I.5Создание и редактирование текста

kmynas-parakeet-lt-v4 — модель распознавания литовской речи, разработанная Kristijonas и дообученная на базе NVIDIA Parakeet TDT 0.6B v3. Это плотная TDT-транспьюсерная модель с 0,6 млрд параметров; она принимает аудио и возвращает текст на литовском языке с пунктуацией, заглавными буквами и нормализованным написанием заимствований. Для обучения использованы 3 087 часов корпуса LIEPA-3. Модель доступна в формате safetensors и в исходном формате NeMo, работает через Transformers и рассчитана на быстрое распознавание речи, в том числе на локальном устройстве. Модель подходит для расшифровки разговоров, радиопередач и записей с телефона, когда нужен читаемый текст без отдельного этапа расстановки пунктуации. Архитектура транспьюсера обеспечивает монотонное выравнивание аудио и текста; автор сообщает о высокой скорости на MacBook и GPU, но эти показатели получены на конкретных устройствах и не гарантируют аналогичную производительность в других условиях. Лицензия — CC BY 4.0. Среди известных ограничений — непоследовательное распознавание имён собственных и редкой иностранной технической лексики, а также смешанный подход к дословной передаче разговорных форм. Модель не выполняет диаризацию и не размечает говорящих; для очень длинных файлов рекомендуется делить запись по паузам.

Модель kiyuyeon/pii-ner-kcelectra разработана для обнаружения персональных данных в корейском тексте с помощью распознавания именованных сущностей. Это дообученная на синтетических и дополнительных корпусах модель beomi/KcELECTRA-base-v2022 с архитектурой ELECTRA и классификатором токенов, размером 155 млн параметров и контекстом до 512 токенов. Она размечает имена людей, адреса, школы и телефонные номера, чтобы подготовить текст к размытию или маскированию. Модель предназначена для очистки корейских новостей, сообщений и документов перед публикацией или передачей на обработку. На проверке на новостном корпусе NAVER NER автор сообщает полноту обнаружения имен 91,0% и полное маскирование имени в 86,6% случаев; для повышения полноты маскирования README рекомендует объединять предсказания модели с регулярными выражениями и словарными правилами. Лицензия — MIT. Качество может снижаться на разговорном и OCR-тексте, а также для иностранных имен в корейской транскрипции, псевдонимов и сценических имен. 주민등록번호, электронная почта и банковские счета не входят в метки модели и требуют отдельной обработки регулярными выражениями.

Модель nrshoudi/speech_ocean_wav2vec_mdd разработана на основе facebook/wav2vec2-large-xlsr-53 и дообучена для автоматического распознавания речи. Это аудиомодель архитектуры Wav2Vec2 с примерно 402,8 млн параметров; она принимает аудио и выдаёт текстовую транскрипцию. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. В карточке приведены результаты оценки: WER 0,0863, CER 0,0692 и loss 0,3663. Данные обучения и языки распознавания не описаны, поэтому применимость к конкретным языкам и условиям записи по карточке установить нельзя.

NVIDIA FastConformer-Hybrid Large (es) — модель автоматического распознавания испанской речи, разработанная NVIDIA и обученная с использованием инструментария NeMo. Она принимает монофоническое аудио WAV с частотой 16 кГц и возвращает расшифровку в виде текста с заглавными и строчными буквами, пробелами, точками, запятыми и испанскими вопросительными знаками. Модель основана на архитектуре FastConformer с уменьшением временной размерности свёрточными слоями в 8 раз. Это крупная модель примерно на 115 млн параметров с гибридным обучением по функциям потерь Transducer и CTC; доступны оба режима декодирования. Она обучалась на составном наборе испанской речи, включающем Fisher, MCV12, MLS и VoxPopuli, и предназначена для транскрибации речи общего назначения. Качество может снижаться на технической лексике, непривычных разговорных вариантах и акцентированной речи. Модель выводит ограниченный набор знаков препинания: точку, запятую и испанские вопросительные знаки. Лицензия — CC BY 4.0.

