I.15Доступность и ассистивные технологии

Карточка модели Mikeykun123/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.

Kuray107/swbd-5percent-supervised — модель распознавания речи на основе архитектуры wav2vec2, дообученная на facebook/wav2vec2-large-lv60. Она предназначена для преобразования аудиоречи в текст; в README указана оценка WER 0,1352 на наборе для оценки. Модель содержит 402,7 млн параметров и опубликована в формате PyTorch. Карточка не описывает состав обучающих данных, поддерживаемые языки и условия применения. Лицензия — Apache-2.0.

OEvortex/TTS-OLD — дообученная модель HelpingAI-TTS-v1 на архитектуре Parler-TTS, основанная на ai4bharat/indic-parler-tts. Она преобразует текст в речь и позволяет задавать желаемые характеристики звучания текстовым описанием: например, темп, эмоциональный тон и акцент. Модель предназначена для создания выразительной речи на нескольких языках, включая сценарии озвучивания с заданной манерой подачи. В карточке заявлена поддержка более 20 языков, среди них английский, ассамский, бенгальский, хинди, каннада, малаялам, маратхи, непали, санскрит, тамильский, телугу и урду. Архитектура — Parler-TTS для генерации речи по тексту и описанию звучания. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не приводит подтверждённых оценок качества или подробных ограничений; заявленное качество следует проверять на целевых языках и голосовых сценариях.

Underdog-Bark-0.8B-1.0 — компактная модель распознавания речи на базе архитектуры Qwen3-ASR, представленная ConwayResearch в 4-битном формате MLX. Она принимает аудио и предназначена для преобразования речи в текст; карточка указывает размер 0,8 млрд параметров в названии модели. Модель подойдёт для локального распознавания речи на устройствах Apple, поддерживающих MLX. Веса опубликованы в формате safetensors с 4-битной квантизацией. Модель распространяется по лицензии Apache-2.0. В карточке не приведены сведения о поддерживаемых языках, длине контекста и точности распознавания.

Beehzod/uz_2301_tts — дообученная модель SpeechT5 от Microsoft для синтеза речи из текста. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. В карточке приведён результат оценки: loss 0,4968; набор данных для дообучения и подробности оценки не описаны. Модель предназначена для преобразования текста в речь. Лицензия — MIT. Язык синтеза и характеристики голоса в доступных сведениях не установлены.

NhutP/ViWhisper-medium — модель распознавания вьетнамской речи, созданная авторами репозитория путём дообучения Whisper medium от OpenAI. Она принимает аудио и выдаёт текст; модель доступна через Transformers и подходит для транскрибирования записей и потоков речи. В обучении использовано в общей сложности 1308 часов данных из VSV-1100, Common Voice 14, VIVOS, VLSP2021 и синтетических примеров, созданных системой синтеза речи. Архитектура — WhisperForConditionalGeneration, размер — 455,8 млн параметров. В карточке приведены результаты WER на нескольких тестовых наборах: от 4,69 на VIVOS до 28,76 на VLSP2020-T2. Эти показатели зависят от набора данных и не гарантируют такого же качества на других записях. Для запуска в примере используется аудио с частотой дискретизации 16 кГц; указана обработка фрагментами до 30 секунд. Модель распространяется по лицензии MIT.

VoxCPM2 — разработанная OpenBMB многоязычная модель синтеза речи с 2 млрд параметров. Она использует безтокенизаторную диффузионную авторегрессионную архитектуру на основе MiniCPM-4: LocEnc, TSLM, RALM и LocDiT; для аудио применяется AudioVAE V2. Репозиторий содержит веса в формате safetensors, библиотека для работы — voxcpm. Лицензия Apache-2.0 разрешает коммерческое использование. Модель преобразует текст в речь на 30 языках, включая русский, английский и китайский, а также поддерживает перечисленные в карточке китайские диалекты. Она умеет создавать голос по текстовому описанию, клонировать голос по короткому аудиофрагменту с настройкой стиля и продолжать речь с использованием аудио и его расшифровки. Выходное аудио — 48 кГц; модель поддерживает потоковую генерацию и рассчитана на сценарии от озвучивания текста до управляемого синтеза речи. По заявлению карточки, модель показывает конкурентные результаты на бенчмарках синтеза речи и может работать в реальном времени на подходящем оборудовании. Качество зависит от языка и объёма доступных обучающих данных; результаты задания голоса и управления стилем могут различаться между запусками, а очень длинный или эмоционально насыщенный ввод иногда вызывает нестабильность. Карточка запрещает использовать модель для имитации личности, мошенничества и дезинформации и рекомендует маркировать сгенерированный контент.

