I.15Доступность и ассистивные технологии

Nemotron-3.5 ASR Streaming 0.6B MLX INT8 — конвертированная в нативный формат MLX версия потоковой модели распознавания речи NVIDIA на основе cache-aware FastConformer и prompt-conditioned RNN-T. Модель содержит 0,6 млрд параметров; линейные веса квантованы до 8 бит, рекуррентное состояние хранится в BF16, а свёрточные слои, эмбеддинги, LSTM и слои языковых подсказок не квантованы. Репозиторий использует safetensors и библиотеку MLX, рассчитан на потоковый запуск на Apple silicon; аудио подаётся в формате моно, 16 кГц. Модель предназначена для многоязычного преобразования речи в текст с низкой задержкой, включая обработку аудиопотока частями. По карточке поддерживаются десятки языков, в том числе русский, английский, испанский, немецкий, французский, китайский и японский. Приведённые тесты на FLEURS показывают результаты для шести языковых срезов, а не для всего заявленного списка языков. Ограничения: модель выполняет только ASR, не поддерживает диаризацию и идентификацию говорящих. Язык задаётся явно или через слот auto; промежуточный текст может быть неполным и требует замены при получении следующих фрагментов. Для MLX-версии не реализован дополнительный слой усиления слов из Core ML runtime. Лицензия репозитория — OpenMDW-1.1.

Nemotron-3.5-ASR-Streaming-0.6B GGUF — конвертация модели NVIDIA Nemotron-3.5-ASR-Streaming-0.6B в формате GGUF для использования с CrispASR. Модель предназначена для автоматического распознавания речи, включая потоковую транскрипцию аудио с низкой задержкой. Она поддерживает 39 языков и языковых вариантов, включая русский, английский, немецкий, французский, испанский, китайский, японский, корейский, арабский и другие. Модель принимает монофонический звук с частотой дискретизации 16 кГц и выполняет распознавание с нативной пунктуацией и капитализацией. Архитектура включает потоковый Cache-Aware Streaming FastConformer-энкодер из 24 слоёв с размерностью 1024 и 8 головами внимания, RNN-T-декодер на основе двухслойного LSTM со скрытым состоянием 640 и joint network со словарём из 13 088 токенов SentencePiece. Выбор языка выполняется через conditioning с использованием prompt_kernel. Поддерживаются жадный и beam search декодинг, а также четыре режима потокового контекста, позволяющие выбирать баланс между задержкой и качеством. Опубликованный WER составляет от 6,93% до 8,43% в зависимости от пресета контекста, однако эти значения не гарантируют аналогичные результаты на пользовательских данных. Доступны версии F16 размером около 1,3 ГБ и рекомендованная квантованная Q4_K размером около 458 МБ; для Q4_K заявлены примерно двукратное ускорение и идентичный текстовый результат. Модель рассчитана на использование через CrispASR и ориентирована на офлайн- и потоковые сценарии распознавания. Лицензия OpenMDW-1.1 допускает коммерческое использование. Ограничениями являются зависимость от CrispASR для заявленного сценария применения, необходимость корректно указать язык и компромисс между задержкой и точностью в потоковых режимах.

Luigi публикует объединённый GGUF-пакет Nemotron-3 Diarization и X-ASR для потоковой транскрибации с разметкой говорящих. Это упаковочное объединение двух моделей: веса не переобучались и не изменялись. X-ASR — потоковая модель распознавания речи на архитектуре Zipformer2 transducer; Nemotron-3 Diarization на базе Sortformer определяет до восьми говорящих и временные границы их реплик. На вход подаётся аудио с частотой 16 кГц, на выходе — текст с метками говорящих на общей временной шкале. Пакет рассчитан на потоковую работу на CPU, в том числе на телефонах; для X-ASR поддерживаются размеры чанков 160, 480, 960 и 1920 мс. В состав входят компоненты GilgameshWind/X-ASR-zh-en и nvidia/Nemotron-3-Diarization. README приводит результаты проверок на английских и китайских тестовых аудиозаписях, но они не гарантируют качество на других данных. Компоненты распространяются на условиях Apache-2.0 и OpenMDW-1.1; при использовании и распространении нужно соблюдать требования обеих лицензий и сохранять соответствующие уведомления.

