I.15Доступность и ассистивные технологии

Это дообученная модель распознавания речи burakaydinofficial на базе OpenAI Whisper tiny. В ней декодерное MHA-внимание преобразовано в MLA (Multi-Head Latent Attention), а затем модель восстановительно дообучена на прикладном наборе из 24 языков. Она содержит 29,4 млн параметров и предназначена для транскрибации речи, в частности при ограниченной памяти устройства: размер KV-кэша декодерного self-attention сокращён на 62,5%. Модель загружается через Transformers с trust_remote_code и версией 4.46.x; веса опубликованы в формате safetensors. В тестах CommonVoice-17 качество существенно различается по языкам. Для нескольких языков с малым объёмом данных ошибки очень высоки, поэтому результаты для них практически непригодны; целевая область — речь, записанная на потребительский микрофон, в спокойном режиме чтения. Сокращение кэша относится только к декодерному self-attention: память энкодера и cross-attention не сжата, поэтому экономия общей памяти при одном потоке скромнее. Модель распространяется по лицензии Apache-2.0.

Это дообученная на неизвестном наборе данных модель OpenAI Whisper large-v3-turbo для автоматического распознавания речи. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и представлена в формате safetensors; библиотека для работы с ней — Transformers. Модель принимает аудио и преобразует речь в текст. В карточке приведены результаты оценки: loss 0,3081 и глобальный WER 46,6495. Данных о целевых языках, сценариях обучения и ограничениях применения в README нет. Лицензия — MIT.

Модель hypaai/wspr_small_2025-11-11_12-12-17 — дообученная версия мультиязычной Whisper Small от OpenAI, разработанная hypaai. Она предназначена для автоматического распознавания речи и транскрибирования аудио. Модель содержит 153,1 млн параметров, использует архитектуру Whisper и доступна в формате Safetensors для библиотеки Transformers. В тегах карточки указаны йоруба, английский и хауса; метаданные также отмечают игбо. Эти языки можно считать поддерживаемыми, хотя описание обучения не раскрывает данные и результаты оценки. Модель распространяется по лицензии Apache-2.0.

AlexN/xls-r-300m-fr — модель автоматического распознавания французской речи, дообученная автором на датасете Mozilla Foundation Common Voice 8.0 для французского языка. Она использует архитектуру Wav2Vec2 с CTC-выходом и содержит около 402,9 млн параметров. Модель принимает аудио и преобразует речь в текст; её можно применять для расшифровки французских записей и голосовых сообщений. Модель основана на facebook/wav2vec2-xls-r-300m и распространяется в формате PyTorch. В карточке не приведены сведения об условиях лицензии и оценке качества, поэтому перед использованием следует проверить лицензию репозитория и самостоятельно оценить точность на целевых аудиозаписях.

eugenehp/zipvoice-distill — преобразованная для RLX версия ZipVoice-Distill на основе исходного чекпойнта. Репозиторий подготовлен как набор ONNX-графов и файл GGUF F16; для запуска предусмотрен пакет rlx-zipvoice. Модель предназначена для синтеза речи по тексту. В репозитории указаны компоненты декодера, текстового энкодера и вокодера. Лицензия — Apache-2.0.

Arabic-Qwen3.5-OCR-v4 — модель sherif1313, дообученная на основе Qwen/Qwen3.5-0.8B для распознавания текста на изображениях. Она принимает изображение и текстовый запрос и возвращает извлечённый текст; предназначена для арабского письма, включая печатный, рукописный, классический текст и текст с диакритическими знаками. В обучении использованы синтетические сканы, изображения строк текста и данные для распознавания Корана. Модель построена на мультимодальной плотной архитектуре Qwen3.5 и распространяется в формате safetensors. В README заявлена скорость около четырёх изображений в секунду; она зависит от оборудования и условий запуска. Лицензия — Apache-2.0. Примеры использования охватывают распознавание текста на фотографиях, сканах, PDF-страницах и документах низкого качества. README также указывает поддержку сложного форматирования, однако не приводит метрик точности и не уточняет, насколько хорошо модель работает с языками помимо арабского. Приведённый пример генерации ограничивает ответ 512 токенами.