Ultravox v0.4.1 — мультимодальная речевая языковая модель компании Fixie.ai на базе Llama 3.3 70B Instruct и Whisper Large V3 Turbo. Она принимает речь и текст, объединяя текстовый запрос с аудиовходом, и генерирует текстовые ответы. Модель предназначена для голосовых агентов, анализа устной речи и перевода речи между языками. Для этой версии не применялось preference tuning; README приводит скорость около 150 мс до первого токена и 50–100 токенов в секунду на GPU A100 40GB. В карточке указана лицензия MIT. В метаданных заявлена поддержка арабского, немецкого, английского, испанского, французского, хинди, итальянского, японского, нидерландского, португальского, русского, шведского, турецкого, украинского и китайского языков. Модель выдаёт текст, а генерация аудио в этой версии не поддерживается.

robinhad/wav2vec2-xls-r-300m-uk — модель распознавания украинской речи, созданная дообучением facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; в метаданных указан Common Voice как набор данных. Для оценки приведены WER 0,1222 и CER 0,0204. Модель предназначена для автоматической транскрипции украинской речи. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Подробности о тренировочных данных, условиях записи и известных ограничениях в карточке не раскрыты.

Whisper Large v3 Ai — дообученная Nurlan Salahaddinov версия мультиязычной модели OpenAI Whisper large-v3 для распознавания речи и преобразования аудио в текст. Модель содержит 905,2 млн параметров и основана на архитектуре Whisper; для обучения использован набор Mozilla Common Voice 17.0. Карточка приводит результат WER 1,1952 на оценочной выборке. Модель предназначена для автоматической транскрибации аудиозаписей, в частности для распознавания азербайджанской речи. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0.

Это дообученная модель распознавания речи на базе OpenAI Whisper medium, созданная dianavdavidson. Модель содержит 455,8 млн параметров и принимает аудио, чтобы преобразовывать речь в текст. По названию репозитория она настроена для распознавания хинди; README сообщает о дообучении на неизвестном наборе данных. На оценочном наборе указаны loss 0,2355 и Global WER 26,3949, однако описание набора данных и условий оценки отсутствует. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0.

BlueRaccoon/whisper-small-uz — модель автоматического распознавания речи, созданная участником мероприятия Whisper fine-tune sprint. Это дообученная версия openai/whisper-small с архитектурой Whisper и 153,1 млн параметров; она принимает аудио и преобразует речь в текст на узбекском языке. Обучение и оценка проводились на узбекских данных Mozilla Common Voice 11 и Google FLEURS. В оценке указана частота ошибок слов (WER) 23,65 на тестовом наборе Common Voice 11 и 47,15 на FLEURS. Эти результаты относятся к указанным наборам и не гарантируют такое же качество на других записях. Модель распространяется по лицензии Apache-2.0.

AmberYifan/capsd-opc-dedup-marin-8b-base-code_ppl_b60000_s0 — дообученная плотная авторегрессионная модель семейства Llama, созданная на основе marin-community/marin-8b-base. Обучение проводилось на наборе capsd_marin-8b-base-n80000-opc-dedup80k__mix_code_ppl_b60000_s0; название набора указывает на смесь данных с кодом, но README не уточняет состав и оценку качества. Модель содержит 7,5 млрд параметров, работает с текстом и имеет контекстное окно 4096 токенов. В метаданных указана возможность чата; основная задача — генерация текста, включая продолжение кода и диалоговые ответы. Базовая модель описана как англоязычная, поэтому английский является основным языком. Модель распространяется под лицензией с обозначением other; конкретные условия следует проверять в репозитории. README не приводит сведений о целевых сценариях, результатах оценки или известных ограничениях.

Functionary Medium v3.0 — языковая модель семейства Llama, разработанная meetkai для диалога и вызова функций или плагинов. Она принимает определения инструментов в формате JSON Schema и может решать, когда вызвать их, запускать вызовы последовательно или параллельно, интерпретировать результаты и формировать ответы с опорой на полученные данные. Если инструмент не нужен, модель отвечает обычным сообщением; также заявлена поддержка code interpreter. Модель содержит 69,5 млрд параметров, использует плотную архитектуру Llama и работает с контекстом до 8192 токенов. Для запуска авторы рекомендуют OpenAI-совместимый сервер vLLM; карточка также описывает шаблон диалога и код для разбора ответов с вызовами инструментов. Репозиторий содержит веса PyTorch, лицензия — MIT. Модель предназначена для построения разговорных приложений с вызовом внешних инструментов. Для работы с инструментами требуется передавать их определения в ожидаемом формате и корректно обрабатывать структуру вызовов. README не приводит количественных оценок качества; заявленная в карточке сравнительная характеристика с GPT-4 не подкреплена результатами тестирования.

