Chatterbox Multilingual V3 от mlx-community, подготовленная в формате MLX из ResembleAI/chatterbox с помощью mlx-audio 0.4.7. Это плотная модель семейства Chatterbox для синтеза речи из текста; для работы ей также нужны веса S3TokenizerV2 из отдельного репозитория. Модель предназначена для преобразования текста в речь на нескольких языках, включая русский, английский, арабский, немецкий, испанский, французский, хинди, японский и китайский. Базовая модель Resemble AI также поддерживает клонирование голоса по аудиообразцу, однако README этой версии прямо подтверждает только синтез речи, поэтому клонирование не включено в заявленные задачи. Репозиторий использует библиотеку mlx-audio и формат safetensors. Лицензия — MIT. Карточка не сообщает размер модели, длину контекста или конкретные ограничения качества; для запуска требуется дополнительный токенизатор S3TokenizerV2.

Cohere Transcribe 03-2026 CoreML 6bit — конверсия модели CohereLabs/cohere-transcribe-03-2026, разработанная для автоматического распознавания речи на устройствах Apple. Модель предназначена для локальной транскрипции аудио в приложениях для macOS и iOS без обязательной передачи данных во внешние сервисы. Поддерживаются английский, арабский, немецкий, греческий, испанский, французский, итальянский, японский, корейский, нидерландский, польский, португальский, вьетнамский и китайский языки. Модель поставляется в формате CoreML .mlpackage и использует конвейер из извлечения аудиопризнаков, encoder и авторегрессионного decoder с KV-кэшированием. Веса имеют формат Float16 с 6-битной палетизацией; общий размер составляет около 1,4 ГБ, что примерно в 2,7 раза меньше FP16-версии. Вычисления могут выполняться на Apple GPU, CPU или Neural Engine; рекомендуется Apple GPU. Минимальные версии платформ — macOS 13 и iOS 16. Для обработки используются аудиофрагменты по 30 секунд с перекрытием 5 секунд. На тесте LibriSpeech test-clean модель показала WER 2,58% на 2619 из 2620 образцов. На Apple M4 Pro заявлен коэффициент работы в реальном времени 35,9×: обработка 30 секунд аудио занимает около 836 мс. Ключевые преимущества — компактность по сравнению с FP16, высокая скорость локального распознавания и практически сохранённая точность. Ограничения включают значительный размер около 1,4 ГБ, зависимость от экосистемы Apple и отсутствие данных о качестве на других наборах данных, акцентах, шумной речи и длинных аудиозаписях. Конвертированная модель распространяется по лицензии GPL-3.0; исходная модель CohereLabs имеет лицензию Apache-2.0.

CosyVoice-300M-SFT — модель синтеза речи FunAudioLLM из семейства CosyVoice. Она преобразует текст в речь и предназначена для многоязычного синтеза, в том числе с переносом голоса между языками. В README описаны возможности семейства CosyVoice, включая управление языком, диалектом, эмоцией, скоростью и громкостью, потоковую генерацию речи и настройку произношения китайского пиньиня и английских фонем. Репозиторий модели содержит формат ONNX; для нормализации текста проект допускает использование ttsfrd или WeTextProcessing. Семейство CosyVoice использует подход на основе большой языковой модели и заявляет поддержку китайского, английского, японского, корейского, немецкого, испанского, французского, итальянского и русского языков, а также китайских диалектов. В карточке этой конкретной модели указан размер 300M в идентификаторе, но архитектурные и контекстные параметры для неё не приведены. Лицензия — Apache-2.0. README преимущественно описывает CosyVoice 3.0 и семейство в целом, поэтому не все перечисленные функции и оценки можно уверенно отнести именно к варианту 300M-SFT.

jssaluja обучил эту модель распознавания речи на базе facebook/mms-1b-all для транскрибирования аудио на панджаби. Это модель Wav2Vec2 с архитектурой Wav2Vec2ForCTC и 1,3 млрд параметров; она принимает аудио и выдаёт текст. Обучение проводилось на наборах данных с панджабскими аудиокнигами, беседами, подкастами, религиозными выступлениями и другими записями. На указанном в карточке наборе оценки CER составляет 0,0813, а WER — 0,3182. Модель подходит для расшифровки панджабской речи в аудиозаписях, включая аудиокниги, подкасты и выступления. В карточке не приведены сведения о целевых вариантах письма и условиях записи, поэтому качество на других типах аудио не установлено. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое использование.

