I.5Создание и редактирование текста

KBLab разработала wav2vec2-large-xlsr-53-swedish — модель распознавания шведской речи на основе архитектуры Wav2Vec2ForCTC с 402,7 млн параметров. Она дообучена на базе facebook/wav2vec2-large-xlsr-53: сначала на корпусе примерно из 1000 часов шведских радиопередач, затем на NST Swedish Dictation и Common Voice. Модель принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст. Модель предназначена для автоматической транскрибации шведской речи. В оценке на тестовой части Common Voice указаны WER 14,30% и CER 4,93%. Для более высокого качества авторы рекомендуют свою более новую модель wav2vec2-large-voxrex-swedish. Модель распространяется по лицензии Apache-2.0.

sarpba/whisper-hu-small-finetuned — дообученная модель OpenAI Whisper Small для автоматического распознавания речи. Она принимает аудио и преобразует его в текст, с особым упором на венгерский язык. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. В README приведены результаты оценки на тестовом наборе: loss 0,02658 и WER 0,08494. Сведения о составе обучающего набора и ограничениях применения не раскрыты. Модель распространяется по лицензии Apache-2.0.

Whisper large-v3, дообученная AiLab.lv для распознавания латышской речи. Модель преобразует аудио в текст и предназначена для транскрибации записей на латышском языке, включая голосовые записи и материалы вещательных СМИ. Дообучение выполнено с помощью Hugging Face Transformers на 282,4 часа данных из латышской части Common Voice 19.0 и набора LATE-Media. В репозитории указаны результаты оценки на тестовых данных: WER 4,8 на форматированном тесте Common Voice, 3,2 на нормализованном тесте Common Voice и 19,2 на тесте LATE-Media. Модель содержит около 905,2 млн параметров; карточка также описывает отдельные квантованные варианты в форматах для whisper.cpp и CTranslate2. Модель рассчитана прежде всего на латышскую речь; показатели на тесте LATE-Media указывают, что качество может заметно различаться между наборами данных. Лицензия — Apache-2.0.

vumichien/whisper-medium-jp — дообученная модель автоматического распознавания речи на основе openai/whisper-medium, разработанная с использованием набора данных Mozilla Common Voice 11.0. Она предназначена для преобразования японской речи в текст. Модель семейства Whisper содержит около 455,8 млн параметров и представлена в формате PyTorch; оценка на тестовой выборке Common Voice 11.0 составляет WER 9,0355 и loss 0,3029. Распространяется по лицензии Apache-2.0.

Модель ixxan/whisper-small-uyghur-thugy20 — дообученная версия Whisper Small, созданная на основе openai/whisper-small для распознавания уйгурской речи. Она принимает аудио и генерирует текстовую транскрипцию; обучение проводилось на наборе данных THUGY20, базе записей уйгурской речи. В карточке приведены результаты на тестовой выборке THUGY20: WER 17,94, нормализованный WER 18,09 и CER 4,93. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. Распространяется по лицензии Apache-2.0.

zen-vl-8b-agent-i1-GGUF — это мультимодальная vision-модель для задач image-text-to-text, основанная на zenlm/zen-vl-8b-agent. Исходная модель разработана командой ZenLM, а данная версия квантизирована mradermacher и распространяется в формате GGUF. В карточке указано, что модель предназначена для работы с изображениями и текстом; заявленный язык — английский. Модель относится к классу примерно 8-миллиардных параметров, однако точные сведения об архитектуре, размере контекста и поддерживаемых модальностях помимо изображений и текста в README не приведены. Доступны многочисленные варианты квантизации, включая IQ- и Q-серии, размером примерно от 2,2 до 6,8 ГБ. В README отмечено, что варианты IQ часто предпочтительнее сопоставимых обычных вариантов, а Q4_K_M рекомендован как быстрый вариант с хорошим соотношением размера, скорости и качества. Основные преимущества — мультимодальная обработка изображений, широкий выбор размеров GGUF-файлов и возможность подбора компромисса между качеством, скоростью и требованиями к памяти. Ограничения связаны с потерями качества при низкобитной квантизации; для работы vision-модели могут потребоваться отдельные mmproj-файлы из статического репозитория. Лицензия модели указана как Apache-2.0.

