Картинка + текстВидеоГолосовые ассистентыРечь в текст

WeMM-Video

Двуязычное (китайский и английский) семейство Tencent для совместного понимания видео и звука: принимает текст, картинки, звук и видео, отвечает текстом. Может сопоставить кадры с оригинальной звуковой дорожкой, описать происходящее, расшифровать речь и порассуждать о том, что видно и слышно; работает и с немым видео, отдельным звуком и картинками. Три размера: плотная 2B, 9B и MoE 35B-A3B (3B активных). Есть сжатые версии FP8, AWQ, GGUF и NVFP4. Русский не заявлен.

Разработчик
Tencent (WeChat), Китай
Первый выпуск
ноя 2026
Последний выпуск
ноя 2026
Размеры
2B, 9B и 35B-A3B
Лицензия
Можно в коммерциюApache 2.0
Русский язык
Нет
Запуск
Через свой серверНужна видеокарта
Сферы
Медиа и продакшн, Поддержка клиентов, Безопасность

Какие задачи решает

  • описание и разбор видео вместе со звуком
  • расшифровка речи и вопросы по записи
  • проверка и модерация видеоконтента

Где применяется

медиа и видеоплатформыподдержка и контроль качествабезопасность и аналитика

Требования к железу

НоутбукНоутбук или обычный ПК, до 8 ГБ видеопамяти — младшие версии
подходит
1 видеокартаОдна видеокарта на 16–80 ГБ — средние версии
подходит
КластерСервер с несколькими видеокартами — флагманские версии
нет версий

Версии

  1. WeMM-Video-35B-A3B (BF16, FP8, AWQ, GGUF, NVFP4)
  2. WeMM-Video-9B
  3. WeMM-Video-2B

Как запустить

На своём сервереВеса скачиваются с Hugging Face, запуск — через vLLM (нагрузка и API) или llama.cpp (скромное железо). Так модель работает в закрытом контуре, без оплаты за запросы.Hugging Face
Сколько нужно железаПосчитайте видеопамять под нужный размер модели, контекст и число одновременных запросов.Открыть калькулятор железа

Ставлю и настраиваю под ключ: подберу размер модели, разверну на вашем сервере, подключу к вашим системам.

Частые вопросы

Можно ли использовать WeMM-Video в коммерческом проекте?

Да. Лицензия: Apache 2.0. Это разрешает коммерческое использование, но перед запуском лицензию всё равно стоит показать юристу.

Какое железо нужно для WeMM-Video?

Минимум: Ноутбук или обычный ПК, до 8 ГБ видеопамяти — младшие версии. Без видеокарты модель практически не работает. Точный объём видеопамяти под ваш размер модели и контекст можно посчитать в калькуляторе железа.

Поддерживает ли WeMM-Video русский язык?

Нет. В документации разработчика языки перечислены, русского среди них нет. Для русских задач лучше взять модель из подборки «Открытые ИИ-модели с русским языком».

Где скачать WeMM-Video и сколько это стоит?

Веса WeMM-Video лежат в открытом доступе и скачиваются бесплатно. Платить нужно только за железо, на котором модель работает, и за настройку. Ссылки на первоисточник — в конце страницы.

Как внедряю у заказчика

  1. ПодборВыбираю размер модели под задачу и ваше железо, проверяю на ваших примерах.
  2. УстановкаРазворачиваю на вашем сервере или в закрытом контуре, отдаю API.
  3. ДообучениеДообучаю на ваших данных (LoRA) или подключаю базу знаний — что дешевле для задачи.
  4. ВстраиваниеПодключаю к CRM, 1С, боту, сайту или рабочему чату, настраиваю мониторинг.

Похожие модели

Голосовые ассистентыQwen OmniAlibaba (Qwen) · КитайМожно в коммерцию

Модели, которые понимают текст, картинки, аудио и видео и отвечают голосом в реальном времени. Qwen3-Omni говорит на 10 языках, включая русский.

Подробнее
Картинка + текстWeVisOne-VLWeChat Vision, Tencent · КитайМожно в коммерцию

Единая модель зрения от WeChat Vision (Tencent) на основе Qwen3-VL: в одной модели и поиск объектов, и точечное восприятие. Находит объекты по описанию, указывает на нужный предмет, считает предметы, указывает точки, читает текст, а на уровне пикселей вырезает объект по описанию и делает альфа-маску по запросу, для этого к модели добавлен небольшой декодер на 9,6M параметров. Два размера, 2B и 4B. Подходит для разметки картинок, вырезания товаров с фона, подсчёта предметов на фото. Языки запросов в карточке не указаны.

Подробнее
Голосовые ассистентыMiniCPM-oOpenBMB (ModelBest, Университет Цинхуа) · КитайМожно в коммерцию

Небольшая модель, которая видит, слышит и отвечает голосом в реальном времени, может клонировать голос. Голосовой диалог на английском и китайском, текст — на 30+ языках.

Подробнее

Источник: huggingface.co/tencent/WeMM-Video-35BA3B. Данные сверены с карточкой модели 22.09.2026. Лицензию перед коммерческим запуском проверьте с юристом.