Это акустическая модель Finnish-NLP на архитектуре Wav2Vec2-base с CTC-декодированием, дообученная для распознавания финской речи. Она основана на facebook/wav2vec2-base-fi-voxpopuli-v2: исходную модель предварительно обучали на неразмеченной финской речи из VoxPopuli, а эту версию дообучили на 276,7 часа расшифрованной финской речи. В репозитории также есть финская языковая модель KenLM для этапа декодирования. Модель содержит 113,3 млн параметров и принимает аудио, выдавая текстовую расшифровку. Модель предназначена для преобразования финской речи в текст, в том числе для обработки коротких аудиозаписей. В README приведены оценки на тестовых наборах Common Voice и FLEURS; качество декодирования зависит от использования KenLM. Обучающие аудиофрагменты ограничивались 20 секундами. Большая часть данных дообучения взята из заседаний финского парламента, поэтому качество может снижаться на повседневной разговорной речи, диалектах, а также речи женщин и детей. Лицензия — Apache-2.0.

NbAiLab/wav2vec2-large-voxrex-npsc-bokmaal — модель автоматического распознавания речи на базе архитектуры Wav2Vec2 с декодированием CTC. Репозиторий содержит веса PyTorch примерно на 402,7 млн параметров; модель обучена с нуля, а в метаданных указан датасет NbAiLab/NPSC. Для оценки приведены значения loss 0,1311 и WER 0,1038, однако условия оценки не описаны. Модель предназначена для преобразования аудиоречи в текст. Название указывает на норвежский букмол, но README и метаданные не подтверждают язык обучения явно. Репозиторий распространяется по лицензии Apache-2.0. Карточка не содержит подробностей о рекомендуемых сценариях, ограничениях или процедуре обучения.

wav2vec2-large-xls-r-300m-georgian — модель распознавания речи на основе архитектуры Wav2Vec2ForCTC, дообученная infinitejoy на грузинском наборе MOZILLA-FOUNDATION/COMMON_VOICE_7_0 - KA. Она преобразует аудиозаписи речи в текст и подходит для транскрибирования грузинской речи. Репозиторий содержит веса PyTorch; в метаданных указано 402,7 млн параметров. Базовая модель — facebook/wav2vec2-xls-r-300m. На оценочной выборке указаны Loss 0,3666 и WER 0,4211. Модель распространяется по лицензии Apache-2.0.

DrishtiSharma/wav2vec2-large-xls-r-300m-sr-v4 — модель распознавания речи, дообученная на базе facebook/wav2vec2-xls-r-300m на сербской части набора Mozilla Common Voice 8.0. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров; формат весов — PyTorch. Модель предназначена для преобразования сербской речи в текст. В карточке приведены результаты оценки на тестовой выборке Common Voice 8.0: WER 0,3038 и loss 0,5570; также описана оценка на валидационной выборке speech-recognition-community-v2/dev_data с обработкой аудио фрагментами. Модель распространяется по лицензии Apache-2.0. Приведённый показатель WER относится к конкретной тестовой выборке и сам по себе не гарантирует аналогичного качества на других записях, акцентах или акустических условиях.

