I.5Создание и редактирование текста

RoBERTa-ca — базовая языковая модель для каталонского языка, разработанная лабораторией Language Technologies Lab Барселонского суперкомпьютерного центра. Это модель архитектуры RoBERTa с примерно 151,9 млн параметров по метаданным, предназначенная для предсказания замаскированных слов и дальнейшего дообучения для задач понимания текста. Модель создана на основе BSC-LT/mRoBERTa: веса инициализировали из мультиязычной модели, адаптировали эмбеддинги с учётом различий токенизаторов и продолжили предобучение на корпусе из 95 ГБ каталонских текстов. Используются SentencePiece-токенизатор с размером словаря 50 304 и контекст до 514 токенов. В карточке описана оценка на каталонском бенчмарке CLUB, включающем распознавание сущностей, разметку частей речи, семантическое сходство, классификацию, вывод и ответы на вопросы. Для работы с моделью нужна библиотека Transformers; веса доступны в формате Safetensors. Лицензия — Apache-2.0. В README отмечены возможные смещения и непреднамеренные искажения; при создании прикладных систем ответственность за управление рисками лежит на их разработчиках и пользователях.

ctaguchi/ssc-tob-mms-model-mix-adapt-max — дообученная модель автоматического распознавания речи на основе facebook/mms-1b-all. Она принимает аудио и преобразует речь в текст; архитектура — Wav2Vec2 с CTC-выходом, размер — 1,3 млрд параметров. Базовая модель поддерживает более тысячи языков, но язык и состав данных, на которых дообучена эта версия, не указаны. В карточке приведены результаты оценки: CER 0,1791 и WER 0,6105. Эти метрики указывают на ошибки распознавания, однако без описания набора данных и протокола оценки их нельзя напрямую переносить на другие условия. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

VLRM — дообученная методом обучения с подкреплением модель BLIP-2 с языковой частью OPT-2.7B, опубликованная Сашей Куницыным. Она предназначена для генерации описаний изображений: обучение нацелено на более длинные и подробные подписи по сравнению с исходной моделью без дополнительной вычислительной нагрузки при генерации. В карточке приведены основной чекпойнт VLRM и вариант VLRM-RS. Модель принимает изображение и выдаёт текстовое описание; пример в карточке описывает сцену с женщиной и собакой. Архитектура относится к семейству BLIP-2, веса доступны в формате Safetensors, а также описана загрузка RL-настроенных весов поверх Salesforce/blip2-opt-2.7b. Карточка указывает английский язык и лицензию MIT.

Facebook wav2vec2-large-xlsr-53-french — модель распознавания французской речи, основанная на архитектуре wav2vec2 и настроенная для французского языка. Она принимает аудио и преобразует речь в текст; карточка сообщает об оценке на тестовой выборке Common Voice FR — 25,2 %. Модель содержит 402,7 млн параметров и доступна в форматах PyTorch и Flax. Модель подходит для транскрибации французской речи, например, записей и голосовых сообщений. Лицензия — Apache-2.0. Метаданные указывают на обучение или оценивание на Common Voice; сведений о поддержке других языков карточка не приводит.

Whisper Large v3 Turbo Uzbek v1 — R. Nematov (Lynx) разработал эту модель на базе openai/whisper-large-v3-turbo для преобразования узбекской речи в текст. Это дообученная и дополнительно настроенная версия Whisper с 905,2 млн параметров, предназначенная для распознавания узбекской речи, включая региональные диалекты и акценты. В README указано, что модель адаптирована к узбекскому алфавиту, вариантам апострофа и распространённым разговорным выражениям, чтобы уменьшить смешение с близкими языками. Модель принимает аудио и выдаёт текст. Автор заявляет высокую скорость распознавания и хорошее качество на чистой литературной и дикторской речи, но это оценка из карточки, без описания независимого тестирования. Указаны данные DavronSherbaev/uzbekvoice-filtered и отобранные узбекские аудиозаписи. Модель опубликована в формате safetensors под лицензией Apache-2.0, разрешающей коммерческое и некоммерческое использование.

Whisper Medium Romanian — модель распознавания речи, созданная дообучением gigant на базе openai/whisper-medium. Она преобразует румынскую речь в текст и рассчитана на расшифровку аудио, включая записи, похожие на обучающие данные из Common Voice 11.0 и румынского корпуса синтезированной речи. Модель использует архитектуру Whisper и содержит 455,8 млн параметров. Для оценки применялся тестовый набор Common Voice 11.0; в карточке указана метрика WER 4,717. Модель принимает аудио и выдаёт текст, поддерживаемый язык — румынский. Лицензия — Apache-2.0.

