I.5Создание и редактирование текста

Модель NotoriousH2/Qwen3-0.6B-JSON-SFT-GRPO — компактная причинная языковая модель семейства Qwen3, дообученная NotoriousH2 на базе NotoriousH2/Qwen3-0.6B-JSON-SFT. Она предназначена для генерации текста и, судя по описанию базовой модели, извлечения метаданных, поручений, решений и препятствий из корейских протоколов совещаний с представлением результата в JSON. Модель содержит 507,9 млн параметров, поддерживает контекст до 40 960 токенов и распространяется в формате safetensors. В карточке указаны английский язык и интерфейс чата. Лицензия — Apache-2.0.

matiss/vllm-translategemma-4b-it — версия TranslateGemma, подготовленная для запуска через vLLM. Google разработала исходную модель как компактную мультимодальную модель перевода на архитектуре Gemma 3; эта карточка описывает изменения шаблона чата, конфигурации модели и параметров генерации для совместимости с vLLM. Модель переводит текст между 55 языками и может извлекать текст из изображения и переводить его. Для изображений предусмотрен вход с разрешением 896 × 896 пикселей, кодируемый в 256 токенов; общий контекст составляет 2K токенов. Модель предназначена для перевода в приложениях и средах с ограниченными ресурсами, включая локальные компьютеры и облачную инфраструктуру. Она принимает текст и изображения и выдаёт переведённый текст. Качество зависит от обучающих данных; модель может ошибаться в передаче нюансов, неоднозначных выражений и фактов. Репозиторий содержит веса в формате safetensors; лицензия — Gemma, использование регулируется условиями Google Gemma.

Модель Gabor Madarasz для распознавания венгерской речи и преобразования её в текст. Это дообученная на венгерских данных модель facebook/mms-1b-all с архитектурой Wav2Vec2ForCTC и примерно 1,3 млрд параметров. Она принимает аудио и предназначена для транскрибации записанной речи, например подкастов, аудиокниг и одноголосых записей. Модель рассчитана на венгерский язык. В тестах автор сообщает WER 0,3068 и CER 0,0727 на FLEURS, а также WER 0,1275 на выборке из Common Voice и Voxpopuli; результаты зависят от набора данных и условий записи. Лицензия — CC0-1.0. Для улучшения выбора слов автор рекомендует декодирование с языковой моделью, например KenLM через beam search.

wav2vec2-large-xlsr-53-spanish-ep5-944h — акустическая модель для автоматического распознавания испанской речи, дообученная Карлосом Даниэлем Эрнандесом Меной на основе facebook/wav2vec2-large-xlsr-53. Модель использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Дообучение длилось пять эпох на примерно 944 часах испаноязычных аудиоданных, включая речь из CIEMPIESS, Common Voice, Fisher, CALLHOME и других корпусов. Модель предназначена для преобразования испанской речи в текст, в том числе для распознавания мексиканского испанского и речи из разных испаноязычных регионов. В карточке приведён результат оценки 0,112, но метрика и условия оценки не уточнены. Модель распространяется в форматах PyTorch и safetensors по лицензии CC BY 4.0.

WAXAL-orm_asr-w2v-bert-2.0 — модель автоматического распознавания речи, созданная дообучением facebook/w2v-bert-2.0. Она использует архитектуру Wav2Vec2-BERT с CTC-выходом и содержит 402,7 млн параметров. Модель принимает аудио и предназначена для преобразования речи в текст; README сообщает оценку CER 0,1687 и loss 0,8218 на тестовом наборе. Модель опубликована в формате safetensors и рассчитана на использование с библиотекой Transformers. В карточке указана лицензия MIT. Язык распознавания, набор данных и подробные ограничения в доступных материалах не раскрыты.

bofenghuang/whisper-large-v2-cv11-french — модель автоматического распознавания речи, дообученная на базе openai/whisper-large-v2 на французской части датасета Mozilla Common Voice 11.0. Она преобразует французскую речь в текст и предсказывает регистр букв и пунктуацию. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и формат PyTorch. Для распознавания входное аудио следует подавать с частотой дискретизации 16 кГц. В README приведены результаты сравнения других вариантов Whisper, но отдельные показатели этой модели не указаны.