A.X K2 Raon-Speech — мультимодальная речевая языковая модель KRAFTON AI для английского и корейского языков. Она объединяет текстовую основу A.X K2 Light 20B-A3B с архитектурой mixture-of-experts, речевой энкодер AuT и нейронный аудиокодек в одном чекпойнте. Всего модель содержит около 21,2 млрд параметров, из которых активны около 3,5 млрд; веса представлены в формате safetensors, библиотека для работы — Transformers. Модель предназначена для распознавания и генерации речи, понимания аудио, ответов на вопросы по речи и голосового общения с ассистентом. Она поддерживает STT, TTS, SpeechQA, SpokenQA, диалог с чередованием текста и аудио, а также генерацию речи с учетом эмоций и интонации. Для TTS доступны голосовое обусловливание по эталонной записи и продолжение речи с сохранением просодии; эти функции используют внешний замороженный энкодер ECAPA из SpeechBrain. В карточке сообщается о высоких агрегированных результатах на корейских и английских речевых бенчмарках. Для запуска требуется Transformers версии 4.57.1 или новее; BF16-чекпойнт занимает около 42,4 ГБ, рекомендуется GPU с 80 ГБ памяти или подходящая многокарточная конфигурация. Модель предназначена для исследований и некоммерческого прототипирования; лицензия CC BY-NC 4.0 ограничивает коммерческое использование. При голосовом обусловливании и генерации с идентифицируемыми голосами необходимо получать согласие.

Breeze TTS 2 — открытая модель преобразования текста в речь семейства Breeze, опубликованная авторами проекта Breeze TTS. Модель с плотной архитектурой BreezeForConditionalGeneration содержит 1,4 млрд параметров и рассчитана на английскую и китайскую речь; длина контекста — 2048 токенов. Модель предназначена для синтеза речи в реальном времени с потоковой выдачей аудио. Она поддерживает клонирование голоса по референсному аудио и его точной расшифровке, создание нового голоса по текстовому описанию и управление тоном, эмоцией, темпом и манерой речи. В тексте также можно задавать вокальные события, например смех или вздох. В README заявлены задержка до первого аудио менее 40 мс и скорость около 3,1× реального времени на NVIDIA H100 при прогретом быстром режиме. Для инференса нужны Linux, Python 3.10 или новее и CUDA-совместимый GPU NVIDIA; рекомендуется от 12 ГБ видеопамяти для обычного режима. Веса и производные модели, а также результаты самостоятельного развёртывания предназначены только для исследований и некоммерческого использования; исходный код лицензирован Apache 2.0.

Модель 1Developer/cali-whisper-tiny.en-drop-005-production — дообученная версия Whisper tiny.en, созданная на основе 1Developer/cali-whisper-tiny.en-drop-004-production и обученная на датасете audiofolder. Она предназначена для автоматического распознавания речи и преобразования аудио в текст. В карточке приведены результаты оценки: loss 0,0002 и WER 0,0; этих значений недостаточно, чтобы судить о качестве на других данных. Используются архитектура Whisper и библиотека Transformers, веса представлены в формате safetensors. Лицензия — Apache-2.0.

cali-whisper-tiny.en-drop-006-production — дообученная модель распознавания речи на базе 1Developer/cali-whisper-tiny.en-drop-005-production. Она использует архитектуру WhisperForConditionalGeneration семейства Whisper и предназначена для преобразования входящего аудио в текст; обучение проводилось на датасете audiofolder. В карточке приведены результаты оценки: Loss 0.0000, Wer Ortho 0.0 и Wer 0.0. Эти значения не сопровождаются описанием оценочного набора и методики, поэтому по ним нельзя судить о качестве на других данных. Модель ориентирована на английскую речь, как и базовая версия tiny.en. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Карточка не описывает дополнительные ограничения или сценарии использования.

Chitrarth — мультиязычная модель обработки изображений и текста от Krutrim AI Labs. Она объединяет языковую модель Krutrim-1 с визуальным энкодером SigLIP и двухслойным MLP и предназначена для общего мультимодального общения: ответов на вопросы об изображениях и выполнения задач визуального понимания. Модель рассчитана на хинди, бенгальский, телугу, тамильский, маратхи, гуджарати, каннада, малаялам, одия, ассамский и английский языки. В карточке приведены результаты оценки на мультимодальных бенчмарках, включая BharatBench для индийских языков. Веса представлены в формате safetensors; лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензионными материалами репозитория. Данных о размере модели и длине контекста в предоставленных источниках нет.

