I.15Доступность и ассистивные технологии

UForm-Gen2-dpo — компактная генеративная модель «зрение — язык» от unum-cloud, разработанная для описания изображений и ответов на вопросы о них. Модель также подходит для мультимодального диалога с изображениями. Архитектура сочетает CLIP-подобный ViT-H/14 для обработки изображений и Qwen1.5-0.5B-Chat для генерации текста. Модель дообучена методом Direct Preference Optimization на наборах предпочтений VLFeedback и LLaVA-Human-Preference-10K. В карточке приведены результаты оценки на MME по задачам восприятия и рассуждения, включая OCR, распознавание цветов и подсчёт объектов. Для работы модель принимает изображение и текстовый запрос, а отвечает текстом. Карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0.

Harveenchadha/vakyansh-wav2vec2-kannada-knm-560 — модель автоматического распознавания речи на основе Wav2Vec2 с выходной CTC-архитектурой. В карточке Hugging Face указано, что это модель для распознавания речи; параметры составляют около 113,3 млн, веса доступны в формате PyTorch. Модель предназначена для преобразования аудиозаписей на каннада в текст; процессор настроен на аудио с частотой дискретизации 16 кГц. Модель подходит для транскрибирования речи на каннада, например, записей и аудио в прикладных системах распознавания речи. В карточке нет сведений о лицензии, оценках качества или подробных ограничениях применимости, поэтому эти характеристики нельзя надёжно описать.

Модель hezarai/vit-roberta-fa-image-captioning-flickr30k предназначена для автоматического создания подписей к изображениям на персидском языке. Её разработал Sajjad Ayoubi; архитектура сочетает визуальный энкодер ViT и текстовый декодер RoBERTa, а обучение проводилось на наборе flickr30k-fa. Для работы автор указывает библиотеку Hezar. Модель принимает изображение и генерирует текстовое описание его содержимого. Она подходит для добавления персидских подписей к изображениям и построения демонстрационных систем описания сцен. В карточке не приведены сведения о размере модели и длине контекста. Лицензия в предоставленных данных не указана.

Erik Mkrtchyan разработал модель w2v-bert-2.0-armenian-CV20.0 — дообученную на базе facebook/w2v-bert-2.0 модель распознавания речи с архитектурой Wav2Vec2-BERT и выходной головой CTC. Она принимает аудио и предназначена для преобразования армянской речи в текст. В оценке модели указаны loss 0,1436 и WER 0,1106. Модель содержит 402,7 млн параметров, опубликована в формате Safetensors и рассчитана на работу через Transformers. Лицензия — MIT. README не сообщает подробностей о наборе данных, условиях записи речи или ограничениях применимости, поэтому качество на других типах аудио и за пределами армянского языка по приведённой оценке определить нельзя.

Модель GaborMadarasz/w2v-bert-2.0-hungarian-CV24.0 разработана как дообученная версия facebook/w2v-bert-2.0 для автоматического распознавания венгерской речи. Это акустическая модель архитектуры Wav2Vec2-BERT на 402,7 млн параметров, принимающая аудио и преобразующая его в текст. Она обучена на венгерской части набора Common Voice Scripted Speech 24.0 и предназначена для транскрибации записанной речи. В карточке приведены результаты оценки на тестовых данных Common Voice: WER 5,65%, CER 1,47% и SER 32,26% для 12 066 примеров. Результаты показывают пригодность для распознавания венгерской речи в условиях, похожих на тестовый набор, но ошибки на отдельных примерах могут быть значительными. Для загрузки README рекомендует скачать репозиторий и выполнять инференс локально из-за проблем с разрешением метаданных токенизатора в загрузчике Hugging Face. Модель распространяется по лицензии MIT.

Это модель автоматического распознавания речи на азербайджанском языке, созданная дообучением многоязычной wav2vec2-модели facebook/mms-1b-all на наборе Common Voice 15.0. Архитектура — Wav2Vec2ForCTC; модель содержит около 1,3 млрд параметров и принимает аудио, преобразуя речь в текст. Модель предназначена для транскрибации азербайджанской речи, в том числе записей, похожих на аудио из Common Voice. На оценочной выборке указаны loss 0,3188 и WER 0,2632; результаты на других типах записей могут отличаться. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей.