Dragneel/whisper-small-nepali — модель автоматического распознавания речи на основе Whisper Small, дообученная на непальском корпусе OpenSLR 54. Она предназначена для преобразования непальской речи в текст, в частности для транскрибирования записей с чистой и размеренной речью. В метаданных указаны архитектура Whisper, 153,1 млн параметров и формат safetensors; README сообщает о 154 часах обучающих аудио и 157 905 высказываниях. На тестовой выборке OpenSLR модель показала WER 26,69%. Лучше всего она работает с качественной записанной речью; быстрый разговорный темп и сильный фоновый шум могут ухудшать распознавание. Возможны варианты написания слов, различающиеся длиной гласных. Базовая модель — openai/whisper-small. Лицензия Apache-2.0.

A.X-3.1-Light SFT A1 (Paper-guided 4K) — корейская версия модели для генерации текста, созданная youngseok12 на основе skt/A.X-3.1-Light. Это плотная Llama-архитектура с 6,8 млрд параметров и контекстом 32 768 токенов; в репозитории опубликованы веса safetensors в BF16. Модель получена supervised fine-tuning с LoRA на 4 000 отобранных примерах из пяти источников AI Hub, после чего адаптер объединён с базовыми весами. Модель предназначена для генерации текста на корейском языке и ответов на вопросы в формате бенчмарков, включая задачи на понимание административных, финансовых, юридических, учебных и медицинских текстов, а также причинно-следственные рассуждения. Разработчик приводит локальные прокси-результаты на наборе KDS, но они не являются официальными оценками лидерборда. Возможны фактические ошибки и нарушения заданного формата; модель не подходит для самостоятельного принятия медицинских, юридических, финансовых и иных значимых решений. Базовая модель и производная модель указаны под лицензией Apache-2.0; для исходных данных AI Hub действуют отдельные условия использования.

batisay-ko-large 1.1 — BatiAI әзірлеген, корей тіліндегі сөйлеуді мәтінге айналдыруға арналған Whisper Large v3 негізіндегі модель. Ол KsponSpeech, Zeroth және AI Hub деректерімен, соның ішінде көпсалалы сөйлеу және 8 кГц телефон жазбаларымен дообучен; базалық Whisper Large v3 шамамен 1,55 млрд параметрден тұрады. Модель жиналыс, дәріс, сұхбат, диктовка, телефон қоңырауы және медиаға субтитр дайындау транскрипциясына бағытталған. Карточкада таза сөйлеу, шулы жазбалар және бірнеше домен бойынша CER бенчмарктары берілген. Қысқа клиптер мен құжаттық/пакеттік транскрипцияға дәлдігі басым; ұзақ қоңыраулар мен ағындық жұмысқа автор жеңілірек turbo нұсқасын ұсынады. Whisper Large өлшемі есептеу ресурстарын көбірек қажет етеді. Репозиторийде safetensors форматы көрсетілген, ал README-де басқа кванттау нұсқалары және whisper.cpp, Transformers арқылы іске қосу жолдары аталады. Лицензиясы — BatiAI Community v2 («other» метадерегінде). Транскрипцияда сирек жеке әріптер қалып қоюы мүмкін; оларды кейінгі өңдеуде алып тастау ұсынылады.

Bonsai-27b-Ternary-JANG — преобразованная модель JANGQ-AI на основе prism-ml/Ternary-Bonsai-27B-unpacked. Это плотная мультимодальная модель Qwen3.5 с архитектурой условной генерации и 27 млрд параметров, предназначенная для диалога и обработки изображений; карточка также содержит видеообработчик и шаблон чата с поддержкой инструментов. Текстовые матрицы хранятся в тернарном аффинном формате JANG с 2-битными слотами и размером группы 128, а 83 линейных слоя зрения — в 4-битном формате; часть тензоров оставлена в float16. Модель рассчитана на запуск в vMLX, включая сценарии визуальных вопросов и ответов, многошагового диалога и вызова инструментов. В README приведены результаты проверок текстового ответа и удержания контекста в многоходовом диалоге. Для работы нужна сборка vMLX с поддержкой дискретного JANG-affine хранения и смешанной точности для зрения; стандартный mlx_lm этот формат не поддерживает. Лицензия — Apache-2.0.