Cohere Transcribe — открытая специализированная модель распознавания речи от Cohere и Cohere Labs. Это модель с аудио на входе и текстом на выходе, с 2 млрд параметров, обученная с нуля. Она предназначена для офлайн- и серверной транскрибации и поддерживается Transformers и vLLM. Модель работает с 14 языками: арабским, немецким, греческим, английским, испанским, французским, итальянским, японским, корейским, нидерландским, польским, португальским, вьетнамским и китайским. Разработчики заявляют о высокой точности транскрибации на этих языках и скорости до трёх раз выше, чем у специализированных ASR-моделей сопоставимого размера. Модель лучше работает, когда язык заранее задан и остаётся неизменным; автоматического определения языка нет, а переключение языков обрабатывается нестабильно. Модель не выдаёт временные метки и не выполняет диаризацию говорящих. Тишина и фоновый шум могут приводить к ложной транскрибации, поэтому для таких записей полезны VAD или шумовой фильтр. Лицензия — Apache-2.0.

Cohere Transcribe — открытая модель автоматического распознавания речи, разработанная Cohere и Cohere Labs. Эта GGUF-версия представляет собой квантованные конвертации базовой модели CohereLabs/cohere-transcribe-03-2026 для запуска с помощью transcribe.cpp. Модель предназначена для офлайн-преобразования речи в текст и принимает монофонические WAV-файлы с частотой дискретизации 16 кГц. Она поддерживает 14 языков: английский, французский, немецкий, испанский, итальянский, португальский, нидерландский, польский, греческий, арабский, японский, китайский, вьетнамский и корейский. Архитектура основана на Conformer-энкодере и Transformer-энкодер-декодере с cross-attention и связанными эмбеддингами токенов; размер модели составляет около 2 млрд параметров, декодирование выполняется авторегрессионно. Доступны варианты BF16, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 1,56 до 4,11 ГБ. На тесте LibriSpeech test-clean заявленная ошибка распознавания составляет около 1,24–1,27% в зависимости от квантования, что указывает на высокую точность для английской речи. Ограничения включают отсутствие потокового режима, встроенного перевода, автоматического определения языка и временных меток; модель предназначена именно для распознавания, а не для перевода речи. Для работы требуется transcribe.cpp, а аудио при необходимости нужно предварительно привести к формату 16 кГц, mono WAV. Модель и конвертации распространяются по лицензии Apache-2.0, унаследованной от базовой модели.

ctyau подготовил CoreML-версию Cohere Transcribe 2B с квантованием весов до INT8 (W8A16) для распознавания речи на устройствах Apple. Модель предназначена для преобразования аудио в текст и запуска на Apple Silicon и мобильных устройствах Apple; в README описано разделение на Conformer-энкодер и Transformer-декодер с выполнением энкодера на Apple Neural Engine и использованием GPU и Metal для декодирования. По метаданным, модель содержит 151 млн параметров и рассчитана на английский язык; лицензия CC BY-NC 4.0 ограничивает коммерческое использование. README приводит замеры на Apple M5 для аудиозаписи длительностью около 15 минут: INT8-вариант обработал её за 14,837 секунды. Эти показатели относятся к указанной конфигурации и не гарантируют такой же скорости на других устройствах. Модель основана на CohereForAI/c4ai-transcribe-2b и поставляется в формате CoreML.

Confucius4-R2T2-GGUF — официальный формат GGUF модели Confucius4-R2T2, разработанной NetEase Youdao. Это модель автоматического распознавания речи (ASR), предназначенная для высокоточной транскрипции в режиме реального времени и потоковой обработки аудио с низкой задержкой. Модель поддерживает настраиваемые фрагменты декодирования длительностью от 80 миллисекунд до 2 секунд, что позволяет выбирать баланс между задержкой и качеством распознавания. В репозитории доступны варианты f16 размером 3,2 GiB, Q8_0 размером 1,7 GiB и Q4_K_M размером 1,0 GiB; меньшие варианты требуют меньше ресурсов, но могут обеспечивать более низкое качество. Дополнительные файлы mmproj предназначены для мультимодального дополнения. В метаданных указана поддержка китайского языка; сведения об архитектуре, размере исходной модели и длине контекста не приведены. Сильные стороны модели — потоковое распознавание с тонкой настройкой размера обрабатываемых фрагментов, низкая задержка и наличие нескольких уровней квантования для разных аппаратных ограничений. Ограничения включают отсутствие в предоставленных данных подробных характеристик архитектуры, перечня дополнительных языков и результатов сравнительных оценок. Модель распространяется по NetEase Model Use License Agreement; код связанного проекта лицензирован по Apache 2.0.