Модель Gabor Madarasz — система автоматического распознавания речи на венгерском языке, дообученная на базе facebook/mms-1b-all. Она использует архитектуру Wav2Vec2ForCTC с 1,3 млрд параметров и предназначена для преобразования венгерской речи в текст. Модель рассчитана на запись речи одного говорящего, например подкасты, аудиокниги и другие чёткие аудиозаписи. В карточке приведены результаты тестирования: WER 19,93% и CER 5,19% на тестовой части FLEURS для венгерского языка, а также WER 16% на 500 отложенных примерах Common Voice. Для уменьшения ошибок распознавания похожих по звучанию слов рекомендуется декодирование с языковой моделью, например KenLM через beam search. Лицензия — CC0-1.0.

Модель SpideyDLK/wav2vec2-large-xls-r-300m-sinhala-original-split-part4-epoch30-final — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, выдавая текстовую транскрипцию. В README приведены результаты оценки: loss 0,1837 и WER 0,1334; датасет и условия оценки не описаны, поэтому эти показатели нельзя напрямую переносить на другие данные. Репозиторий содержит веса в формате safetensors, размер модели — около 402,7 млн параметров. Лицензия — Apache-2.0.

elgeish/wav2vec2-large-xlsr-53-arabic — модель автоматического распознавания арабской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на датасетах Arabic Speech Corpus и Common Voice. Это плотная архитектура wav2vec2 с CTC-выходом и примерно 402,7 млн параметров; репозиторий содержит веса PyTorch и Flax. Модель принимает аудио с частотой дискретизации 16 кГц и предназначена для преобразования арабской речи в текст. Результаты модели представлены в транслитерации Buckwalter, где арабские буквы кодируются символами ASCII; для получения арабского письма требуется обратная транслитерация. В карточке указаны WER 23,39% на валидации Common Voice и тестовый результат 26,55%. Модель можно применять для расшифровки арабских записей и речи, однако точность зависит от данных и условий записи. Лицензия — Apache-2.0.

Модель ydshieh/wav2vec2-large-xlsr-53-chinese-zh-cn-gpt — дообученная на китайской речи версия facebook/wav2vec2-large-xlsr-53. Она распознаёт речь на китайском языке с выводом упрощёнными иероглифами; при обучении использованы наборы Common Voice zh-CN и zh-TW, причём тексты zh-TW преобразованы в упрощённое письмо. Модель основана на архитектуре Wav2Vec2 с CTC-декодером и содержит 424,3 млн параметров. Модель предназначена для автоматической транскрибации китайской речи. Для входного аудио требуется частота дискретизации 16 кГц; распознавание возможно без отдельной языковой модели. На тестовой выборке Common Voice zh-CN указана ошибка CER 20,90%. Веса доступны в формате PyTorch по лицензии Apache-2.0.

Модель vitouphy/wav2vec2-xls-r-300m-khmer — система автоматического распознавания речи на кхмерском языке. Это дообученная на данных OpenSLR версия facebook/wav2vec2-xls-r-300m, построенная на архитектуре Wav2Vec2ForCTC; в метаданных указано 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст, её можно использовать через pipeline библиотеки Transformers. Для декодирования с языковой моделью README описывает поддержку pyctcdecode. На тестовом разбиении OpenSLR автор сообщает WER 0,322 и CER 0,087 без языковой модели; с языковой моделью — WER 0,257 и CER 0,070. Обучающие данные составляют около 3,2 часа записей, поэтому покрытие словаря ограничено: редкие кхмерские символы распознаются хуже, а речь должна быть чёткой и разборчивой. Лицензия — Apache-2.0.

addy88/wav2vec-odia-stt — модель распознавания речи на базе архитектуры Wav2Vec2 с CTC-головой, содержащая 113,3 млн параметров. Она предназначена для преобразования аудиозаписей на языке одия в текст и может использоваться напрямую, без отдельной языковой модели. Модель подходит для автоматической транскрибации речи на одия, например записей и аудиосообщений. В карточке указана библиотека PyTorch и формат весов PyTorch. Лицензия и сведения о контекстном окне в предоставленных данных отсутствуют.

Whisper Kannada Medium — модель автоматического распознавания речи на основе Whisper Medium, дообученная на каннада-комплектах данных из нескольких общедоступных ASR-корпусов. Разработчик дообучил её в рамках спринта по адаптации Whisper; архитектура — WhisperForConditionalGeneration, размер — 455,8 млн параметров. Модель предназначена для преобразования речи на каннада в текст. В обучении использованы корпуса IISc-MILE, ULCA, Shrutilipi и обучающая и валидационная части Google Fleurs; для оценки указаны тестовая часть Google Fleurs, IISc-MILE Test и OpenSLR. Доступны веса PyTorch и Flax. Модель распространяется по лицензии Apache-2.0. Карточка не приводит численных результатов качества, поэтому пригодность для конкретного аудио следует проверять на соответствующих данных.