CafeBERT — предварительно обученная языковая модель для вьетнамского языка, разработанная авторами исследования, представленного на NAACL 2024 Findings. Она основана на XLM-RoBERTa и дополнительно обучена на крупном вьетнамском корпусе из разных областей, включая Википедию и газеты. В репозитории опубликованы веса примерно на 658,7 млн параметров в форматах PyTorch и safetensors; модель принимает текст и поддерживает контекст до 514 токенов. CafeBERT предназначена для понимания вьетнамского текста. Её можно использовать для заполнения маскированных токенов, а представления модели — как основу для машинного чтения и ответов на вопросы по тексту, классификации, распознавания логических отношений и разметки частей речи. Авторы сообщают о сильных результатах на VLUE и других задачах понимания языка. Лицензия — Apache-2.0.

Florence-2-SD3-Captioner — модель на архитектуре Florence-2, опубликованная gokaygokay. Она предназначена для создания текстовых описаний изображений и подходит для автоматического аннотирования изображений и подготовки подписей к визуальному контенту. Метаданные указывают задачи image-text-to-text и text-generation, а также обучение на наборах данных Docci, ImageInWords и синтетических высококачественных подписях DALL·E 3. Модель принимает изображения и выдаёт текст; в карточке указан английский язык. Репозиторий содержит веса в формате safetensors и использует Transformers. Лицензия — Apache-2.0.

Модель h-gajdov/full_moonshine_tiny_wup1_ep3_lr1e-4 — полное дообучение Moonshine Tiny, выполненное h-gajdov для преобразования македонской речи в текст. Это модель распознавания речи с архитектурой encoder-decoder Moonshine и 27,1 млн параметров. Она принимает аудиосигнал в виде необработанной волновой формы; вычислительные затраты зависят от фактической длительности записи, что подходит для распознавания на устройствах с ограниченными ресурсами. Модель обучена на наборе vezilka-asri в течение трёх эпох. В README указаны результаты на отложенном тестовом наборе из 44 аудиофрагментов: WER 14,24 и CER 6,42; оценка точного совпадения целых высказываний неинформативна для длинных клипов. Декодер ограничен длиной 192 токена, а вызовы generate() не должны передавать параметры language или task. Модель опубликована в формате safetensors; лицензия в предоставленных данных не указана.

GigaChat Audio 10B (A1.8B) — аудионативная языковая модель ai-sage, созданная на основе текстовой GigaChat 3.1 Lightning. Conformer-энкодер речи и адаптер модальности передают аудиоэмбеддинги в декодер Mixture-of-Experts; модель также выполняет текстовые задачи. В названии указаны 10B параметров и активная конфигурация A1.8B, однако метаданные не содержат отдельного значения общего размера модели. Модель предназначена для вопросов и ответов по аудио, классификации звука, поиска событий и фрагментов по времени, создания описаний и кратких пересказов аудио с временными отметками. README также заявляет поддержку использования инструментов. В карточке приведены сравнительные результаты на аудио-бенчмарках и отмечено, что добавление аудиомодальности меняет качество текстовых задач: на части тестов результаты базовой модели снижаются, на других растут. Модель принимает аудио и текстовые запросы, выдаёт текстовые ответы и описания с временными отметками. Для temporal grounding заявлено обучение на длинных аудиозаписях с временной разметкой из TimeGround-1M. Лицензия — MIT.

IndicSeamless — дообученная AI4Bharat модель семейства SeamlessM4T-v2 для распознавания речи и перевода речи в текст на индийских языках. Она обучена на отфильтрованном наборе BhasaAnuvaad и предназначена для перевода аудиозаписей, в том числе речи из разных предметных областей. В README сообщается о превосходстве над базовой SeamlessM4T-v2 и другими системами на тестах Fleurs и BhasaAnuvaad. Модель распространяется в формате safetensors и используется через Transformers; лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Карточка модели sensenova/InteractiveOmni-4B на Hugging Face совпадает с карточкой sensenova/InteractiveOmni-8B, поэтому описание составлено по ней. InteractiveOmni-8B — плотная омнимодальная модель SenseNova для интерактивного общения с изображениями, аудио, текстом и видео. Она принимает мультимодальные входные данные и генерирует связные текстовые и речевые потоки; поддерживает многошаговое взаимодействие и долговременную память. Модель предназначена для мультимодального понимания, речевого диалога и генерации речи, а также для сценариев, где требуется сочетать аудио-визуальный ввод с текстовыми ответами. В README заявлены результаты уровня SOTA на открытых тестах понимания изображений, аудио и видео, а также речевого общения; приведены сценарии запуска через Transformers с требованием версии не ниже 4.51.0 и FlashAttention 2. В репозитории доступны файлы ONNX и safetensors. Лицензия — MIT. Размер 8B указан в названии модели; поддерживаемые языки по карточке — китайский и английский.

