I.15Доступность и ассистивные технологии

itsskofficial/livewhisper-hi-vaani — преобразованная в формат CTranslate2 модель для распознавания речи на хинди и транскрибирования её текстом письмом деванагари. Репозиторий подготовлен для использования с faster-whisper в приложении LiveWhisper для голосового ввода в Windows; в README указаны веса float16 и размер около 3 ГБ. Модель основана на ARTPARK-IISc/whisper-large-v3-vaani-hindi, а автор репозитория сообщает о результатах на FLEURS: WER 10,3% и CER 3,0%, а также точности написания переключений кодов в хинди 96%. Лицензия — Apache-2.0. README уточняет, что репозиторий меняет формат файлов и добавляет необходимые конфигурации faster-whisper; метаданные классифицируют связь с базовой моделью как дообучение.

Карточка модели nimo1234/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Ming-omni-tts-0.5B — модель синтеза речи и аудио от InclusionAI. Она принимает текст и инструкции на естественном языке и генерирует речь с управляемыми темпом, высотой, громкостью, эмоцией и диалектом. Также модель поддерживает подбор голоса по описанию, более 100 встроенных голосов и генерацию речи, фоновых звуков и музыки в одном аудиоканале. Модель использует плотную архитектуру BailingMMNativeForConditionalGeneration, непрерывный аудиотокенизатор с частотой 12,5 Гц и стратегию Patch-by-Patch; размер в названии модели — 0,5 млрд параметров. В README описаны возможности для китайской речи, включая управление кантонским диалектом, а также нормализация математических выражений и химических формул. Модель распространяется по лицензии Apache-2.0. Заявленные в карточке оценки относятся к указанным разработчиком бенчмаркам и не гарантируют аналогичного качества на произвольных данных. README приводит пример запуска через репозиторий проекта, но не описывает подробно требования к оборудованию или полный интерфейс управления генерацией.

Модель csikasote/mms-1b-all-bemgen-combined-train-droctc-gdro-3e-2-dat-5e-1-no-sd-0.00-42 — дообученная csikasote версия facebook/mms-1b-all для автоматического распознавания речи. Это плотная модель архитектуры wav2vec2 с головой CTC, содержащая 1,3 млрд параметров и принимающая аудио для преобразования речи в текст. Она дообучена на наборе BEMGEN — BEM; в карточке приведены результаты оценки: loss 12,2996 и CER 0,0527. Модель подходит для распознавания речи в аудиозаписях на языках, поддерживаемых базовой MMS-моделью; карточка не уточняет, какие именно языки и условия записи проверялись при дообучении. Метаданные указывают библиотеку Transformers и формат safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

BuzzASR/mongolian — одноязычная модель автоматического распознавания монгольской речи, разработанная в рамках набора BuzzASR и дообученная методом полного fine-tuning от openai/whisper-large-v3. Архитектура основана на Whisper large-v3 и содержит около 901,7 млн параметров; в обучении использованы замена токенизатора для монгольского языка и текстовое multitask-дообучение. Модель преобразует монгольскую речь в текст. Она оценивалась на тестовых наборах FLEURS и Common Voice 25; README сообщает о снижении CER относительно Whisper large-v3 в режиме zero-shot. Лицензия — MIT. Модель предназначена только для монгольского языка. Качество на других доменах, диалектах и условиях записи может отличаться от результатов на тестовых наборах.

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

MSP-AVSR — мультимодальная модель распознавания речи из семейства Multimodal Speech Perception (MSP). Она объединяет аудиопредставления Wav2Vec2 из MSP-ASR и визуальные представления AV-HuBERT из MSP-VSR с помощью двунаправленного перекрёстного внимания и предсказывает английскую расшифровку через CTC. Модель принимает синхронизированные монофоническое аудио с частотой 16 кГц и видео говорящего; при оценке также поддерживается обработка только аудио или только видео через соответствующую предварительно обученную ветвь. Архитектура использует отдельные аудио- и видеоэнкодеры, проекции в общее пространство размерности 768 и двунаправленное перекрёстное внимание с 12 головами и масками заполнения. Видеопредставления приводятся к частоте аудиокадров, после чего объединённые признаки обрабатываются полносвязным блоком и общей CTC-головой. В опубликованных оценках WER на чистом тесте LRS2 составил 3,93%; результаты на шумных данных и AVCocktail заметно хуже и зависят от сегментации и декодирования. Модель предназначена для распознавания речи с использованием аудио и видео говорящего, в том числе при акустических помехах. Для декодирования с поиском по 3-граммной языковой модели README указывает отдельный процессор MSP-Processor-With-LM и зависимости pyctcdecode и kenlm. Данные карточки указывают базовые модели MSP-ASR и MSP-VSR и лицензию Apache-2.0.