Granite-speech-3.3-8b — компактная речевая языковая модель IBM, основанная на Granite 3.3 8B Instruct и выпущенная в редакции 3.3.2 19 июня 2025 года. Она предназначена для автоматического распознавания речи (ASR), автоматического перевода речи (AST), а также текстовых задач при работе без аудио. Модель использует двухэтапную схему: сначала преобразует аудио в текст, затем отдельным вызовом обрабатывает полученный текст с помощью базовой языковой модели Granite. Модель поддерживает входную речь на английском, французском, немецком, испанском и португальском языках. Она ориентирована на преобразование речи в текст и перевод между этими языками и английским, а также на перевод с английского на японский и китайский (мандарин). В редакции 3.3.2 применены дополнительные обучающие данные и более глубокий акустический энкодер, что улучшает точность транскрибации, особенно для английского языка. Модель рассчитана на корпоративные приложения, обрабатывающие речевые данные, и поддерживается библиотеками Transformers и vLLM. Ключевое ограничение — необходимость явно выполнять второй этап для обработки транскрибированного текста, поскольку распознавание речи и языковая обработка не объединены в один проход. Размер модели составляет около 8 миллиардов параметров согласно идентификатору и базовой модели, однако точная архитектура и максимальная длина контекста в предоставленных данных не указаны. Модель распространяется по лицензии Apache 2.0.

Модель anshulVashist/houdini_gemma4_finetune — дообученная pahaadi мультимодальная Gemma 4 E2B IT на базе unsloth/gemma-4-E2B-it. Она предназначена для диалогов с текстовым и визуальным вводом, включая анализ изображений и документов. В репозитории доступны веса Safetensors и GGUF в формате F16; при обучении использовались Unsloth и библиотека Hugging Face TRL. Модель подходит для вопросов по изображениям и документов, содержащих визуальную информацию, а также для обычного общения с текстовым помощником. README не описывает специальную предметную область или результаты оценки качества. Лицензия — Apache-2.0.

BuzzASR/japanese — монолингвальная модель автоматического распознавания японской речи, разработанная в рамках набора BuzzASR. Она создана полным дообучением openai/whisper-large-v3 с заменой токенизатора на японский и текстовым мультитасковым дообучением. Модель содержит около 907,3 млн параметров, использует архитектуру Whisper и библиотеку Transformers. Модель предназначена для транскрибации японской речи в текст. В README приведены результаты на тестовых наборах FLEURS и Common Voice 25.0: нормализованный CER составляет 14,49% и 26,58% соответственно; на объединённом наборе CER — 21,08%. По заявлению авторов, на объединённом тесте это примерно на 1,1 раза ниже CER, чем у Whisper-large-v3 в режиме zero-shot. Языковая и задачная подсказка задана в конфигурации генерации. Модель рассчитана только на японский язык; качество на других предметных областях, диалектах и условиях записи может отличаться. Она лицензирована по MIT.

Модель toiar/khasi-asr-transcribe-diarize-v2 — дообученная версия MOSS-Transcribe-Diarize от OpenMOSS-Team для транскрибирования аудио на кхаси, английском и хинди. Она обучена на корпусе объёмом около 342 часов и поддерживает режимы вывода с временными метками и диаризацией, а также только с указанием говорящих. Базовая модель имеет размер 0,9 млрд параметров и предназначена для длинных записей с транскрипцией, временными метками, разделением говорящих и аннотациями акустических событий. Модель подходит для расшифровки многоязычных записей и разметки реплик по говорящим. Лицензия — Apache 2.0. Для загрузки требуется trust_remote_code=True.

MEMORYDistillPL-1.5b — польская языковая модель, дообученная автором на базе Qwen/Qwen2.5-1.5B-Instruct методом QLoRA. Она преобразует польские стенограммы разговоров в краткие структурированные заметки для долговременного хранения: суммирует обсуждение и извлекает упомянутые сущности, включая людей, организации, решения и факты. Модель построена на плотной архитектуре Qwen2, содержит 1,5 млрд параметров и имеет контекстное окно 32 768 токенов. Она рассчитана на узкую задачу суммаризации и извлечения сведений, а не на свободный чат. В README описана оценка на 82 польских стенограммах длиной до 8 тысяч токенов; в этом сравнении ответы модели чаще предпочитались ответам базовой Qwen2.5-7B-Instruct. Модель иногда пропускает сущности и может придумывать расшифровки польских сокращений. Работа на других языках и длинных входах не проверялась; для важных решений результаты нужно сверять с исходником. Лицензия — Apache 2.0. В репозитории есть веса для Transformers, LoRA-адаптер и варианты GGUF; низкая квантизация может заметнее снижать качество.