animaslabs/nemotron-speech-streaming-en-0.6b-mlx — версия модели распознавания речи NVIDIA Nemotron Speech Streaming EN 0.6B, конвертированная в формат MLX. Репозиторий предназначен для запуска распознавания английской речи на совместимом ПО Apple MLX; в метаданных указана архитектура FastConformer с RNNT и поддержка потокового ASR. Модель принимает аудио и преобразует речь в текст. Её можно использовать для потоковой транскрибации и распознавания английской речи из аудиофайлов через parakeet-mlx или mlx-audio. В README приведён пример запуска через parakeet-mlx. Это производная модель на базе nvidia/nemotron-speech-streaming-en-0.6b; README описывает конвертацию в MLX, а метаданные указывают связь finetune. Файлы представлены в safetensors. Лицензия указана как other; подробности следует сверять с карточкой исходной модели.

omniASR-CTC-300M-v2-Zulu-Baseline — модель распознавания речи на базе Wav2Vec2 CTC, преобразованная командой uctnlp из чекпойнта fairseq2 OmniLingual omniASR_CTC_300M_v2. Модель принимает аудио и выдаёт текстовую транскрипцию через CTC-логиты по словарю SentencePiece. В метаданных указано 413,2 млн параметров; архитектура включает 24 слоя энкодера с размером скрытого состояния 1024. Модель предназначена для автоматической транскрибации речи, включая зулу; README также указывает на поддержку нескольких языков. Численная эквивалентность исходному чекпойнту fairseq2 проверена на одном отложенном аудиопримере с допуском atol=1e-4. Сведения о лицензии и ограничениях точности в предоставленных данных отсутствуют.

PaliGemma 2 10B PT — базовая мультимодальная модель Google для обработки изображений и текста. Она сочетает визуальный энкодер SigLIP с языковой моделью Gemma 2; опубликованы веса bfloat16 для дообучения. Модель принимает изображения размером 224×224 и текстовые последовательности до 128 токенов на входе и выходе, поддерживает несколько языков и генерирует текст. Модель предназначена прежде всего для дообучения под задачи компьютерного зрения и языка: описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Её также можно адаптировать для анализа спутниковых снимков, помощи незрячим пользователям, научных вопросов и описания функций элементов интерфейса. Лицензия — Gemma; использование регулируется условиями и политикой допустимого использования Gemma. Это базовая модель для специализированного дообучения, а не готовый универсальный чат-бот: она рассчитана на один раунд взаимодействия с изображением и текстом. На сложных или открытых запросах может ошибаться, выдавать устаревшие факты и испытывать трудности с нюансами языка и здравым смыслом. Результаты распознавания и генерируемые сведения требуют проверки; при внедрении следует учитывать возможные смещения и риски вредного контента.

Parakeet TDT 0.6B v2 MLX Mixed 3-bit/4-bit/BF16 — англоязычная модель распознавания речи на базе NVIDIA Parakeet-TDT 0.6B v2, преобразованная для MLX. Она предназначена для транскрибирования аудио с помощью автоматического распознавания речи. Веса объёмом 0,349 ГБ используют смешанную точность: 265 матриц квантизованы групповым аффинным методом с группами по 64 элемента — часть до 3 бит, остальные до 4 бит; матрицы предиктора и joint, нормализации, смещения и некоторые другие веса оставлены в BF16. В опубликованном локальном сравнении на Apple Silicon модель обработала 6 206 английских высказываний из LibriSpeech и FLEURS со средней WER 2,77% и скоростью 85,7× реального времени. По сравнению с FP32-вариантом объём весов сокращён на 85,90%, при этом точность немного снизилась. Это офлайн-модель с полным контекстом и жадным декодированием; README указывает на необходимость совместимого загрузчика для смешанных разрядностей. Модель рассчитана только на английскую речь и не заменяет многоязычную ASR. Качество зависит от акцента, предметной области, шума и условий записи, поэтому результаты следует проверять на целевых аудиоданных. Лицензия — CC BY 4.0.