Florence-2-base — визуальная foundation-модель, разработанная Microsoft. В данном репозитории представлена упаковка microsoft/Florence-2-base для инференса Antfly с квантованными весами GGUF Q4_K. Модель использует prompt-based подход и sequence-to-sequence архитектуру, принимая изображение и текстовый запрос для выполнения различных задач компьютерного зрения и vision-language обработки. Модель предназначена для автоматического описания изображений, генерации подробных подписей, обнаружения объектов, сегментации и сопоставления фраз с областями изображения. Поддерживаются задачи captioning, detailed captioning, more detailed captioning, caption-to-phrase grounding, object detection и dense region caption. Переключение между сценариями выполняется с помощью специальных текстовых prompt-токенов, например <CAPTION> и <OD>. Модель обучалась на наборе FLD-5B, включающем 5,4 млрд аннотаций для 126 млн изображений, и рассчитана на zero-shot и последующее дообучение. Размер Florence-2-base составляет около 0,23 млрд параметров. В README не указаны поддерживаемые языки, максимальная длина контекста и полный перечень модальностей; явно описана работа с изображениями и текстовыми prompt-запросами. К сильным сторонам относятся единая архитектура для множества визуальных задач, возможность управления задачей через prompt и применение без специализированной модели под каждый сценарий. Ограничения включают отсутствие в предоставленных данных подробных сведений о качестве на отдельных бенчмарках, языковой поддержке и требованиях к ресурсам; версия Q4_K также является квантованным вариантом весов. Лицензия — MIT.

mlx-community/IndexTTS — преобразованная в формат MLX версия модели Index-TTS от IndexTeam. Она предназначена для синтеза речи по тексту и распространяется в формате safetensors для использования с библиотекой mlx-audio. Исходная модель доступна по лицензии Apache-2.0; README указывает на её карточку за подробностями о возможностях, языках и ограничениях.

parthiv11/indic_whisper_nodcil — модель распознавания речи на основе Whisper, дообученная для индийских языков. Репозиторий содержит чекпойнт для использования и код обучения и оценки; заявлена поддержка ускоренного запуска через JAX на GPU и TPU наряду с форматом PyTorch. Модель имеет 455,8 млн параметров. Модель предназначена для преобразования аудио в текст, в том числе для транскрибирования речи на хинди и других индийских языках. В README приводятся результаты сравнения на бенчмарках для хинди, но подробные результаты этой модели в доступной карточке не представлены. Лицензия — MIT.

Карточка модели sensenova/InteractiveOmni-4B на Hugging Face совпадает с карточкой sensenova/InteractiveOmni-8B, поэтому описание составлено по ней. InteractiveOmni-8B — плотная омнимодальная модель SenseNova для интерактивного общения с изображениями, аудио, текстом и видео. Она принимает мультимодальные входные данные и генерирует связные текстовые и речевые потоки; поддерживает многошаговое взаимодействие и долговременную память. Модель предназначена для мультимодального понимания, речевого диалога и генерации речи, а также для сценариев, где требуется сочетать аудио-визуальный ввод с текстовыми ответами. В README заявлены результаты уровня SOTA на открытых тестах понимания изображений, аудио и видео, а также речевого общения; приведены сценарии запуска через Transformers с требованием версии не ниже 4.51.0 и FlashAttention 2. В репозитории доступны файлы ONNX и safetensors. Лицензия — MIT. Размер 8B указан в названии модели; поддерживаемые языки по карточке — китайский и английский.

InteractiveOmni-8B — плотная омнимодальная модель SenseNova для интерактивного общения с изображениями, аудио, текстом и видео. Она принимает мультимодальные входные данные и генерирует связные текстовые и речевые потоки; поддерживает многошаговое взаимодействие и долговременную память. Модель предназначена для мультимодального понимания, речевого диалога и генерации речи, а также для сценариев, где требуется сочетать аудио-визуальный ввод с текстовыми ответами. В README заявлены результаты уровня SOTA на открытых тестах понимания изображений, аудио и видео, а также речевого общения; приведены сценарии запуска через Transformers с требованием версии не ниже 4.51.0 и FlashAttention 2. В репозитории доступны файлы ONNX и safetensors. Лицензия — MIT. Размер 8B указан в названии модели; поддерживаемые языки по карточке — китайский и английский.