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.

nlp-mg/whisper-mg — дообученная модель распознавания речи на базе openai/whisper-small, опубликованная под лицензией Apache-2.0. Она предназначена для преобразования аудио в текст; в README приведены результаты оценки: loss 0.1375 и WER 7.0732. Модель использует архитектуру WhisperForConditionalGeneration и содержит 153,1 млн параметров. Метаданные указывают поддержку аудиовхода. README не сообщает, на каких языках и данных проводилось дообучение, поэтому нельзя уточнить специализацию модели или качество распознавания для конкретного языка. Прикладные ограничения сверх этих сведений не описаны.

Agents-A1-4B-Fable-Preview-heretic — текстовая чат-модель на архитектуре Qwen3.5, подготовленная авторами hotdogs путём абляции модели hotdogs/Agents-A1-4B-Fable-Preview с помощью heretic. Веса представлены в формате BF16 для Transformers; метаданные указывают 3,4 млрд параметров и контекст до 262 144 токенов. Модель предназначена для агентных сценариев: многошагового рассуждения, планирования и вызова инструментов в формате Hermes/Qwen. Также заявлены помощь с кодом и ведение многоходового диалога. README сообщает о поддержке английского и тайского языков и снижении частоты отказов, однако это заявление автора, а не независимая оценка. Модель принимает текст и генерирует текст. README предупреждает, что из-за снятия защитных механизмов ответы могут быть оскорбительными, вредными или неуместными. Лицензия — AGPL-3.0.

Borealis-5B-IT — аудиоязыковая модель Vikhrmodels для понимания речи и выполнения инструкций по аудио. Она объединяет замороженный энкодер Whisper Large V3, дообученную языковую модель Qwen3-4B и двухслойный MLP-адаптер, который проецирует аудиопредставления в пространство языковой модели. Общий размер — около 5 млрд параметров. Модель предназначена для транскрибации и суммаризации аудио, ответов на вопросы по аудиозаписям, описания звукового содержимого и анализа эмоций. Она рассчитана прежде всего на русский и английский языки. Для аудиофрагмента длиной 30 секунд формируется 375 аудиотокенов; в README также заявлена поддержка обработки аудио через интеграцию с vLLM. В опубликованных тестах качество распознавания заметно зависит от набора данных: результаты лучше Whisper Large V3 на Russian_LibriSpeech, близки на Common Voice и существенно хуже на Tone_Webinars. Модель оптимизирована для аудио длительностью до 30 секунд и может хуже справляться с сильным шумом. Лицензия — Apache-2.0.

Delta-P2S — слитый чекпойнт на архитектуре Qwen2.5, созданный с помощью экспериментального пакета Delta-P2S с учётом архитектуры Qwen. Модель содержит 14 млрд параметров, использует библиотеку Transformers и веса в формате safetensors; заявленное контекстное окно составляет 131 072 токена. Название и обучающие пути указывают на кодовую направленность эксперимента с Qwen, однако README не уточняет обучающие данные, языки программирования или конкретные сценарии. Модель поддерживает текстовую генерацию и чат. Она может применяться для генерации кода и диалоговых ответов, но качество для этих задач не описано. Лицензия в предоставленных данных не указана.

danielheinz/e5-base-sts-en-de — модель эмбеддингов на базе multilingual-e5-base, дообученная для оценки семантического сходства немецких текстов. Разработчик дообучил её на немецких поднаборах корпуса парафразов Philip May, PAWS-X и STS-Benchmark Multilingual: сначала с Multiple Negatives Ranking Loss на данных парафразов, затем с Cosine Similarity Loss на данных семантического сходства. Архитектура — XLM-RoBERTa с плотными векторами, около 305 млн параметров; принимает текст и выдаёт векторные представления. Контекст — до 514 токенов. Модель предназначена для сравнения значений немецких предложений, поиска парафразов и семантического поиска. В README указаны результаты 0,920 на валидационной и 0,904 на тестовой части STS, без описания метрики. Лицензия — MIT. Карточка сообщает, что модель продолжает обновляться; заявленные результаты и качество на других задачах или языках не подтверждены.