Это версия модели распознавания речи NVIDIA Parakeet TDT 0.6B v3, подготовленная NielsPeter для MLX. Веса с плавающей точкой сохранены в формате bfloat16 вместо float32; архитектура, словарь и токенизатор не изменены. Модель принимает аудио и выдаёт распознанный текст, включая речь на английском, датском и шведском языках. Формат bfloat16 уменьшает размер файлов весов с 2,34 до 1,25 ГБ и снижает пиковое потребление памяти при транскрибировании примерно с 2,6 до 1,6 ГБ. В описанных сравнениях результат совпал с float32-версией на примерно 7 300 словах на трёх языках. Модель предназначена для использования с MLX; лицензия — CC-BY-4.0.

Это версия весов NVIDIA Parakeet TDT 1.1B, преобразованная пользователем extraordinarylab из формата NeMo в формат Transformers для Hugging Face. В README указано, что веса не менялись; отличаются формат контрольной точки, конфигурация и оболочки токенизатора и экстрактора признаков. Модель использует энкодер FastConformer-XL из 42 слоёв с размерностью 1024 и голову TDT (Token-and-Duration Transducer) с длительностями токенов от 0 до 4; словарь содержит 1024 BPE-токена и blank-токен. Модель предназначена для автоматической транскрипции английской речи в текст. Она выдаёт текст в нижнем регистре без пунктуации. В README описана проверка совпадения с NeMo на двух фрагментах LibriSpeech: совпали выходы жадного декодирования и транскрипции. Репозиторий использует Transformers и формат safetensors. Лицензия — CC BY 4.0.

Это версия модели распознавания речи NVIDIA Parakeet TDT-CTC 0.6B для MLX, подготовленная сообществом mlx-community из репозитория nvidia/parakeet-tdt_ctc-0.6b-ja. Она преобразована для запуска с библиотекой MLX на совместимом оборудовании Apple и предназначена для преобразования японской речи в текст с пунктуацией. Модель относится к семейству FastConformer/Conformer и принимает аудио, выдавая текстовую транскрипцию. Репозиторий распространяется по лицензии CC BY 4.0; подробности о качестве распознавания и ограничениях следует сверять с карточкой исходной модели.

mlx-community/parakeet-tdt_ctc-110m — конверсия модели NVIDIA Parakeet TDT-CTC 110M в формат MLX для запуска на устройствах Apple. Она предназначена для автоматического распознавания речи и преобразования аудио в текст. Базовая модель описана как англоязычная и формирует текст с пунктуацией и заглавными буквами. В основе лежит архитектура FastConformer/Conformer; репозиторий содержит веса safetensors и рассчитан на работу с библиотекой MLX. Модель распространяется по лицензии CC BY 4.0.

Qwen3.5-Flash — модель семейства Qwen3.5 от Qwen, предназначенная для работы с изображениями и текстом. По доступным сведениям, она использует гибридную архитектуру, сочетающую линейный механизм внимания и разреженную смесь экспертов (MoE), чтобы повысить эффективность инференса. Модель подходит для сценариев, где нужно анализировать визуальный материал и формировать текстовый ответ. README сообщает об архитектуре, но доступный фрагмент не раскрывает конкретные возможности, языки, размер модели или длину контекста. Лицензия в предоставленных данных не указана.

