I.15Доступность и ассистивные технологии

ctaguchi/wav2vec2-kac — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m и реализованная на базе Wav2Vec2ForCTC. Она принимает аудио и преобразует речь в текст. В карточке приведены результаты оценки: CER 0,0452 и WER 0,1986; набор данных и условия оценки не описаны, поэтому эти показатели нельзя напрямую сопоставлять с результатами других моделей. Модель содержит около 402,7 млн параметров, распространяется в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Суффикс kac в названии может указывать на язык, однако README и метаданные не подтверждают, какой язык поддерживается, поэтому языковые характеристики здесь не уточняются.

NbAiLab/wav2vec2-large-danish-npsc-nst — модель распознавания речи на основе архитектуры wav2vec2, разработанная как дообучение chcaa/xls-r-300m-danish. Она преобразует аудиоречь в текст и предназначена для автоматической транскрипции. В карточке приведены результаты оценки: WER 0,0669 и loss 0,0587; состав обучающего набора данных не раскрыт. Модель содержит около 402,7 млн параметров, использует Wav2Vec2ForCTC и распространяется в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Доступные сведения указывают на датский вариант модели; другие поддерживаемые языки не подтверждены.

Модель GetmanY1/wav2vec2-large-sami-22k-finetuned — акустическая модель распознавания саамской речи, разработанная Ярославом Гетманом и Тамашем Гросом. Это дообученная версия GetmanY1/wav2vec2-large-sami-22k на 20 часах аудиозаписей заседаний Саамского парламента; базовая модель предварительно обучалась на 22,4 тысячи часов саамской речи из радио- и телематериалов архива KAVI. Архитектура — Wav2Vec2 Large с CTC, около 402,7 млн параметров. Модель предназначена для преобразования саамской речи в текст, в том числе записей заседаний. Входное аудио должно быть дискретизировано с частотой 16 кГц. В README сообщается об оценке на одном часе чтения вслух и спонтанной речи вне обучающего домена с разным качеством записи; в экспериментах prefix beam search немного улучшал Character Error Rate по сравнению с жадным декодированием. Внешняя языковая модель не обязательна. Модель распространяется по лицензии Apache-2.0. Результат следует проверять на аудио, отличающемся от обучающих записей: дообучение выполнено на ограниченном наборе парламентских выступлений, а проверка охватывала один час речи.

RuudVelo разработал эту модель распознавания нидерландской речи, дообучив facebook/wav2vec2-xls-r-300m на Common Voice 8.0. Это плотная модель архитектуры wav2vec2 с CTC-выходом и примерно 402,7 млн параметров; для декодирования также обучена и использована языковая модель KenLM с 6-граммами. Модель предназначена для преобразования нидерландской речи в текст, в частности для аудиозаписей, подобных материалам Common Voice. Обучение проводилось 75 эпох на обучающей части Common Voice 8.0; тестовая выборка Common Voice 8.0 не использовалась для обучения или валидации. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

Wav2Vec2-Large-XLSR-Indonesian — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на индонезийской части Common Voice. Это плотная архитектура Wav2Vec2 с CTC-выходом и примерно 402,7 млн параметров; модель принимает аудио и преобразует речь в текст. Для распознавания без языковой модели входную речь следует подавать с частотой дискретизации 16 кГц. В тесте на данных Common Voice указана оценка 25,55%; метрика в карточке не уточнена. Модель распространяется по лицензии Apache-2.0.

wav2vec2-xls-r-1b-scandinavian-E3-100h-30-epochs-20250123 — модель распознавания речи, дообученная на базе facebook/wav2vec2-xls-r-1b. Она использует архитектуру Wav2Vec2ForCTC и содержит 1,3 млрд параметров; модель принимает аудио и преобразует речь в текст. Карточка называет данные для дообучения неизвестным датасетом и не уточняет поддерживаемые языки, несмотря на упоминание Scandinavian в названии. На оценочном наборе указаны WER 21,6559 и CER 5,6618. Модель подходит для распознавания речи в аудиозаписях; качество для конкретных языков и условий записи следует проверять отдельно. Распространяется по лицензии Apache-2.0.