Gist — разработанная desert-ant-labs компактная мультиязычная модель для присвоения тем и тегов публикациям и статьям. Она классифицирует текст по фиксированной таксономии из 36 тем и рассчитана на локальный запуск на устройстве: использует статические эмбеддинги и хешированные n-граммы без трансформера во время инференса. Мультиязычная сборка занимает 74 МБ; доступны форматы Core ML и LiteRT/TFLite. Модель принимает заголовок, публикацию или краткое описание и выдаёт вероятности по 36 темам. Она предназначена для многометочной классификации: для одного материала обычно выбирают несколько тем, а оценки можно агрегировать по ленте или каналу. Темы сопоставлены с IAB Content Taxonomy 2.2 и категориями Apple Podcasts. Заявлена поддержка 101 языка; отдельная английская сборка на 15 МБ ограничена английским текстом и латинским письмом. В проверке на 572 размеченных публикациях модель показала 88% точности попадания в топ-3 на выборочной проверке 15 языков; README сообщает о recall@3 на уровне лучших небольших моделей. Лучше всего она подходит для коротких текстов. Лицензия указана в метаданных как other, конкретные условия в доступной карточке не приведены.

Это модель классификации на базе DeBERTa-v3-base, разработанная авторами карточки и дообученная на наборе HaluEval для обнаружения галлюцинаций в ответах больших языковых моделей. Она оценивает ответ относительно предоставленного контекста знаний и относит его к фактическому или галлюцинированному; вход включает контекст, вопрос и проверяемый ответ. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и поддерживает контекст длиной до 512 токенов. В карточке приведены точность 0,9127, precision 0,8819 и recall 0,9505, а также F1 по задачам QA, суммаризации и диалога. Модель рассчитана на англоязычную проверку ответов. Лицензия — MIT.

Hemlock-Qwopus3.5-9B-Coder-i1-GGUF — квантизированная версия модели Hemlock-Qwopus3.5-9B-Coder, опубликованная mradermacher и созданная на базе nbeerbower/Hemlock-Qwopus3.5-9B-Coder. Модель дообучалась на наборах hemlang/Hemlock2-DPO, hemlang/hemlock-formulary-SFT и hemlang/hemlock-codex-SFT; для базовой версии заявлено около 9 млрд параметров. В карточке также указаны теги vision-language-model и image-text-to-text, поэтому модель предназначена для работы с текстом и изображениями, включая задачи генерации и анализа кода, однако подробные сценарии применения не описаны. Распространяется в формате GGUF с imatrix-квантизациями различных уровней — от i1-Q2_K до i1-Q6_K, размером примерно от 4,0 до 7,7 ГБ. Для запуска мультимодальных возможностей могут потребоваться файлы mmproj из статического репозитория. Заявлен английский язык; сведения о размере контекста, точной архитектуре, поддерживаемых форматах изображений и результатах тестирования отсутствуют. Более компактные варианты требуют меньше памяти, а варианты более высокого качества занимают больше места; в README отдельно отмечены рекомендации по i1-Q4_K_M как быстрому варианту и i1-Q4_K_S как компромиссу размера, скорости и качества. Лицензия в карточке модели не указана, поэтому условия коммерческого и иного использования необходимо уточнять отдельно. Модель опубликована как набор готовых квантованных файлов и также содержит imatrix-файл для самостоятельного создания квантов.

KB-Whisper Medium — модель распознавания речи, выпущенная Национальной библиотекой Швеции (KBLab). Это дообученная версия Whisper Medium от OpenAI с 455,8 млн параметров, предназначенная прежде всего для расшифровки шведской речи в текст. Модель обучали в два этапа на более чем 50 000 часах шведской аудиозаписи с транскрипциями; для второго этапа применялись более строгие фильтры качества данных. Модель предлагает варианты транскрипции с разной степенью подробности: стандартный, более компактный для субтитров и более дословный. Авторы сообщают о снижении WER на шведской речи относительно OpenAI Whisper, однако приведённые в карточке таблицы неполны, поэтому оценить результаты именно версии Medium по ним нельзя. Доступны реализации и веса для Hugging Face, ONNX и CTranslate2, а также отдельные варианты для whisper.cpp. Модель принимает аудио и генерирует текстовую транскрипцию. Карточка указывает шведский язык; сведений о контекстном окне нет. Распространяется по лицензии Apache-2.0.

