IV.9Медиа, журналистика, культура, архивы и игры

VRMBG-3.0 — модель BRIA AI для удаления фона из видео и предсказания альфа-матты. Она содержит около 220 млн параметров, обрабатывает кадры с разрешением 1024 × 1024 и использует авторегрессионную схему: для текущего RGB-кадра модель также получает предыдущий кадр, умноженный на его предсказанную альфа-матту. На первом кадре вместо предыдущего кадра используются нулевые тензоры. Модель предназначена для удаления фона в реальном времени в видео с людьми, объектами и товарами. Использование временного контекста повышает согласованность матты между кадрами и снижает мерцание по сравнению с независимой обработкой кадров. На выходе — одноканальная альфа-матта со значениями от 0 до 1. Для удаления фона на отдельных изображениях разработчик рекомендует RMBG-2.0. Веса доступны в форматах PyTorch и Safetensors. Лицензия BRIA VRMBG-3.0 разрешает только некоммерческое использование; для коммерческого применения требуется соглашение с BRIA AI.

Finnish-NLP/wav2vec2-xlsr-1b-finnish-lm-v2 — модель распознавания финской речи, опубликованная организацией Finnish-NLP. Это дообученная для автоматического распознавания речи версия facebook/wav2vec2-xls-r-1b: акустическая модель Wav2Vec2ForCTC с 1,3 млрд параметров, к которой в репозитории добавлена финская языковая модель KenLM для декодирования. Для дообучения использовано 275,6 часа размеченной финской речи; среди источников данных — Common Voice 7.0, VoxPopuli и записи заседаний парламента Финляндии. Модель преобразует аудио в текст и предназначена для расшифровки финской речи. Обучающие аудиофрагменты длиной не более 20 секунд, поэтому наиболее уверенно она работает с короткими записями сопоставимой длительности; длинное аудио можно обрабатывать частями. Корпус преимущественно парламентский, поэтому распознавание повседневной речи, диалектов, а также речи женщин и детей может быть менее надёжным. Языковая модель KenLM также ориентирована на формальный финский. Лицензия — Apache-2.0.

sarpba/whisper-hu-small-finetuned — дообученная модель OpenAI Whisper Small для автоматического распознавания речи. Она принимает аудио и преобразует его в текст, с особым упором на венгерский язык. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. В README приведены результаты оценки на тестовом наборе: loss 0,02658 и WER 0,08494. Сведения о составе обучающего набора и ограничениях применения не раскрыты. Модель распространяется по лицензии Apache-2.0.

agnesluhtaru/whisper-large-et-ERR2020-v2 — модель распознавания речи, созданная дообучением openai/whisper-large-v2. Она предназначена для преобразования аудио в текст; название модели указывает на эстонский язык и датасет ERR2020. В метаданных указаны архитектура WhisperForConditionalGeneration, 905,2 млн параметров и формат PyTorch. На оценочном наборе в карточке приведены Loss 0,2915 и WER 13,8640. Модель распространяется по лицензии Apache-2.0. Карточка не описывает состав обучающих данных, условия оценки и ограничения применения, поэтому приведённые метрики нельзя напрямую переносить на другие аудио и сценарии.

Модель bofenghuang/whisper-large-v2-cv11-german — дообученная версия Whisper Large v2, созданная для распознавания немецкой речи. Её обучили на немецкой части набора Mozilla Common Voice 11.0; модель построена на архитектуре Whisper и содержит около 905,2 млн параметров. Модель преобразует аудио в текст, включая регистр букв и пунктуацию. Для входной речи требуется частота дискретизации 16 кГц. В карточке для Common Voice 11.0 указана оценка WER 5,76; результат получен на этом наборе и не гарантирует такую же точность на других данных. Модель распространяется по лицензии Apache-2.0.

Это модель распознавания речи на португальском языке, разработанная Yuriy Vnv на основе openai/whisper-large-v3 и дообученная на Common Voice 17.0 и синтетических данных CAPES, отфильтрованных методом WAVe. Она принимает аудио и преобразует речь в текст; рассчитана на транскрибацию португальской речи, в том числе для длинных высказываний и аудио из новых предметных областей. Модель содержит 905,2 млн параметров и использует архитектуру Whisper large-v3. В карточке сообщается о WER 7,95% на тесте Common Voice и 6,89% на MLS, а также о меньшем объёме синтетических данных и числе шагов обучения по сравнению с вариантом фильтрации на уровне предложений. Модель оптимизирована для обычной португальской речи; качество на технической лексике, шумном аудио и разных региональных вариантах португальского может отличаться. Распространяется по лицензии Apache-2.0.