Модель MehdiHosseiniMoghadam/wav2vec2-large-xlsr-53-Czech — версия wav2vec 2.0, дообученная на чешском языке на данных Common Voice. Она преобразует аудиозаписи речи в текст и подходит для автоматической транскрибации чешской речи. Для входного аудио требуется частота дискретизации 16 кГц. Модель содержит около 402,7 млн параметров и использует архитектуру Wav2Vec2ForCTC. В карточке приведён результат 27,05 % на тестовых данных Common Voice, но метрика и способ её расчёта не уточнены. Модель распространяется по лицензии Apache-2.0.

theainerd разработал эту модель, дообучив facebook/wav2vec2-large-xlsr-53 для автоматического распознавания речи на хинди. Это модель семейства wav2vec 2.0 с архитектурой Wav2Vec2ForCTC и примерно 402,7 млн параметров; она принимает аудио и выдаёт распознанный текст. Для входной речи требуется частота дискретизации 16 кГц. Модель предназначена для распознавания хинди, в том числе в условиях низких ресурсов и переключения между языками; в README приведён результат оценки 72,62% на тестовых данных Common Voice для хинди, но метрика не уточнена. Базовая модель предварительно обучена на речи 53 языков, однако это дообучение ориентировано на хинди. Репозиторий содержит веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

qqpann/wav2vec2-large-xlsr-japanese-0325-1200 — модель автоматического распознавания японской речи, дообученная на основе facebook/wav2vec2-large-xlsr-53. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. В карточке указана настройка аудио с частотой дискретизации 16 кГц; среди связанных с моделью данных указан Common Voice. Модель предназначена для преобразования японской речи в текст, в том числе для транскрибирования записей и аудиоматериалов. Распространяется в формате PyTorch по лицензии Apache-2.0. README содержит шаблонные поля и не приводит измеримого результата оценки, поэтому качество на конкретных записях по карточке определить нельзя.

kresnik/wav2vec2-large-xlsr-korean — модель автоматического распознавания речи на основе архитектуры Wav2Vec2, представленная пользователем kresnik. Модель обучена для распознавания корейской речи; карточка указывает оценивание на корпусе Zeroth-Korean. Модель принимает аудио и выдаёт текстовую транскрипцию. В метаданных указано около 403,9 млн параметров, класс Wav2Vec2ForCTC и форматы PyTorch и Safetensors. Для её использования подходит сценарий транскрибирования корейских аудиозаписей. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки или подробностей об ограничениях качества, поэтому точность на иных типах аудио по ней определить нельзя.

UrukHan/wav2vec2-ru — акустическая модель распознавания речи на базе архитектуры wav2vec2 с декодирующей головой CTC. Она содержит 402,7 млн параметров и предназначена для преобразования аудиоречи в текст. В README указано, что модель обучалась с нуля; набор данных не назван. Для оценки приведены loss 0,5468 и WER 0,4124. Модель подходит для автоматической расшифровки аудиозаписей. Суффикс «ru» указывает на ориентацию на русский язык, однако README и метаданные не подтверждают поддерживаемые языки. Репозиторий содержит веса PyTorch; лицензия и сведения о контексте применения не приведены.

techiaith/wav2vec2-xlsr-53-ft-cy-en — акустическая модель распознавания валлийской и английской речи, разработанная Techiaith. Она дообучена на основе facebook/wav2vec2-large-xlsr-53 с использованием спонтанной речи из корпуса Banc Trawsgrifiadau Bangor и валлийских и английских данных Common Voice 16.1. Модель построена на архитектуре Wav2Vec2ForCTC и содержит 402,7 млн параметров. Она принимает аудио и преобразует речь в текст; основное назначение — транскрибация валлийской и английской речи. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0.

classla разработала wav2vec2-xls-r-juznevesti-sr — модель распознавания сербской речи на основе facebook/wav2vec2-xls-r-300m, дообученная на 58 часах аудио и расшифровок из программы «15 minuta» новостного издания Južne vesti. Это аудиомодель архитектуры wav2vec2 с CTC-декодированием и примерно 402,7 млн параметров. Модель предназначена для преобразования сербской речи в текст, в частности для записей, похожих на аудио обучающей выборки. На dev- и test-частях набора JužneVesti указаны WER 0,295 и 0,290 соответственно, а CER — 0,141 и 0,138. Эти результаты относятся к оценке на данном наборе и не гарантируют аналогичного качества на других типах записей. Для работы в README приведён пример совместимости с Transformers, PyTorch и SoundFile; лицензия в доступных данных не указана.

