I.5Создание и редактирование текста

MiniCPM-V 2.6 — мультимодальная модель OpenBMB для понимания изображений и видео. Представленная версия — GGUF-квантизация, подготовленная bartowski на основе llama.cpp, предназначенная для локального запуска, в частности через LM Studio версии 0.3.0 и выше. Модель сочетает визуальный компонент SigLip-400M и языковую модель Qwen2-7B, всего около 8 миллиардов параметров. Она поддерживает мультиязычные сценарии, обработку одного и нескольких изображений, диалоговое рассуждение по изображениям и анализ видео. Модель принимает изображения с произвольным соотношением сторон и разрешением до 1,8 млн пикселей, например 1344×1344, а также ориентирована на задачи OCR. Сильными сторонами заявлены улучшенное качество по сравнению с MiniCPM-Llama3-V 2.5, понимание нескольких изображений, работа с видео и высокое качество распознавания текста. README также заявляет превосходство в понимании одиночных изображений над рядом популярных моделей, однако эти результаты приведены без подробностей о методике оценки. Ограничения включают возможную неточность или неподходящее содержание ответов, характерные для генеративных моделей. Лицензия в README не указана.

Это 8-битная версия модели MOSS-Transcribe-Diarize, подготовленная для запуска через MLX. В README указано, что квантизован текстовый блок модели методом affine quantization с bits=8 и group_size=64; аудиоэнкодер Whisper и VQ-адаптер не квантизованы. По метаданным архитектура обозначена как плотная модель MossTranscribeDiarizeForConditionalGeneration, библиотека — MLX. Модель предназначена для распознавания речи и диаризации говорящих в аудиозаписях. Пример запуска из README принимает WAV-файл и сохраняет результаты в указанную папку. Метаданные также указывают поддержку генерации текста. Модель распространяется по лицензии Apache-2.0. Квантизация затрагивает только текстовый блок; README не приводит измерений качества или требований к ресурсам.

Pathumma-whisper-th-medium — модель распознавания речи команды Pathumma Audio Team, дообученная на основе openai/whisper-medium. Она предназначена для преобразования аудиозаписей в текст и запускается через библиотеку Transformers. Модель содержит 455,8 млн параметров и распространяется в формате safetensors. В метаданных указаны тайский и английский языки; отдельные сценарии применения и результаты оценки в карточке не описаны. Лицензия — Apache-2.0.

Карточка модели AtomicChat/Qwen3.8-27B-MLX-bf16 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.

nrshoudi/speech_ocean_hubert_mdd — модель автоматического распознавания речи, полученная дообучением HuBERT-Large facebook/hubert-large-ll60k. Она принимает аудио и преобразует речь в текст; архитектура на основе HuBERT с CTC-головой содержит 402,8 млн параметров. В README приведены результаты на тестовой выборке: WER 0,0517, CER 0,0499 и loss 0,2027. Модель подходит для транскрибации аудиозаписей и распознавания речи в речевых интерфейсах. Язык и тематика обучающих данных не описаны, поэтому область языкового применения по имеющимся сведениям определить нельзя. Модель опубликована в формате safetensors по лицензии Apache-2.0.

NhutP/ViWhisper-medium — модель распознавания вьетнамской речи, созданная авторами репозитория путём дообучения Whisper medium от OpenAI. Она принимает аудио и выдаёт текст; модель доступна через Transformers и подходит для транскрибирования записей и потоков речи. В обучении использовано в общей сложности 1308 часов данных из VSV-1100, Common Voice 14, VIVOS, VLSP2021 и синтетических примеров, созданных системой синтеза речи. Архитектура — WhisperForConditionalGeneration, размер — 455,8 млн параметров. В карточке приведены результаты WER на нескольких тестовых наборах: от 4,69 на VIVOS до 28,76 на VLSP2020-T2. Эти показатели зависят от набора данных и не гарантируют такого же качества на других записях. Для запуска в примере используется аудио с частотой дискретизации 16 кГц; указана обработка фрагментами до 30 секунд. Модель распространяется по лицензии MIT.