Whisper Large v3 Turbo TR — модель распознавания речи, разработанная Selim Çavaş и дообученная на базе openai/whisper-large-v3-turbo на турецкой части Common Voice 17.0. Она принимает аудио и преобразует турецкую речь в текст; подходит для расшифровки записей, голосовых команд и создания субтитров к видео на турецком языке. Модель построена на архитектуре WhisperForConditionalGeneration и содержит около 905,2 млн параметров. Для обучения использовали 25% доступных турецких данных Common Voice 17.0; на тестовой выборке указаны Loss 0,3123 и WER 18,9229. Распространяется по лицензии MIT.

chmanoj/xls-r-300m-te — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на наборе OPENSLR_SLR66 для языка телугу. Она принимает аудио и преобразует речь в текст; архитектура основана на Wav2Vec2 с декодированием CTC, число параметров — 402,7 млн. В оценке на тестовом наборе указана WER 0,3467. Модель предназначена для автоматической транскрипции речи на телугу. Опубликована под лицензией Apache-2.0. Указанный показатель WER относится к оценочному набору OPENSLR_SLR66; качество на других записях может отличаться.

HarrisDePerceptron/xls-r-300m-ur — модель распознавания речи на основе архитектуры wav2vec2 с классификатором CTC. Она дообучена на датасете Mozilla Common Voice 8.0 для языка урду и принимает аудио, выдавая текстовую расшифровку. В репозитории указаны 402,7 млн параметров; веса доступны в формате PyTorch. Модель подходит для расшифровки записей речи на урду, в том числе материалов, похожих на записи Common Voice. В оценке на тестовой выборке датасета указаны WER 0,515 и CER 0,237, поэтому точность может быть ограниченной, особенно на шумных записях, других речевых доменах и вариантах произношения. Модель выпущена под лицензией Apache-2.0.

bilalRHCH/Arabic-text-to-speech — дообученная на базе Qwen/Qwen3-0.6B модель OmniVoice для синтеза речи из текста. Она поддерживает арабский язык и относится к многоязычному семейству OmniVoice, которое заявляет поддержку более 600 языков. Модель принимает текст и генерирует речь; поддерживает zero-shot клонирование голоса по короткому аудиопримеру и настройку голоса по атрибутам, включая пол, возраст, высоту голоса и акцент. Также заявлены управление невербальными звуками и коррекция произношения с помощью фонем или pinyin. В README указана архитектура в стиле diffusion language model и скорость синтеза до 40 раз выше реального времени. Карточка описывает возможности семейства OmniVoice, поэтому точные характеристики реализации именно этой версии могут отличаться. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

SayedShaun/bangla-wav2vec2 — модель автоматического распознавания речи на основе Wav2Vec2 с CTC-головой. По карточке, веса и конфигурацию загрузил пользователь SayedShaun, но они были обучены не им: чекпойнт зеркалирует модель из датасета wv-shru-v3-s6, опубликованного пользователем Kaggle qdv206. Модель предназначена для преобразования речи на бенгальском языке в текст на письме бенгали. Она ожидает монофоническое аудио с частотой дискретизации 16 кГц и использует посимвольный CTC-словарь из 90 токенов, включающий символы бенгальского письма, цифры и базовую пунктуацию. Размер модели — около 402,7 млн параметров. Карточка описывает совместимость с Transformers через стандартные классы Wav2Vec2ForCTC и AutoModelForCTC. Лицензия в метаданных обозначена как unknown; при использовании автор просит указывать первоначального создателя и ссылаться на исходный датасет.

YUGOROU/Chatterbox-Multilingual-MLX-4bit — многоязычная модель синтеза речи, подготовленная для запуска в формате MLX на устройствах Apple Silicon. Она основана на ResembleAI/chatterbox и использует 4-битную квантизацию; для обработки текста применяется многоязычный токенизатор на 2454 токена. Модель преобразует текст в речь на 23 языках, включая русский, английский, японский и китайский. Модель предназначена для локального синтеза речи на совместимых устройствах Apple, например для озвучивания текста и создания аудиоконтента на поддерживаемых языках. Базовая модель также поддерживает клонирование голоса по аудиообразцу, однако карточка этой версии не подтверждает такую возможность для данного чекпойнта. Лицензия в предоставленных сведениях не указана.