Это модель автоматического распознавания речи на швейцарском немецком, созданная слиянием Whisper large-v3 от OpenAI и LoRA-адаптера Flurin17, а затем преобразованная в формат MLX. Чекпойнт FP16 на базе safetensors предназначен для Apple Silicon и совместим с mlx-whisper, mlx-audio и oMLX; он принимает аудио и выдаёт транскрипцию текстом. Модель подходит для транскрибации записей на швейцарском немецком, включая обработку через локальный сервер oMLX. В метаданных указан немецкий язык; адаптер нацелен на швейцарский немецкий. Лицензия репозитория обозначена как other, поэтому условия использования следует сверить с карточкой модели и лицензиями базовых компонентов.

Это модель ivrit.ai для автоматического распознавания речи на иврите. Она основана на Whisper large-v3-turbo, дообучена на 295 часах речи с волонтёрскими транскрипциями из ivrit-ai/crowd-transcribe-v5 и 93 часах профессионально расшифрованной речи, а веса представлены в формате CTranslate2 для использования через faster-whisper. Модель принимает аудио и преобразует речь в текст; пример использования в карточке задаёт язык распознавания как иврит. Она предназначена для расшифровки аудиозаписей на иврите. Лицензия — Apache-2.0. Количественные оценки качества и ограничения в карточке не приведены.

Модель Pirnazar — версия Whisper large-v3-turbo, дообученная для распознавания туркменской речи. Это самостоятельный чекпойнт с объединённым в веса LoRA-адаптером; отдельная загрузка адаптера или базовой модели не требуется. Модель построена на архитектуре Whisper и принимает аудио, выдавая текстовую транскрипцию. Для распознавания рекомендуется задавать язык tk и режим транскрипции. При обучении использовался датасет mamed0v/TurkmenSpeech; LoRA ранга 8 обучалась на проекциях q_proj и v_proj. В карточке приведены результаты валидации на 500 примерах: WER 29,51% и CER 6,59%; это метрики обучения, а не независимая оценка тестового набора. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Модель Dianavdavidson — дообученная на наборе данных Vaani модель автоматического распознавания речи на базе OpenAI Whisper Medium. Она принимает аудио и генерирует текстовую расшифровку; в карточке указаны 455,8 млн параметров, архитектура Whisper и формат safetensors. На оценочном наборе приведены Loss 0,4028 и Global WER 28,6796, однако описание не уточняет состав набора и методику оценки. Модель распространяется по лицензии Apache-2.0.

vk496/whisper-small-esl — модель распознавания речи, дообученная разработчиком на базе Ari/whisper-small-es. Она предназначена для транскрибации аудио; карточка сообщает об обучении и оценке на небольшом наборе из 95 и 10 аудиофрагментов соответственно. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. В оценке указаны точное совпадение 0,900 и точность по символам 0,975. Метаданные связывают модель с испанским языком. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Whisper Small Icelandic — модель распознавания речи, созданная дообучением openai/whisper-small на датасете samromur. Она принимает аудио и генерирует текстовую транскрипцию на исландском языке. Модель содержит 153,1 млн параметров и использует архитектуру Whisper с плотными слоями. В карточке указана оценка WER 23,0409 на наборе для оценки. Модель подходит для транскрибирования исландской речи; сведений о других сценариях или длине контекста нет. Распространяется по лицензии Apache-2.0.

WikiArt-Style — модель компьютерного зрения, дообученная на базе google/siglip2-base-patch16-224 с архитектурой SiglipForImageClassification. Она классифицирует изображения произведений искусства по 137 категориям художественных стилей, включая импрессионизм, барокко, кубизм и сюрреализм; модель обучена на наборе данных Artificio/WikiArt и предназначена для присвоения стилевых меток изображениям. Её можно применять для разметки коллекций картин, фильтрации и поиска произведений в каталогах, а также в образовательных интерфейсах по истории искусства. Модель принимает изображения и выдаёт категорию стиля. Лицензия — Apache-2.0. README не приводит численных оценок качества; классификатор ограничен заданным набором из 137 классов, в котором есть метка «None».

XLMRoBERTa-Clickbait-Detection-new — модель классификации текста, разработанная путём дообучения FacebookAI/xlm-roberta-large на наборе christinacdl/clickbait_detection_dataset. Она предназначена для определения кликбейтных заголовков и может применяться при проверке заголовков в публикациях и при автоматической модерации контента. Модель основана на XLM-RoBERTa, содержит 658,7 млн параметров и принимает текст с контекстом до 514 токенов. В метаданных заявлена поддержка английского, греческого, русского, румынского, немецкого, итальянского и испанского языков. На тестовой выборке автор сообщает точность 0,9839 и macro-F1 0,9838. Эти оценки относятся к указанному набору данных и сами по себе не гарантируют аналогичного качества на других источниках, жанрах заголовков или языках. Модель распространяется по лицензии MIT.