handy-computer/Qwen3-ASR-1.7B-gguf — это набор GGUF-конвертаций модели Qwen3-ASR-1.7B, разработанный handy-computer на основе базовой модели Qwen/Qwen3-ASR-1.7B для работы с transcribe.cpp. Модель предназначена для офлайн-распознавания речи и преобразования аудио в текст с автоматическим определением языка. Она принимает монофонический WAV с частотой 16 кГц; потоковая обработка, перевод речи и временные метки не поддерживаются, а явная подсказка языка пока недоступна. Архитектура сочетает двунаправленный аудиоэнкодер с причинной языковой моделью Qwen3 и внедрением аудиотокенов. В версии 1.7B аудиоэнкодер имеет d_model=1024 и 16 голов внимания, а языковая модель — hidden_size=2048 и intermediate_size=6144. Заявлена поддержка 30 языков в данной конвертации, включая русский, английский, китайский, японский, корейский, немецкий, французский, испанский и другие. Доступны варианты BF16, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 1,32 до 4,09 ГБ. Сильные стороны модели — офлайн-работа, мультиязычность и высокая точность: для LibriSpeech test-clean указанный WER составляет 1,62% у BF16, F16 и Q8_0, 1,65% у Q6_K и Q5_K_M и 1,81% у Q4_K_M. Квантованные варианты позволяют снизить требования к памяти при небольшом ухудшении результата. Ограничения включают отсутствие streaming, перевода и временных меток, необходимость предварительного приведения аудио к формату 16 кГц mono WAV, а также различия качества между языками. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

Это порт мультимодальной модели Qwen/Qwen3-VL-2B-Instruct в формат Core ML, подготовленный mlboydaisuke для запуска на устройствах Apple. Он принимает текстовые запросы и изображения и формирует текстовые ответы; рассчитан на локальный запуск на iOS 18+ и macOS 15+, включая ускорение на Apple Neural Engine. Модель включает 28-слойную текстовую основу с GQA и визуальный ViT-энкодер; изображения обрабатываются при их наличии в запросе, с фиксированным размером 448×448. Визуальные признаки DeepStack передаются в текстовые слои. Репозиторий содержит INT8-модель, разделённую на Core ML-компоненты. Для работы нужны токенизатор и процессор базовой модели, которые следует получать отдельно. Эта версия использует рекуррентный путь и сохранена для совместимости; автор рекомендует для новых проектов stateful-вариант, которому приписывает меньший расход памяти и более быстрое декодирование. Лицензия — Apache-2.0. Базовая модель поддерживает диалог и анализ изображений и видео, включая OCR, пространственное рассуждение и работу с визуальными интерфейсами; README этой версии описывает текст и изображения.

coder3101/Qwen3-VL-2B-Instruct-heretic — производная от Qwen/Qwen3-VL-2B-Instruct мультимодальная модель семейства Qwen3-VL, опубликованная в формате safetensors и предназначенная для диалоговой работы с текстом и изображениями. В README указано, что параметры модели изменены методом abliteration: в приведённом сравнении доля отказов составляет 2 из 100 против 95 из 100 у исходной модели, а KL-дивергенция — 0,45. Модель подходит для ответов на вопросы по изображениям, визуального рассуждения и диалога с текстовым и визуальным контекстом. README базовой модели также описывает распознавание текста на изображениях, анализ видео, пространственные задачи и взаимодействие с графическими интерфейсами, но отдельные показатели этих возможностей для данной производной версии не приведены. Для семейства заявлена поддержка 32 языков OCR; метаданные не перечисляют языки этой конкретной модели. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-2B-Instruct-MLX-bf16 — конвертированная в формат MLX bf16 версия мультимодальной модели Qwen3-VL-2B-Instruct, подготовленная командой LM Studio для Apple Silicon. Это плотная модель семейства Qwen3-VL с 2 млрд параметров, предназначенная для диалога и анализа изображений; карточка базовой модели также указывает на работу с видео, OCR, пространственное рассуждение и визуальные интерфейсы. Модель принимает текст и изображения и формирует текстовые ответы. Вариант рассчитан на запуск на компьютерах Apple Silicon через MLX. Лицензия — Apache-2.0. Как и другие генеративные модели, она может выдавать неточные или неподходящие ответы; README отдельно отмечает отсутствие гарантий со стороны LM Studio.