NbAiLab/nb-wav2vec2-1b-bokmaal-v2 — модель автоматического распознавания речи, опубликованная лабораторией искусственного интеллекта Национальной библиотеки Норвегии (NbAiLab). Она преобразует норвежскую речь на букмоле в текст и предназначена для транскрибирования аудиозаписей. Модель использует архитектуру Wav2Vec2 с классификатором CTC и содержит 1,3 млрд параметров; карточка указывает применение через Transformers и лицензию Apache-2.0. Родственная модель NbAiLab с названием без суффикса v2 дообучена на основе XLS-R и оценивалась на норвежском корпусе парламентской речи; найденные материалы не позволяют уверенно переносить эти результаты на версию v2. Распознавание оптимизировано для букмола, поэтому качество на других языках и вариантах норвежского не подтверждено.

Модель texdata/nemotron-3.5-asr-streaming-slovenian разработана MediaAtlas на основе NVIDIA Nemotron-3.5 ASR Streaming 0.6B. Это потоковая модель распознавания речи на архитектуре FastConformer-CacheAware RNNT; базовая модель насчитывает 638 млн параметров. Она предназначена для низколатентной транскрибации словенской речи, включая чтение и спонтанную разговорную речь. Модель можно запускать на GPU через NeMo или на CPU через parakeet.cpp, используя поставляемые контрольную точку NeMo и файл GGUF с квантизацией q8_0. В README приведены результаты на отложенных тестовых наборах: WER 25,07% для Common Voice, 23,42% для многодоменного ARTUR и 21,66% для парламентской спонтанной речи ARTUR. Авторы отмечают компромисс: модель рассчитана на потоковую работу и спонтанную речь, тогда как сравниваемая непотоковая модель точнее на чистой прочитанной речи. Лицензия — CC BY-SA 4.0.

Nemotron-3-Nano-Omni-30B-Abliterated-MM-bf16 — мультимодальная модель Matt Macosko на базе NVIDIA Nemotron-3-Nano-Omni-30B, подготовленная для запуска на Apple Silicon через MLX. Это сборка с directional ablation: автор удалил направление отказа из языковой части, оставив визуальную и аудиочасти без изменений. В README заявлены полноточные веса объёмом около 62 ГБ; тензоры совпадают с базовой моделью по именам и включают языковые, визуальные, звуковые и проекционные компоненты. Модель принимает текст и изображения и работает с аудио: она описывает изображения и транскрибирует речь. Основной сценарий по метаданным — image-text-to-text; для запуска README рекомендует mlx-vlm версии 0.6.12 или новее с поддержкой Omni. Базовая модель — mlx-community/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-bf16. Автор сообщает о проверке удаления отказов на тестовом наборе из шести примеров. Это не доказывает надёжность поведения на более широком наборе запросов. README прямо предупреждает, что защитное выравнивание удалено. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

Nemotron-ASR-Streaming — англоязычная модель автоматического распознавания речи, разработанная NVIDIA. Она преобразует аудиосигнал в текст и предназначена для потоковой транскрибации с низкой задержкой, а также для высокопроизводительной пакетной обработки аудио. Модель содержит около 600 миллионов параметров и использует архитектуру Cache-Aware FastConformer-RNNT. Кэширование контекста позволяет обрабатывать только новые фрагменты аудио без повторных вычислений для перекрывающихся участков. Поддерживаются настраиваемые размеры потоковых фрагментов 80, 160, 560 и 1120 мс, а также пунктуация и капитализация. Модель распознаёт английскую речь и формирует текст с использованием английских букв, пробелов и апострофов. Она обучалась преимущественно на американской английской речи объёмом около 250 000 часов. Сильными сторонами модели являются потоковая обработка, низкая задержка, вычислительная эффективность и заявленная устойчивость к разнообразным акустическим условиям. В README приведены значения WER на нескольких наборах данных: от 2,32% на LibriSpeech test-clean до 12,52% на Earnings22 при размере фрейма 1,12 секунды. Ограничение модели — поддержка только английского языка; характеристики для других языков не заявлены. Модель распространяется по лицензии NVIDIA Open Model License.