Nous-Hermes-2-Vision-Alpha — мультимодальная модель для диалога и следования инструкциям, разработанная qnguyen3 и teknium. Она построена на архитектуре LLaVA-Mistral и дообучена на базе Mistral-7B-v0.1; в README также указано использование OpenHermes-2.5-Mistral-7B и визуального энкодера SigLIP-400M. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы, включая структурированные результаты для сценариев вызова функций. Модель предназначена для вопросов по изображениям, визуального описания и автоматизаций, связывающих визуальный ввод с вызовом функций. В обучающие данные вошли наборы LVIS-INSTRUCT4V, ShareGPT4V, частный набор данных для вызова функций и диалоги OpenHermes-2.5. Контекст составляет 32 768 токенов, размер — 7,1 млрд параметров; в метаданных указан английский язык. Модель выпущена под лицензией Apache-2.0.

Amazon Nova Premier 1.0 — мультимодальная модель Amazon, предназначенная для решения сложных задач рассуждения. Её также позиционируют как модель-учителя для дистилляции пользовательских моделей. В метаданных каталога основная задача указана как image-text-to-text, то есть модель принимает изображения и текст и формирует текстовый ответ. Данных о размере модели, контекстном окне, поддерживаемых языках, лицензии и конкретной архитектуре в предоставленных источниках нет. README характеризует модель как наиболее способную мультимодальную модель Amazon для сложных рассуждений, но не приводит результатов оценки качества или подробностей применения.

Paprika — модель распознавания литовской речи, созданная командой Kalamo на основе Whisper large-v3-turbo и дообученная на литовских данных. Она преобразует аудио в текст; в обучающую выборку вошли около 320 часов спонтанной и прочитанной речи из LIEPA-3 и VoxPopuli LT. Для обработки длинных записей авторы рекомендуют запуск через конвейер с окнами по 30 секунд. Модель поддерживает литовский язык и принимает аудио с частотой 16 кГц. В тестах авторов она показала WER 16,98% на отложенном наборе VoxPopuli LT и 12,32% на FLEURS-lt; эти результаты зависят от набора данных и настроек распознавания. Модель рассчитана на транскрибирование речи, в том числе спонтанной и парламентской. Результат выдаётся строчными буквами без пунктуации и регистрационной разметки. У длинной записи встроенное декодирование с временными метками резко ухудшает качество, а обработка окнами может незаметно пропускать слова на стыках и порождать текст на тишине. Для задач, где важна полнота транскрипции, автор рекомендует более новую версию v3. Лицензия — CC BY 4.0.

Это версия модели распознавания речи NVIDIA Parakeet TDT-CTC 1.1B, подготовленная mlx-community для работы с библиотекой MLX на Apple Silicon. Она принимает аудио и преобразует речь в текст; основное применение — автоматическая транскрипция записей и аудиопотоков. Модель основана на архитектуре FastConformer/Conformer и рассчитана на английскую речь; исходная карточка описывает транскрипцию с пунктуацией и заглавными буквами. Репозиторий содержит веса safetensors и распространяется по лицензии CC BY 4.0. README указывает на конвертацию исходной модели в формат MLX; метаданные каталога помечают связь с исходной моделью как finetune, поэтому происхождение указано по этим метаданным. Подробности о длине аудио, точности и ограничениях применения в предоставленной карточке отсутствуют.

Pingala V1 Universal — модель автоматического распознавания речи, разработанная Shunyalabs. Она преобразует аудио в текст и предназначена для точной дословной транскрипции встреч, финансовых звонков, вещательных передач, учебных материалов и других записей. В карточке заявлена поддержка 204 языков, включая индийские и мировые языки; метаданные отдельно перечисляют языковые теги, среди которых русский и английский. Модель основана на архитектуре Transformer, принимает аудио с частотой 16 кГц и поддерживает обработку речи в реальном времени; в карточке также указана встроенная функция обнаружения речевой активности. Shunyalabs приводит средний показатель WER 3,10% и средний RTFx 146,23, однако описание результатов в основном посвящено английской речи. Для доступа требуется аутентификация в Hugging Face Hub. Лицензия обозначена как other и содержит ограничения на дискриминационное, военное и иное вредоносное применение; перед использованием следует ознакомиться с полным текстом лицензии.