BETO — испаноязычная модель семейства BERT, разработанная исследователями Университета Чили (DCC UChile) и обученная на большом корпусе текстов на испанском языке. Эта версия сохраняет регистр букв и использует Whole Word Masking. Модель имеет около 137,1 млн параметров, словарь примерно из 31 тысячи BPE-подслов на основе SentencePiece и контекст до 512 токенов; веса доступны в форматах PyTorch, TensorFlow и Flax. Модель предназначена для предсказания замаскированных слов в испанском тексте и может служить основой для дообучения под задачи обработки испанского языка. В карточке приведены результаты бенчмарков BETO для разметки частей речи, распознавания именованных сущностей и классификации текстов; эти сценарии требуют соответствующей настройки модели. В README не указана лицензия, поэтому условия использования следует проверить в репозитории модели.

Darwin-2B-Opus — модель для генерации текста и диалогов, разработанная FINAL-Bench / VIDRAFT_LAB на основе Qwen/Qwen3.5-2B. В неё встроен стиль рассуждений, полученный дистилляцией ответов Claude Opus 4.5/4.6 и Sonnet 4.6; обучение проводилось методом SFT с LoRA, после чего адаптер объединили с базовыми весами. Модель содержит около 1,7 млрд параметров по метаданным; в README указано 2,3 млрд. Архитектура — плотная Qwen3.5 для причинной генерации текста. Метаданные указывают контекст до 262 144 токенов, однако обучение проводилось с длиной последовательности 4 096 токенов. Модель предназначена для диалогов, рассуждений, математических задач и написания кода на английском и корейском языках; README также описывает примеры на обоих языках. Карточка приводит результат 37,37% на GPQA Diamond и предупреждает об ограниченных энциклопедических знаниях из-за небольшого размера. Лицензия модели — Apache 2.0; лицензии обучающих наборов могут различаться.

Это объединённая линейным слиянием модель языковых моделей deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B и Qwen/Qwen2.5-Math-1.5B, созданная автором репозитория с помощью mergekit. Она предназначена для генерации текста в диалоговом формате и может применяться для решения математических задач и задач программирования благодаря возможностям исходных моделей.

alvanlii/distil-whisper-small-cantonese — модель распознавания речи на кантонском языке, созданная как дистиллированная версия alvanlii/whisper-small-cantonese на основе Whisper Small от OpenAI. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration и 153,1 млн параметров; в декодере 3 слоя вместо 12 у стандартной Whisper Small. Модель принимает аудио и выдаёт текстовую транскрипцию; в README описан сценарий обработки аудио с частотой дискретизации 16 кГц и чанками до 30 секунд. Модель рассчитана на транскрибирование кантонской речи, включая данные zh-HK. На тестовом наборе Common Voice 16.0 yue указана CER 9,7% без пунктуации и 11,59% с пунктуацией; авторы также сообщают о меньшем времени инференса по сравнению с Whisper Small. Для работы требуется около 2 ГБ видеопамяти. Модель опубликована в формате safetensors под лицензией Apache-2.0. Метаданные указывают Common Voice 11.0 среди тегов датасетов, тогда как README описывает обучение на CantoMap, Cantonese-ASR и Common Voice и оценку на Common Voice 16.0.

sapkotapraful/FullyOCR-2-dev — дообученная с помощью TRL модель на базе unsloth/Qwen3.5-0.8B. По метаданным это плотная мультимодальная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, предназначенная для обработки изображений с формированием текстового ответа. В карточке Hugging Face указана задача image-text-to-text и возможность работы с изображениями. Модель можно применять для извлечения текста и сведений из изображений, а также для вопросов и ответов по визуальным материалам. README содержит пример диалоговой генерации текста, но не описывает специализированные OCR-возможности, обучающие данные, качество распознавания, поддерживаемые языки или длину контекста. Репозиторий использует формат safetensors и библиотеку Transformers. Сведения о лицензии в предоставленных источниках отсутствуют.

