I.15Доступность и ассистивные технологии

LiquidAI/LFM2-VL-3B-GGUF — мультимодальная vision-language модель семейства LFM2-VL, разработанная Liquid AI для работы на периферийных устройствах и локального развертывания. Модель предназначена для задач преобразования изображений и текста в текст, включая анализ визуального содержимого и генерацию ответов по изображениям, с акцентом на сочетание качества, скорости и экономичного использования памяти. Модель распространяется в формате GGUF, совместимом с llama.cpp, и доступна в вариантах F16, Q4_0 и Q8_0, что позволяет выбирать между точностью, скоростью инференса и требованиями к ресурсам. Указан размер 3B; поддерживаются английский, японский, французский, испанский, немецкий, итальянский, португальский, арабский, китайский и корейский языки. Размер контекста и подробности архитектуры в предоставленной карточке не указаны. Сильными сторонами модели являются мультимодальность, ориентация на edge-сценарии, возможность локального запуска и наличие вариантов квантования. Ограничения включают отсутствие в карточке подробных результатов оценки, характеристик контекста и точных требований к аппаратному обеспечению. Модель выпускается по лицензии lfm1.0; дополнительные условия следует уточнять в файле LICENSE и оригинальной карточке базовой модели LiquidAI/LFM2-VL-3B.

Llasa-1B-Multilingual — многоязычная модель синтеза речи, разработанная HKUST Audio на основе дообученной Meta Llama 3.2 1B Instruct. Она преобразует текст в речь и использует токенизатор Llama с BPE, чтобы обрабатывать разные языки без отдельных систем преобразования графем в фонемы. Для синтеза требуется XCodec2. Модель обучалась на данных MLS для английского, французского, немецкого, нидерландского, испанского, итальянского, португальского и польского языков, а также Emilia для английского, китайского, немецкого, французского, японского и корейского. В сумме в карточке заявлена поддержка 11 языков; ограниченность обучающих данных может снижать качество для некоторых из них. Авторы также рассматривают модель как основу для дообучения под отдельный язык. Архитектура — плотная LlamaForCausalLM, около 1,4 млрд параметров; нативная длина контекста — 131 072 токена. Лицензия CC BY-NC 4.0 запрещает бесплатное коммерческое использование.

Карточка модели sadii0101/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.

Карточка модели tunai1111/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.

Это дообученная модель распознавания речи на архитектуре wav2vec2, основанная на facebook/mms-1b-all. Она обучена на наборе BEMGEN - BEM и предназначена для преобразования аудио в текст. В карточке приведены результаты оценки на тестовом наборе: loss 12.7139 и CER 0.0530. Модель содержит 1,3 млрд параметров, использует формат safetensors и библиотеку Transformers. Базовая модель поддерживает более тысячи языков, однако языковая поддержка именно этого дообучения в карточке не уточнена. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

GJATT/mms-pa_Sep27_152songs — модель распознавания речи на основе wav2vec2, дообученная разработчиком GJATT на базе facebook/mms-1b-all. Она преобразует входящее аудио в текст; карточка приводит результаты оценки: WER 0,3271 и CER 0,0971, а также loss 0,3949. Базовая модель поддерживает более тысячи языков, но язык и область применения именно этой версии в карточке не уточнены. Модель содержит 1,3 млрд параметров и распространяется в формате safetensors для библиотеки Transformers. README не описывает обучающий набор данных или предполагаемые сценарии использования. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-bul — модель синтеза болгарской речи из текста, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Это отдельный языковой чекпойнт проекта, рассчитанный на генерацию речи на болгарском языке. Модель использует архитектуру VITS: она преобразует последовательность текста в речевую волну сквозным образом, объединяя вариационный автоэнкодер, Transformer-энкодер текста, нормализующие потоки, стохастический предсказатель длительности и декодер на основе свёрточных слоёв в стиле HiFi-GAN. Размер модели — 3,5 млн параметров; веса доступны в форматах PyTorch и Safetensors. Для работы с чекпойнтом подходит библиотека Transformers версии 4.33 и новее. Модель предназначена для озвучивания болгарского текста. Из-за стохастического предсказания длительности генерация недетерминирована; для повторения результата требуется фиксировать seed. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Moonshine Tiny — LiteRT — компактная модель автоматического распознавания речи, разработанная Moonshine AI, ранее Useful Sensors, и упакованная для выполнения через LiteRT. Модель основана на UsefulSensors/moonshine-tiny и предназначена для быстрой транскрипции английской речи и голосовых команд непосредственно на устройстве. Это encoder-decoder-модель с 27 млн параметров, поддерживающая только аудио и английский язык. Она принимает монофонический аудиосигнал с частотой 16 кГц в формате raw waveform, поэтому отдельное извлечение mel-спектрограмм не требуется. Обработка выполняется окнами по 5 секунд с нулевым дополнением коротких фрагментов; более длинные записи разбиваются на последовательные окна. Доступны варианты float32 и int8 с float32-энкодером, а также заранее скомпилированные варианты для некоторых NPU MediaTek и Qualcomm. К сильным сторонам относятся небольшой размер, возможность локального выполнения, поддержка ускорения на мобильных NPU и отсутствие требования к сетевому соединению. Ограничения включают фиксированное окно контекста 5 секунд, жадное декодирование с максимумом 64 токена на окно и отсутствие KV-кэша, из-за чего время декодирования увеличивается с количеством уже выданных токенов. Репозиторий не содержит tokenizer.json: токенизатор необходимо загрузить из базовой модели. Модель распространяется по лицензии MIT.