DCCRNet_Libri1Mix_enhsingle_16k — модель для улучшения речи, обученная Joris Cosentino с помощью рецепта LibriMix в библиотеке Asteroid. Она принимает аудио и предназначена для выделения чистой речи из одноисточниковой смеси с шумом или помехами. Модель использует архитектуру DCCRN-CL и рассчитана на аудио с частотой дискретизации 16 кГц; обучение проводилось на задаче enh_single с данными Libri1Mix. Модель подходит для предварительной очистки записей речи перед прослушиванием или дальнейшей обработкой. Языковая привязка определяется обучающими данными LibriSpeech, однако README не заявляет ограничение только английским языком. Модель распространяется по лицензии CC BY-SA 4.0. README также указывает, что в обучающих данных использовался датасет WSJ0 Hipster Ambient Mixtures с лицензией CC BY-NC 4.0, ограничивающей его исследовательским использованием.

Lakoc/DeCRED_small_cv_2 — дообученная модель распознавания речи на базе архитектуры JointCTCAttentionEncoderDecoder. Модель обучена на Common Voice 13.0 и предназначена для преобразования речи в текст. В карточке приведены результаты оценки: CER 0,0663 и WER 0,1563. Репозиторий содержит веса в формате safetensors. Описание сценариев применения, языков, условий лицензии и ограничений в карточке отсутствует, поэтому их нельзя уточнить. Модель опубликована 15 июня 2024 года.

marianbasti/distil-whisper-large-v3-es — дистиллированная модель распознавания речи на основе Whisper large-v3, созданная при сотрудничестве SandboxAI и Национального университета Рио-Негро. Модель обучена на наборе Mozilla Common Voice 16.1 и предназначена для транскрибации испанской речи; архитектура — WhisperForConditionalGeneration, размер — 905,2 млн параметров. Модель принимает аудио и выдаёт текст на испанском языке. Она поддерживает распознавание коротких записей и обработку длинных аудио с разбиением на фрагменты; в README также описан режим speculative decoding в связке с Whisper, который ускоряет генерацию при сохранении совпадения результатов с основной моделью. Для запуска используется библиотека Transformers версии 4.35 или новее. В карточке приведён результат 5,11% WER (10,15% orthogonal WER). Модель распространяется по лицензии MIT. Качество вне испанского языка и на аудио, отличающемся от данных Common Voice, в карточке не охарактеризовано.

EdgeIn-v3 — мультимодальная модель семейства EdgeInstant, опубликованная chenjz24. Она объединяет аудиоэнкодер Qwen3-ASR, обученный аудиопроектор, Qwen3.5 Thinker, компактный Talker с нативными токенами и декодер Qwen3-TTS для генерации звуковой волны. Модель принимает монофоническое аудио с частотой 16 кГц и текст; выдаёт текст и аудио с частотой 24 кГц. Поддерживаются китайский и английский языки, а аудио может быть длиннее 30 секунд. Модель предназначена для распознавания речи, аудиообусловленного диалога и потоковой генерации речи из текста. Для загрузки требуется Transformers 5.12.1 и включение пользовательского кода через trust_remote_code=True. Потоковая речь использует фиксированный встроенный голос и обрабатывает за один вызов одну беседу; для синтеза доступны китайский, английский и автоматический выбор языка. Веса и токенизаторы компонентов Qwen включены, лицензии Qwen и условия LICENSE.codec применяются к соответствующим компонентам.

faster-whisper-bsc-large-v3-cat — конвертированная версия акустической модели whisper-bsc-large-v3-cat, подготовленная для распознавания речи на каталанском языке. Конверсию выполнил Abir Messaoudi в лаборатории языковых технологий Barcelona Supercomputing Center в мае 2025 года с помощью faster-whisper; модель распространяется в формате CTranslate2 и используется через библиотеку CTranslate2. Модель предназначена для преобразования каталанских аудиозаписей в обычный текст без пунктуации. Её можно применять для расшифровки аудиофайлов, в том числе речи из датасетов каталонских акцентов, парламентских выступлений и медиаматериалов. Это конверсия, а не результат нового обучения. Репозиторий указывает лицензию Apache-2.0. В README заявлен вывод без пунктуации; оценок точности и других ограничений не приведено.