Harsh221/qwen2.5-1.5b-pii-redactor — плотная причинная языковая модель Qwen2.5-1.5B-Instruct, дообученная методом supervised fine-tuning с LoRA для поиска и редактирования персональных данных в тексте. Она сохраняет обычный текст и заменяет распознанные фрагменты метками типов данных, например адреса электронной почты, телефона или имени. Модель содержит 1,5 млрд параметров, принимает текст и выдаёт отредактированный текст; в метаданных указан контекст до 32 768 токенов. В описанном обучении использовались набор ai4privacy/pii-masking-300k и последовательности длиной 512 токенов. Модель подходит для предварительной маскировки персональных данных в сообщениях и документах перед передачей на анализ или публикацией. Карточка отмечает, что это генеративный редактировщик, а не гарантия конфиденциальности: возможны пропуски чувствительных фрагментов, нежелательные изменения обычного текста и нестандартные метки. Для длинных документов рекомендуется обрабатывать текст частями и объединять результаты с проверкой. README не указывает поддерживаемые языки; применяйте модель только после оценки на нужных языках и категориях данных. Лицензия — Apache-2.0.

Qwen2.5-Coder-0.5B-Q8_0-GGUF — это версия модели Qwen2.5-Coder-0.5B, преобразованная в формат GGUF проектом ggml-org с использованием llama.cpp и сервиса GGUF-my-repo. Модель предназначена для генерации текста и работы с программным кодом; в карточке указаны теги code и qwen, а заявленный язык — английский. Модель содержит около 0,5 млрд параметров и использует 8-битную квантизацию Q8_0, что делает её подходящей для локального запуска при ограниченных вычислительных ресурсах. Поддерживается работа через llama.cpp в режиме CLI или сервера; в примере запуска указан контекст размером 2048 токенов. Сведения об архитектуре, мультимодальности и точном наборе поддерживаемых языков, кроме английского, в карточке отсутствуют. Компактный размер и формат GGUF являются сильными сторонами для локального развёртывания, однако по сравнению с более крупными моделями модель, вероятно, имеет более ограниченные возможности при сложной генерации кода и рассуждениях. Модель распространяется по лицензии Apache-2.0.

Mungert/Qwen3.5-9B-Claude-4.6-Opus-Reasoning-Distilled-v2-GGUF — GGUF-версия дообученной модели Qwen3.5-9B, ориентированной на рассуждения. Модель создана на базе Qwen/Qwen3.5-9B с использованием материалов, связанных с проектом Jackrong, библиотеки Unsloth и llama.cpp. Для обучения заявлены наборы данных с примерами рассуждений в стиле Claude Opus 4.6 и другие коллекции reasoning-данных. Модель предназначена для задач, требующих пошагового анализа: математики, текстовых задач, логической дедукции, общих знаний и выполнения инструкций. Во второй версии использовано около 14 000 образцов рассуждений с акцентом на более короткие и экономичные цепочки рассуждений, чтобы снижать вычислительные затраты без потери качества. Также приводятся результаты HumanEval и HumanEval+, которые используются как оценка переноса общих навыков рассуждения на программирование, а не как прямая цель обучения. Ключевая характеристика — размер базовой модели 9B и распространение в формате GGUF, удобном для запуска через совместимые инструменты локального инференса. В карточке указаны языки English, Chinese и Korean, а также тег image-text-to-text, однако подробности о мультимодальных возможностях, размере контекста и поддерживаемых форматах входных изображений не приведены. Ограничением является возможное снижение широких универсальных способностей из-за объема и направленности SFT-обучения; кодовая специализация также не была основной частью обучения. Модель распространяется по лицензии Apache-2.0.

Qwen3-8B TMax AENV v39b, итерация 159 — чекпойнт обучения с подкреплением, созданный командой willamazon1 на основе willamazon1/qwen3-8b-tmax-sft-v3-iter353. Модель семейства Qwen3 с плотной архитектурой Qwen3ForCausalLM содержит 7,6 млрд параметров, принимает текст и генерирует текст; максимальная длина контекста — 40 960 токенов. Модель дообучена методом group-relative policy optimization на асинхронных многоходовых взаимодействиях с агентными средами. Она предназначена для диалоговой генерации и сценариев использования инструментов агентом. Это одна из опубликованных итераций обучения, поэтому её можно сравнивать с другими чекпойнтами той же серии. Веса доступны в формате safetensors, bf16; модель распространяется по лицензии Apache-2.0.