Это ResNet-подобная модель SpeechBrain для подавления шума в речи. Её обучали на Voicebank и DEMAND с использованием mimic loss: сначала обучается перцептивная модель на чистой речи, затем модель улучшения речи, а после этого ASR-модель на базе, предварительно обученной на LibriSpeech, дообучается с фронтендом улучшения речи. Модель улучшения и ASR-компонент можно использовать вместе или по отдельности. Модель предназначена для улучшения зашумлённой английской речи и повышения устойчивости распознавания речи. В карточке приведены показатели PESQ 3,05, COVL 3,74 и WER 2,80 на тесте; результаты на других наборах данных не гарантируются. Репозиторий содержит веса PyTorch и работает с SpeechBrain 0.5.12. Лицензия — Apache-2.0.

Multitalker Parakeet Streaming 0.6B v1 — потоковая модель NVIDIA для распознавания речи отдельных участников в многоголосой аудиозаписи. Она основана на Nemotron-Speech-Streaming и архитектуре Parakeet с энкодером Fast-Conformer, входящим в NeMo Encoder for Speech Tasks (NEST). Механизм speaker kernel injection использует сведения об активности речи каждого участника, поступающие от системы диаризации, чтобы направлять распознавание на конкретного говорящего; предварительная запись голоса или speaker embeddings не требуются. Для каждого участника запускается отдельный экземпляр модели, все экземпляры получают один и тот же монофонический аудиопоток с частотой 16 кГц и независимо формируют транскрипцию своего говорящего, в том числе при сильном перекрытии речи. Модель поддерживает потоковую обработку с настраиваемым компромиссом между задержкой и точностью; результат сохраняется в формате SegLST. Для работы требуются NVIDIA NeMo и сведения о речевой активности участников от системы диаризации. Модель доступна как предобученный чекпойнт для инференса и дообучения. Лицензия в метаданных указана как other; конкретные условия следует сверять с карточкой модели NVIDIA.

nanoLLaVA-1.5 — компактная зрительно-языковая модель от qnguyen3 для диалога по изображениям и запуска на устройствах с ограниченными ресурсами. В карточке указаны языковая основа Quyen-SE-v0.1 на базе Qwen1.5-0.5B и визуальный энкодер google/siglip-so400m-patch14-384; метаданные описывают архитектуру как плотную llava-qwen2 с классом BunnyQwenForCausalLM и содержат 463,9 млн параметров. Модель принимает изображения и текстовые запросы, выдаёт текст; для диалога используется формат ChatML. Нативный контекст составляет 32 768 токенов. Модель предназначена для визуальных вопросов и ответов, описания изображений и чтения текста на изображениях. Опубликованные в README результаты относятся к nanoLLaVA-1.0, а показатели версии 1.5 обозначены как TBD; данные обучения и код дообучения на момент публикации обещаны позднее. Веса доступны в формате safetensors по лицензии Apache-2.0.

