I.15Доступность и ассистивные технологии

VinayHajare/speecht5_tts-finetuned-voxpopuli-en — дообученная модель синтеза речи на базе SpeechT5 от Microsoft. Она преобразует текст в речь и обучена на данных VoxPopuli; на оценочном наборе указано значение loss 0,4689. Архитектура — SpeechT5ForTextToSpeech, веса доступны в форматах PyTorch и Safetensors. Лицензия и поддерживаемые языки в предоставленных данных не указаны.

Модель vineetsharma/speecht5_tts-finetuned-voxpopuli-sk-v1 — дообученная версия SpeechT5 от Microsoft для синтеза речи по тексту. Она обучена на датасете facebook/voxpopuli и предназначена для преобразования текста в речь; в карточке приведено значение loss 0,4741 на оценочной выборке. Модель построена на архитектуре SpeechT5ForTextToSpeech и опубликована в форматах PyTorch и Safetensors. Лицензия — MIT.

sapinsapin/speecht5_tts-pld-eng — модель синтеза речи из текста, созданная дообучением SpeechT5 от Microsoft на наборе данных sapinsapin/pld. Она предназначена для преобразования текста в речь; для синтеза использует speaker conditioning с x-вектором SpeechBrain и вокодер microsoft/speecht5_hifigan. Обучение проводилось на 1597 аудиофрагментах в течение 1000 шагов, а в README приведено значение eval_loss 0,4118. Модель построена на архитектуре SpeechT5 и распространяется в формате safetensors через библиотеку Transformers. Данные и теги указывают на связь с филиппинскими языками и английским, однако README не уточняет языки и голосовые характеристики обучающих записей. Лицензия — MIT. Оценка на небольшом наборе и короткое обучение ограничивают выводы о качестве и устойчивости синтеза.

ctaguchi/ssc-led-mms-model — дообученная модель распознавания речи на базе facebook/mms-1b-all, разработанная автором репозитория ctaguchi. Она принимает аудио и преобразует речь в текст с помощью архитектуры wav2vec2 и CTC. Базовая модель поддерживает более тысячи языков, однако для этой версии язык и обучающий датасет не указаны. В README приведены результаты на оценочном наборе: CER 0,1094, WER 0,3057 и loss 0,4620. Эти показатели относятся к указанному набору и не позволяют оценить качество на других данных. Модель опубликована в формате safetensors и рассчитана на использование с Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

ssc-top-mms-model-mix-adapt-max — дообученная модель распознавания речи на основе facebook/mms-1b-all. Она использует архитектуру wav2vec2 с CTC-декодированием и принимает аудио, преобразуя речь в текст. В карточке приведены результаты оценки: loss 0,7289, CER 0,1445 и WER 0,5792; набор данных и условия оценки не описаны. Базовая MMS поддерживает более тысячи языков, однако языки и сценарии, на которых проверялась эта дообученная версия, не уточнены. Модель содержит 1,3 млрд параметров, работает через Transformers и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Это русскоязычная модель синтеза речи на архитектуре VITS2, разработанной Jungil Kong, Jihoon Park, Beomjeong Kim, Jeongmin Kim, Dohee Kong и Sangjin Kim и опубликованной LangSwap.app. Модель обучена на наборе Natasha и преобразует русский текст в речь; для работы предназначена вместе с реализацией VITS2 PyTorch. Репозиторий также содержит формат ONNX. VITS2 — одноэтапная система синтеза речи с состязательным обучением; в описании архитектуры упомянуты текстовый энкодер с условием на диктора, энкодер мел-спектрограмм и блоки Transformer в нормализующем потоке. Модель подходит для голосовых помощников, аудиокниг и озвучивания видео и анимации. Указанная лицензия — MIT.

Это модель автоматического распознавания речи на турецком языке, созданная дообучением ylacombe/w2v-bert-2.0 на наборе данных Common Voice 16.0. Она использует архитектуру Wav2Vec2-BERT с CTC-выходом и принимает аудио, преобразуя его в текст. В оценке на тестовой выборке указаны loss 0,1441 и WER 0,1373. Модель подходит для транскрибирования турецкой речи, например записей и аудиофрагментов. Размер — около 402,7 млн параметров; веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Wav2Vec2-Base-VoxPopuli-Finetuned — модель Facebook AI для автоматического распознавания французской речи. Она основана на Wav2Vec2 Base, предварительно обученной на 10 тысячах часов неразмеченной речи из VoxPopuli, а затем дообученной на транскрибированных французских данных из этого корпуса. Архитектура — Wav2Vec2ForCTC, размер — 113,3 млн параметров; модель принимает аудио и выдаёт текстовую транскрипцию. Модель предназначена для преобразования французских аудиозаписей в текст, например для расшифровки речи в голосовых данных. Репозиторий содержит веса PyTorch. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Kkonjeong/wav2vec2-base-korean — модель распознавания корейской речи, разработанная Чонхёном Парком и Джеёном Кимом. Это дообученная версия facebook/wav2vec2-base с архитектурой Wav2Vec2ForCTC, содержащая 113,3 млн параметров. Модель обучена на Zeroth-Korean и преобразует аудиозаписи корейской речи в текст, используя для распознавания корейские джамо.