Карточка модели JSCreatorPro/offline-tts-zonos-v01 на Hugging Face совпадает с карточкой Zyphra/Zonos-v0.1-transformer, поэтому описание составлено по ней. Zonos-v0.1-transformer — открытая модель преобразования текста в речь от Zyphra, построенная на трансформерной архитектуре. Она нормализует и фонетически разбирает текст с помощью eSpeak, затем предсказывает токены DAC и генерирует речь с частотой 44 кГц. Модель обучена на более чем 200 тысячах часов разноязычной речи и поддерживает английский, японский, китайский, французский и немецкий языки. Модель предназначена для естественного синтеза речи, клонирования голоса по короткому аудиореференсу и управления характеристиками звучания, включая темп, высоту тона, эмоции и качество аудио. Для задания голоса можно передать вектор говорящего или аудиофрагмент; текст и аудиопр prefix позволяют точнее воспроизводить особенности речи, например шёпот. Заявленная скорость работы составляет около двукратного реального времени на RTX 4090. Для запуска README указывает Linux и современный GPU NVIDIA серии 3000 или новее с объёмом видеопамяти от 6 ГБ; требуется библиотека eSpeak. Модель распространяется по лицензии Apache-2.0.

Reza2kn/openai_whisper-large-v3-NVFP4 — это посттренировочно квантованная версия модели автоматического распознавания речи openai/whisper-large-v3, разработанная пользователем Reza2kn на базе модели OpenAI. Модель предназначена для преобразования аудиозаписей в текст, прежде всего для распознавания персидской речи. В карточке указаны библиотека Transformers, архитектура Whisper и поддержка сценариев automatic speech recognition. Модель использует формат nvfp4-pack-quantized из compressed-tensors: 4-битные FP4-веса, блочные FP8-масштабы и динамически квантизируемые активации FP4. Квантизированы все Linear-модули encoder и decoder, тогда как lm_head/proj_out сохранены в полной точности. Целевое оборудование — tensor cores NVIDIA Blackwell (sm_100+); веса разворачиваются в bfloat16 во время работы. Калибровка выполнена на 32 персидских аудиоклипах из Reza2kn/persian-asr-eval-v0. На 200 клипах FLEURS-fa модель показала WER 19,74%, CER 6,19%, задержку 3946 мс на клип и пиковое потребление 4285 MiB VRAM. Основное преимущество модели — снижение точности и потенциальных требований к памяти при сохранении возможности использовать архитектуру Whisper large-v3 на совместимом оборудовании. Ограничения включают специализацию представленной оценки на персидском языке, зависимость производительности от NVIDIA Blackwell и отсутствие в README сведений о размере контекста и полном наборе поддерживаемых языков. Распространение указано под Apache License 2.0; модель также наследует лицензию базовой модели, а сторонние уведомления об авторских правах и атрибуции сохраняются.

Polyglot-Lion-1.7B — модель автоматического распознавания речи, разработанная Quy-Anh Dang и Chris Ngo из Knovel Engineering. Она создана дообучением Qwen/Qwen3-ASR-1.7B на общедоступных речевых корпусах для четырёх официальных языков Сингапура: английского, мандаринского китайского, тамильского и малайского. Модель имеет плотную архитектуру Qwen3-ASR и 1,7 млрд параметров. Модель предназначена для транскрибации аудио и распознавания речи на этих языках, в том числе в сингапурском контексте. При обучении использовалась сбалансированная выборка по языкам; модель учится определять язык непосредственно по аудио без языковой метки на входе. В отчёте авторов указана средняя ошибка 14,85 на оценочных наборах и скорость около 0,10 секунды на образец на RTX PRO 4500. Модель принимает аудио и выдаёт распознанный текст. Опубликованные результаты зависят от языка и набора данных и не гарантируют одинакового качества на других акцентах, шумах или предметных областях. Репозиторий распространяется под лицензией MIT.

Uluka Studio Mercury 2 BF16 Merged — мультимодальный чат-чекпойнт на базе Qwen3.6-35B-A3B, подготовленный UlukaDev. Это объединённая BF16-версия дообучения с адаптером LoRA UlukaDev/qwen3p6-35b-a3b-uluka-mercury-2-lora; веса представлены в формате safetensors и используют архитектуру Qwen3.5 MoE. Модель предназначена для диалогов и анализа изображений; метаданные также указывают интерфейс вызова инструментов. Она принимает текст и изображения и выдаёт текст. Лицензия указана как other, поэтому условия использования следует сверить с карточкой и лицензией базовой модели.