Samantha-omni — дообученная мультимодальная модель Guilherme34 на основе семейства MiniCPM-O. Модель с плотной архитектурой MiniCPMO и 7,1 млрд параметров предназначена для диалога с изображениями, речью и видео, включая мультимодальное взаимодействие в реальном времени. Она поддерживает контекст до 32 768 токенов и доступна в формате safetensors для библиотеки Transformers. Модель подходит для диалога по изображениям и видео, распознавания и синтеза речи, а также многоязычных мультимодальных сценариев. Карточка заявляет уровень GPT-4o для задач зрения, речи и потокового взаимодействия, но не приводит сравнительных тестов, поэтому это заявление не подтверждено приведёнными данными. Лицензия в предоставленных сведениях не указана.

SenseVoiceSmall-gguf — это конверсия и квантизированные GGUF-версии модели FunAudioLLM/SenseVoiceSmall, подготовленные проектом handy-computer для работы с transcribe.cpp. Модель предназначена для офлайн-распознавания речи и поддерживает китайский, кантонский, английский, японский и корейский языки. Она принимает монофонический WAV-аудиосигнал с частотой 16 кГц и обрабатывает фрагменты длительностью до 30 секунд за вызов. Модель использует 234-миллионный SAN-M encoder с одной CTC-головой и словарём SentencePiece на 25 055 токенов. Помимо автоматического распознавания речи, та же CTC-голова может выдавать идентификатор языка, простые метки эмоций, теги аудиособытий и управляющие теги обратной текстовой нормализации. Определение языка поддерживается, но потоковая обработка, перевод, встроенное разбиение длинных записей и временные метки отсутствуют. По умолчанию включена текстовая нормализация для удобного отображения регистра, пунктуации и чисел; доступен режим вывода произносимой формы. Доступны варианты F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 146 до 937 МБ. На тесте LibriSpeech test-clean заявленная частота ошибок слов составляет 3,13% для F32, F16 и Q8_0 и до 3,45% для Q4_K_M; качество зависит от языка и типа квантизации. Модель ориентирована прежде всего на офлайн-многоязычное распознавание, однако для длинных аудиозаписей потребуется внешняя сегментация. Использование регулируется лицензией model-license из FunASR MODEL_LICENSE, унаследованной от базовой модели; полные условия следует уточнять в лицензии FunAudioLLM/SenseVoiceSmall.

SLPL/Sharif-wav2vec2 — модель распознавания речи на основе архитектуры Wav2Vec2, дообученная авторами для персидского языка (фарси). Для адаптации использованы 108 часов персидских записей Common Voice 6.1 с частотой дискретизации 16 кГц. Модель принимает аудио и преобразует речь в текст; для повышения точности в сценариях распознавания авторы также обучили 5-граммную языковую модель KenLM и подключили её через процессор декодирования. Модель предназначена для транскрибации персидской речи. В оценке на Common Voice 6.1 указана частота ошибок слов WER 0,06 на очищенной выборке и 0,16 на выборке other. Для входной речи требуется частота дискретизации 16 кГц. Весовая модель опубликована в формате PyTorch, содержит около 402,7 млн параметров и распространяется по лицензии MIT.

SmolVLM-Base — компактная мультимодальная модель Hugging Face для обработки изображений и текста. Она принимает изображения и текстовые запросы в произвольном сочетании и генерирует текстовые ответы; без изображений может работать как языковая модель. Модель построена на архитектуре Idefics3 с языковой моделью SmolLM2-1.7B-Instruct и визуальным компонентом SigLIP SoViT-400m. SmolVLM-Base подходит для описания изображений, ответов на вопросы по визуальному содержимому, понимания документов, диаграмм и графиков, а также создания историй на основе одного или нескольких изображений. Для кодирования изображения используются 81 визуальный токен на патч 384×384; крупные изображения разбиваются на патчи. Такая схема рассчитана на эффективный вывод и работу на устройствах с ограниченными ресурсами. Модель не генерирует изображения. Основной язык карточки — английский. Модель выпущена под лицензией Apache 2.0. Она может выдавать фактически звучащие, но неточные ответы, поэтому не подходит для критически важных решений, влияющих на благополучие или положение человека.

