I.3Извлечение и структурирование данных

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.

Osolon разработал wav2vec2-large-xls-r-300m-pl — модель распознавания речи, полученную дообучением facebook/wav2vec2-xls-r-300m на Common Voice 10.0. Она принимает аудио и преобразует речь в текст; архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. На указанной в карточке оценочной выборке модель показала WER 0,1338 и loss 0,1589. Модель распространяется по лицензии Apache-2.0.

Ilyes разработал модель распознавания французской речи на базе wav2vec2-large-xlsr-53. Это плотная модель с архитектурой Wav2Vec2ForCTC и 402,7 млн параметров, принимающая аудио и преобразующая речь в текст. Модель дообучена и оценена на французской части Common Voice; в карточке указаны WER 12,82% и CER 4,40% на тестовой выборке Common Voice FR. Модель подходит для транскрибации французской речи, например записей и аудиоматериалов. Она распространяется под лицензией Apache-2.0.

CuongLD разработал wav2vec2-large-xlsr-vietnamese — модель распознавания вьетнамской речи, дообученную на базе facebook/wav2vec2-large-xlsr-53. Это акустическая модель Wav2Vec2 с выходной CTC-головой; размер модели составляет 402,7 млн параметров. Модель преобразует аудиозаписи речи в текст и подходит, например, для расшифровки голосовых сообщений и записей. В обучении использовались Common Voice и Infore_25h; для входного аудио требуется частота дискретизации 16 кГц. В карточке приведён результат оценки 58,63% на тестовых данных Common Voice, но метрика не уточнена. Модель рассчитана на вьетнамский язык. Репозиторий содержит веса PyTorch и Flax. Лицензия — Apache-2.0.

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.

WAXAL-mlg_asr-w2v-bert-2.0 — модель автоматического распознавания речи, созданная дообучением facebook/w2v-bert-2.0. Она использует архитектуру Wav2Vec2BertForCTC и содержит 402,7 млн параметров; модель принимает аудио и преобразует речь в текст. В карточке приведены результаты оценки: CER 0,2007 и loss 0,8135, однако набор данных и условия оценки не описаны. Модель распространяется в формате Safetensors по лицензии MIT.

waxal-whisper_small_multi_s42 — дообученная модель семейства Whisper, созданная на основе openai/whisper-small. Она предназначена для автоматического распознавания речи и выдаёт транскрипцию аудио в виде текста. Модель содержит 153,1 млн параметров и распространяется в формате Safetensors через библиотеку Transformers. В README приведены результаты оценки: WER 0,7159, CER 0,3848 и loss 0,4327. Датасет обучения обозначен как None, а подробности о языках, сценариях применения и условиях тестирования не приведены. Модель распространяется по лицензии Apache-2.0; качество распознавания следует проверять на данных целевого сценария.

BSC-LT/whisper-3cat-cv21-valencian — акустическая модель распознавания речи, созданная лабораторией Language Technologies Laboratory Барселонского суперкомпьютерного центра. Это дообучение Whisper large-v3 с 905,2 млн параметров на 397 часах 55 минутах аудиозаписей из Corts Valencianes и Common Voice v21, отобранных для валенсийского акцента каталанского языка. Модель предназначена для транскрибации аудио на каталанском языке, особенно с валенсийским акцентом, в обычный текст без пунктуации. Она принимает аудио и выдаёт текст; использует архитектуру Whisper и библиотеку Transformers. Лицензия — 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.

arbml/whisper-largev2-ar — дообученная модель распознавания речи на архитектуре Whisper large-v2, разработанная на основе openai/whisper-large-v2. Модель предназначена для преобразования аудио в текст; в карточке указана оценка WER 17,7875 на наборе оценки. Веса содержат около 905,2 млн параметров и опубликованы в формате PyTorch. Модель обучалась на наборе arbml/mgb2. В README не уточняются поддерживаемые диалекты, условия записи и сценарии применения, поэтому качество для конкретных типов аудио по имеющимся данным оценить нельзя. Указана лицензия Apache-2.0.

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.

DewiBrynJones/whisper-large-v2-ft-cy-2607 — дообученная модель автоматического распознавания речи на базе Whisper large-v2 от OpenAI. Она принимает аудио и создаёт текстовую транскрипцию; дообучение проведено на наборе DewiBrynJones/preprocessed-whisper-btb-cv-cvad-wlga-ca-2607. Модель содержит около 905,2 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors через Transformers. Лицензия — Apache-2.0. Модель подходит для транскрибации речи. Базовый Whisper large-v2 мультиязычен и также поддерживает перевод речи, однако карточка этой дообученной версии не подтверждает, какие языки или переводные сценарии сохраняются после дообучения. Подробные сведения об оценке качества и ограничениях в карточке отсутствуют.