gokaygokay/sd3-long-captioner-v2 — дообученная модель на основе PaliGemma с входным разрешением изображений 224×224. Автор дообучил её на наборах данных google/docci и google/imageinwords для создания подробных текстовых описаний изображений. Модель принимает изображение и формирует текстовое описание. В метаданных указаны архитектура PaliGemma, библиотека Transformers, формат весов safetensors и поддержка английского языка. Лицензия — Apache 2.0. Карточка сообщает о дообучении, но не приводит результаты оценки качества и не уточняет максимальную длину описания; пригодность для конкретных изображений стоит проверять на примерах.

STAR1-R1-Distill-7B — языковая модель, дообученная исследователями UCSC-VLAA на наборе STAR-1 из 1 000 примеров для повышения безопасности ответов моделей с многошаговыми рассуждениями. Она основана на DeepSeek-R1-Distill-Qwen-7B и использует архитектуру Qwen2; размер составляет 7,1 млрд параметров, формат весов — safetensors, библиотека — Transformers. Модель предназначена для диалоговой генерации текста и ответов с учётом принципов безопасности, сохраняя способности к рассуждению, в том числе в математике и программировании. Контекст модели — до 131 072 токенов. В README описана оценка и фильтрация обучающих примеров, однако конкретные языки, поддерживаемые моделью, не перечислены. Модель распространяется по лицензии Apache-2.0. Улучшения безопасности заявлены по результатам бенчмарков, но их величина и устойчивость в разных сценариях требуют проверки; дообучение на 1 000 примерах не гарантирует безошибочную обработку небезопасных запросов.

BuzzASR/urdu — одноязычная модель автоматического распознавания речи на урду, разработанная в рамках набора BuzzASR и дообученная из openai/whisper-large-v3. Она принимает аудио и генерирует текстовую транскрипцию; модель построена на архитектуре Whisper large-v3 и содержит 905,2 млн параметров. Для распознавания используется токенизатор Whisper, а языковая и задачная подсказка встроена в конфигурацию генерации. Модель предназначена для транскрибации речи на урду. На тесте FLEURS указаны CER 7,5% и WER 21,8%; на объединённом тесте — CER 9,24% и WER 26,77%. Обучение использовало FLEURS и текстовые данные корпуса Goldfish. Модель оценивалась на тестовых разделах FLEURS и Common Voice, поэтому качество на других тематиках, диалектах и акустических условиях может отличаться. Лицензия — MIT.

Карточка модели Koyiljon/uzbek_stt_v1 на Hugging Face совпадает с карточкой Kotib/uzbek_stt_v1, поэтому описание составлено по ней. Kotib/uzbek_stt_v1 — модель автоматического распознавания речи, разработанная командами Kotibai и Rubai и дообученная на базе OpenAI Whisper Medium. Она принимает аудио и преобразует узбекскую речь в текст; модель рассчитана прежде всего на узбекский язык и латинскую письменность, включая некоторые русские заимствования, произнесённые в узбекской речи. Архитектура Whisper, 455,8 млн параметров; модель использует формат safetensors и библиотеку Transformers. Для обучения использовали около 1 600 часов узбекского аудио, а оценку провели на 1 864 примерах из восьми тестовых наборов. В карточке указана общая доля ошибок WER 16,7%; на чистой речи — около 6–11%, на шумной или дополненной — около 12–24%. Модель подходит для расшифровки речи, диктовки, голосовых помощников и создания субтитров. Качество снижается при сильном шуме и частом переключении между языками; модель оптимизирована для узбекского. Лицензия — Apache-2.0.

Модель Gabor Madarasz — система автоматического распознавания речи на венгерском языке, дообученная на базе facebook/mms-1b-all. Она использует архитектуру Wav2Vec2ForCTC с 1,3 млрд параметров и предназначена для преобразования венгерской речи в текст. Модель рассчитана на запись речи одного говорящего, например подкасты, аудиокниги и другие чёткие аудиозаписи. В карточке приведены результаты тестирования: WER 19,93% и CER 5,19% на тестовой части FLEURS для венгерского языка, а также WER 16% на 500 отложенных примерах Common Voice. Для уменьшения ошибок распознавания похожих по звучанию слов рекомендуется декодирование с языковой моделью, например KenLM через beam search. Лицензия — CC0-1.0.