XLMRoBERTa-Multilingual-Clickbait-Detection — модель классификации текста, разработанная на основе XLM-RoBERTa large и дообученная для обнаружения кликбейта. Она предназначена для оценки заголовков и других коротких текстов на предмет кликбейтной подачи, в том числе в рамках проекта ЕС. Архитектура — XLM-RoBERTa для классификации последовательностей, размер — около 658,7 млн параметров, контекст — до 514 токенов. Модель поддерживает английский, греческий, итальянский, испанский, румынский, немецкий, французский и польский языки. В карточке приведены высокие результаты на тестовой выборке: общий Macro-F1 97,28; качество может отличаться на других данных и текстах, не похожих на обучающие. Обучающий набор основан на англоязычных данных о кликбейте, переведённых на другие языки с помощью машинного перевода. Модель распространяется по лицензии MIT.

Z-Image-Turbo — модель генерации изображений по тексту, опубликованная проектом Z-Image. Она использует архитектуру Scalable Single-Stream Diffusion Transformer (S3-DiT) с объединённым потоком текстовых, семантических и VAE-токенов изображения. Версия Turbo является дистиллированной версией Z-Image и создаёт изображения за 8 вызовов модели; в README заявлены субсекундная генерация на H800 и возможность работы на потребительских устройствах с 16 ГБ видеопамяти. Модель предназначена для фотореалистичной генерации и хорошо следует инструкциям. Среди заявленных сильных сторон — создание изображений с английским и китайским текстом и высокая скорость генерации. Репозиторий использует Diffusers и формат Safetensors. Лицензия — Apache-2.0.

Модель deepsweet/Z-Image-Turbo-6B-MLX-Q4 — версия Tongyi-MAI/Z-Image-Turbo, преобразованная в формат MLX с помощью MFLUX v0.17.5. Она предназначена для генерации изображений по текстовым описаниям; метаданные также отмечают поддержку редактирования изображений. Модель рассчитана на работу через библиотеку MFLUX и распространяется в формате safetensors. Базовая Z-Image-Turbo — дистиллированная модель Alibaba для быстрой генерации изображений, в том числе с английским и китайским текстом на изображениях. Репозиторий указывает лицензию Apache-2.0. Данные карточки не описывают отдельные ограничения этой версии.

vantagewithai/Z-Image-Turbo-GGUF — квантованная версия Z-Image-Turbo, разработанного командой Tongyi-MAI. Это модель генерации изображений по текстовому описанию, реализованная на архитектуре single-stream Diffusion Transformer и содержащая около 6 миллиардов параметров. Данная версия распространяется в формате GGUF. Модель предназначена для создания фотореалистичных изображений по промптам, хорошо следует инструкциям и поддерживает двуязычный рендеринг текста на английском и китайском языках. Дистиллированная версия Z-Image-Turbo выполняет генерацию примерно за 8 NFE; заявлены задержка менее секунды на GPU H800 и возможность работы на потребительских устройствах с 16 ГБ видеопамяти. Сильными сторонами модели являются высокая скорость, эффективное использование памяти, фотореалистичная генерация и качественное отображение английского и китайского текста. README не содержит сведений о разрешениях, длине контекста, поддерживаемых сценариях редактирования изображений или ограничениях, связанных с квантованием. Модель распространяется по лицензии Apache 2.0.

MLbackup/10_2025 — модель генерации изображений по текстовому описанию, опубликованная организацией Machine Learning Backup на Hugging Face. Она построена на базе OnomaAIResearch/Illustrious-xl-early-release-v0 и дообучена для создания изображений по промптам; репозиторий распространяется в формате safetensors и предназначен для запуска через Diffusers. Модель принимает текст и выдаёт изображение. В карточке указаны английский язык и лицензия CreativeML Open RAIL-M. Репозиторий отмечен как содержащий потенциально чувствительный контент.

Absolute Reality 1.6525 Inpainting — модель Stable Diffusion для редактирования изображений методом inpainting, разработанная Lykon. Она дообучена на runwayml/stable-diffusion-inpainting и предназначена для изменения или заполнения выбранных областей изображения с помощью текстового описания. Модель доступна в форматах Diffusers и safetensors; для использования указана лицензия CreativeML OpenRAIL-M. Карточка относит модель к художественным и реалистичным изображениям и отмечает поддержку английского языка. Подходит для локального редактирования изображений через Diffusers. Качество результата зависит от исходного изображения, маски и текстового запроса; отдельные ограничения в карточке не описаны.