GRPO-VI-Qwen2-7B-RAG — языковая модель, дообученная командой Nguyen Nho Trung, Nguyen Van Huy и Nguyễn Nhat Quang на базе Qwen/Qwen2.5-7B-Instruct. Она предназначена прежде всего для генерации ответов в системах с дополненной поиском генерацией (RAG), сохраняя диалоговые возможности. Обучение включало supervised fine-tuning и GRPO на вьетнамских примерах: модель улучшали для многошаговых вопросов по найденным документам, отбора нерелевантных сведений и объединения информации. Также модель подходит для общих вопросов, математики и задач по программированию. Это плотная архитектура Qwen2 с 7,1 млрд параметров, рассчитанная на текстовый ввод и текстовые ответы; репозиторий содержит веса Safetensors и использует библиотеку Transformers. Метаданные указывают контекст до 32 768 токенов. Модель ориентирована на вьетнамский язык. В карточке приведены оценки на внутреннем наборе EvalRAGData и бенчмарке VMLU, но результаты не гарантируют точности в других сценариях. Разработчики отмечают возможные ошибки и предвзятые или неуместные ответы, особенно на политические и общественные темы. Лицензия — Apache-2.0.

akshayballal/grug-ettin-32m-meetingbank — компактный классификатор токенов для сжатия текстовых промптов. Модель дообучена командой grug на наборе microsoft/MeetingBank-LLMCompressed и предсказывает для каждого токена, сохранить его или отбросить. В примере README она используется через библиотеку grug и ModernBackend для сжатия текста с заданным коэффициентом rate. Модель основана на энкодере ModernBERT jhu-clsp/ettin-encoder-32m, содержит 31,9 млн параметров и поддерживает контекст до 7 999 токенов. Карточка указывает задачу token-classification; базовый энкодер описан как англоязычный, а обучающий корпус связан с MeetingBank. Лицензия cc-by-nc-sa-4.0 ограничивает использование некоммерческими условиями и требует соблюдения условий распространения и атрибуции.

grug-ettin-68m-meetingbank — модель-классификатор токенов для сжатия текстовых промптов: она предсказывает, какие токены сохранить, а какие отбросить. Модель разработана Akshay Ballal и обучена с помощью grug на данных microsoft/MeetingBank-LLMCompressed; её архитектура — ModernBERT, размер — 68,1 млн параметров, максимальный контекст — 7 999 токенов. Модель предназначена для сокращения промптов перед передачей языковой модели, например, чтобы уменьшить объём текста при сохранении важных сведений. В примере README сжатие выполняется с заданным коэффициентом сохранения 0,4. Это англоязычная модель на базе jhu-clsp/ettin-encoder-68m. Для обучения использован корпус с лицензией CC-BY-NC-SA-4.0; модель наследует ограничение на некоммерческое использование.

minsu0567/IAD-X1-GRPO-answer-last — дообученная minsu0567 модель семейства Qwen3.5 для преобразования изображений и текста в текст. Карточка указывает на обучение с Unsloth и библиотекой TRL; метаданные описывают архитектуру как плотную условную генеративную модель с поддержкой изображений и диалогового взаимодействия. Модель предназначена для задач image-text-to-text. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. В карточке не приведены сведения о размере модели, длине контекста и конкретных языках использования; метаданные указывают английский язык.

Kotoba-Whisper v1.0 — японская модель автоматического распознавания речи, разработанная Asahi Ushio совместно с Kotoba Technologies. Это дистиллированная модель семейства Whisper: полный энкодер взят от Whisper large-v3, а двухслойный декодер инициализирован первым и последним слоями учительской модели. Модель содержит 905,2 млн параметров и предназначена для транскрибации японской речи; обучена на 1 253 часах аудио ReazonSpeech с частотой дискретизации 16 кГц. По заявлению авторов, она работает в 6,3 раза быстрее Whisper large-v3 при сопоставимой частоте ошибок. В тестах на ReazonSpeech v1.0 показала лучшие CER и WER, чем large-v3, а на CommonVoice 8 и JSUT Basic 5000 — конкурентные результаты. Репозиторий содержит веса Safetensors; модель поддерживается Transformers версии 4.39 и новее. Лицензия — Apache-2.0. Модель ориентирована на японскую речь и может уступать на других языках и за пределами распределения обучающих данных. Версия v2.0 новее; результаты качества зависят от набора данных и метрики.