DeepSeek-VL-1.3b-chat — компактная модель для совместной обработки изображений и текста, разработанная командой DeepSeek. Это версия с инструкционной настройкой семейства DeepSeek-VL: визуальный энкодер SigLIP-L принимает изображения размером 384 × 384, а языковая часть основана на DeepSeek-LLM-1.3B. Базовая модель DeepSeek-VL обучалась на данных для зрения и языка; чат-версия предназначена для диалога по визуальному содержимому. Модель подходит для описания изображений и ответов на вопросы о них, а также для анализа логических схем, веб-страниц, формул и научных материалов. Она ориентирована на прикладные сценарии понимания визуальной информации, включая сложные сцены и задачи embodied intelligence. Архитектура — плотная мультимодальная причинная языковая модель; формат весов в репозитории — safetensors. Вход включает изображения и текст, выход — текст. В README не заявлен конкретный набор поддерживаемых естественных языков. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией и сопутствующими материалами репозитория перед внедрением.

F5-Hindi-24KHz — модель синтеза речи на хинди, разработанная SPRING Lab при Индийском технологическом институте в Мадрасе. Она обучена с нуля на архитектуре F5 и предназначена для преобразования текста в речь с частотой дискретизации 24 кГц. Модель рассчитана прежде всего на исследовательское использование. Для обучения использовались наборы данных IndicTTS-Hindi и IndicVoices-R_Hindi. Репозиторий содержит веса PyTorch и Safetensors; лицензия — CC-BY-4.0.

Модель YonaKhine/finetuned-w2v2-bert-burmese-asr — дообученная на датасете OpenSLR-80 для распознавания речи на бирманском языке. Она принимает аудио и выдаёт текстовую транскрипцию; модель построена на архитектуре Wav2Vec2BertForCTC и содержит 402,7 млн параметров. Базовая модель — facebook/w2v-bert-2.0, используется библиотека Transformers. В карточке приведены значения на тестовом наборе: loss 0,3886 и WER 0,4256. Пример транскрипции показывает, что возможны ошибки в словах и различиях гласных. Модель распространяется по лицензии MIT.

onnx-community/Florence-2-base — это версия модели Florence-2-base с весами в формате ONNX, подготовленная сообществом onnx-community для совместимости с библиотекой Transformers.js. Базовая модель разработана Microsoft. Модель предназначена для задач vision-language, включая генерацию подписей к изображениям и преобразование визуальной информации в текст; в примере показано создание подробного описания изображения по текстовой инструкции. Модель принимает изображение и текстовый промпт, поддерживает условную генерацию и может работать в JavaScript-среде через Transformers.js, в том числе в браузерных сценариях с WebGPU. В README не указаны размер модели, архитектурные детали, перечень поддерживаемых языков, максимальная длина контекста и набор всех доступных задач. К сильным сторонам относятся ONNX-формат и интеграция с веб-инструментами; ограничения и требования к производительности зависят от окружения выполнения и выбранного типа данных. Лицензия — MIT.

Модель h-gajdov/full_moonshine_tiny_all_data_wup5_ep12_lr5e-5_new_transcripts — дообученная модель Moonshine Tiny от UsefulSensors для распознавания македонской речи и преобразования её в текст. Это компактная encoder-decoder-модель с 27,1 млн параметров, принимающая необработанный аудиосигнал; в отличие от Whisper с фиксированным окном log-mel, её вычислительная стоимость зависит от длительности аудио, что подходит для локального распознавания на устройствах. В метаданных указан контекст 194 токена; при генерации README рекомендует ограничивать max_length значением 192. Модель обучена на смеси македонских речевых наборов, в основном на исправленных и заново транскрибированных данных Vezilka-ASRI. На тестовом наборе из 44 роликов README сообщает WER 11,91% и CER 4,85%; автор отмечает, что результат уступает Whisper Large v3 Turbo, но сравнение идёт с существенно более крупной моделью. Доступна лицензия в предоставленных данных не указана.