NbAiLab создала модель распознавания норвежской речи на нюнорске для преобразования аудио в текст. Это дообученная на основе экстрактора признаков VoxRex модель архитектуры Wav2Vec2ForCTC с 402,7 млн параметров; при обучении использовался Norwegian Parliamentary Speech Corpus (NPSC). Репозиторий содержит веса в форматах PyTorch и Safetensors. Модель предназначена для автоматической транскрибации норвежской речи, в том числе парламентских выступлений. На тестовой выборке авторы сообщают WER 12,22% и CER 4,19% при использовании 5-граммовой языковой модели; без неё результаты составляют 15,37% и 4,68% соответственно. Указана лицензия Apache-2.0. README не описывает работу с другими языками или типами аудио, поэтому качество на них не подтверждено.

Nemotron-3.5 Hinglish Fine-Tuned — модель распознавания речи, дообученная автором репозитория на наборе Noisy Hinglish ASR для распознавания хинди и речи с переключением между хинди и английским. Она основана на nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b и использует архитектуру FastConformer RNNT с prompt-streaming; размер базовой модели — 638 млн параметров. Репозиторий включает экспортированные модели ONNX для развёртывания, а базовая архитектура поддерживает потоковую обработку аудио. Модель предназначена для транскрибации разговорной Hinglish-речи и шумной речи на хинди. В приведённых автором тестах WER для разговорной Hinglish составил 24,57% против 42,17% у базовой модели, а для шумного хинди — 31,67%; на чистом хинди отмечено небольшое ухудшение WER. Модель распространяется по лицензии Apache-2.0.

jaeyong2/neutts-air-ko — дообученная версия модели Neuphonic neutts-air для синтеза речи из текста. Модель основана на архитектуре Qwen2 и содержит 552,8 млн параметров; в метаданных указан контекст длиной 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для преобразования текста в речь. В карточке указаны корейский и английский языки. Базовая модель Neuphonic поддерживает клонирование голоса по короткому аудиообразцу, однако карточка этой версии не подтверждает такую возможность отдельно. Модель распространяется по лицензии Apache-2.0.

omniASR-CTC-300M-v2-Zulu-Lwazi — модель распознавания речи на архитектуре Wav2Vec2 с CTC-декодированием, преобразованная из контрольной точки OmniLingual fairseq2 omniASR_CTC_300M_v2. Она принимает аудио и выдаёт логиты CTC по словарю SentencePiece, которые используются для транскрибирования речи. Архитектура включает 24 слоя энкодера и скрытый размер 1024; в метаданных указано 413,2 млн параметров. README подтверждает численное соответствие исходной контрольной точке на тестовом аудиофрагменте. Модель предназначена для автоматического распознавания речи. В названии указаны Zulu и Lwazi, однако README сообщает о поддержке нескольких языков и не перечисляет их, поэтому основной язык определить нельзя. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

OmniLion — мультимодальная модель от LLJYY, объединяющая языковую и визуальную модель SEA-LION/Qwen3.6 с аудиокодировщиком Qwen3-ASR и обученным аудиопроектором. В одном процессе vLLM она принимает текст, изображения, видео, аудио или совместный аудио-видеоввод и формирует текстовый ответ. Репозиторий содержит веса SafeTensors; для запуска требуется соответствующий плагин vLLM. В README подтверждена работа на Linux ARM64 с NVIDIA GB10; проверена только точность BF16 на указанной конфигурации. Модель предназначена для диалоговых мультимодальных сценариев, включая вопросы по изображениям и видео, транскрибацию и понимание аудио, а также запросы по синхронным аудио и видео. Аудиофрагменты ограничены 30 секундами. Указаны слабые результаты для незавершённой речи и сохранения тамильской речи; возможны галлюцинации, также наследуются ограничения безопасности и смещения компонентов и последующего обучения. Лицензия в метаданных обозначена как other; подробные условия компонентов вынесены в LICENSES.md.

OmniVoice BF16 — преобразованная в формат BF16 версия многоязычной модели синтеза речи OmniVoice, подготовленная Kawshik Kumar Paul для инференса на PyTorch. Модель разработана на базе k2-fsa/OmniVoice и предназначена для преобразования текста в речь; семейство OmniVoice также поддерживает синтез с клонированием голоса и настройкой его характеристик. Репозиторий содержит веса в формате safetensors и использует библиотеку omnivoice. Для инференса рекомендуется GPU; запуск на CPU возможен, но может быть медленным. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