InternVL3-9B-Instruct — мультимодальная чат-модель OpenGVLab, дообученная методом supervised fine-tuning на базе OpenGVLab/InternVL3-9B-Pretrained. Она предназначена для диалога и рассуждений по тексту и изображениям, включая понимание нескольких изображений, видео, научных схем, интерфейсов GUI и 3D-сцен. Модель также обучалась работе с инструментами. Это вариант SFT без этапа MPO. Архитектура сочетает визуальный кодировщик InternViT, MLP-проектор и языковую модель; для обработки изображений используется разбиение на фрагменты 448×448 и динамическое разрешение. Поддерживаются мультимодальные входы и текстовые ответы; карточка указывает многоязычность, но конкретные языки и размер контекста для этого репозитория не приводит. Модель распространяется под лицензией MIT. К возможным ограничениям относятся ошибки в визуальном восприятии и рассуждениях; обработка нескольких изображений увеличивает число токенов и требования к контексту и вычислениям.

KB-Whisper Small — модель распознавания речи, выпущенная Национальной библиотекой Швеции (KBLab) на основе OpenAI Whisper Small. Она принимает аудио и преобразует шведскую речь в текст. Модель содержит 153,1 млн параметров и обучена на более чем 50 000 часов шведской речи с текстовыми транскрипциями; для Hugging Face по умолчанию доступна версия Stage 2. Также можно выбрать варианты транскрибирования Subtitle с более сжатым текстом или Strict с более дословной расшифровкой. Модель предназначена для транскрибирования шведской речи, в том числе субтитров, выступлений и записей. В тестах на FLEURS, CommonVoice и NST модели KBLab показали более низкий WER на шведском, чем соответствующие модели OpenAI; README отмечает, что версия Small превзошла Whisper Large v3 на шведской речи. Доступны веса в форматах Hugging Face, ONNX, whisper.cpp/GGML и CTranslate2. Лицензия — Apache-2.0. Результаты оценки относятся к указанным тестам и не гарантируют такое же качество на других типах аудио; модель рассчитана прежде всего на шведский язык.

OpenVINO/Kokoro-82M-int8-ov — модель синтеза речи из текста (TTS), созданная на основе Kokoro-82M от разработчика hexgrad. Модель преобразована в формат OpenVINO IR, а её веса сжаты до INT8 методом NNCF. Она содержит 82 миллиона параметров и предназначена для генерации аудио из текстовых входных данных, включая локальное развертывание, производственные приложения и личные проекты. Модель совместима с OpenVINO 2026.3.0 и новее, а также Optimum Intel 1.27.0 и новее; пример генерации использует частоту дискретизации 24 кГц и голос af_heart. Ключевое преимущество модели — компактность, потенциально высокая скорость и сниженное потребление ресурсов по сравнению с более крупными моделями при сопоставимом качестве. README не указывает поддерживаемые языки, полный набор голосов, максимальный контекст или другие подробности архитектуры. Модель предоставляется для целей оценки, поэтому производительность, точность и стабильность могут различаться; дополнительные ограничения следует учитывать по карточке исходной модели. Исходные веса распространяются по лицензии Apache-2.0.

kstunlp/kstu-asr — модель автоматического распознавания кыргызской речи, созданная KSTU NLP как полное дообучение facebook/mms-1b-all. Это модель на базе Wav2Vec2 с архитектурой CTC и примерно 1 млрд параметров; она принимает аудио и выдаёт распознанный текст на кыргызском языке. Для декодирования в примере используется жадный CTC-декодер с целевым языком kir. Модель обучали на кыргызских речевых данных KSTU NLP, Common Voice 21 и FLEURS-ky, дополнив их синтетическими данными. В приведённых испытаниях она показала WER 12,93% на тестовой выборке FLEURS-ky и 16,17% на отдельной разговорной выборке; эти результаты относятся к описанным наборам и нормализации текста. Для использования указаны Transformers и аудио 16 кГц, моно. Лицензия в метаданных обозначена как other, поэтому конкретные условия распространения следует сверить с репозиторием.