PhoWhisper-medium — версия модели распознавания речи PhoWhisper, разработанная авторами Thanh-Thien Le, Linh The Nguyen и Dat Quoc Nguyen. Это дообученная многоязычная Whisper с архитектурой WhisperForConditionalGeneration и 455,8 млн параметров; модель принимает аудио и преобразует вьетнамскую речь в текст. Модель предназначена для автоматического распознавания вьетнамской речи с учётом разных акцентов. При дообучении использовался набор данных объёмом 844 часа; авторы сообщают о высоких результатах на тестах распознавания вьетнамской речи. Поддерживается задача automatic-speech-recognition, формат весов — PyTorch. Модель распространяется по лицензии BSD 3-Clause. Карточка не приводит сведений о длине контекста или известных ограничениях качества; результаты могут различаться в зависимости от акцента и условий записи.

Карточка модели AtomicChat/Qwen3.8-27B-MLX-AD-5.00bpw-DWQ-17.7GB на Hugging Face совпадает с карточкой AtomicChat/Qwen3.8-27B-MLX-AD-3.80bpw-DWQ-13.7GB, поэтому описание составлено по ней. AtomicChat/Qwen3.8-27B-MLX-AD-3.80bpw-DWQ-13.7GB — мультимодальная плотная модель семейства Qwen3.5 на 27 млрд параметров, подготовленная AtomicChat на основе Qwen/Qwen3.8-27B для работы в формате MLX. Она предназначена для диалогов и задач, где нужно анализировать изображения и формировать текстовый ответ. Карточка также указывает поддержку vision и conversational-взаимодействия. Модель принимает текст и изображения, выдаёт текст. Репозиторий использует safetensors, а для базовой модели указана лицензия Apache-2.0. README описывает преобразование в MLX с помощью mlx-lm 0.31.3; сведений о контекстном окне и ограничениях качества карточка не приводит.

leandronunes/qwen3.8-4b-a1-omnimerge-m8 — мультимодальная модель для диалога и рассуждений, созданная Leandro Nunes с помощью слияния Qwen3.5-4B, Qwen3.8-4B-Distill и Agents-A1-4B методом OmniMerge v2. Она предназначена для логической и причинной аргументации, научных вопросов и агентных сценариев; поддерживает вызов инструментов. Модель основана на архитектуре Qwen3.5 с плотной языковой частью и визуальным энкодером из 24 блоков. В README заявлены контекст 262 144 токена, чередование слоёв линейного внимания Gated DeltaNet и полного внимания, а также режим расширенного рассуждения, который можно отключить в шаблоне чата. Карточка описывает слияние как сочетание логической дедукции Qwen3.8-4B-Distill с агентными и причинными возможностями Agents-A1-4B; собственные результаты слияния на приведённых бенчмарках ещё не измерены. Модель принимает текст и изображения и генерирует текст. Лицензия — Apache 2.0, унаследованная от Qwen3.5-4B. Она опубликована недавно, поэтому зрелость практических результатов ограничена отсутствием измерений для самого слияния.

Gearnode/Qwen3-ASR Uzbek (v2) — дообученная Gearnode версия Qwen/Qwen3-ASR-1.7B для распознавания узбекской речи и преобразования аудио в текст. Модель построена на плотной архитектуре Qwen3ASRForConditionalGeneration и распространяется в формате Safetensors; она принимает аудио и выдаёт текстовую транскрипцию. Модель обучали пять эпох на примерно 160 тысячах примеров из Google FLEURS, Uzbek Speech Corpus и узбекских видео с YouTube по темам IT, новости и подкасты. В README модель названа лучшей среди сравниваемых вариантов для узбекской речи; для уменьшения повторов применяется постобработка. Модель предназначена прежде всего для транскрибации узбекской речи, в том числе записей новостей, подкастов и материалов по IT. Лицензия — Apache-2.0.