zeromodels/granite_speech_4_1_2b_plus — конверсия IBM Granite Speech 4.1 2B Plus в Keras 3, подготовленная zeromodels. Это речевая языковая модель на базе Granite 4.0 2B: аудиообработчик с энкодером Conformer CTC и проектором Q-Former передаёт аудиоэмбеддинги декодеру Granite. Модель принимает аудио и текстовую инструкцию, позволяя запрашивать расшифровку, краткое содержание или ответы по содержанию записи. В первую очередь модель предназначена для распознавания речи; карточка также описывает сценарии суммаризации и вопросов по аудио. Реализация Keras 3 работает с TensorFlow, Torch и JAX. LoRA уже объединена с весами, отдельное переключение адаптера не требуется. Лицензия — Apache 2.0.

Модель artoowang/hf-audio-wav2vec2-bert-CV16-en-finetune — дообученная на базе hf-audio/wav2vec2-bert-CV16-en система автоматического распознавания речи. Она принимает аудио и преобразует английскую речь в текст; архитектура — Wav2Vec2-BERT с CTC-выходом, размер — 402,7 млн параметров. В README приведены значения на тестовой выборке: WER 0,0879 и loss 0,3271. Модель подходит для транскрибации английской речи, например записей и аудиофрагментов. Карточка не описывает датасет дообучения, условия записи или ограничения качества, поэтому приведённые метрики нельзя переносить на другие аудиоданные без проверки. Формат весов — safetensors, библиотека — Transformers; лицензия в предоставленных данных не указана.

minsu0567/IAD-X1-GRPO-answer-last — дообученная minsu0567 модель семейства Qwen3.5 для преобразования изображений и текста в текст. Карточка указывает на обучение с Unsloth и библиотекой TRL; метаданные описывают архитектуру как плотную условную генеративную модель с поддержкой изображений и диалогового взаимодействия. Модель предназначена для задач image-text-to-text. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. В карточке не приведены сведения о размере модели, длине контекста и конкретных языках использования; метаданные указывают английский язык.

Карточка модели Yogi5/indic-parler-tts-backup на Hugging Face совпадает с карточкой ai4bharat/indic-parler-tts, поэтому описание составлено по ней. Indic Parler-TTS — многоязычная модель синтеза речи, созданная в сотрудничестве аудиокоманды Hugging Face и AI4Bharat. Это дообученная версия Indic Parler-TTS Pretrained на датасете объёмом 1 806 часов; модель относится к семейству Parler-TTS и использует библиотеку Transformers. Она преобразует текст в речь, а дополнительное текстовое описание позволяет задавать характеристики звучания: голос, темп, высоту, эмоциональную окраску, выразительность, шум и реверберацию. Модель официально поддерживает 21 язык: ассамский, бенгальский, бодо, догри, английский, гуджарати, хинди, каннада, конкани, майтхили, малаялам, манипури, маратхи, непальский, ория, санскрит, сантали, синдхи, тамильский, телугу и урду. В README также заявлена неофициальная поддержка чхаттисгархи, кашмири и панджаби. Доступно 69 голосов; управление эмоциями официально описано для десяти языков. Модель распространяется по лицензии Apache-2.0.

Это дообученная модель Whisper на 455,8 млн параметров, созданная на основе parthiv11/indic_whisper_hi_multi_gpu. Она предназначена для автоматического распознавания речи и транскрибирования аудио; по названию репозитория ориентирована на хинди. В метаданных указан входной аудиосигнал, а формат весов — safetensors. В карточке приведены результаты оценки: loss 0,2711 и Global WER 25,9022. Датасет обучения не указан, поэтому эти показатели не позволяют судить о качестве на конкретных типах записей. Модель распространяется по лицензии MIT.