Wav2Vec2 XLS-R 300M Korean — модель автоматического распознавания речи, дообученная Wilson Wongso на архитектуре XLS-R. Она преобразует корейскую речь в текст и предназначена для распознавания аудиозаписей на корейском языке. Модель основана на Wav2Vec2-XLS-R-300M; метаданные указывают 403,9 млн параметров, а README округляет размер до 300 млн. Использованы PyTorch и формат safetensors; лицензия — Apache-2.0. На наборе Zeroth Korean указаны WER 29,54% и CER 9,53%; на тестовых данных Robust Speech Event — WER 76,26% и CER 38,67%, что указывает на заметно худшие результаты вне основного набора оценки. README предупреждает о возможном наследовании смещений из данных предобучения.

Larrycmu разработал эту модель дообучением facebook/wav2vec2-xls-r-300m для автоматического распознавания речи. Это плотная модель Wav2Vec2 с CTC-выходом, принимающая аудио и выдающая текст; репозиторий содержит веса в формате safetensors. Число параметров — около 402,8 млн. В карточке приведены результаты на тестовой выборке: CER 0,0746 и WER 0,3453. Язык распознавания и характеристики набора данных не раскрыты, поэтому применимость к конкретному языку и условиям записи по этим сведениям оценить нельзя. Лицензия — Apache-2.0.

DrishtiSharma/wav2vec2-xls-r-sl-a2 — модель распознавания речи, дообученная Drishti Sharma на базе facebook/wav2vec2-xls-r-300m на словенской части Mozilla Common Voice 8.0. Это архитектура Wav2Vec2 с классификацией CTC, содержащая 402,7 млн параметров и принимающая аудио для преобразования речи в текст. Для набора оценки Common Voice 8.0 указаны Loss 0,2855 и WER 0,2401. Модель предназначена для автоматической транскрипции речи на словенском языке, например записей и голосовых высказываний. Распространяется в формате PyTorch по лицензии Apache-2.0. Показатель WER получен на указанном наборе оценки; README не приводит результаты для других наборов или условий записи.

whisper-base-bungoma.en — англоязычная модель распознавания речи, разработанная на основе openai/whisper-base.en и дообученная на наборе NyansapoAI/azure-dataset. Она преобразует входящее аудио в текст и предназначена для автоматической транскрипции речи на английском языке. Модель построена на архитектуре WhisperForConditionalGeneration семейства Whisper и содержит 51,7 млн параметров. В карточке указаны результаты оценки на тестовой выборке: Loss 0,0636 и WER 25,2804. Модель распространяется в формате safetensors по лицензии Apache-2.0. Описание не содержит сведений о специализированных сценариях применения или дополнительных ограничениях.

Whisper Base Indonesian — дообученная модель OpenAI Whisper Base, созданная для распознавания индонезийской речи в аудио. Она основана на архитектуре Whisper и содержит 51,7 млн параметров. Модель обучена на индонезийской части Common Voice 16.0 и предназначена для преобразования речи в текст. На тестовой выборке указаны loss 0,4198 и WER 26,6078. Это значение WER следует учитывать при оценке пригодности модели для конкретной аудиозаписи и сценария. Модель принимает аудио и выдаёт распознанный текст; лицензия — Apache 2.0.

Whisper Base Turkish — дообученная модель OpenAI Whisper Base, созданная для распознавания турецкой речи в аудио. Она содержит 51,7 млн параметров и основана на архитектуре Whisper с генерацией последовательностей; обучалась на турецкой части датасета Mozilla Common Voice 16.0. Модель принимает аудио и выдаёт распознанный текст на турецком языке. На тестовой выборке указаны loss 0,4280 и WER 30,3627. Модель подходит для транскрибации турецкой речи, однако точность может зависеть от качества записи, акцента и условий записи. Распространяется по лицензии Apache-2.0.