Kurdish OmniASR 7B Champion v10 — модель распознавания речи, разработанная для центральнокурдского языка (сорани). Она сочетает акустический экстрактор Wav2Vec2-BERT с авторегрессионным декодером Llama-7B и предназначена для транскрибации студийной, вещательной и телефонной речи, в том числе длинных записей с формированием субтитров. Модель ориентирована на сорани и преобразует разговорную речь в литературную орфографию, обрабатывая границы слов и клитик, составные глагольные приставки и другие особенности письма. В README описаны обучение на аудио разных акустических условий, включая телефонные записи, а также DPO-выравнивание. Заявленные результаты бенчмарков приведены разработчиком; их независимая проверка по представленным данным невозможна. Опубликован слитый чекпойнт PyTorch в формате bfloat16 размером 14,54 ГБ, без необходимости запускать LoRA-адаптер. Лицензия — Apache-2.0. Сведения о длине контекста не приведены.

Мультимодальная чат-модель семейства Llama 3.2 Vision, опубликованная mlx-community. Это конверсия в формат MLX модели huihui-ai/Llama-3.2-11B-Vision-Instruct-abliterated; в метаданных базовой моделью указана meta-llama/Llama-3.2-11B-Vision-Instruct. Архитектура — плотная MllamaForConditionalGeneration, размер — 11 млрд параметров. Модель принимает текст и изображения и генерирует текстовые ответы в диалоге, в том числе ответы на вопросы по изображениям. Она рассчитана на английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Конверсию выполнили с помощью mlx-vlm версии 0.1.4; репозиторий содержит веса в safetensors. Лицензия — Llama 3.2 Community License.

BuzzASR/macedonian — одноязычная модель автоматического распознавания речи на македонском языке, созданная командой BuzzASR дообучением Whisper large-v3 от OpenAI. Она принимает аудио и генерирует текстовую транскрипцию; подсказка языка и задачи уже задана в конфигурации генерации. Модель содержит около 905,2 млн параметров, построена на архитектуре Whisper и распространяется в формате safetensors для Transformers. Модель предназначена для транскрибации македонской речи. В README приведены результаты на тестовых наборах FLEURS и Common Voice 25, где авторы сообщают о снижении CER относительно Whisper large-v3 без дообучения. Лицензия — MIT. Проверка охватывает указанные тестовые наборы; точность на других предметных областях, диалектах и условиях записи может отличаться.

Ansu разработал модель автоматического распознавания речи на баскском языке — дообученную версию utter-project/mHuBERT-147 с архитектурой HuBERT и CTC-декодером. Модель содержит 113,3 млн параметров и предназначена для преобразования баскской речи в текст; в карточке приведены результаты на тестовых наборах CV, Parl и OSLR, включая WER 0,074, 0,068 и 0,204 соответственно. Модель принимает аудио и выдаёт текст. Примеры показывают распознавание баскской речи, в том числе записей с именами собственными и заимствованными словами; ошибки в орфографии и распознавании слов остаются, а качество различается между тестовыми наборами. Веса опубликованы в формате Safetensors для Transformers. Лицензия CC BY-NC-SA 4.0 требует указания авторства, ограничивает коммерческое использование и предписывает распространять производные материалы на тех же условиях.

Карточка модели XiaomiMiMo/MiMo-VL-7B-SFT-2508 на Hugging Face совпадает с карточкой XiaomiMiMo/MiMo-VL-7B-RL-2508, поэтому описание составлено по ней. 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-4.6-AWQ — это мультимодальная модель для понимания изображений и видео, разработанная командой OpenBMB. Репозиторий содержит AWQ-квантизованную версию W4A16 базовой модели MiniCPM-V 4.6 с использованием AutoAWQ; исходная модель построена на SigLIP2-400M и языковой модели Qwen3.5-0.8B. Модель предназначена для анализа одного и нескольких изображений, видео, визуального вопросно-ответного взаимодействия, распознавания текста и других задач vision-language. Она ориентирована на эффективное развертывание на периферийных устройствах, включая смартфоны и системы iOS, Android и HarmonyOS. Архитектура использует смешанное сжатие визуальных токенов 4x/16x, что позволяет выбирать баланс между скоростью и точностью. Заявлена поддержка интеграции с Transformers, vLLM, SGLang, llama.cpp и Ollama, а также дообучения через SWIFT и LLaMA-Factory. К сильным сторонам относятся компактность, сниженные вычислительные затраты визуального кодировщика, высокая эффективность инференса и мультимодальные возможности, сопоставимые с более крупными моделями на ряде тестов. Ограничения включают отсутствие в представленном README сведений о размере контекстного окна, поддерживаемых языках и подробных характеристиках качества; кроме того, AWQ-квантизация и формат W4A16 требуют совместимого программного и аппаратного окружения. Модель распространяется по лицензии Apache 2.0.