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.

vonjack/whisper-large-v3-gguf — это модель автоматического распознавания речи Whisper в формате GGUF, предназначенная для использования с whisper.cpp. Репозиторий содержит варианты модели для преобразования аудио в текст; в качестве примеров указаны записи Librispeech. Разработчик модели в README не указан. Модель поддерживает широкий набор языков, включая английский, китайский, немецкий, испанский, русский, французский, японский, португальский и многие другие. Архитектура, количество параметров, размер модели, максимальная длина контекста и сведения о дополнительных модальностях в README не приведены. К сильным сторонам относятся совместимость с whisper.cpp и широкая языковая поддержка, однако ограничения по качеству, производительности и требованиям к ресурсам не описаны. Модель распространяется по лицензии Apache-2.0.

quinnb/whisper-Large-v3-hindi — дообученная модель семейства Whisper Large v3 для автоматического распознавания речи на хинди. Она принимает аудио и выдаёт распознанный текст. Модель содержит около 905,2 млн параметров и использует архитектуру WhisperForConditionalGeneration; в репозитории представлены веса safetensors. Для дообучения использован набор Common Voice 17.0. Модель предназначена для транскрибирования речи на хинди, в том числе записей, похожих на материал Common Voice. Она распространяется по лицензии Apache-2.0. README не содержит сведений о точности или оценке качества, поэтому нельзя судить о её надёжности на других типах аудио.

Модель TalTechNLP/whisper-large-v3-turbo-et-verbatim — дообученная командой TalTechNLP мультиязычная модель Whisper large-v3-turbo для автоматического распознавания речи. Её обучили на 1400 часах аудио с вручную подготовленными дословными транскрипциями из набора TalTech Estonian Speech Dataset 1.0. Модель принимает аудио и выдаёт текст. Она подходит для дословной транскрибации эстонской речи; архитектура — WhisperForConditionalGeneration, размер — 905,2 млн параметров. Модель доступна в формате safetensors и рассчитана на работу через Transformers. Лицензия — MIT.

jstoone/whisper-medium-da — дообученная модель распознавания датской речи, созданная на основе openai/whisper-medium. Это модель архитектуры Whisper с 455,8 млн параметров; она принимает аудио и преобразует речь в текст. Дообучение проводилось на датских данных Common Voice 11.0 и FLEURS. На указанном наборе оценки модель показала WER 13,7086 и loss 0,5814. Модель предназначена для автоматической расшифровки датской речи. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка не описывает условия записи аудио, устойчивость к различным акцентам и шуму или ограничения качества за пределами приведённой оценки.

Whisper Medium Vaani Telugu — дообученная командой ARTPARK-IISc модель распознавания речи на базе OpenAI Whisper Medium. Она предназначена для автоматической транскрибации речи на телугу в текст; в метаданных указан датасет ARTPARK-IISc/Vaani. Модель имеет архитектуру Whisper с 455,8 млн параметров и принимает аудио, выдавая текст. Поддерживаемый язык — телугу. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT.

Whisper Small Persian — модель распознавания речи, созданная Amir Mohseni дообучением openai/whisper-small на наборе данных Fleurs Farsi. Она построена на архитектуре Whisper и содержит 153,1 млн параметров. Модель предназначена для преобразования речи на персидском языке в текст. На приведённой в карточке оценке модель показала значение WER 25,8171 и loss 0,3818. Она распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает ограничения применения и условия оценки подробнее.

Sagicc/whisper-small-sr-yodas-v2 — модель распознавания речи на основе Whisper Small от OpenAI, дообученная на объединённых наборах Common Voice 16, Fleurs, JuzneVesti-SR, LBM и YODAS. Она предназначена для преобразования аудиозаписей в текст; карточка приводит результаты оценки: WER 0,1220 и WER Ortho 0,2328. Модель содержит 153,1 млн параметров и распространяется в формате Safetensors. В названии и обучающих данных указаны сербский язык и южносербские новости; также в обучении использованы многоязычные наборы Common Voice, Fleurs и YODAS. Базовый Whisper Small поддерживает распознавание речи на нескольких языках. Модель опубликована под лицензией Apache 2.0. Карточка не уточняет ограничения применения и условия оценки метрик.