Qwen3-Omni-30B-A3B-Captioner — модель для подробного описания аудио, созданная командой Qwen дообучением Qwen3-Omni-30B-A3B-Instruct. Она принимает только аудио и выдаёт текст; текстовые подсказки и несколько аудиовходов за один запрос не поддерживаются. Модель описывает речь, голоса и эмоции говорящих, а также музыку, окружающие звуки и звуковые эффекты. Она рассчитана на сложные записи с несколькими источниками звука и стремится давать подробные описания с меньшим количеством галлюцинаций. Для сохранения детализации рекомендуется подавать аудиоклипы длительностью не более 30 секунд. Модель использует архитектуру Qwen3 Omni MoE и запускается через Transformers; в репозитории указаны веса Safetensors. Карточка описывает поддержку многоязычной речи, но конкретные языки не перечисляет. Лицензия указана как other, поэтому условия использования следует проверить в материалах репозитория.

Qwen3-VL-8B-Instruct-Unredacted-MAX-GGUF — мультимодальная vision-language модель в формате GGUF, разработанная prithivMLmods на базе Qwen3-VL-8B-Instruct-Unredacted-MAX. Модель предназначена для обработки изображений и текста, выполнения инструкций, генерации подписей, объяснений и анализа визуальной информации. Заявленные сценарии включают аннотирование данных, повышение доступности контента, творческое повествование, подготовку исторических и медицинских наборов данных, а также red-teaming и исследование смещений моделей. Модель содержит 8 миллиардов параметров и ориентирована на мультимодальное рассуждение и следование сложным инструкциям. Доступны варианты BF16 и Q8_0, а также отдельные мультимодальные проекторы mmproj в форматах BF16 и Q8_0; размеры файлов варьируются от 752 МБ до 16,4 ГБ. В карточке указаны английский язык и pipeline image-text-to-text. Длина контекста, точные поддерживаемые языки, результаты тестирования и требования к оборудованию не приведены. К заявленным сильным сторонам относятся работа с комплексными визуальными входными данными, подробная генерация текста и снижение ограничений на отказы благодаря unredacted/abliterated дообучению. При этом степень фактической точности и надежности таких возможностей не подтверждена бенчмарками в README, а уменьшение механизмов отказа может повышать риск небезопасных или некорректных ответов. Модель распространяется по лицензии Apache-2.0.

Qwen-VL-Chat-Int4 — квантованная до Int4 версия диалоговой визуально-языковой модели Qwen-VL-Chat, разработанной Alibaba Cloud. Модель предназначена для мультимодального взаимодействия: принимает изображения, текст и ограничивающие рамки, а генерирует текстовые ответы и ограничивающие рамки. Она поддерживает многоязычные диалоги, включая китайский и английский, работу с несколькими изображениями в одном диалоге, открытое распознавание объектов, детальное понимание изображений и визуальную локализацию на китайском языке. Модель подходит для анализа изображений в формате вопрос–ответ, описания сцен и объектов, распознавания содержимого и указания координат найденных объектов. Версия Int4 рассчитана на более эффективное по памяти и скорости инференс-развёртывание; в тестах на одной видеокарте A100-SXM4-80G она показывала скорость 37,79 токена/с для контекста 2048 токенов и 34,34 токена/с для контекста 8192 токенов. По данным README, квантование не привело к значительному падению качества на бенчмарке TouchStone. К ограничениям относятся необходимость совместимого окружения с Python 3.8+, PyTorch 2.0+ и рекомендуемой CUDA 11.4+, а также зависимость от GPU-инференса и специального программного стека. В README не указаны размер модели, точная архитектура, максимальная длина контекста и лицензия, поэтому эти характеристики нельзя определить по предоставленным данным.