Sonus — мультиязычная модель синтеза речи с нуля (zero-shot) от автора репозитория comethrusws. Она преобразует текст в речь, поддерживает более 600 языков, клонирование голоса по короткой аудиозаписи и настройку голоса по атрибутам, таким как пол, возраст, высота тона и акцент. Модель использует архитектуру семейства OmniVoice; в README указаны 0,6 млрд параметров и частота дискретизации 24 кГц. Для запуска предусмотрена библиотека Transformers. Sonus предназначена для генерации речи в реальном времени и пакетной обработки, а также для управления произношением и невербальными звуками. Карточка указывает лицензию other, поэтому конкретные условия использования следует проверять в файлах репозитория. README запрещает несанкционированное клонирование голоса, выдачу себя за другого человека, мошенничество и незаконное применение.

ssc-led-model — модель распознавания речи, дообученная на базе facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, чтобы преобразовывать речь в текст. В README приведены результаты оценки: loss 1,4926, CER 0,3156 и WER 0,7297. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. Язык распознавания, обучающий набор данных и предполагаемые сценарии использования в карточке не уточнены.

ssc-ttj-mms-model-mix-adapt-max — модель автоматического распознавания речи на архитектуре Wav2Vec2 с CTC-выходом. В метаданных указано 1,3 млрд параметров; модель опубликована в формате Safetensors и использует библиотеку Transformers. Она принимает аудио и предназначена для преобразования речи в текст. В README приведены результаты оценки: CER 0,0697 и WER 0,3887 при loss 0,1838. Модель обучена с нуля на неизвестном наборе данных, поэтому нельзя определить поддерживаемые языки и области применения. Условия лицензии в предоставленных данных не указаны.

mrm8488/t5-small-finetuned-text-simplification — модель T5-small, дообученная автором mrm8488 на наборе wiki_auto_asset_turk для упрощения текста. Она преобразует исходные формулировки в более простые и предназначена для сценариев, где нужно сделать текст легче для чтения. Модель содержит 38,5 млн параметров, использует архитектуру T5 для генерации текста по текстовому входу и имеет контекст длиной до 512 токенов. В README приведены результаты оценки на тестовой выборке: Loss 0,1217 и F1 ROUGE-2 0,4616. Модель распространяется с лицензией Apache-2.0. Карточка не описывает ограничения применения или целевые языки; название датасета само по себе не позволяет надёжно установить язык выходного текста.

UniSpeech-SAT-Base-Finetuned-100h-Libri — акустическая модель распознавания речи от Microsoft, дообученная на 100 часах английской части LibriSpeech. Она основана на архитектуре UniSpeech-SAT и использует CTC для преобразования аудиоречи в текст; размер модели — 113,3 млн параметров. Модель принимает речь с частотой дискретизации 16 кГц и рассчитана на транскрибирование английской речи, в том числе аудиокниг и записей с похожими условиями. Модель можно использовать как акустическую часть конвейера автоматического распознавания речи. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Карточка не приводит оценок качества распознавания или подробных ограничений для аудио, отличающегося от LibriSpeech, поэтому пригодность для таких записей следует проверять отдельно.