Kimi-K3-REAP73-zh-code-MLX-mxfp4-q8 — это сильно прореженная и преобразованная в формат MLX версия Kimi-K3, разработанного Moonshot AI. Модель предназначена для генерации текста, прежде всего для работы с китайским языком и программным кодом, на компьютерах Apple Silicon с большим объёмом unified memory. Она рассчитана на загрузку на машине с 512 ГБ памяти и занимает около 451 ГБ. В основе лежит нативная мультимодальная MoE-архитектура Kimi-K3 с Kimi Delta Attention, Attention Residuals и контекстом до 1 млн токенов. Исходная модель содержит 2,78 трлн параметров, из которых 104 млрд активны при обработке токена. В данной версии сохранены 242 из 896 экспертов в каждом из 92 MoE-слоёв, всего около 793 млрд параметров. Используется MXFP4; для сохранённых экспертных весов заявлена побитно точная копия исходного представления, тогда как основная потеря качества связана с удалением экспертов. Скорость генерации на M3 Ultra с 512 ГБ памяти составляет около 5,51 токена в секунду. Главное преимущество модели — возможность запускать Kimi-K3 на одной мощной машине Apple Silicon при сохранении хорошей структурной корректности генерации кода и относительно сильной работе с китайским языком. Это агрессивное прореживание, поэтому качество заметно ниже полной Kimi-K3: возможны уход в списки или продолжение в стиле исходного файла, повторения и циклы. Японский, корейский, русский, арабский, немецкий, французский и испанский языки деградируют сильнее; для них рекомендуется смешанная версия модели. Лицензия указана как other с именем kimi-k3.

Ansu разработал модель автоматического распознавания речи на баскском языке — дообученную версию utter-project/mHuBERT-147 с архитектурой HuBERT и CTC-декодером. Модель содержит 113,3 млн параметров и предназначена для преобразования баскской речи в текст; в карточке приведены результаты на тестовых наборах CV, Parl и OSLR, включая WER 0,074, 0,068 и 0,204 соответственно. Модель принимает аудио и выдаёт текст. Примеры показывают распознавание баскской речи, в том числе записей с именами собственными и заимствованными словами; ошибки в орфографии и распознавании слов остаются, а качество различается между тестовыми наборами. Веса опубликованы в формате Safetensors для Transformers. Лицензия CC BY-NC-SA 4.0 требует указания авторства, ограничивает коммерческое использование и предписывает распространять производные материалы на тех же условиях.

Qwen3.5-9B-Claude-4.6-Opus-Reasoning-Distilled-v2 — дообученная версия Qwen3.5-9B, разработанная Jackrong с использованием Unsloth. Модель ориентирована на эффективное рассуждение и обучалась на 14 000 образцах в стиле Claude 4.6 Opus, а также на наборах данных по математике, логическим задачам, общеобразовательным вопросам и инструкциям. Заявленная цель версии v2 — повысить точность и сократить избыточную длину цепочек рассуждений. Модель предназначена для задач, требующих многошагового анализа: решения математических и словесных задач, логической дедукции, ответов на общие вопросы, выполнения инструкций, а также для агентских сценариев и локального развёртывания с ограниченным бюджетом инференса. Авторы также приводят результаты HumanEval и HumanEval+, рассматривая их как проверку переноса общего навыка рассуждения на программирование, хотя код не был основным направлением обучения. Из известных характеристик: размер базовой модели — 9B параметров; заявлены языки English, Chinese и Korean. В карточке указана модальность image-text-to-text, однако подробности о поддерживаемых визуальных входах и контекстном окне не приведены. Сильной стороной модели считается более экономичное рассуждение: авторы заявляют сокращение потребления символов и токенов более чем на 20% при сохранении или повышении точности. Ограничение заключается в возможном снижении широких универсальных возможностей из-за небольшого объёма и направленности SFT-обучения; заявленные результаты основаны преимущественно на HumanEval и HumanEval+. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-30B-A3B-Instruct-MLX-6bit — это 6-битно квантованная мультимодальная модель для задач преобразования изображений и текста в текст. Исходную модель Qwen3-VL-30B-A3B-Instruct разработала команда Qwen, а квантование в формате MLX подготовила команда LM Studio с использованием mlx_vlm. Модель предназначена для работы с визуально-текстовыми запросами, включая анализ изображений и генерацию ответов по их содержимому. Модель оптимизирована для запуска на устройствах Apple Silicon с использованием фреймворка MLX. В её названии указаны 30B параметров и конфигурация A3B, однако README не содержит подробностей об архитектуре, поддерживаемых языках, размере контекстного окна и точном перечне мультимодальных возможностей. Квантование снижает требования к памяти по сравнению с полной версией, но может сопровождаться некоторой потерей точности. Лицензия модели — Apache-2.0.