NTQAI разработала эту модель распознавания японской речи на основе facebook/wav2vec2-large-xlsr-53, дообучив её на Common Voice, JSUT, TEDxJP и других открытых данных. Это трансформер Wav2Vec2 с архитектурой Wav2Vec2ForCTC и примерно 404,9 млн параметров; модель принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст на японском языке. Модель предназначена для автоматической транскрибации японской речи. В приведённой оценке на тестовой части Common Voice указаны WER 73,10% и CER 18,15%, поэтому результаты могут требовать проверки и исправления, особенно в сценариях, где важна высокая точность. В README не указана лицензия.

arampacha/wav2vec2-large-xlsr-czech — дообученная модель распознавания чешской речи, созданная на основе facebook/wav2vec2-large-xlsr-53 и обученная на данных Common Voice. Она принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; модель основана на архитектуре Wav2Vec2 с CTC-выходом и содержит около 402,7 млн параметров. Модель предназначена для автоматической транскрибации чешской речи, в том числе записей, похожих на тестовые данные Common Voice. В README приведён результат тестирования 24,56, но единица измерения не уточнена. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0.

Wav2Vec2-Large-XLSR-53-Turkish — модель распознавания турецкой речи, созданная на основе facebook/wav2vec2-large-xlsr-53 и дообученная на Common Voice. Она использует архитектуру Wav2Vec2ForCTC и предназначена для преобразования аудиозаписей в текст; входную речь следует подавать с частотой дискретизации 16 кГц. Модель содержит 402,7 млн параметров. На тестовой выборке Common Voice для турецкого языка указана доля ошибок слов WER 27,51%. Доступны веса в форматах PyTorch и Flax. Модель распространяется по лицензии Apache-2.0.

Nhut/wav2vec2-large-xlsr-vietnamese — модель автоматического распознавания речи, дообученная на основе facebook/wav2vec2-large-xlsr-53 для вьетнамского языка. Принимает аудио и выдаёт распознанный текст; для работы входную речь следует подавать с частотой дискретизации 16 кГц. Модель основана на архитектуре Wav2Vec2ForCTC и содержит 402,8 млн параметров. Для дообучения использовались Common Voice, FOSD и VIVOS. В карточке приведён результат 49,59% на тестовых данных Common Voice для вьетнамского языка; метрика не уточнена, поэтому результат следует интерпретировать с осторожностью. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0.

AndrewMcDowell/wav2vec2-xls-r-300m-arabic — дообученная модель распознавания арабской речи, созданная на основе facebook/wav2vec2-xls-r-300m и обученная на арабской части набора Mozilla Common Voice 7.0. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, выдавая распознанный текст на арабском языке. В оценке на тестовом наборе указаны значение потерь 0,4502 и WER 0,4783. Модель подходит для преобразования арабской речи в текст. Опубликована в формате PyTorch под лицензией Apache-2.0.

Модель anuragshas/wav2vec2-xls-r-300m-bn-cv9-with-lm — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на бенгальском языке. Она основана на архитектуре Wav2Vec2ForCTC и обучена на бенгальской части набора Mozilla Common Voice 9.0. Репозиторий содержит веса PyTorch; общее число параметров — около 402,7 млн. Модель предназначена для преобразования бенгальской речи в текст, например, для расшифровки записей и голосового ввода. В README приведены результаты оценки на тестовом наборе: WER 0,285 и CER 0,066. Модель распространяется по лицензии Apache-2.0; качество на других наборах данных и в реальных условиях может отличаться.

shahukareem/wav2vec2-xls-r-300m-dv — модель распознавания речи на архитектуре Wav2Vec2ForCTC, разработанная на основе facebook/wav2vec2-xls-r-300m и дообученная на Common Voice. Она принимает аудио и преобразует речь в текст; на указанном в карточке наборе оценки достигла WER 0,2451 и loss 0,2206. Модель содержит около 402,7 млн параметров и опубликована в формате PyTorch. Модель предназначена для автоматического распознавания речи. В карточке не приведены сведения о поддерживаемых языках, контексте применения или специальных сценариях. Распространяется по лицензии Apache-2.0; качество распознавания за пределами указанной оценки не описано.

mesolitica/wav2vec2-xls-r-300m-mixed — модель распознавания речи, созданная Mesolitica на основе архитектуры wav2vec2 и дообученная для малайского языка, синглиша и китайского мандаринского. Она предназначена для преобразования речи в текст; карточка приводит отдельные наборы оценки для каждого из трёх языков и смешанную оценку. Модель содержит около 402,7 млн параметров и доступна в форматах PyTorch и TensorFlow. Она принимает аудио и выдаёт текстовую транскрипцию. В README описано обучение на одной видеокарте RTX 3090 Ti с 24 ГБ видеопамяти. Лицензия в предоставленных данных не указана.