InteractiveOmni-8B — плотная омнимодальная модель SenseNova для интерактивного общения с изображениями, аудио, текстом и видео. Она принимает мультимодальные входные данные и генерирует связные текстовые и речевые потоки; поддерживает многошаговое взаимодействие и долговременную память. Модель предназначена для мультимодального понимания, речевого диалога и генерации речи, а также для сценариев, где требуется сочетать аудио-визуальный ввод с текстовыми ответами. В README заявлены результаты уровня SOTA на открытых тестах понимания изображений, аудио и видео, а также речевого общения; приведены сценарии запуска через Transformers с требованием версии не ниже 4.51.0 и FlashAttention 2. В репозитории доступны файлы ONNX и safetensors. Лицензия — MIT. Размер 8B указан в названии модели; поддерживаемые языки по карточке — китайский и английский.

Koyal Indic-4 Dual-Mode ASR 600M — мультиязычная модель распознавания речи от Adalat AI для подготовки транскриптов на хинди, каннада, малаялам и телугу. Модель содержит около 600 млн параметров и использует кэшируемый энкодер FastConformer с декодером RNN-T, обусловленным языковым промптом. Она дообучена на базе nvidia/nemotron-3.5-asr-streaming-0.6b с новой токенизацией SentencePiece на 6 000 токенов. Один чекпойнт поддерживает пакетную офлайн-транскрипцию и потоковое распознавание с несколькими настройками задержки. Модель выдаёт транскрипты в расширенной орфографии: с пунктуацией и форматированием числительных по письменным нормам. Она предназначена, в частности, для диктовки документов и судебных записей, когда важен готовый к использованию текст. Качество для отдельных языков в офлайн-режиме может быть ниже, чем у специализированных одноязычных моделей Koyal. Целевой язык нужно указать при запуске; распознавание переключения языков в одной фразе не обучалось. Оценка расширенной орфографии проводилась на FLEURS-RO, отражающем чтение подготовленной речи; характеристики на аудио с другими частотами дискретизации не охарактеризованы. Для работы требуется NVIDIA NeMo версии 3.0.0 или новее. Лицензия указана как other.

mBART-50 — многоязычная модель Sequence-to-Sequence, разработанная исследователями Facebook AI. Она предварительно обучена восстанавливать текст после перестановки предложений и замены фрагментов маскирующими токенами; для машинного перевода модель расширили на 50 языков и обучали на многих направлениях перевода одновременно. Веса доступны в форматах PyTorch и TensorFlow; размер модели — около 457,4 млн параметров, контекст — до 1024 токенов. Модель предназначена прежде всего для дообучения под многоязычный машинный перевод, а также может адаптироваться к другим задачам преобразования текста. При работе используются специальные коды языка источника и целевого языка. Поддерживаются 50 языков, в том числе русский, английский, китайский, арабский и многие европейские и азиатские языки. Это базовая предварительно обученная модель, поэтому для практического перевода её обычно нужно дообучить на соответствующей задаче и языковых парах. Лицензия — MIT.

MERaLiON-2-10B — мультимодальная языковая модель для речи и аудио, разработанная I2R, A*STAR в Сингапуре. Она объединяет локализованный аудиоэнкодер Whisper Large v3 с текстовым декодером Gemma 2 9B и содержит 8,1 млрд параметров. Модель дообучена на 120 000 часах аудио и речи для распознавания речи, вопросов и ответов по аудио, суммаризации диалогов, создания аудиоподписей и понимания звуковой сцены. Модель рассчитана на многоязычные сценарии Сингапура и Юго-Восточной Азии: распознаёт английскую, китайскую, малайскую, тамильскую, индонезийскую, тайскую и вьетнамскую речь, включая местные акценты, разговорные выражения и переключение языков. Принимает монофоническое аудио с частотой 16 кГц длительностью до 300 секунд; для транскрибации и перевода README рекомендует аудиофрагменты до 30 секунд. Основная задача в каталоге — автоматическое распознавание речи. Модель предназначена для понимания речи и аудио, а не для вызова инструментов, математических или программных задач. Распространяется по лицензии MERaLiON Public License; перед использованием следует проверить её условия для конкретного сценария.