Orpheus Australian-English TTS — это дообученная модель синтеза речи на базе canopylabs/orpheus-tts-0.1-pretrained, разработанная ablm​​ontazer. В основе — плотная Llama-архитектура с 3,3 млрд параметров и аудиокодеком SNAC с частотой 24 кГц; модель принимает текст на английском языке и генерирует монофоническую речь с австралийским акцентом. Поддерживаются восемь именованных голосов. Модель предназначена для озвучивания текста, например аудиокниг, диалогов, объявлений и демонстрационных голосовых интерфейсов. Обучение проводилось на аудиокнигах LibriVox и драматических чтениях из общественного достояния; в README приведены примеры генерации и рекомендации по температуре 0,5–0,7. Указанный авторами контекст — 131 072 токена. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Авторы отмечают, что у одного из голосов было меньше обучающих данных, поэтому его генерация менее стабильна; выборка обучения составляла около 22 часов суммарно для восьми голосов.

PaliGemma 3B PT 224 — компактная предобученная модель зрения и языка от Google, построенная на визуальном энкодере SigLIP и языковой модели Gemma. Она принимает изображение и текст, а в ответ генерирует текст; вариант 224 использует разрешение изображений 224 пикселя. Модель предназначена прежде всего для дообучения под конкретные задачи, а не для готового универсального чат-бота. После адаптации модель можно применять для описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения объектов и сегментации. Также возможна настройка для анализа снимков дистанционного зондирования, вопросов по науке, помощи людям с нарушениями зрения и объяснения элементов интерфейса. Поддерживаются несколько языков, но карточка не перечисляет их коды. Это одноходовая модель: она не предназначена для многошагового диалога. Без дообучения на целевой задаче качество может уступать специализированным моделям; ответы могут содержать фактические ошибки, а сложные запросы, нюансы языка и некоторые аспекты рассуждения могут даваться хуже. Репозиторий содержит веса Safetensors и распространяется по лицензии Gemma.

PaliGemma 3B PT 896 — предварительно обученная компактная модель для работы с изображениями и текстом, разработанная Google. Она сочетает визуальный энкодер SigLIP с языковой моделью Gemma и принимает изображение вместе с текстовым запросом, выдавая текст. Модель рассчитана на дообучение под конкретную задачу: описание изображений и коротких видео, визуальные вопросы и ответы, чтение текста на изображениях, обнаружение и сегментацию объектов. Модель поддерживает несколько языков и предназначена для одношагового взаимодействия, а не для многоходового диалога. Она лучше подходит для задач с чёткими инструкциями и специализированным дообучением; ответы на открытые и сложные вопросы могут быть неточными, а готовое качество без адаптации к задаче может уступать специализированным моделям. Весовые файлы представлены в формате safetensors. Лицензия — Gemma; применение должно соответствовать условиям лицензии и правилам использования моделей Gemma.

primeline/parakeet-primeline — модель автоматического распознавания речи, представленная Primeline и предназначенная прежде всего для точной транскрипции немецкой речи. Она основана на архитектуре NVIDIA Parakeet TDT 0.6B v3 и использует FastConformer-энкодер с Token-and-Duration Transducer-декодером; в карточке указано около 600 млн параметров. Модель принимает монофонический звук с частотой 16 кГц и выдаёт текст с пунктуацией и заглавными буквами, а также поддерживает временные метки слов. Модель рассчитана на транскрибирование немецкой речи, включая дикторскую речь и разговоры, создание субтитров, расшифровку встреч и анализ звонков. В README также заявлена поддержка длинных аудиозаписей и адаптации словаря через внешние KenLM n-граммные языковые модели. Метаданные указывают немецкий язык и задачу automatic-speech-recognition; README называет модель мультиязычной на базе Parakeet, но основной акцент делает на немецком. Карточка сообщает о более низком WER на приведённых тестах по сравнению с базовой моделью и Whisper large v3, однако результаты представлены самим автором и зависят от набора данных и условий записи. Распознавание может ухудшаться при шуме, сильных акцентах и редкой специализированной лексике. Модель доступна по лицензии CC BY 4.0.

Это англоязычная модель распознавания речи Parakeet Unified 0.6B, представленная MarkChen1214 в смешанном 3-, 4- и 6-битном варианте для MLX. Она основана на FastConformer-RNNT от NVIDIA и предназначена для локальной транскрибации аудио. Квантование с группами по 64 веса уменьшает размер весов до 0,352 ГБ; на тестах LibriSpeech и FLEURS модель показала макро-WER 2,78% против 2,66% у полноточного учителя. Модель принимает аудио и выдаёт текст на английском. Замеры качества проведены для офлайн-инференса с полным контекстом; потоковую задержку и качество потокового режима автор не заявляет, хотя исходная архитектура поддерживает потоковую обработку. Результаты могут меняться в зависимости от акцента, предметной области, шума и условий записи. Для загрузки требуется совместимый MLX runtime и указанный в README загрузчик. Лицензия в метаданных обозначена как other; конкретные условия следует сверять с карточкой репозитория и лицензией исходной модели.