NbAiLab разработала эту модель как дообученную версию facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на данных NBAILAB/NPSC — 16K_MP3. Модель построена на архитектуре Wav2Vec2 и использует CTC для преобразования аудио в текст. В метаданных указано 402,7 млн параметров; доступны веса PyTorch. Модель предназначена для транскрибации речи в аудио. На оценочном наборе указаны Loss 0,1692 и WER 0,1663. Репозиторий распространяется по лицензии Apache-2.0. В карточке нет подробных сведений об условиях записи, поддерживаемых языках и ограничениях точности.

mlx-community/whisper-base.en-asr-fp16 — англоязычная модель распознавания речи семейства Whisper, преобразованная сообществом mlx-community в формат MLX из openai/whisper-base.en с помощью mlx-audio версии 0.2.10. Она принимает аудио и преобразует речь в текст; предназначена для транскрибации английской речи в приложениях, использующих MLX и mlx-audio. Модель содержит 51,7 млн параметров, а файлы репозитория представлены в формате safetensors. Лицензия — Apache-2.0. Карточка отсылает к описанию исходной модели за дополнительными сведениями. Данные подтверждают английскую специализацию и задачу распознавания речи, но не сообщают длину контекста или ограничения качества.

amedcj/whisper-kurmanji — модель автоматического распознавания речи на основе архитектуры Whisper, дообученная для курманджи, северного диалекта курдского языка. Разработчик обучал её на данных Common Voice Kurmanji. Модель принимает аудио и преобразует речь в текст; её также можно дообучать для других диалектов. Модель содержит 153,1 млн параметров, использует библиотеку Transformers и распространяется в формате safetensors. Она предназначена для расшифровки аудио на курманджи. Репозиторий указан под лицензией Apache-2.0. Данных о длине контекста и конкретных ограничениях распознавания в карточке нет.

arbml/whisper-largev2-ar — дообученная модель распознавания речи на архитектуре Whisper large-v2, разработанная на основе openai/whisper-large-v2. Модель предназначена для преобразования аудио в текст; в карточке указана оценка WER 17,7875 на наборе оценки. Веса содержат около 905,2 млн параметров и опубликованы в формате PyTorch. Модель обучалась на наборе arbml/mgb2. В README не уточняются поддерживаемые диалекты, условия записи и сценарии применения, поэтому качество для конкретных типов аудио по имеющимся данным оценить нельзя. Указана лицензия Apache-2.0.

mikr/whisper-large-v3-czech-cv13 — дообученная модель семейства Whisper, основанная на openai/whisper-large-v3. Она предназначена для автоматического распознавания речи и преобразования аудио в текст; в README указана оценка на тестовой выборке: WER 0,0789 и loss 0,1283. Модель содержит 905,2 млн параметров и распространяется в формате Safetensors. Базовая Whisper large-v3 — мультиязычная модель OpenAI для транскрибации речи и перевода аудио в текст. Название указывает на ориентацию этой версии на чешскую речь, однако README не описывает обучающий набор данных, языковой охват или дополнительные сценарии применения. Лицензия — Apache-2.0.

yuriyvnv/whisper-large-v3-high-mixed-nl — модель распознавания нидерландской речи, созданная разработчиком yuriyvnv дообучением openai/whisper-large-v3. Она построена на архитектуре Whisper и содержит 905,2 млн параметров; принимает аудио и преобразует речь в текст. Модель обучена на нидерландских записях Common Voice 17.0 и синтетической речи, отфильтрованной по качеству с помощью WAVe. Карточка приводит WER 4,43% на тесте Common Voice и 20,29% на бенчмарке MLS. Модель предназначена для транскрибации чистой нидерландской речи общего назначения. Она может быть полезна для подготовки текстовых расшифровок аудиозаписей и сравнения качества ASR-систем. По карточке, обучающие данные преимущественно включали чистую речь; качество на технической лексике, шумных записях и региональных вариантах нидерландского может быть ниже. Модель распространяется по лицензии Apache-2.0.