Whisper Large-v2 Czech CV11 v2 — модель распознавания речи, созданная дообучением openai/whisper-large-v2 на чешской части набора Mozilla Common Voice 11.0. Она предназначена для преобразования чешской речи в текст. Модель основана на архитектуре Whisper и содержит 905,2 млн параметров. На оценочной выборке указана WER 9,0459 и loss 0,2120. Обучение проводилось с оптимизацией DeepSpeed и размером пакета 32. Модель распространяется по лицензии Apache-2.0. Подробности о дополнительных сценариях применения и ограничениях в карточке не приведены.

bayartsogt/whisper-large-v2-mn-13 — дообученная модель семейства Whisper от OpenAI, созданная автором bayartsogt на базе openai/whisper-large-v2 для распознавания речи на монгольском языке. Это плотная модель архитектуры WhisperForConditionalGeneration с 905,2 млн параметров, принимающая аудио и преобразующая речь в текст. В метаданных указаны наборы Common Voice 11.0, FLEURS, ulaanbal-v0 и youtube-mongolian-v1; на оценочной выборке приведены WER 20,024 и CER 6,601. Модель подходит для транскрибирования монгольской речи, в том числе записей из открытых речевых корпусов и видео. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. README не описывает подробные ограничения и сценарии применения; качество на других данных может отличаться от результатов на указанной оценочной выборке.

Модель sam8000/whisper-large-v3-turbo-greek-greece — дообученная на датасете FLEURS версия мультиязычной Whisper Large-v3-Turbo от OpenAI. Это модель распознавания речи, которая принимает аудио и преобразует его в текст. В метаданных указана архитектура WhisperForConditionalGeneration, библиотека Transformers и размер около 905,2 млн параметров. Название модели указывает на настройку для греческого языка в Греции; README также приводит метрики оценки на тестовом наборе: WER 11,0591 и WER Ortho 26,8701. Лицензия — MIT. README не содержит дополнительных сведений о сценариях применения или ограничениях.

Модель andrewbawitlung/whisper-large-v3-turbo-mizonal3-E3-lus-v2026.06 разработана как дообученная версия openai/whisper-large-v3-turbo на наборе данных MiZonal v3.0. Это плотная модель Whisper для автоматического распознавания речи; размер составляет 905,2 млн параметров, веса опубликованы в формате safetensors. Версия E3 обучалась с аугментацией скорости речи и предназначена для транскрибирования аудио. В README приведены результаты на оценочном наборе: WER 14,1847, CER 2,7327 и коэффициент реального времени 0,0546. Карточка не уточняет язык аудио, поэтому языковую поддержку и область применения по этим данным определить нельзя. Модель распространяется по лицензии Apache-2.0.

HHoofs разработал whisper-nl-noise — модель распознавания речи, дообученную на базе OpenAI Whisper medium. Она содержит 455,8 млн параметров и предназначена для транскрибации нидерландской речи в аудио с фоновым шумом. Для обучения использовался нидерландский раздел Mozilla Common Voice 11.0, дополненный шумами из записей Pixabay и фрагментов музыкальных треков. Модель рассчитана на шумные записи и может хуже работать на чистом аудио. Устойчивость к шуму зависит от его типа и контекста: модель не гарантирует одинакового качества при любых автомобильных и других фоновых шумах. Доступна по лицензии Apache-2.0.

Whisper Small Persian — модель распознавания речи, созданная дообучением Whisper Small на датасете Common Voice 17.0. Она принимает аудио и генерирует текстовую расшифровку, в первую очередь на персидском языке. В модели около 153,1 млн параметров; архитектура основана на WhisperForConditionalGeneration, веса опубликованы в формате safetensors. На оценочной выборке указаны loss 0,7217 и WER 45,6220. Лицензия в предоставленных данных не описана.