Qwen3-VL-32B-Thinking-MLX-8bit — это 8-битная MLX-квантизованная версия мультимодальной модели Qwen3-VL-32B-Thinking, разработанной командой Qwen. Квантизация предоставлена командой LM Studio с использованием mlx_vlm; модель оптимизирована для работы на устройствах Apple Silicon. Модель предназначена для задач преобразования изображений и текста в текст, то есть может использоваться в сценариях, где требуется анализ визуальной информации и формирование текстового ответа. В основе лежит модель размером 32B, доступная в 8-битном представлении. README не содержит сведений о поддерживаемых языках, размере контекстного окна и точной архитектуре. Ключевое преимущество версии — адаптация с помощью MLX для запуска на Apple Silicon при сниженных требованиях к памяти по сравнению с полноразмерным представлением. Ограничения, характеристики качества, производительности и поддерживаемые форматы входных данных в README не указаны. Модель распространяется по лицензии Apache-2.0.

Sinai Voice AR STT — модель распознавания арабской речи и преобразования её в текст, разработанная Bakrianoo. Это дообученная версия facebook/wav2vec2-xls-r-300m на арабской части набора Mozilla Common Voice 8.0. Архитектура Wav2Vec2ForCTC, размер — 402,7 млн параметров; модель принимает аудио и выдаёт текст на арабском языке. Модель предназначена для автоматической транскрибации арабской речи. В README приведены результаты оценки на тестовой выборке Common Voice 8.0: WER 0,181 и CER 0,049. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

Модель GaborMadarasz/w2v-bert-2.0-hungarian-CV24.0 разработана как дообученная версия facebook/w2v-bert-2.0 для автоматического распознавания венгерской речи. Это акустическая модель архитектуры Wav2Vec2-BERT на 402,7 млн параметров, принимающая аудио и преобразующая его в текст. Она обучена на венгерской части набора Common Voice Scripted Speech 24.0 и предназначена для транскрибации записанной речи. В карточке приведены результаты оценки на тестовых данных Common Voice: WER 5,65%, CER 1,47% и SER 32,26% для 12 066 примеров. Результаты показывают пригодность для распознавания венгерской речи в условиях, похожих на тестовый набор, но ошибки на отдельных примерах могут быть значительными. Для загрузки README рекомендует скачать репозиторий и выполнять инференс локально из-за проблем с разрешением метаданных токенизатора в загрузчике Hugging Face. Модель распространяется по лицензии MIT.

Taeham/wav2vec2-ksponspeech — модель распознавания корейской речи, созданная дообучением Wav2vec2-large-xlsr-53 на данных Ksponspeech. Она принимает аудио и преобразует речь в текст; карточка указывает на обучение на двух частях обучающей выборки Ksponspeech и сообщает WER 0,373 на сторонних тестовых данных. Архитектура — Wav2Vec2ForCTC, размер — 403,1 млн параметров; модель опубликована в формате PyTorch и рассчитана на корейский язык. Модель подходит для транскрибации корейской речи и получения черновых расшифровок аудиозаписей. Точность может улучшаться при унификации записи чисел и символов, нормализации пунктуации и исправлении слов по контексту; указанный WER показывает, что распознанный текст может требовать постобработки. Лицензия — Apache-2.0.