WavLM-large-CORAA-pt — модель распознавания речи, созданная дообучением microsoft/wavlm-large на наборе данных CORAA. Она использует архитектуру WavLM Large с декодером CTC и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; карточка указывает португальский язык. На оценочном наборе CORAA указаны loss 0,6144 и WER 0,3840. Модель подходит для транскрибирования португальской речи, в том числе для последующей обработки расшифровок в приложениях. Лицензия — Apache-2.0. Подробности о тренировочных данных, условиях записи и ограничениях применения в карточке не раскрыты.

whisper-bsc-large-v3-cat — акустическая модель автоматического распознавания речи на каталанском языке, созданная Лабораторией языковых технологий Барселонского суперкомпьютерного центра (BSC). Модель дообучена на базе openai/whisper-large-v3 на 4700 часах каталанской речи из наборов Projecte AINA и других источников. Модель предназначена для транскрибирования каталанских аудиозаписей в обычный текст без пунктуации. Её можно применять для расшифровки передач, парламентских выступлений, заседаний региональных органов и записей с различными каталанскими акцентами. Архитектура — Whisper large-v3 с 905,2 млн параметров; для работы используется библиотека Transformers. Модель принимает аудио и выдаёт текст. В карточке указаны лицензия Apache-2.0 и формат весов safetensors. В обучающих данных использовались версии некоторых парламентских наборов, не опубликованные в открытом доступе; качество на других акцентах и акустических условиях может отличаться от результатов на целевых данных.

DrishtiSharma/whisper-large-v2-marathi — дообученная версия Whisper Large V2, созданная на основе openai/whisper-large-v2 на наборе Common Voice 11.0. Это плотная модель архитектуры Whisper с примерно 905,2 млн параметров, предназначенная для автоматического распознавания речи на маратхи и преобразования аудио в текст. В карточке приведён результат оценки на тестовой выборке: WER 13,644 и loss 0,1975. Модель принимает аудио и выдаёт текст. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Оценка приведена для указанного набора данных, поэтому она не гарантирует такое же качество на других типах записей, акцентах или условиях записи.

Модель GoranS/whisper-large-v3-turbo-hr-parla — дообученная версия Whisper large-v3 от OpenAI, созданная на данных ParlaSpeech-HR и дополнительном частном наборе объёмом 400 часов с аугментациями. Она предназначена для автоматической транскрибации речи на хорватском языке. Архитектура — WhisperForConditionalGeneration; в репозитории указано около 905,2 млн параметров, формат весов — safetensors. Модель принимает аудио и выдаёт текст; библиотека для работы — Transformers. В README приведён результат WER 3,52% на оценочном наборе. В таблице сравнения указано WER 9,93% для связанной модели slsolucije/whisper-large-v3-turbo-hr-parla-lora-merged на тестовой части FLEURS для хорватского языка; этот результат не следует приписывать данной модели напрямую. Лицензия — Apache-2.0.

Flo976/whisper-malagasy-medium — модель распознавания речи, созданная разработчиком проекта Milo Voice на основе openai/whisper-medium и дообученная на 149 часах аудио на малагасийском языке. Модель принимает аудио и выдаёт его расшифровку текстом; для запуска предусмотрена библиотека Transformers. В репозитории указано 455,8 млн параметров, а для инференса на GPU описан режим FP16. Модель предназначена для расшифровки малагасийской речи, например записей встреч и интервью, автоматического создания субтитров и голосовых приложений. На валидационной выборке автор сообщает WER 20,78%; результаты могут меняться в зависимости от качества записи и диалекта. Обучение преимущественно охватывало официальный диалект Мерина; работа с прибрежными диалектами не оценивалась. Модель не предназначена для перевода, диаризации, идентификации говорящих или потоковой транскрипции. Сильный фоновый шум, длинные записи, региональные имена и специализированные термины могут ухудшать точность; тестировались аудиосегменты до 30 секунд. Лицензия репозитория — AGPL-3.0.

Это дообученная модель OpenAI Whisper medium, опубликованная пользователем dianavdavidson. Она предназначена для автоматического распознавания речи: принимает аудио и генерирует текстовую расшифровку. Модель содержит около 455,8 млн параметров, использует архитектуру WhisperForConditionalGeneration и доступна в формате safetensors для библиотеки Transformers. Название репозитория указывает на дообучение для хинди на данных Vaani, однако README не раскрывает состав обучающей выборки и сообщает, что набор данных не определён. На оценочном наборе указаны Loss 0,3625 и Global WER 28,6064; условия оценки и сопоставимость результата с другими моделями не описаны. Лицензия — Apache-2.0.