CKSINGH разработал эту модель как дообученную версию CKSINGH/whisper-small-hi-firefox для автоматического распознавания речи. Это модель семейства Whisper с архитектурой WhisperForConditionalGeneration и 153,1 млн параметров; репозиторий содержит веса PyTorch и Safetensors. Карточка приводит результаты оценки: WER 16,1932 и CER 12,5576, но не уточняет набор данных и условия тестирования. Модель предназначена для преобразования аудио на хинди в текст. Она распространяется по лицензии Apache-2.0.

seanghay/whisper-small-khmer-v2 — модель распознавания речи, созданная дообучением openai/whisper-small на датасетах OpenSLR (SLR42), Google FLEURS и km-speech-corpus. Она предназначена для транскрибирования аудио на кхмерском языке; в Transformers её используют для преобразования аудиозаписей в текст. Модель содержит 153,1 млн параметров, построена на архитектуре Whisper и распространяется в форматах PyTorch, Flax и Safetensors. В README указаны результаты на оценочном наборе: loss 0,26 и WER 0,6165. WER указывает на заметную долю ошибок распознавания, поэтому результат следует проверять, особенно для шумных записей и сценариев с высокими требованиями к точности. Лицензия — Apache-2.0.

Whisper Medium (Thai) Timestamp — модель Biodatlab для автоматического распознавания тайской речи с временными метками. Это дообученная версия biodatlab/whisper-th-medium-combined на длинных аудиофрагментах, составленных из набора CMKL/Porjai-Thai-voice-dataset-central. Архитектура Whisper Medium содержит около 455,8 млн параметров; модель использует библиотеку Transformers и распространяется в формате safetensors. Модель предназначена для транскрибации тайской речи, создания субтитров и привязки текста к временным точкам аудио. В README указана оценка WER 15,57 на тестовой части Common Voice 13 с токенизатором Deepcut. Временные метки приблизительные: при обучении использовались метки, полученные с помощью VAD, а не точная ручная разметка. Точность распознавания и выравнивания может снижаться из-за фонового шума, особенностей дикторов и акустических условий; автор отмечает, что результат распознавания может уступать версии без временных меток. Лицензия — MIT.

nagorebravo/whisper-tiny-en-minds14 — компактная модель распознавания речи на архитектуре Whisper, дообученная на openai/whisper-tiny разработчиком nagorebravo на датасете PolyAI/minds14. Она преобразует аудио в текст и предназначена для транскрибации речи, в том числе аудиозаписей из сценариев, представленных в этом датасете. На оценочном наборе указаны Loss 0,5909 и WER 0,3241 (WER Ortho 0,3288). Модель распространяется в формате safetensors по лицензии Apache-2.0.

primeline/whisper-tiny-german — компактная модель распознавания немецкой речи, разработанная Florian Zimmermeister на основе Whisper-tiny. Она предназначена для преобразования аудио на немецком языке в текст, в том числе для сценариев с ограниченными ресурсами и развёртывания на периферийных устройствах. Архитектура — WhisperForConditionalGeneration; в метаданных указано 29,4 млн параметров, а README указывает 37,8 млн и размер 73 МБ в формате bfloat16. Репозиторий содержит веса в форматах ONNX и safetensors. Для обучения использовались отфильтрованные данные Common Voice, multilingual LibriSpeech и внутренние данные; текст нормализовали по регистру и пунктуации. Модель выпущена под лицензией Apache-2.0. Разработчик не рекомендует применять её в критически важных сценариях: компактный размер может сопровождаться снижением качества распознавания в отдельных условиях.

NaufalAqil18/whisper-tiny-id — дообученная модель распознавания речи на базе openai/whisper-tiny, созданная на датасете generator. Она преобразует аудио в текст и предназначена для автоматической транскрибации. Модель построена на архитектуре Whisper, содержит 29,4 млн параметров и доступна в форматах PyTorch и Safetensors для библиотеки Transformers. В README приведены результаты оценки: WER 28,84 и CER 12,57; описание не уточняет условия тестирования и языковой состав данных. Модель распространяется по лицензии Apache-2.0.

gs224 разработал и дообучил Whisper-Tiny — компактную модель распознавания речи с архитектурой Transformer encoder-decoder и примерно 29,4 млн параметров. Модель настроена на транскрибацию польской речи, особенно голосовых команд, и принимает аудио, выдавая текст. Для дообучения использован набор FBK-MT/Speech-MASSIVE; модель распространяется в формате safetensors и рассчитана на работу через Transformers. Модель может быть полезна для преобразования польских голосовых запросов в текст и распознавания команд. В приведённой оценке WER на тестовом наборе снизился с 0,8435 у базовой модели до 0,3176 после дообучения. Качество может быть ниже для диалектов, акцентов и данных, отличающихся от обучающего набора; регистр букв и пунктуация в эталонных транскрипциях влияют на оценку. Лицензия в предоставленных данных не указана.