Parler-TTS Mini v1.1 — компактная модель преобразования текста в речь, разработанная командой Parler-TTS при участии Stability AI и Эдинбургского университета. Модель обучена на 45 тысячах часов аудиоданных и предназначена для синтеза естественно звучащей речи по тексту. Характеристики голоса можно задавать текстовым описанием: управлять тембром и полом голоса, скоростью речи, высотой тона, реверберацией и уровнем фонового шума. Для более стабильного голоса можно выбрать одного из 34 описанных дикторов. Версия v1.1 использует улучшенный токенизатор текстовых описаний с расширенным словарём и поддержкой byte fallback; карточка указывает английский язык. Модель подходит для озвучивания текста с настройкой подачи и акустических условий, а также для приложений, которым нужны разные голоса. Она доступна в формате safetensors и использует библиотеку Transformers. Лицензия Apache-2.0 разрешает свободное использование и распространение.

Qwen2-VL-72B-Instruct-GGUF — мультимодальная instruction-tuned модель семейства Qwen2-VL, разработанная Qwen и квантованная компанией Second State Inc. Модель предназначена для обработки изображений и текстовых запросов, включая задачи визуального анализа, распознавания содержимого изображений и генерации ответов по ним. В карточке указана поддержка английского языка и формат image-text-to-text. Модель основана на Qwen2-VL-72B-Instruct с размером 72 млрд параметров и поставляется в формате GGUF с вариантами квантования от 2 до 8 бит. Доступны отдельные файлы визуального энкодера; для запуска с LlamaEdge используется шаблон qwen2-vision и заявлен контекст до 128 000 токенов. Вариант Q4_K_M описан как сбалансированный по качеству и размеру, а Q5_K_M — как вариант с очень малой потерей качества. Основные преимущества — мультимодальность, большой контекст и возможность выбора уровня квантования в зависимости от доступных ресурсов. Ограничения связаны с существенными требованиями к дисковому пространству и вычислительным ресурсам: размеры файлов варьируются примерно от 29,8 до 47,4 ГБ для указанных вариантов, а низкобитные версии могут заметно терять качество. Модель распространяется по лицензии tongyi-qianwen; в карточке указан тип лицензии other и ссылка на лицензию исходной модели.

OpenVINO/Qwen3.5-9B-int8-ov — квантованная версия мультимодальной модели Qwen3.5-9B, разработанной командой Qwen и преобразованной в формат OpenVINO IR. Модель предназначена для диалоговых сценариев, в которых требуется обрабатывать текст и изображения, например для описания изображений и создания визуально-языкового ассистента. Модель использует веса, сжатые до INT8 методом NNCF в режиме INT8_ASYM с group_size -1. В README не указаны точный размер контекста, поддерживаемые языки и подробные архитектурные характеристики исходной модели. Формат совместим с OpenVINO 2026.2.0 и новее, а также Optimum Intel 1.27.0 и новее; предусмотрен запуск на CPU через OpenVINO GenAI и Optimum Intel. Ключевое преимущество модели — уменьшенный объём весов и возможность инференса в экосистеме OpenVINO при сохранении мультимодального сценария исходной модели. Ограничения и другие особенности следует уточнять в карточке Qwen3.5-9B. Модель распространяется по лицензии Apache License 2.0.

vadimbelsky/qwen3.5-TTS-Emirati — дообученная модель синтеза речи на базе Qwen3-TTS-12Hz-1.7B-Base, опубликованная пользователем vadimbelsky. В карточке описано добавление поддержки арабского языка в базовую модель, изначально не имевшую арабского в словаре токенов аудиокодека. Для арабского добавлены языковое встраивание и отдельный префикс кодека; датасет автоматически распознаёт арабский текст по диапазону Unicode. Название указывает на эмиратский вариант арабского, однако карточка не уточняет его диалектные особенности. Модель предназначена для преобразования текста в речь; карточка также показывает пример генерации речи на английском с пользовательским голосом. Архитектура — плотная Qwen3-TTS с условной генерацией, веса представлены в safetensors. Поддерживаемые языки по метаданным — арабский и английский. Лицензия — Apache-2.0. Карточка не приводит отдельной оценки качества или подробных ограничений применения.