InternVL3.5-8B-Pretrained — мультимодальная модель семейства InternVL3.5, разработанная OpenGVLab. Она сочетает визуальный энкодер InternViT и языковую модель Qwen3-8B и предназначена для диалога по изображениям и тексту, визуальных рассуждений и генерации ответов. В метаданных указана архитектура InternVLChatModel и формат safetensors; модель работает через библиотеку Transformers. Семейство InternVL3.5 использует Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптивной обработки визуальных токенов. Модели семейства также поддерживают взаимодействие с графическим интерфейсом и сценарии embodied agency. Карточка не приводит точное число параметров именно этой версии и длину контекста. Модель подходит для анализа изображений, визуальных вопросов и ответов, распознавания текста на изображениях и мультимодальных диалогов. В карточке перечислены оценки семейства на мультимодальных и рассуждательных бенчмарках, но отдельные результаты этой версии не приведены. Репозиторий распространяется по лицензии Apache-2.0.

InternVL3-9B-4bit — мультимодальная чат-модель семейства InternVL3, преобразованная mlx-community в формат MLX из models/InternVL3-9B с помощью mlx-vlm 0.1.25. Она предназначена для диалога по изображениям и тексту, визуального понимания и генерации текстовых ответов; поддерживает мультиязычные сценарии. Метаданные указывают архитектуру InternVLChatModel и чат-возможности. Репозиторий распространяется по лицензии Apache-2.0. README описывает конвертацию MLX, а метаданные классифицируют модель как дообученную на OpenGVLab/InternVL3-1B-Instruct и отмечают вариант 4bit в названии. Эти сведения расходятся с описанием README, которое указывает исходный источник models/InternVL3-9B; точная связь с базовой моделью требует уточнения. В качестве главной задачи выбрано image-text-to-text, соответствующее заявленному мультимодальному назначению.

Это преобразованная в формат Vokra GGUF модель синтеза речи kokoro-82m-stacked. Веса взяты из upstream-модели hexgrad/Kokoro-82M; Vokra упаковывает их для прямого отображения в память и использования в своём inference runtime. Архитектура указана как kokoro-82m-istftnet. Модель предназначена для преобразования текста в речь. Для текстового ввода требуется предварительная обработка G2P; конкретный фронтенд зависит от ожидаемого моделью голоса. Репозиторий содержит файл GGUF размером 338,8 МБ. Модель распространяется по лицензии Apache-2.0.

Kokoro-82M-v1.0-ONNX — компактная модель синтеза речи, опубликованная сообществом onnx-community на основе Kokoro-82M от hexgrad. Она преобразует текст в аудио и предназначена для озвучивания приложений, голосовых интерфейсов, чтения текстов и других сценариев text-to-speech. В карточке указана поддержка английского языка. Модель содержит около 82 миллионов параметров и распространяется в формате ONNX, что позволяет использовать различные варианты точности и квантования, включая FP32, FP16, Q8 и Q4. Доступно несколько голосов с американским английским произношением, включая женские и мужские варианты. Максимальная длина входа составляет 512 токенов с учетом специальных токенов; пример вывода использует частоту дискретизации 24 кГц. Скорость речи можно настраивать, а стиль задается выбранным голосом. К сильным сторонам относятся небольшой размер, наличие нескольких голосов и возможность запуска через ONNX Runtime или JavaScript-библиотеку kokoro-js. Ограничения включают заявленную поддержку только английского языка, необходимость преобразования текста в фонемы при низкоуровневом использовании и ограничение длины контекста. Модель распространяется по лицензии Apache 2.0.

BuzzASR/maltese — одномовная модель автоматического распознавания речи на мальтийском языке, разработанная как часть набора BuzzASR и дообученная на базе OpenAI Whisper large-v3. Это плотная модель архитектуры Whisper с примерно 905,2 млн параметров; она принимает аудио и выдаёт текстовую транскрипцию. Языковая и задачная подсказка уже задана в конфигурации генерации, поэтому отдельно передавать язык не требуется. Модель предназначена для транскрибации мальтийской речи. В тестах на FLEURS и Common Voice 25 показала CER 6,15% и WER 25,33% на FLEURS, CER 0,72% и WER 3,49% на Common Voice, а на объединённом наборе — CER 2,66% и WER 11,28%. Обучение включало FLEURS, Common Voice Corpus 25.0 и текстовые данные Goldfish. Лицензия — MIT. Модель рассчитана только на мальтийский язык. Результаты оценены на тестовых разбиениях FLEURS и Common Voice; качество на других тематиках, записях и диалектах может отличаться.