Volare — языковая модель Moxoff, созданная на основе Gemma-7B с дообучением методом SFT и настройками LoRA. Это плотная causal language model семейства Gemma с 8,2 млрд параметров; репозиторий содержит веса в формате Safetensors. Модель предназначена для генерации текста с учётом контекста, в частности для сценариев Retrieval-Augmented Generation (RAG), где ответы опираются на предоставленный контекст. Среди использованных данных указаны публичный датасет SQuAD-it и внутренние наборы разработчиков. Модель поддерживает итальянский и английский языки, а максимальная длина контекста составляет 8192 токена. В README приведены результаты оценки на наборах Open Ita LLM Leaderboard. Лицензия — MIT. Модель не проходила выравнивание предпочтений с помощью RLHF и не имеет встроенной фильтрации ответов; она может выдавать проблемный контент, особенно при соответствующих запросах.

AigizK/wav2vec2-large-mms-1b-tatar-v2 — модель распознавания речи на основе архитектуры wav2vec2, дообученная из facebook/mms-1b-all для татарского языка. Она принимает аудио и преобразует речь в текст; в метаданных указано 1,3 млрд параметров. На оценочном наборе модель показала WER 0,1031 и loss 0,3343, однако сведения о наборе данных и условиях оценки отсутствуют. Модель распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

Wav2vec 2.0 With Open Brazilian Portuguese Datasets v2 — модель распознавания речи на базе Wav2Vec2, дообученная автором lgris для бразильского варианта португальского языка. Чекпойнт содержит 402,7 млн параметров и предназначен для преобразования аудиозаписей речи в текст. Для обучения объединили корпуса CETUC, Multilingual Librispeech, VoxForge, Common Voice 6.1 и Lapsbm; исходная модель дообучалась с помощью fairseq, а веса для этой версии конвертированы из исходного формата. В README приведены результаты WER 10,69% на тестовой выборке Common Voice и 34,53% на аудио TEDx вне обучающего домена. Автор отмечает возможное пересечение дикторов между обучающей и тестовой выборками Common Voice, поэтому первый результат может быть завышен; на записи вне домена качество заметно ниже. Модель распространяется по лицензии Apache-2.0.

Модель davidilag/wav2vec2-xls-r-1b-scandinavian-251h-30-epochs-20250111_v9 — дообученная на неизвестном наборе данных версия facebook/wav2vec2-xls-r-1b для автоматического распознавания речи. Она принимает аудио и преобразует его в текст; архитектура — Wav2Vec2ForCTC семейства wav2vec2, размер — 1,3 млрд параметров. В README приведены результаты оценки: WER 22,6884 и CER 5,8380. Модель предназначена для транскрибирования речи. Карточка не сообщает, на каких языках и наборах данных она обучалась, поэтому пригодность для конкретного скандинавского языка и качество в отдельных сценариях по имеющимся сведениям установить нельзя. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Whisper Large-v2 Czech CV11 v2 — модель распознавания речи, созданная дообучением openai/whisper-large-v2 на чешской части набора Mozilla Common Voice 11.0. Она предназначена для преобразования чешской речи в текст. Модель основана на архитектуре Whisper и содержит 905,2 млн параметров. На оценочной выборке указана WER 9,0459 и loss 0,2120. Обучение проводилось с оптимизацией DeepSpeed и размером пакета 32. Модель распространяется по лицензии Apache-2.0. Подробности о дополнительных сценариях применения и ограничениях в карточке не приведены.

yuriyvnv/whisper-large-v3-high-mixed-nl — модель распознавания нидерландской речи, созданная разработчиком yuriyvnv дообучением openai/whisper-large-v3. Она построена на архитектуре Whisper и содержит 905,2 млн параметров; принимает аудио и преобразует речь в текст. Модель обучена на нидерландских записях Common Voice 17.0 и синтетической речи, отфильтрованной по качеству с помощью WAVe. Карточка приводит WER 4,43% на тесте Common Voice и 20,29% на бенчмарке MLS. Модель предназначена для транскрибации чистой нидерландской речи общего назначения. Она может быть полезна для подготовки текстовых расшифровок аудиозаписей и сравнения качества ASR-систем. По карточке, обучающие данные преимущественно включали чистую речь; качество на технической лексике, шумных записях и региональных вариантах нидерландского может быть ниже. Модель распространяется по лицензии Apache-2.0.