Absolute Reality 1.81 — модель генерации изображений по текстовому описанию на основе Stable Diffusion, дообученная Lykon на runwayml/stable-diffusion-v1-5. Она предназначена для создания реалистичных и художественных изображений по запросам на естественном языке; автор рекомендует запускать её через Diffusers. Репозиторий содержит веса в форматах Diffusers и safetensors. Модель ориентирована на запросы на английском языке. Она распространяется по лицензии CreativeML OpenRAIL-M. Сведения о размере модели и длине контекста в предоставленных данных отсутствуют.

ACE-Step Captioner — модель для подробного описания музыкального аудио, используемая ACE-Step v1.5 для аннотирования обучающих данных. Она построена на архитектуре Qwen2.5 Omni и принимает аудио, формируя текстовые описания музыки. Модель анализирует жанры и стилистические влияния, распознаёт инструменты, описывает структуру произведения и её развитие, тембр, текстуру, пространственные характеристики и динамику. Её можно применять для разметки музыки при подготовке данных для генеративных моделей, создания поисковых метаданных аудиокаталогов, музыкального анализа и документирования звукового дизайна. В карточке заявлено качество выше Gemini Pro 2.5 в задачах описания музыки; независимая проверка этого сравнения не представлена. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — MIT. Размер модели и ограничение контекста в предоставленных данных не приведены.

Карточка модели Anyhow5026272/acestep-v15-xl-turbo на Hugging Face совпадает с карточкой ACE-Step/acestep-v15-xl-turbo, поэтому описание составлено по ней. ACE-Step 1.5 XL Turbo — вариант модели ACE-Step 1.5 от проекта ACE-Step для генерации музыки и аудио. Это дистиллированная модель с архитектурой DiT Decoder и 3,1 млрд параметров по метаданным; README обозначает вариант как XL 4B. В карточке также указаны библиотека Transformers, формат safetensors и контекст 32 768 токенов. Модель предназначена для генерации аудио по текстовому описанию. Turbo-вариант рассчитан на быстрый вывод за 8 шагов и ориентирован на высокое качество звука; README отмечает, что XL совместима с LM-моделями ACE-Step размером 0,6B, 1,7B и 4B. Для запуска требуется GPU с 12–20 ГБ VRAM в зависимости от квантования и выгрузки на CPU. README сообщает, что обучение использовало лицензированную, royalty-free, общественно доступную и синтетическую музыку, а сгенерированную музыку можно использовать в коммерческих целях. Лицензия репозитория — MIT. Модель генерирует аудио, но сведения о поддерживаемых естественных языках и конкретных аудиоформатах в предоставленных данных отсутствуют.

Карточка модели poroping/acestep-v15-xl-turbo на Hugging Face совпадает с карточкой ACE-Step/acestep-v15-xl-turbo, поэтому описание составлено по ней. ACE-Step 1.5 XL Turbo — вариант модели ACE-Step 1.5 от проекта ACE-Step для генерации музыки и аудио. Это дистиллированная модель с архитектурой DiT Decoder и 3,1 млрд параметров по метаданным; README обозначает вариант как XL 4B. В карточке также указаны библиотека Transformers, формат safetensors и контекст 32 768 токенов. Модель предназначена для генерации аудио по текстовому описанию. Turbo-вариант рассчитан на быстрый вывод за 8 шагов и ориентирован на высокое качество звука; README отмечает, что XL совместима с LM-моделями ACE-Step размером 0,6B, 1,7B и 4B. Для запуска требуется GPU с 12–20 ГБ VRAM в зависимости от квантования и выгрузки на CPU. README сообщает, что обучение использовало лицензированную, royalty-free, общественно доступную и синтетическую музыку, а сгенерированную музыку можно использовать в коммерческих целях. Лицензия репозитория — MIT. Модель генерирует аудио, но сведения о поддерживаемых естественных языках и конкретных аудиоформатах в предоставленных данных отсутствуют.