Raon-Speech-9B — 9-миллиардная мультимодальная SpeechLM от KRAFTON, построенная на Qwen3. Модель объединяет языковую модель Qwen3, аудиоэнкодер-декодер Qwen3Omni, кодек Mimi и энкодер голоса ECAPA-TDNN. Она предназначена для распознавания и понимания речи, ответов на вопросы по аудио и тексту, а также синтеза речи на английском и корейском языках. Модель поддерживает преобразования аудио в текст и текста в аудио, ответы на вопросы с текстовым и аудиовходом и диалоговые сценарии с речью. Для синтеза можно передавать образец голоса, а также продолжать речь с заданного аудиофрагмента. В README заявлена оптимизация для потоковой генерации с низкой задержкой; приведены результаты скорости синтеза на RTX 6000 Pro и L40S. Для запуска README указывает Transformers версии от 4.57.1 до 5.0 и PyTorch; для обусловливания голоса требуется SpeechBrain. Репозиторий содержит веса Safetensors. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование. Модель требует значительных вычислительных ресурсов, а заявленные возможности и скорость не гарантируют одинакового качества на всех данных и конфигурациях.

senga-LUK-20k-clean-speecht5 — дообученная модель Microsoft SpeechT5 для синтеза речи из текста. Модель основана на microsoft/speecht5_tts; в репозитории указаны архитектура SpeechT5ForTextToSpeech и формат safetensors. Карточка приводит значение loss 0,1049 на наборе оценки, но не описывает методику оценки и обучающие данные. Модель предназначена для преобразования текста в аудио. Метаданные указывают лицензию MIT. Карточка не сообщает, какие языки и голоса поддерживаются, поэтому область применимости синтеза по языку и звучанию определить нельзя.

lgris/sew-tiny-portuguese-cv7 — модель распознавания речи, дообученная разработчиком lgris на базе lgris/sew-tiny-pt на датасете Common Voice 7.0. Она принимает аудио и преобразует речь в текст на португальском языке. Архитектура SEWForCTC, число параметров — 50,4 млн; веса представлены в формате PyTorch. На тестовом наборе указаны значение WER 0,2745 и loss 0,4232. Модель подходит для транскрибации португальской речи, в том числе для экспериментов с распознаванием речи на записях из Common Voice. Лицензия — Apache-2.0.

Avitas8485/speecht5_tts_commonvoice_en_03 — модель синтеза речи на базе SpeechT5, дообученная на наборе LJSpeech. Она преобразует английский текст в речь; в метаданных указана архитектура SpeechT5ForTextToSpeech и форматы весов PyTorch и safetensors. На оценочной выборке указана функция потерь 0,3842. Модель выпущена под лицензией MIT.

ssc-ttj-mms-model — дообученная модель распознавания речи на базе facebook/mms-1b-all, опубликованная под лицензией CC BY-NC 4.0. Она использует архитектуру wav2vec2 с CTC-декодированием, содержит 1,3 млрд параметров и принимает аудио, чтобы преобразовывать речь в текст. Базовая модель поддерживает более тысячи языков, однако язык и состав данных для этого дообучения не указаны. В README приведены результаты оценки: CER 0,0795 и WER 0,4288 при значении loss 0,2494. Данных о наборе для обучения, сценариях применения и ограничениях автор не предоставил; качество на других данных и языках по этим метрикам определить нельзя. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Карточка модели ngoctham/supertonic-3 на Hugging Face совпадает с карточкой Supertone/supertonic-3, поэтому описание составлено по ней. Supertonic 3 — компактная многоязычная модель синтеза речи от Supertone для локального запуска. Модель распространяется в формате ONNX и работает через ONNX Runtime на устройстве, без обращения к облаку. В открытых ONNX-ресурсах около 99 млн параметров. Модель преобразует текст в речь на 31 языке и рассчитана на сценарии, где важны быстрая генерация и локальное выполнение: озвучивание аудиокниг, новостей, диалогов и телефонных обращений, в том числе на мобильных и периферийных устройствах. Поддерживаются фиксированные предустановленные голосовые стили; README также описывает демонстрацию пользовательских стилей по референсному аудио и теги выразительности. По сравнению с Supertonic 2 заявлены более стабильное чтение с меньшим числом повторов и пропусков, а также улучшенное сходство голосов на общих языках. Лицензия — OpenRAIL. README не приводит независимой оценки качества для всех языков; пользовательские стили по референсному аудио связаны с отдельным Voice Builder.