PhoWhisper-base — модель автоматического распознавания речи на вьетнамском языке, разработанная Thanh-Thien Le, Linh The Nguyen и Dat Quoc Nguyen. Это версия семейства PhoWhisper, полученная дообучением многоязычной Whisper на 844 часах вьетнамской речи с разными акцентами. Вариант base содержит 51,7 млн параметров и использует архитектуру WhisperForConditionalGeneration; репозиторий предоставляет веса PyTorch. Модель предназначена для преобразования вьетнамской речи в текст, в том числе для аудиозаписей с различными акцентами. Авторы сообщают о высоких результатах на тестах распознавания вьетнамской речи. Модель распространяется по лицензии BSD-3-Clause; при публикации результатов или включении модели в программное обеспечение авторы просят цитировать статью PhoWhisper.

MegaScience Qwen3-30B-A3B — языковая модель на архитектуре Qwen3 MoE, разработанная командой MegaScience. Она получена дообучением Qwen/Qwen3-30B-A3B-Base на датасете MegaScience для научных рассуждений и ответов на вопросы по естественным наукам. Модель предназначена для генерации текста и исследовательских сценариев, где нужны объяснения и рассуждения по научным темам. Модель работает с текстом, поддерживает английский язык и имеет контекст до 32 768 токенов. В репозитории указано 2,6 млрд параметров; веса доступны в формате safetensors, для запуска предлагается библиотека Transformers. Лицензия — Apache-2.0. Карточка не описывает ограничения качества или специальные меры безопасности.

tvall43/Qwen3.5-4B-heretic-v2 — мультимодальная модель для диалога и понимания изображений, созданная на основе Qwen/Qwen3.5-4B. Автор применил Heretic v1.2.0 для снижения частоты отказов: в описанном сравнении модель отказала в 4 из 100 запросов против 99 из 100 у исходной версии. Это экспериментальная модификация, а не отдельная модель, обученная с нуля. Модель имеет плотную архитектуру Qwen3.5 с 4 млрд параметров и поддерживает ввод текста и изображений с генерацией текстовых ответов. Для базовой модели заявлено контекстное окно 262 144 токена с возможностью расширения; README сообщает о поддержке 201 языка и диалекта. Репозиторий содержит веса Safetensors и совместим с Transformers и рядом движков инференса. Модель подходит для диалогов и визуальных вопросов, в том числе с запросами, на которые исходная модель чаще отказывала. Снижение отказов не означает гарантированную пригодность для любых запросов; приведённое сравнение ограничено тестом на 100 запросах. Лицензия — Apache-2.0.

SeongryongJung/Qwen3-8B-ToolUse-SRPO-TR — дообученная версия Qwen3-8B для использования инструментов, обученная методом SRPO-TR с размером батча 32. В репозитории размещён лучший и одновременно финальный чекпойнт global_step_100, выбранный по валидационному показателю mean@16; для набора Tool use указано значение 66,45%. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 7,6 млрд параметров. Она принимает текст и генерирует текст; контекстное окно составляет 40 960 токенов. Карточка демонстрирует загрузку через Transformers. Базовая Qwen3-8B описана как многоязычная модель, но конкретные языки этой настройки отдельно не перечислены. Модель предназначена для сценариев, где языковая модель должна выбирать и вызывать инструменты. Результат в таблице относится к указанному набору и метрике, поэтому сам по себе не гарантирует аналогичного качества на других наборах задач. Лицензия — Apache-2.0.

RLAIF-V-12B — мультимодальная большая языковая модель, разработанная OpenBMB на основе OmniLMM из серии MiniCPM-V и дообученная в рамках открытого подхода RLAIF-V с использованием набора RLAIF-V-Dataset. Она предназначена для диалоговой генерации ответов и работы с визуальными и текстовыми входами; авторы сообщают о высокой надёжности ответов в генеративных и дискриминативных задачах, а также о сохранении общих способностей на тестах LLaVA Bench и MMStar. Модель имеет плотную архитектуру OmniLMMForCausalLM, около 7,1 млрд параметров и контекст до 32 768 токенов. Её также можно применять как модель вознаграждения для выбора лучших ответов среди нескольких вариантов. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Подробные инструкции по запуску вынесены авторами в GitHub; заявления о превосходстве над GPT-4V относятся к оценкам авторов.