Gliese-Qwen3.5-27B-Abliterated-Caption — мультимодальная модель prithivMLmods на 27 млрд параметров, созданная дообучением Qwen3.5-27B и предназначенная прежде всего для подробного описания изображений. Она принимает изображения и текстовые инструкции, а в ответ генерирует развернутые текстовые подписи с описанием объектов, людей, сцен и окружения; также поддерживает диалоговый режим и визуальное понимание. Модель рассчитана на автоматическую разметку изображений, создание наборов подписей для обучения и исследования в области vision-language. В карточке указаны анализ направлений отказа и их ослабление, поэтому модель может отвечать на запросы, от которых базовая модель отказалась бы, включая генерацию откровенных или спорных описаний. Репозиторий использует архитектуру Qwen3.5 для условной генерации и формат safetensors; базовая модель содержит 27 млрд параметров. Для использования указана лицензия Apache-2.0.

Akashpb13/Hausa_xlsr — это модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m для хауса. Она использует архитектуру wav2vec2 и весит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; в метаданных указана поддержка языка хауса. Модель предназначена для транскрибации записей на хауса, включая голосовые сообщения и материалы, похожие на записи Common Voice. В README приведены результаты оценки: WER 0,329955 и loss 0,275118; оценочный набор сформирован из частей данных Common Voice 7.0, а метаданные также связывают модель с Common Voice 8.0. Лицензия — Apache-2.0. В README отмечено, что сведений о предполагаемом использовании и ограничениях требуется больше.

IndicF5 — полиглотная модель синтеза речи от AI4Bharat, обученная на 1417 часах аудио из Rasa, IndicTTS, LIMMITS и IndicVoices-R. Она преобразует текст в речь на 11 индийских языках: ассамском, бенгальском, гуджарати, хинди, каннада, малаялам, маратхи, одиа, пенджаби, тамильском и телугу. Для генерации нужны текст, эталонный аудиофрагмент и его расшифровка; эталон задаёт характеристики голоса и просодию. Модель предназначена для синтеза речи с управлением голосом по примеру, например для озвучивания текстов и создания голосовых интерфейсов на поддерживаемых языках. Авторы характеризуют качество как близкое к человеческому. Лицензия — MIT. Использовать клонирование голоса разрешено только при наличии явного согласия владельца; несанкционированное клонирование запрещено.

Salesforce разработала InstructBLIP с языковой моделью Flan-T5-xl. Это модель компьютерного зрения и языка, представляющая собой вариант BLIP-2, дообученный следовать инструкциям о визуальном содержимом. Она принимает изображение и текстовый запрос и формирует текстовый ответ, например описание или ответ на вопрос об изображении. Модель предназначена для задач image-text-to-text; в карточке указана поддержка английского языка. Модель выпущена в рамках исследовательской работы InstructBLIP: Towards General-purpose Vision-Language Models with Instruction Tuning. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии MIT. Авторы не оценивали модель для всех сценариев применения; перед использованием следует проверять точность и учитывать риски ошибок, безопасности и предвзятости.

Это модель автоматического распознавания японской речи reazon-research/japanese-zipformer-base-k2-rs35kh, разработанная Reazon Research. Она основана на архитектуре Zipformer и дообучена с помощью k2 на крупномасштабном японском корпусе ReazonSpeech v2.0. Модель содержит около 96,5 млн параметров и доступна в формате Safetensors для использования через Transformers. Модель предназначена для преобразования японской речи в текст, включая распознавание записей из наборов JSUT-BASIC5000, Common Voice и TEDxJP-10K. В опубликованных результатах CER составил 9,71% на JSUT-BASIC5000, 11,00% на Common Voice и 13,07% на TEDxJP-10K. Для длинной речи в тесте JSUT-BOOK результат не приведён, поэтому пригодность для длинных записей по этим данным оценить нельзя. Лицензия — Apache-2.0.

Llama 4 Maverick Instruct — мультимодальная модель Meta для диалогов и задач понимания изображений. Это авторегрессионная модель с архитектурой смеси экспертов (MoE) и ранним объединением модальностей; в варианте Maverick используются 17 млрд параметров и 128 экспертов. Модель предназначена для чат-ассистентов и визуальных задач: распознавания и анализа изображений, составления описаний и ответов на вопросы по изображению. Она поддерживает арабский, немецкий, английский, испанский, французский, хинди, индонезийский, итальянский, португальский, тайский, тагальский и вьетнамский языки. Проверено понимание до пяти входных изображений; для большего числа изображений требуется дополнительная проверка в конкретном приложении. Модель разработала Meta. Репозиторий содержит дообученную версию базовой Llama 4 Maverick, распространяемую в формате Safetensors. Использование регулируется пользовательской коммерческой лицензией Llama 4 Community License и Acceptable Use Policy.