Модель Vkt/model-960hfacebook-2022.06.08 — версия Wav2Vec2, дообученная на наборе Common Voice на базе facebook/wav2vec2-large-960h-lv60-self. Она предназначена для автоматического распознавания речи: принимает аудио и преобразует его в текст. В карточке приведены результаты на оценочном наборе: loss 0,2907 и WER 0,1804. Модель содержит 402,7 млн параметров и распространяется в формате PyTorch. Лицензия — Apache-2.0. Карточка не уточняет языки распознавания и практические ограничения модели.

onnx-community/moonshine-base-ONNX — ONNX-версия модели Moonshine base, разработанной UsefulSensors и подготовленной сообществом onnx-community для запуска через Transformers.js и ONNX Runtime. Модель предназначена для автоматического распознавания речи и преобразования аудиозаписей в текст, включая использование непосредственно в JavaScript-приложениях и локальный инференс через ONNX Runtime. Архитектура описана как encoder-decoder с отдельными ONNX-сессиями для энкодера и декодера; доступны квантованные файлы encoder_model_quantized.onnx и decoder_model_merged_quantized.onnx. В README не указаны точный размер модели, поддерживаемые языки, набор модальностей помимо аудио и максимальная длина контекста. Для ограничения генерации приведён ориентир до шести токенов на секунду аудио. Сильной стороной является совместимость с Transformers.js и ONNX Runtime, включая использование в браузерных или локальных сценариях; ограничения и показатели качества в README не описаны. Модель распространяется по лицензии MIT.

onnx-community/moonshine-tiny-ONNX — модель для автоматического распознавания речи, основанная на UsefulSensors/moonshine-tiny и предназначенная для использования с библиотекой Transformers.js. Она преобразует аудиозаписи в текст и подходит для сценариев транскрибации речи в JavaScript-приложениях, включая обработку удалённых аудиофайлов. Модель доступна в формате ONNX и интегрируется через pipeline с задачей automatic-speech-recognition. В README не указаны архитектура, точный размер, поддерживаемые языки, максимальная длина контекста и набор модальностей, поэтому эти характеристики нельзя достоверно оценить. В качестве сильных сторон можно отметить совместимость с Transformers.js и пример готового применения; ограничения по качеству, языкам и производительности в предоставленных данных не описаны. Модель распространяется по лицензии MIT.

aomocelin/moonshine_tiny_pt_v06 — дообученная модель семейства Moonshine для автоматического распознавания речи. Она принимает аудио и выдаёт текст; в README указано, что модель дообучена на основе aomocelin/moonshine_tiny_pt_v05, но обучающий набор данных не раскрыт. Модель построена на архитектуре MoonshineForConditionalGeneration и распространяется в формате safetensors для библиотеки Transformers. Лицензия — MIT. В README приведены результаты оценки: Loss 11.9592 и WER 2.9991; без описания набора данных и протокола оценки эти значения сложно интерпретировать. Метаданные указывают контекст в 194 токена. Язык распознавания из доступных сведений установить нельзя.

MOSS-Audio-8B-Instruct — открытая модель для понимания аудио, разработанная MOSI.AI, командой OpenMOSS и Shanghai Innovation Institute. Она принимает аудио и по инструкции формирует текстовые ответы: распознаёт речь, описывает звуки и музыку, отвечает на вопросы о содержании записи и создаёт её краткое изложение. Поддерживает временные отметки на уровне слов и предложений, анализ говорящих, эмоций и акустических событий, а также рассуждения по аудиоконтексту. Архитектура объединяет аудиоэнкодер MOSS-Audio-Encoder, адаптер модальности и языковую модель Qwen3-8B; общий размер составляет около 8,6 млрд параметров. Эмбеддинги аудио формируются с частотой 12,5 Гц, а временные маркеры помогают отвечать на вопросы о том, когда происходили события. Карточка указывает поддержку английского и китайского языков. Модель распространяется под лицензией Apache-2.0. Модель предназначена для прямого выполнения инструкций по аудио и может применяться для анализа записей разговоров, подкастов, музыки и окружающей среды. README приводит результаты сравнительных оценок, но они не гарантируют качество на конкретных данных; опубликованная информация также не описывает ограничения по длительности аудио или качество для других языков.