Модель Solshine/reflection-llama-3.1-8B — разговорная языковая модель семейства Llama 3.1, разработанная Solshine (Caleb DeLeeuw) и дообученная на предыдущем чекпойнте этой серии методом итеративного reflection tuning. Она генерирует рассуждение в специальных тегах, может отмечать и исправлять ошибки в ходе рассуждения, а затем выдаёт итоговый ответ в отдельных тегах. Для диалогов используется стандартный формат чата Llama 3.1. Модель предназначена для генерации ответов и решения задач, где полезны пошаговое рассуждение и самопроверка, в том числе математических текстовых задач. В карточке указаны 7,5 млрд параметров и контекст до 131 072 токенов; доступны интерфейсы чата и вызова инструментов. Обучение проведено с использованием Unsloth и TRL на данных Reflection-Dataset-v2 и orca-math-word-reflection. Основной язык карточки — английский. Официальных результатов бенчмарков пока нет, поэтому качество рассуждений и ответов не подтверждено независимой оценкой. Модель распространяется по лицензии Llama 3.1; применимость лицензии и её условия следует учитывать при использовании.

SeaLLMs-Audio-7B — мультимодальная аудиоязыковая модель семейства SeaLLMs, разработанная для языков Юго-Восточной Азии. Она построена на Qwen2-Audio-7B с заменой языковой модели на Qwen2.5-7B-Instruct и полным дообучением на 1,58 млн диалогов с аудио и текстом. В метаданных указана архитектура Qwen2-Audio и формат safetensors. Модель принимает аудио, текст или их сочетание и предназначена для распознавания речи, описания аудио, перевода речи в текст, анализа эмоций, ответов на вопросы по аудио, краткого пересказа и голосового общения. Основные языки — индонезийский, тайский и вьетнамский, также поддерживаются английский и китайский. Разработчики сообщают о результатах на собственном бенчмарке SeaBench-Audio; руководство по эксплуатации включает Transformers и vLLM. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с карточкой модели. README не приводит явных ограничений качества или безопасного применения.

Infomaniak-AI публикует вариант Google TranslateGemma 27B IT с настройками, адаптированными для развёртывания через vLLM. Это плотная мультимодальная модель семейства Gemma 3 в формате safetensors; шаблон чата кодирует языки перевода в тексте сообщения, а конфигурации RoPE и EOS изменены для совместимости с vLLM. Модель предназначена для перевода между 55 языками: она принимает текст для перевода или изображение, из которого извлекает текст и переводит его. Подходит для интеграции в приложения и облачную инфраструктуру, использующую vLLM. Размер базовой модели — 27 млрд параметров; в предоставленных данных длина контекста не указана. Качество зависит от обучающих данных и сложности текста: модель может терять нюансы, неверно передавать неоднозначные выражения и допускать ошибки. Лицензия — Gemma; перед использованием следует учитывать условия лицензии и политику допустимого использования Gemma.

Wartortle — компактная модель эмбеддингов на базе BERT, созданная Mihaiii как дистилляция bge-base-en-v1.5. Она предназначена прежде всего для семантического автодополнения: преобразует текст в векторы, которые можно использовать для поиска подходящего продолжения или сопоставления фраз. Модель содержит 18,8 млн параметров, работает с контекстом до 512 токенов и доступна в форматах Safetensors и ONNX. Для корректного использования в сценарии семантического автодополнения README рекомендует CLS-пулинг и нормализацию эмбеддингов; модель также можно применять в задачах сходства предложений и извлечения признаков. Базовая модель ориентирована на английский язык. Лицензия — MIT.