Модель andrewbawitlung/whisper-large-v3-turbo-mizonal3-E5-lus-v2026.06 — экспериментальная дообученная версия Whisper large-v3-turbo на наборе данных MiZonal v3.0. Конфигурация E5 объединяет аугментации фонового шума, изменения скорости речи и SpecAugment с маскированием по времени и частоте. Модель предназначена для автоматического распознавания речи; заявлены WER 13,8215, CER 2,6263 и коэффициент реального времени 0,0540 на оценочном наборе. Модель содержит 905,2 млн параметров, принимает аудио и выдаёт текст. Базовая Whisper large-v3-turbo — мультиязычная модель для распознавания речи и перевода аудио в текст; карточка этой производной описывает оценку распознавания на MiZonal, но не уточняет язык аудио. Опубликованные сведения о результатах помечены как предварительные: подробности рецензирования и публикации ожидаются. Лицензия — Apache-2.0.

Это дообученная модель OpenAI Whisper Medium на базе архитектуры encoder-decoder Transformer с 455,8 млн параметров. Её разработали для распознавания разговорной речи на хинди и хинглише — речи со смешением хинди и английского — с помощью Transformers и PyTorch. Модель принимает аудио и выдаёт текстовую расшифровку. В описанной оценке на 373 примерах WER составил 0,0456, а CER — 0,0262; результаты приведены отдельно для хинди и хинглиша. Модель распространяется по лицензии Apache-2.0. Обучение проводилось преимущественно на синтетической речи. На шумных записях, при незнакомых акцентах и манере речи качество может снижаться; модель не оценивалась для потокового распознавания.

Это дообученная модель распознавания речи на базе OpenAI Whisper Medium, опубликованная пользователем dianavdavidson. Она предназначена для преобразования аудио в текст; название репозитория указывает на настройку для хинди и набора данных Vaani, однако README называет обучающий набор «None», поэтому эту специализацию нельзя подтвердить однозначно. Модель использует архитектуру WhisperForConditionalGeneration и формат safetensors. В README приведены результаты оценки: loss 0,4726 и Global WER 26,8624. Базовая модель содержит 455,8 млн параметров и поддерживает распознавание речи и перевод речи; лицензия этой модели — Apache-2.0.

Модель dianavdavidson/whisper-medium_vaani_62419_ratio_alldata_lr_1e-4_lgid_None_epochs_100_FT — дообученная версия мультиязычной модели Whisper medium от OpenAI для распознавания речи и преобразования её в текст. Она содержит 455,8 млн параметров, построена на архитектуре WhisperForConditionalGeneration и рассчитана на аудиовход; для загрузки весов используется формат safetensors и библиотека Transformers. В README приведены результаты оценки: loss 0,6258 и Global WER 13,6881, однако датасет и условия оценки не описаны, поэтому эти показатели не позволяют судить о качестве на конкретных языках и сценариях. Модель распространяется по лицензии Apache-2.0. README не уточняет специализацию дообучения, поддерживаемые языки этой версии или практические ограничения, поэтому её пригодность для конкретной предметной области следует оценивать на собственных аудиоданных.

Hhsjsnns/whisper-small-hinglish — дообученная версия Whisper Small от OpenAI для автоматического распознавания речи. Модель содержит 153,1 млн параметров, использует архитектуру WhisperForConditionalGeneration и принимает аудио, выдавая текстовую транскрипцию. В метаданных указана поддержка хинди и английского языков; модель дообучена на Common Voice 13.0. Модель подходит для транскрибирования речи на хинди и английском, в том числе смешанной хинглиш-речи. Опубликована в формате safetensors для Transformers и распространяется по лицензии Apache-2.0. README не содержит подробностей об оценке качества и специфических ограничениях модели.

Shirali/whisper-small-ISSAI_KSC_335RS_v2 — аудиомодель семейства Whisper с архитектурой WhisperForConditionalGeneration и 153,1 млн параметров. Репозиторий содержит веса PyTorch; модель предназначена для автоматического распознавания речи. В README указано, что модель обучена с нуля, но набор данных обозначен как None, а сведения о назначении, обучающих данных и оценке не приведены. Языки распознавания и качество для конкретных условий записи установить по доступным данным нельзя. Лицензия не указана.

safecantonese/whisper-small-yue-full — модель распознавания речи семейства Whisper, дообученная для преобразования аудио в текст. Она подходит для сценариев автоматической транскрипции; в оценке указаны Loss 0,0362 и CER 6,1457. Модель содержит 153,1 млн параметров и распространяется в формате safetensors. README не сообщает подробностей о языках, данных обучения и условиях использования, поэтому их нельзя уточнить по доступным сведениям.