Это компактная модель автоматического распознавания речи на базе OpenAI Whisper Tiny, дообученная автором репозитория akimbabananan для русского и английского языков. Она принимает аудио и преобразует речь в текст; автор описывает её как эксперимент с полным дообучением, направленный на специализацию модели в двуязычном режиме. В карточке указаны архитектура Whisper, библиотека Transformers, формат safetensors и лицензия MIT. По заявлению автора, обучение шло 4000 шагов на датасете Common Voice 22.0, а знания языков помимо русского и английского намеренно вытеснялись. Поэтому модель подходит для транскрибации речи на этих двух языках, но может молчать или транслитерировать речь на других языках. Заявления о высокой точности в README не подкреплены приведёнными метриками; для практического применения качество стоит проверять на целевых аудиозаписях.

WR30a-Deep-7B-0711-i1-GGUF — это квантизированная версия vision-модели WR30a-Deep-7B-0711, преобразованная в формат GGUF пользователем mradermacher. Исходную модель разработала команда или автор prithivMLmods. Модель предназначена для задач визуального понимания, генерации подписей к изображениям, оптического и интеллектуального распознавания символов, преобразования изображений в текст, а также для математических и STEM-сценариев. Модель относится к мультимодальным vision-language моделям и поддерживает английский и китайский языки. В карточке указано около 7 миллиардов параметров, однако архитектура, размер контекстного окна и точный набор поддерживаемых модальностей не раскрыты. Для обработки изображений могут потребоваться дополнительные файлы mmproj из статического репозитория исходной модели. Репозиторий содержит варианты квантизации i1 с разными компромиссами между размером, скоростью и качеством; рекомендуемыми названы Q4_K_M и Q4_K_S, тогда как наиболее компактные варианты могут заметно снижать качество. Основные преимущества — возможность локального запуска в GGUF-совместимой инфраструктуре, поддержка визуальных задач и широкий выбор уровней квантизации. Ограничения связаны с потерей качества при сильной квантизации, необходимостью совместимого программного обеспечения и, возможно, дополнительных multimodal-компонентов; конкретные показатели качества в README не приведены. Модель распространяется по лицензии Apache-2.0.

Rolv-Arild/xls-r-300m-npsc-4 — модель автоматического распознавания речи, разработанная путём дообучения facebook/wav2vec2-xls-r-300m на наборе NBAILAB/NPSC - 16K_MP3. Она использует архитектуру wav2vec2 с CTC-декодированием, принимает аудио и преобразует речь в текст. На оценочном наборе указаны loss 0,1957 и WER 0,1697. Модель предназначена для распознавания речи в сценариях, соответствующих данным NPSC; подробности о целевых условиях применения в карточке не приведены. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

Модель patrickvonplaten/xls-r-300-sv-cv7 — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания шведской речи. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель обучена на шведской части набора Mozilla Common Voice 7.0 и принимает аудио, выдавая распознанный текст. На тестовой выборке Common Voice 7.0 для конфигурации sv-SE указана WER 0,2334 и loss 0,2604. Модель подходит для транскрибации шведской речи в сценариях, близких к этому набору данных; результаты на других акцентах, условиях записи и типах речи могут отличаться. Лицензия — Apache-2.0.

Модель anton-l/xtreme_s_xlsr_300m_voxpopuli_en — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания английской речи. Она использует архитектуру wav2vec2 с CTC-декодированием и содержит 402,7 млн параметров. Модель предназначена для преобразования аудиозаписей на английском языке в текст, в частности для распознавания речи из набора VoxPopuli.EN. На оценочной выборке указаны WER 0,1549 и CER 0,0966. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка не описывает ограничения распознавания и условия работы с разными акустическими условиями.