GeoffVdr/whisper-medium-nlcv11 — дообученная модель распознавания речи на базе OpenAI Whisper Medium. Она обучена на обучающей и валидационной частях нидерландского набора Mozilla Common Voice 11.0 и предназначена для преобразования нидерландской речи в текст. Модель использует архитектуру WhisperForConditionalGeneration и содержит 455,8 млн параметров. Для оценки использовалась тестовая часть Common Voice 11.0 на нидерландском языке. Модель принимает аудио и выдаёт текст; карточка не сообщает метрики качества или подробные ограничения. Веса доступны в формате PyTorch по лицензии Apache-2.0.

Whisper Medium Urdu — модель распознавания речи, дообученная на основе openai/whisper-medium командой, опубликовавшей репозиторий ihanif/whisper-medium-urdu. Она предназначена для преобразования речи на урду в текст и использует архитектуру Whisper с 455,8 млн параметров. Модель принимает аудио и выдаёт текст; обучение выполнено на урду-части набора Common Voice 11.0 от Mozilla Foundation. На оценочной выборке указаны значение потерь 0,4685 и WER 26,9801. Модель опубликована в форматах PyTorch и safetensors под лицензией Apache-2.0. Карточка не приводит дополнительных сведений об условиях записи, методике оценки или иных ограничениях, поэтому результаты могут не отражать качество на аудио из других источников.

Whisper Small Hi — модель распознавания речи, созданная Sanchit Gandhi дообучением openai/whisper-small на наборе Common Voice 11.0. Она предназначена для преобразования аудиозаписей на хинди в текст; архитектура — Whisper с примерно 153,1 млн параметров. В метаданных указаны реализации PyTorch, TensorFlow и формат safetensors, а лицензия — Apache-2.0. На тестовой выборке модели указаны loss 0,4519 и WER 32,0113. Эти результаты относятся к оценке на Common Voice 11.0 и не гарантируют такое же качество на других источниках аудио. Карточка не приводит сведения о длине контекста и подробных ограничениях применения.

bobix/whisper-small-polish — модель распознавания речи, созданная дообучением OpenAI Whisper Small на польском языке. Она преобразует польскую речь в текст и предназначена для офлайн-транскрибирования, в том числе на пользовательских устройствах с потребительским GPU или CPU. Модель основана на архитектуре Whisper, содержит 153,1 млн параметров и распространяется в формате Safetensors; в карточке также описана конверсия файлов .bin для использования в мобильной клавиатуре. Модель выпущена под лицензией MIT. Карточка не приводит количественных оценок качества, ограничений по длительности аудио или результатов тестирования; качество распознавания может зависеть от записи и польского произношения.

Модель seniruk/whisper-small-si разработана Seniru Epasinghe и представляет собой дообученную версию Whisper Small от OpenAI для распознавания синхальской речи и преобразования её в текст. Она построена на архитектуре Whisper и содержит 153,1 млн параметров; для запуска используется библиотека Transformers, веса представлены в формате safetensors. Модель обучена на наборе seniruk/sinscribe-sinhala-stt. В README приведён результат оценки на тестовой выборке: WER 29,1387 и loss 0,0829. Автор рекомендует подавать аудио с низким уровнем шума для получения лучших результатов. Модель рассчитана на транскрибирование синхальской речи. Лицензия Apache-2.0 разрешает её использование на условиях этой лицензии.

mlx-community/whisper-tiny.en-8bit — компактная модель распознавания речи на основе Whisper tiny.en от OpenAI, преобразованная в формат MLX сообществом mlx-community с помощью mlx-audio-plus версии 0.1.4. Она предназначена для преобразования англоязычной речи в текст и подходит для транскрибирования аудиозаписей и голосового ввода. Репозиторий содержит веса в формате safetensors; модель использует архитектуру Whisper и библиотеку mlx-audio-plus. Лицензия — Apache-2.0. Карточка не приводит отдельных оценок качества или известных ограничений.