OpenVINO/Qwen3.6-35B-A3B-int4-ov — квантизированная версия мультимодальной модели Qwen3.6-35B-A3B, разработанная Qwen и преобразованная в формат OpenVINO IR. Модель предназначена для задач vision-language, включая анализ и описание изображений, визуальный вопросно-ответный диалог и генерацию текста на основе текстовых и визуальных запросов. В README точные сведения о языках, размере контекста и внутренней архитектуре не указаны. Веса сжаты до INT4 методом NNCF в режиме INT4_ASYM с размером группы 64; для резервного хранения используется INT8_SYM. Такое представление ориентировано на более эффективное выполнение инференса на совместимом CPU или GPU при снижении требований к памяти, однако квантизация может влиять на точность по сравнению с исходной моделью. Модель совместима с OpenVINO версии 2026.2.0 и выше и Optimum Intel 1.27.0 и выше, а также может использоваться через OpenVINO GenAI, Optimum Intel и OpenVINO Model Server. Распространяется по лицензии Apache-2.0. Для работы требуются соответствующие компоненты OpenVINO и инструменты интеграции; конкретные показатели производительности и ограничения по аппаратному обеспечению в README не приведены.

Nampfiev1995/Qwen3.8-27B Nemotron VI+EN Mixed ASR + QA — дообученный аудио-языковой чекпойнт на базе unsloth/Qwen3.8-27B. Репозиторий содержит два варианта: выбранный по валидации чекпойнт best на шаге 250 и последний чекпойнт latest на шаге 3500. В рецепте смешаны задачи транскрибирования речи и ответов на вопросы с системными инструкциями и без них. В модели заморожен энкодер Nemotron и обучен проектор размерности 1024 → 5120; для работы нужен базовый чекпойнт Qwen3.8-27B, загружаемый отдельно через AudioLLM loader. Для лучшего чекпойнта указана CER 0,0487. Метаданные указывают формат safetensors и задачу question-answering, тогда как README также описывает распознавание речи. Сведения о лицензии, размере контекста и условиях коммерческого использования в предоставленных данных отсутствуют.

Qwen3-ASR-0.6B-gguf — это квантизированные GGUF-сборки модели Qwen3-ASR-0.6B, подготовленные проектом handy-computer для работы с transcribe.cpp. Модель предназначена для офлайн-распознавания речи и автоматической транскрипции аудио в текст с автоматическим определением языка. Она принимает монофонические WAV-файлы с частотой 16 кГц; потоковая обработка, перевод речи и временные метки не поддерживаются, явная подсказка языка также недоступна. Архитектура включает двунаправленный аудиоэнкодер из 18 слоёв и 28-слойную каузальную языковую модель Qwen3 с внедрением аудиотокенов в объединённую аудио-текстовую последовательность без cross-attention. Указана поддержка 30 языков в сборке transcribe.cpp, включая китайский, английский, кантонский, русский, немецкий, французский, испанский, японский, корейский, арабский и другие. Доступны варианты BF16, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 590 МБ до 1,58 ГБ. На LibriSpeech test-clean показатель WER составляет 2,11–2,26% в зависимости от квантизации; для ряда языков приведены дополнительные оценки на FLEURS. Сильные стороны модели — офлайн-работа, мультиязычность, автоматическое определение языка и несколько вариантов квантизации для выбора между качеством и потреблением памяти. Ограничения включают отсутствие streaming, перевода и временных меток, требование к формату входного аудио и заметно различающееся качество между языками. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели Qwen/Qwen3-ASR-0.6B.

Qwen3-ASR-1.7B-JA MLX — конвертированная в формат MLX версия модели neosophie/Qwen3-ASR-1.7B-JA для распознавания японской речи. Репозиторий подготовлен для библиотеки mlx-qwen3-asr; веса сохранены в bfloat16 без квантизации. Модель принимает аудио и выдаёт текстовую транскрипцию, в том числе с оформлением результата в формате VTT через соответствующую утилиту. Базовая модель дообучена для более точного распознавания японских имён, названий компаний и редких кандзи. Репозиторий распространяется по лицензии Apache-2.0. Карточка описывает конвертацию весов для MLX, а не отдельное дообучение этой копии.