VibeVoice-ASR-Streaming-7B-GGUF — это сборка в формате GGUF для audio.cpp модели автоматического распознавания речи Microsoft VibeVoice-ASR-Streaming-7B. Репозиторий audio.cpp предоставляет варианты модели, адаптированные для запуска через audio.cpp, включая офлайн-распознавание и потоковую транскрипцию в реальном времени. Модель предназначена для преобразования аудио в текст, в том числе при передаче аудиоданных непрерывным потоком. Заявлена поддержка английского, китайского, испанского, португальского, немецкого, японского, корейского, французского, русского и итальянского языков. Модель также относится к классу speaker-attributed transcription, однако подробности о механизме и качестве атрибуции говорящих в README не приведены. Для потокового режима требуется монофонический PCM-аудиосигнал с частотой 16 кГц и 16-битным знаковым форматом. Доступны варианты BF16 с максимальной точностью, рекомендуемый Q8_0 и более компактный Q4_K с меньшей разрядностью. Размер базовой модели — 7B параметров; сведения о точной архитектуре, размере контекста и характеристиках мультимодальности не указаны. К сильным сторонам относятся поддержка потоковой обработки, несколько языков и интеграция с audio.cpp. Ограничения включают зависимость от совместимого рантайма audio.cpp, а также отсутствие в README данных о точности, задержке, требованиях к ресурсам и качестве разделения говорящих. Файлы распространяются по лицензии MIT.

VILA-U-7B-256 — мультимодальная базовая модель семейства VILA-U, разработанная MIT Han Lab. Она объединяет понимание видео, изображений и языка с генерацией текста и изображений в единой авторегрессионной архитектуре next-token prediction. Вместо отдельных модулей для понимания и генерации визуальных данных модель использует единый vision tower, который связывает дискретные визуальные токены с текстом. Модель предназначена для визуально-языковых сценариев: анализа изображений и видео, ответов на вопросы по визуальному содержимому и авторегрессионной генерации изображений. В README заявлена производительность, близкая к передовым системам в понимании и генерации визуального контента. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Размер 7B следует из идентификатора модели, однако контекстное окно и поддерживаемые естественные языки в предоставленных данных не описаны.

artoowang/w2v-bert-2.0-en-colab-CV16.0 — дообученная модель распознавания речи на базе facebook/w2v-bert-2.0. Она использует архитектуру Wav2Vec2BertForCTC и принимает аудио, преобразуя речь в текст. В README приведены результаты оценки: loss 0,3282 и WER 0,1287; набор данных указан как None. Модель содержит 402,7 млн параметров и доступна в формате safetensors для библиотеки Transformers. По названию репозитория она ориентирована на английскую речь, однако README не уточняет языковое покрытие, условия оценки и предполагаемые сценарии применения. Лицензия — MIT.

Модель Kiran Pantha — дообученная версия kiranpantha/w2v-bert-2.0-nepali для автоматического распознавания непальской речи и преобразования аудиозаписей в текст. Она основана на архитектуре Wav2Vec2-BERT, использует CTC и содержит 402,7 млн параметров. Модель дообучена на датасете OpenSLR54-Balanced-Nepali. В README указаны результаты на оценочном наборе: WER 0,4302 и CER 0,1029. Репозиторий распространяется по лицензии MIT.

foxxy-hm/wav2vec2-base-finetune-vi-v6 — модель автоматического распознавания речи на архитектуре wav2vec2 с классификационной головой CTC. В README указана тонкая настройка этой же модели; сведения о датасете и подробностях обучения отсутствуют. Модель содержит 402,8 млн параметров и опубликована в формате PyTorch. Модель предназначена для преобразования аудиоречи в текст. В README приведены результаты оценки: loss 0,2240 и WER 0,1296. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Это модель автоматического распознавания речи на белорусском языке, созданная дообучением facebook/wav2vec2-base. Разработчик обучал её на разделах Train, Dev и Test корпуса Mozilla Common Voice 8.0 для белорусского языка; дополнительные записи из раздела Validated не использовались. Архитектура — Wav2Vec2ForCTC, размер — 113,3 млн параметров. Модель преобразует аудиозапись речи в текст и рассчитана на сценарии распознавания белорусской речи. Для декодирования также подготовлена 5-граммная языковая модель KenLM, обученная на предложениях из корпуса Common Voice. Репозиторий содержит веса PyTorch и распространяется по лицензии GPL-3.0. Качество может быть ограничено объёмом и составом использованных данных: в обучающих разделах использовали только одну озвучку каждого предложения, без дополнительных вариантов из Validated. README предлагает расширить обучающие данные дополнительными озвучками; численные результаты оценки в карточке не приведены.