Карточка модели TTSCloneAPI/acestep-v15-xl-turbo на Hugging Face совпадает с карточкой ACE-Step/acestep-v15-xl-turbo, поэтому описание составлено по ней. ACE-Step 1.5 XL Turbo — вариант модели ACE-Step 1.5 от проекта ACE-Step для генерации музыки и аудио. Это дистиллированная модель с архитектурой DiT Decoder и 3,1 млрд параметров по метаданным; README обозначает вариант как XL 4B. В карточке также указаны библиотека Transformers, формат safetensors и контекст 32 768 токенов. Модель предназначена для генерации аудио по текстовому описанию. Turbo-вариант рассчитан на быстрый вывод за 8 шагов и ориентирован на высокое качество звука; README отмечает, что XL совместима с LM-моделями ACE-Step размером 0,6B, 1,7B и 4B. Для запуска требуется GPU с 12–20 ГБ VRAM в зависимости от квантования и выгрузки на CPU. README сообщает, что обучение использовало лицензированную, royalty-free, общественно доступную и синтетическую музыку, а сгенерированную музыку можно использовать в коммерческих целях. Лицензия репозитория — MIT. Модель генерирует аудио, но сведения о поддерживаемых естественных языках и конкретных аудиоформатах в предоставленных данных отсутствуют.

Карточка модели Tuananh20015/acestep-v15-xl-turbo на Hugging Face совпадает с карточкой ACE-Step/acestep-v15-xl-turbo, поэтому описание составлено по ней. ACE-Step 1.5 XL Turbo — вариант модели ACE-Step 1.5 от проекта ACE-Step для генерации музыки и аудио. Это дистиллированная модель с архитектурой DiT Decoder и 3,1 млрд параметров по метаданным; README обозначает вариант как XL 4B. В карточке также указаны библиотека Transformers, формат safetensors и контекст 32 768 токенов. Модель предназначена для генерации аудио по текстовому описанию. Turbo-вариант рассчитан на быстрый вывод за 8 шагов и ориентирован на высокое качество звука; README отмечает, что XL совместима с LM-моделями ACE-Step размером 0,6B, 1,7B и 4B. Для запуска требуется GPU с 12–20 ГБ VRAM в зависимости от квантования и выгрузки на CPU. README сообщает, что обучение использовало лицензированную, royalty-free, общественно доступную и синтетическую музыку, а сгенерированную музыку можно использовать в коммерческих целях. Лицензия репозитория — MIT. Модель генерирует аудио, но сведения о поддерживаемых естественных языках и конкретных аудиоформатах в предоставленных данных отсутствуют.

AgainMix_v2.0 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay. В карточке показан пример изображения, созданного через API Hugging Face: фотореалистичный портрет с пейзажным фоном и кинематографическим освещением. В метаданных указаны задача text-to-image, формат Diffusers и веса Safetensors. Лицензия обозначена как other, поэтому условия использования следует проверять в репозитории модели. Карточка не сообщает размер модели, архитектурные подробности, языки или длину контекста.

sachmatkris/agirdi — модель автоматического распознавания литовской речи, разработанная sachmatkris на основе дообучения openai/whisper-large-v3-turbo. Она предназначена для преобразования литовской речи в текст, включая чтение вслух и спонтанную речь. Модель использует архитектуру Whisper и была дообучена на поднаборах read и spon литовского речевого корпуса LIEPA-3. По данным карточки, Word Error Rate составляет 3,05% на тестовой выборке LIEPA-3 и 10,50% на FLEURS Lithuanian. Репозиторий содержит веса safetensors, а лицензия модели — MIT; корпус LIEPA-3 распространяется по лицензии CC BY 4.0. Модель специализирована на литовской речи. Качество может меняться в зависимости от записи, фонового шума, особенностей говорящего и диалекта, а также терминологии предметной области; модель наследует ограничения и возможные смещения Whisper и обучающих данных.

frankjoshua/albedobaseXL_v13 — модель генерации изображений по текстовому описанию, опубликованная пользователем frankjoshua на Hugging Face. Репозиторий содержит веса в формате Diffusers и Safetensors и предназначен для запуска через StableDiffusionXLPipeline. Модель принимает текстовый запрос и генерирует изображение. Доступные сведения подтверждают задачу text-to-image и совместимость с архитектурой Stable Diffusion XL; подробные характеристики обучения, размер модели, поддерживаемые языки и условия лицензии в карточке, использованной для анализа, не описаны.

Это модель классификации текста на основе ALBERT-base-v2, дообученная TextAttack на наборе данных AG News для отнесения новостных текстов к тематическим категориям. Она принимает последовательность текста и выдаёт метку класса; модель обучалась пять эпох с максимальной длиной последовательности 128 токенов. В карточке указана точность 0,947 на проверочной выборке. Модель предназначена для классификации новостных публикаций по категориям AG News. Архитектура — ALBERT для классификации последовательностей; размер составляет 136,3 млн параметров, нативное окно контекста — 512 токенов. Лицензия в предоставленных данных не указана.