Карточка модели Koyiljon/uzbek_stt_v1 на Hugging Face совпадает с карточкой Kotib/uzbek_stt_v1, поэтому описание составлено по ней. Kotib/uzbek_stt_v1 — модель автоматического распознавания речи, разработанная командами Kotibai и Rubai и дообученная на базе OpenAI Whisper Medium. Она принимает аудио и преобразует узбекскую речь в текст; модель рассчитана прежде всего на узбекский язык и латинскую письменность, включая некоторые русские заимствования, произнесённые в узбекской речи. Архитектура Whisper, 455,8 млн параметров; модель использует формат safetensors и библиотеку Transformers. Для обучения использовали около 1 600 часов узбекского аудио, а оценку провели на 1 864 примерах из восьми тестовых наборов. В карточке указана общая доля ошибок WER 16,7%; на чистой речи — около 6–11%, на шумной или дополненной — около 12–24%. Модель подходит для расшифровки речи, диктовки, голосовых помощников и создания субтитров. Качество снижается при сильном шуме и частом переключении между языками; модель оптимизирована для узбекского. Лицензия — Apache-2.0.

Карточка модели Uzbekswe/uzbek_stt_v1 на Hugging Face совпадает с карточкой Kotib/uzbek_stt_v1, поэтому описание составлено по ней. Kotib/uzbek_stt_v1 — модель автоматического распознавания речи, разработанная командами Kotibai и Rubai и дообученная на базе OpenAI Whisper Medium. Она принимает аудио и преобразует узбекскую речь в текст; модель рассчитана прежде всего на узбекский язык и латинскую письменность, включая некоторые русские заимствования, произнесённые в узбекской речи. Архитектура Whisper, 455,8 млн параметров; модель использует формат safetensors и библиотеку Transformers. Для обучения использовали около 1 600 часов узбекского аудио, а оценку провели на 1 864 примерах из восьми тестовых наборов. В карточке указана общая доля ошибок WER 16,7%; на чистой речи — около 6–11%, на шумной или дополненной — около 12–24%. Модель подходит для расшифровки речи, диктовки, голосовых помощников и создания субтитров. Качество снижается при сильном шуме и частом переключении между языками; модель оптимизирована для узбекского. Лицензия — Apache-2.0.

UmarRamzan/w2v2-bert-urdu — модель автоматического распознавания речи на базе Wav2Vec-BERT 2.0, дообученная на урду-разделе набора Common Voice 17. Она преобразует аудиозаписи речи на урду в текст и подходит для транскрибирования речевых данных. Модель содержит 402,7 млн параметров и использует архитектуру Wav2Vec2BertForCTC. На оценочной выборке указана WER 0,2929 и loss 0,3681. Модель распространяется под лицензией MIT; заявленные результаты относятся к указанному оценочному набору и не гарантируют такую же точность на других аудиозаписях.

Модель CLEAR-Global/w2v-bert-2.0-chichewa_34_307h — версия facebook/w2v-bert-2.0, дообученная CLEAR Global для автоматического распознавания речи на языке чичева. Она использует архитектуру Wav2Vec2BertForCTC и содержит около 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст; обучение проводилось на наборе CLEAR-GLOBAL/CHICHEWA_34_307H - NA. В README приведены результаты оценки: WER 0,3856 и CER 0,1100. Модель распространяется по лицензии MIT.

Wav2Vec2-Base-960h — модель распознавания речи, разработанная Facebook. Она основана на архитектуре wav2vec 2.0: модель предварительно обучена на аудио речи, а затем дообучена на 960 часах размеченных данных LibriSpeech. Веса содержат 113,3 млн параметров; доступны форматы PyTorch, safetensors и TensorFlow. Модель предназначена для преобразования английской речи в текст. На вход подаётся аудио с частотой дискретизации 16 кГц; обучение и оценка опираются на LibriSpeech. Для оптимальных результатов следует соблюдать эту частоту дискретизации. Модель распознаёт речь, но карточка не заявляет поддержку других языков или дополнительных аудиозадач. Лицензия — Apache-2.0. Указанные в карточке результаты на LibriSpeech не гарантируют такую же точность на других акцентах, условиях записи или предметных областях.