MayBog/whisper-hebrew-nikud-v1 — модель автоматического распознавания речи, разработанная Maayan Bogin и дообученная на ivrit-ai/whisper-large-v3-turbo. Она преобразует речь на иврите в текст с диакритическими знаками никуд за один проход, объединяя транскрибацию и восстановление огласовок. Модель предназначена для транскрибации аудиозаписей и речевых фрагментов на иврите. Она использует архитектуру Whisper Large v3 Turbo и библиотеку Transformers; в репозитории указаны веса Safetensors. Лицензия — MIT. Для обработки длинных записей в примере предлагается разбиение на фрагменты по 30 секунд.

sadrasa97/whisper-large-v3-turbo-fa — модель автоматического распознавания речи, созданная дообучением OpenAI Whisper Large V3 Turbo на персидском языке (фарси). Она принимает аудио и преобразует речь в текст; архитектура — WhisperForConditionalGeneration, библиотека — Transformers. В метаданных также указана поддержка английского языка. Модель предназначена для транскрибации персидской речи и может применяться в системах преобразования аудиозаписей в текст. Базовая модель Whisper Large V3 Turbo — ускоренная мультиязычная модель распознавания речи. Модель распространяется по лицензии Apache-2.0.

ychafiqui/whisper-small-darija — дообученная модель семейства Whisper, созданная на основе openai/whisper-small для распознавания речи на дариже, марокканском варианте арабского языка. Она принимает аудио и преобразует речь в текст; в метаданных указана архитектура WhisperForConditionalGeneration и размер 153,1 млн параметров. Модель дообучена на наборе Darija Speech to Text. На тестовой выборке в карточке указаны loss 0,5318 и WER 48,2740, что следует учитывать при оценке качества транскрипции. Модель распространяется по лицензии Apache-2.0. В карточке не приведены сведения о длине аудио, поддерживаемых диалектах помимо дарижи или условиях записи; качество может зависеть от акцента, шума и акустики.

Whisper-small-vaani-hindi — дообученная модель распознавания речи, созданная на основе Whisper Small компании OpenAI. По данным карточки, её обучали примерно на 718 часах размеченной речи на хинди из нескольких наборов данных, включая Vaani, Gramvaani, IndicVoices, Fleurs, IndicTTS и Common Voice. Модель содержит 153,1 млн параметров и принимает аудио, выдавая его текстовую расшифровку. Модель предназначена для транскрибирования речи на хинди. В README приведены результаты оценки по WER: 32,49 на Gramvaani, 19,08 на Fleurs и 11,33 на IndicTTS. Показатели зависят от набора данных и указывают на различия в качестве распознавания между тестовыми корпусами. Репозиторий распространяется по лицензии Apache-2.0.

KB-Whisper Tiny — модель распознавания речи, выпущенная Национальной библиотекой Швеции (KBLab) как часть семейства Whisper. Это дообученная версия OpenAI Whisper Tiny с архитектурой Whisper; в метаданных указано 29,4 млн параметров. Модель принимает аудио и преобразует шведскую речь в текст. Она обучена на более чем 50 000 часах шведской аудиозаписи с транскрипциями и предназначена для распознавания речи в аудиозаписях и создания расшифровок. По README, на тестах FLEURS, CommonVoice и NST версия tiny показала WER 13,2, 12,9 и 11,2 соответственно; доступны стили транскрипции Stage 2, Subtitle и Strict. Репозиторий содержит веса в форматах Safetensors и ONNX, а автор также описывает варианты для whisper.cpp и CTranslate2. Модель распространяется по лицензии Apache-2.0. Результаты относятся к указанным наборам и условиям оценки; для других аудио качество может отличаться.

aadel4/kid-whisper-medium-en-myst — модель автоматического распознавания речи на базе OpenAI Whisper medium-en, дообученная на наборе Myst Train длительностью 125 часов. Она преобразует аудио в текст и предназначена для транскрибирования речи; в README приведена оценка WER 8,31 на Myst Dev длительностью 20,9 часа. Модель имеет архитектуру WhisperForConditionalGeneration и около 455,8 млн параметров, распространяется в формате PyTorch и использует библиотеку Transformers. Лицензия — Apache-2.0.