Это модель автоматического распознавания речи на бенгальском языке, созданная дообучением facebook/wav2vec2-xls-r-300m командой или автором arijitx на наборе OPENSLR_SLR53. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, преобразуя речь в текст. В метаданных указано 402,8 млн параметров; модель доступна в формате PyTorch. Модель предназначена для транскрибации бенгальской речи. На тестовой выборке без языковой модели автор сообщает WER 0,217 и CER 0,047; с пятиграммовой языковой моделью, обученной на данных AI4Bharat IndicCorp, показатели составили WER 0,153 и CER 0,034. Для использования результата с языковой моделью потребуется соответствующая внешняя языковая модель. Модель распространяется по лицензии Apache-2.0. Оценка проведена на 5% из 10 935 примеров; README приводит неоднозначное описание разбиения, поэтому точную процедуру формирования тестовой выборки следует учитывать при сравнении результатов.

masoudmzb/wav2vec2-xlsr-multilingual-53-fa — модель распознавания персидской (фарси) речи, созданная дообучением masoudmzb базовой модели facebook/wav2vec2-large-xlsr-53. Это аудиомодель архитектуры wav2vec 2.0 XLSR с CTC-декодированием и примерно 402,7 млн параметров; на вход принимает речь, дискретизированную с частотой 16 кГц, и выдаёт текстовую расшифровку. Модель предназначена для автоматического распознавания речи на фарси. По описанию, при дообучении использовались Common Voice и собственный набор данных разработчика. В README приведён результат WER 0,40815 на частном тестовом наборе, который недоступен публично, поэтому это значение нельзя независимо проверить или напрямую сравнить с другими наборами. В README не указана лицензия, поэтому условия использования по имеющимся данным определить нельзя. Практическое ограничение — требование аудио 16 кГц; качество может зависеть от условий записи и соответствия речи обучающим данным.

Карточка модели mehdipakdel/wh на Hugging Face совпадает с карточкой AmirMohseni/whisper-small-persian, поэтому описание составлено по ней. 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.

mikr/whisper-large-v3-czech-cv13 — дообученная модель семейства Whisper, основанная на openai/whisper-large-v3. Она предназначена для автоматического распознавания речи и преобразования аудио в текст; в README указана оценка на тестовой выборке: WER 0,0789 и loss 0,1283. Модель содержит 905,2 млн параметров и распространяется в формате Safetensors. Базовая Whisper large-v3 — мультиязычная модель OpenAI для транскрибации речи и перевода аудио в текст. Название указывает на ориентацию этой версии на чешскую речь, однако README не описывает обучающий набор данных, языковой охват или дополнительные сценарии применения. Лицензия — Apache-2.0.

primeline/whisper-large-v3-german — модель распознавания речи на основе Whisper Large v3, дообученная Флорианом Циммермайстером для немецкой речи. Она преобразует аудио на немецком языке в текст и рассчитана на транскрибирование речи, создание субтитров, голосовой поиск, голосовые команды и диктовку. Модель использует архитектуру WhisperForConditionalGeneration; в метаданных указано 905,2 млн параметров. Репозиторий содержит веса safetensors, для работы используется Transformers. Данные README указывают на обучение на отобранных аудиозаписях немецкой речи в течение двух эпох. Модель распространяется по лицензии Apache-2.0. Описание не приводит результатов оценки качества или подробностей о происхождении и лицензировании обучающих данных, поэтому качество на разных акцентах, в шуме и в специализированных сценариях по этим сведениям оценить нельзя.

apexAI Whisper Large-v3 Swiss German — модель распознавания речи, разработанная apexAI Research и дообученная на базе OpenAI Whisper Large-v3. Она преобразует речь на швейцарском немецком, преимущественно бернском диалекте, в текст на стандартном немецком, совмещая распознавание речи и перевод диалекта в письменную норму. Модель содержит 1,55 млрд параметров и сохраняет архитектуру Whisper Large-v3; она принимает аудио и выдаёт текст. В карточке указано обучение на 180 000 фрагментах из Swiss Parliament Corpus R и немецкой части VoxPopuli. Модель предназначена прежде всего для транскрибации формальной швейцарской речи: заседаний, интервью, диктовок, пресс-конференций и публичных выступлений. На тестовой выборке SPC-R из 15 096 фрагментов заявлены WER 13,31%, CER 6,66% и BLEU 81,28. Эти результаты относятся к материалам, похожим на тестовый корпус: независимой проверки на других корпусах и реальных сценариях эксплуатации не проводилось. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование; коммерческое лицензирование предлагается отдельно разработчиком.