Sunflower-Gemma4-E2B — мультимодальная модель Sunbird AI, дообученная на базе Google Gemma 4 E2B IT для работы с текстом и речью на африканских языках. Она принимает текст, изображения и аудио длительностью до 30 секунд с частотой 16 кГц и выдаёт текст. Основные сценарии — перевод между английским и поддерживаемыми языками, транскрибация речи, выполнение инструкций и многоходовый диалог. Модель обучалась на многоязычных текстах и параллельных корпусах, примерах транскрибации, а затем проходила дообучение с инструкциями и постобучение GRPO. Карточка оценивает перевод для 69 языков и распознавание речи для 51 языка; качество заметно различается между языками и зависит от объёма обучающих данных. Для транскрибации нужно явно указывать язык речи, а аудио подавать как монофонический сигнал длительностью не более 30 секунд. Это предварительная версия: веса и качество результатов могут измениться до стабильного релиза, поэтому карточка не рекомендует закреплять её в производственных системах. Переводы и транскрипции могут содержать уверенно сформулированные ошибки; результаты для языков с малым объёмом данных следует проверять. Лицензия — Apache-2.0.

Tercet-R-1.1 — англоязычная диалоговая модель для рассуждений, следования инструкциям и вызова инструментов, разработанная автором репозитория kerzgrr. Это дообученный снимок семейства Tercet-R на этапе многошагового SFT; метаданные указывают 392,2 млн параметров, а README описывает архитектуру TinyGDN с примерно 502 млн параметров. Модель сочетает GDN-2 и групповое внимание GQA, имеет 32 слоя и заявленный контекст 32 768 токенов. Модель предназначена для чата, ответов на инструкции и сценариев с инструментами, включая поиск в интернете, вычисления и выполнение ограниченного Python-кода через обвязку inference.py. Вызовы инструментов передаются в формате SmolTalk JSON. Веса опубликованы в safetensors и bfloat16; для запуска README указывает зависимость flash-linear-attention и скрипт inference.py. Это промежуточный снимок продолжающегося этапа обучения, поэтому качество и поведение могут отличаться от завершённой версии. Модель небольшого размера и не является системой передового уровня; Python-интерпретатор ограничен математически ориентированными импортами. Лицензия — Apache-2.0.

arfik/wav2vec2-large-mms-1b-kyrgyz-colab — модель распознавания речи, дообученная на базе facebook/mms-1b-all на наборе Common Voice 17.0. Она использует архитектуру wav2vec2 с CTC-выходом и содержит 1,3 млрд параметров. Модель предназначена для преобразования кыргызской речи в текст; на указанной в карточке оценочной выборке результат WER составил 0,2312, а loss — 0,2384. Базовая модель поддерживает более тысячи языков, но эта версия настроена на кыргызский. Модель принимает аудио и выдаёт текст. Для использования весов применяется библиотека Transformers, файлы опубликованы в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

Whisper Medium Vaani Kannada — модель распознавания речи, дообученная ARTPARK-IISc на базе openai/whisper-medium с использованием датасета ARTPARK-IISc/Vaani. Модель предназначена для преобразования аудиозаписей на каннада в текст. Модель построена на архитектуре Whisper и содержит 455,8 млн параметров. Она принимает аудио и выдаёт текст; в карточке указана поддержка задачи automatic-speech-recognition и тег языка kn. Модель опубликована в формате safetensors под лицензией MIT.

Rahul3215/whisper-small-telugu — дообученная Rahul3215 модель OpenAI Whisper Small для распознавания речи на телугу и преобразования аудио в текст. Она создана на основе openai/whisper-small с использованием Mozilla.ai Blueprint speech-to-text-finetune и обучена на 812 аудиопримерах на телугу. Модель использует архитектуру Whisper и доступна в формате safetensors через библиотеку Transformers. В README приведены результаты до и после дообучения: нормализованный WER снизился с 173,255 до 122,977, а нормализованный CER — со 142,764 до 83,015; значения после обучения всё ещё указывают на заметные ошибки распознавания. Лицензия — Apache-2.0.,