Whisper-Tiny-MLA — компактная модель распознавания речи, разработанная Burak Aydin на базе OpenAI Whisper-Tiny. Декодерная self-attention преобразована из MHA в MLA, а модель дообучена для восстановления качества на 11 языках корпуса Whispered. Веса содержат 29,4 млн параметров и распространяются в формате safetensors; лицензия — Apache-2.0. Модель предназначена для транскрибации речи в текст, особенно в сценариях с ограниченной памятью и параллельной обработкой записей: сжатие KV-кэша декодера составляет 62,5%. Поддерживаются английский, немецкий, испанский, французский, русский, турецкий, арабский, валлийский, грузинский, тайский и китайский языки. Для загрузки требуются transformers 4.46.x и trust_remote_code=True. Компромисс за сокращение кэша — ухудшение качества распознавания: автор сообщает о медианном росте WER примерно на 1,9 пункта относительно аналогично обученной модели без преобразования. Экономия относится к KV-кэшу self-attention декодера; память энкодера и cross-attention не сжимается, поэтому выигрыш для одиночной короткой записи может быть небольшим. Модель проверялась на read-speech; качество на телефонной речи, дальней дистанции и перекрывающейся речи не оценено. Грузинский обозначен как нижний предел качества этого класса модели, а незнакомые письменности распознаются хуже.

Модель ARTPARK-IISc/whisper-tiny-vaani-hindi — дообученная на датасетах индийской речи версия Whisper-tiny от OpenAI, разработанная ARTPARK-IISc. Она предназначена для автоматического распознавания речи на хинди и преобразования аудиозаписей в текст. В README указано, что при дообучении использовано около 718 часов транскрибированной речи из Vaani, Gramvaani, IndicVoices, Fleurs, IndicTTS и Common Voice. Модель имеет архитектуру WhisperForConditionalGeneration и около 29,4 млн параметров; доступна в формате safetensors и рассчитана на использование через Transformers. В карточке приведены результаты оценки WER для Gramvaani, Fleurs и IndicTTS, но они различаются, поэтому качество может зависеть от набора данных и сценария записи. Лицензия — Apache-2.0.

Модель vasilis/xls-r-et-V-3 — дообученная версия facebook/wav2vec2-xls-r-1b для автоматического распознавания эстонской речи. Она использует архитектуру Wav2Vec2ForCTC и обучалась на эстонской части набора Mozilla Common Voice 8.0. Модель принимает аудио и выдаёт распознанный текст. В карточке указаны результаты оценки на тестовом наборе: значение функции потерь 0,8824 и WER 0,5246. Модель опубликована в формате PyTorch по лицензии Apache-2.0.

Yi-34B-200K-DARE-merge-v7 — текстовая генеративная модель на архитектуре Llama, созданная автором brucethemoose с помощью mergekit. Это слияние нескольких моделей Yi 34B с контекстом до 200 000 токенов, выполненное методом DARE TIES. Модель предназначена для генерации текста и работы с длинными контекстами; автор стремился улучшить качество на контекстах от 32K токенов. В карточке приведён шаблон Orca-Vicuna; модель также может распознавать ChatML и форматы, похожие на Alpaca. В README отмечено, что качество настройки с акцентом на шаблон Orca-Vicuna ещё требует проверки. Для генерации автор советует использовать низкую температуру и MinP. Модель содержит 33,9 млрд параметров, распространяется в формате safetensors. Лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория и лицензиями исходных моделей слияния.

AudioX-South — модель распознавания речи из семейства AudioX, разработанного Jivi AI. Это вариант для южноиндийских языков, дообученный методом supervised learning на открытой модели распознавания речи с использованием языковой балансировки, адаптации к домену и аугментации шумом. Модель принимает аудио и преобразует речь в текст на тамильском, телугу, каннада и малаялам. Она предназначена для транскрибации, голосовых помощников, автоматизации клиентской поддержки и создания многоязычного контента; карточка сообщает об устойчивости к региональным акцентам и разному качеству записи. В примере запуска используется архитектура Whisper через Transformers. В README приведены результаты сравнения на Vistaar Benchmark; для AudioX указано среднее значение WER 20,1 по семи языкам семейства. Обучение включало открытые многоязычные ASR-корпуса и закрытые медицинские аудиоданные. Модель распространяется по лицензии Apache-2.0. Заявления о превосходстве в бенчмарках приведены авторами; отдельные ограничения качества в карточке не описаны.