MOSS-TTS-v1.5 — многоязычная модель синтеза речи, разработанная командой OpenMOSS-Team и продолжающая MOSS-TTS 1.0. Это плотная модель семейства moss_tts_delay; веса опубликованы в формате safetensors. Модель принимает текст и генерирует речь, поддерживает клонирование голоса по аудиореференсу, длинные высказывания, управление длительностью на уровне токенов, произношением через Pinyin и IPA, переключение языков и вставку пауз с помощью текстовых маркеров. Версия 1.5 улучшает синтез при явном указании языка, стабильность сходства голоса при клонировании и следование пунктуационным паузам; также она надёжнее работает, когда аудиореференс значительно длиннее целевого текста. Поддерживается 31 язык, включая китайский, кантонский, английский, русский, японский, арабский и ряд европейских и азиатских языков. Модель лицензирована по Apache-2.0. Для запуска README рекомендует Transformers 5.0.0; доступность и качество могут различаться по языкам, а без языкового тега некоторые языки могут звучать хуже, чем в версии 1.0.

Это MLX-совместимая версия модели распознавания речи NVIDIA Nemotron 3.5 ASR Streaming, подготовленная theoracleguy для OpenVox и других сценариев на Apple Silicon с библиотекой mlx-audio. Модель содержит 600 млн параметров и использует потоковую архитектуру FastConformer-RNNT с учетом кэша и подсказкой идентификатора языка. В репозитории размещены веса bfloat16 для инференса полного качества. Модель предназначена для потоковой транскрипции речи с пунктуацией и восстановлением заглавных букв; README сообщает о поддержке 40 языковых локалей. Метаданные перечисляют языки, включая английский, русский, испанский, немецкий, французский, арабский, японский, китайский и другие. Её можно использовать в локальных голосовых сценариях OpenVox или независимо через mlx-audio. Это производная версия NVIDIA Nemotron 3.5 ASR Streaming, адаптированная для MLX; метаданные указывают связь finetune. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой репозитория и исходной моделью NVIDIA. Архитектура, бенчмарки и ограничения описаны в оригинальной карточке NVIDIA, на которую ссылается README.

Nemotron-3.5-ASR-Streaming-0.6B GGUF — это конвертированная в формат GGUF версия модели NVIDIA Nemotron-3.5-ASR-Streaming-0.6B, подготовленная для использования с CrispASR. Модель предназначена для автоматического распознавания речи, включая потоковую транскрипцию аудио в реальном времени, и поддерживает 39 языков и языковых вариантов, среди которых английский, русский, немецкий, французский, испанский, китайский, японский, корейский, украинский и другие. Архитура включает потоковый Cache-Aware FastConformer-энкодер из 24 слоёв с размерностью 1024 и 8 головами внимания, а также RNN-T-декодер на основе двухслойного LSTM со скрытым размером 640. Обработка выполняется для аудио с частотой дискретизации 16 кГц; используются 128 мел-фильтробанков и причинное уменьшение временной размерности в 8 раз, что соответствует примерно 80 мс на выходной кадр. Выбор языка выполняется через механизм conditioning с использованием prompt kernel. Доступны варианты F16, Q8_0 и Q4_K; версия Q4_K имеет наименьший размер и заявлена как примерно вдвое более быстрая по сравнению с F16. К сильным сторонам модели относятся потоковая работа с учётом кэша, мультиязычность, сравнительно компактный размер и возможность запуска через CrispASR в GGUF-формате. Ограничения включают специализацию исключительно на автоматическом распознавании речи и зависимость от совместимого программного обеспечения CrispASR или другого поддерживаемого рантайма; в README не приведены количественные показатели качества и требования к аппаратным ресурсам. Модель распространяется по лицензии OpenMDW-1.1, описанной как разрешительная.