SayedShaun/bangla-wav2vec2 — модель автоматического распознавания речи на основе Wav2Vec2 с CTC-головой. По карточке, веса и конфигурацию загрузил пользователь SayedShaun, но они были обучены не им: чекпойнт зеркалирует модель из датасета wv-shru-v3-s6, опубликованного пользователем Kaggle qdv206. Модель предназначена для преобразования речи на бенгальском языке в текст на письме бенгали. Она ожидает монофоническое аудио с частотой дискретизации 16 кГц и использует посимвольный CTC-словарь из 90 токенов, включающий символы бенгальского письма, цифры и базовую пунктуацию. Размер модели — около 402,7 млн параметров. Карточка описывает совместимость с Transformers через стандартные классы Wav2Vec2ForCTC и AutoModelForCTC. Лицензия в метаданных обозначена как unknown; при использовании автор просит указывать первоначального создателя и ссылаться на исходный датасет.

Cadence — мультиязычная модель AI4Bharat для восстановления пунктуации в тексте, в том числе в расшифровках речи. Она основана на Gemma 3 1B: модель преобразована в двунаправленный энкодер и дообучена на больших текстовых корпусах. В Hugging Face она представлена с задачей token-classification и весами Safetensors; лицензия — MIT. Модель обрабатывает английский и 22 индийских языка, учитывая особенности разных письменностей. Она предсказывает точки, запятые, вопросительные и восклицательные знаки, кавычки, скобки и другие знаки. Один экземпляр работает с разными языками без отдельного указания языка; доступны пакетная обработка и скользящее окно для длинных текстов. Cadence подходит для восстановления пунктуации в текстах и речевых транскриптах на поддерживаемых языках. Для длинных входов поведение зависит от настройки скользящего окна: без неё текст длиннее максимальной длины обрезается. Токенизатор плохо поддерживает письмо мейтей; для манипури README рекомендует транслитерацию в бенгальское письмо. Для языков вне официального списка качество может различаться.

Capybara Tess Yi 34B 200K GGUF — квантизированная версия языковой модели Capybara Tess Yi 34B 200K, созданной brucethemoose и преобразованной в формат GGUF пользователем TheBloke. Модель относится к семейству Yi, предназначена для генерации текста и диалоговых сценариев, включая работу через локальные приложения и библиотеки, совместимые с llama.cpp. В README заявлена поддержка английского языка. Модель имеет 34 млрд параметров и заявленное контекстное окно до 200 тыс. токенов. Формат GGUF поддерживает варианты квантования от 2 до 8 бит, что позволяет выбирать баланс между размером файла, требованиями к памяти, скоростью работы и сохранением качества. Доступны сценарии инференса на CPU и GPU; совместимы llama.cpp, text-generation-webui, KoboldCpp, LM Studio, llama-cpp-python и другие инструменты. Для запросов рекомендуется шаблон Orca-Vicuna с секциями SYSTEM, USER и ASSISTANT. Сильными сторонами являются большое контекстное окно, широкий выбор уровней квантования и возможность локального запуска на различном оборудовании. Ограничения включают потенциальную потерю качества при сильном квантовании, высокие требования к ресурсам для 34-миллиардной модели и отсутствие в README подробных сведений о данных обучения, результатах оценки и поддержке других языков. Модель распространяется по лицензии yi-license; условия следует уточнять в лицензии исходной модели Yi-34B.

Decision-2.0-Lux-9B — текстовая модель принятия решений семейства Decision 2.0, разработанная командой vLLM Semantic Router. Она принимает текст или JSON и за один проход отвечает на вопросы выбора из нескольких вариантов, «да/нет» и оценки по шкале, выдавая вероятности для каждого ответа без генерации связного текста. Модель содержит 7,94 млрд параметров, имеет контекст длиной 16 384 токена и построена на архитектуре Decision2. По данным авторской оценки, она набрала 68,1 на JevArena, а медианное время ответа на один вопрос составило 18,4 мс на одном GPU. Подходит для пакетной оценки вариантов и условий, классификации без примеров и выбора действий по входным данным. Это дообучение vllm-sr/Decision-1.0-Lux-9B, опубликованное в формате safetensors и распространяемое по лицензии Apache-2.0. Показатели скорости и качества приведены авторами; результаты могут отличаться на других задачах и конфигурациях.