sam8000 выпустил дообученную на наборе FLEURS модель OpenAI Whisper large-v3-turbo для автоматического распознавания речи на болгарском языке. Это мультиязычная модель архитектуры Whisper с 905,2 млн параметров, предназначенная для преобразования аудио в текст; в метаданных указана поддержка входного аудио. На тестовой выборке автор сообщает WER 9,9711 и WER Ortho 28,9047. Модель распространяется в формате Safetensors по лицензии MIT. Подробности о составе обучающих данных, кроме указания FLEURS, и о конкретных ограничениях в карточке не приведены.

ghost613/whisper-large-v3-turbo-korean — дообученная модель Whisper Large V3 Turbo для автоматического распознавания корейской речи и преобразования её в текст. Она создана на основе openai/whisper-large-v3-turbo и обучена на корейском наборе данных Zeroth; в обучающей выборке было около 206 часов 43 минут аудио. Модель содержит около 905,2 млн параметров и принимает аудио, выдавая текст. В README указаны итоговые показатели WER 4,90% на валидации и 4,89% на тесте, а CER — 1,78% и 2,06% соответственно. Автор отмечает, что обучение не сошлось и дальнейшее улучшение результатов возможно. Модель опубликована в формате safetensors; условия лицензии в предоставленных данных не описаны.

amirsz8203/whisper-small-fa-finetuned — версия Whisper Small, дообученная автором репозитория для автоматического распознавания речи. Модель принимает аудио и генерирует текстовую транскрипцию; карточка указывает оценку WER 24,1495 на наборе оценки, но не описывает сам набор данных и условия измерения. Модель использует архитектуру Whisper и библиотеку Transformers, веса представлены в формате safetensors. Лицензия — Apache 2.0. Поддерживаемый язык в карточке не подтверждён.

Модель cdli/whisper-small-Swahili_finetuned_small_CV20 — дообученная версия Whisper Small от разработчика CDLI для автоматического распознавания речи на суахили. Она принимает аудио и генерирует текстовую расшифровку; подходит для транскрибирования записей и речи из датасета Common Voice. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 153,1 млн параметров и распространяется в формате safetensors через библиотеку Transformers. В README приведены значения WER: 0,261 на dev-наборе и 0,295 на test-наборе; до настройки они составляли 0,849 и 0,856 соответственно. Сведения о лицензии отсутствуют в предоставленных источниках.

yayayaaa/florence-2-large-ft-moredetailed — дообученная модель на основе microsoft/Florence-2-large-ft для получения более подробных текстовых описаний изображений. Она принимает изображение и генерирует текст; README показывает сценарии обработки одного изображения и пакетной обработки. Модель построена на архитектуре Florence-2 и распространяется в формате safetensors через Transformers. Модель подходит для детального описания изображений и пакетной генерации подписей. README указывает, что на GPU с 24 ГБ видеопамяти можно использовать размер пакета до 28 изображений. Язык карточки — английский; лицензия — MIT. Базовая Florence-2-large-ft также предназначена для обнаружения объектов, OCR и ответов на вопросы по изображению, однако карточка этой производной модели не подтверждает отдельно качество этих задач.

GenerateQuestionMistral7B — языковая модель FPHam для генерации вопросов по данному тексту или ответу. Она предназначена прежде всего для автоматического создания наборов данных с вопросами. Модель основана на Mistral и имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров; в репозитории размещены веса Safetensors. Модель принимает текстовый запрос в формате ChatML. В README рекомендуется начинать запрос с фразы «Generate a question based on the following answer:»; модель обучалась с этим префиксом, хотя может отвечать и без него. Указанная длина контекста — 32 768 токенов. README не сообщает о поддержке конкретных языков или об отдельной лицензии, поэтому такие сведения не приводятся.

alpindale/Llama-3.2-11B-Vision-Instruct — мультимодальная инструктивная модель, опубликованная alpindale на основе модели Meta Llama 3.2-Vision. Это плотная авторегрессионная трансформерная модель семейства mllama с 11 млрд параметров: она обрабатывает текст и изображения и генерирует текст. Визуальный адаптер с перекрёстным вниманием передаёт представления изображения в языковую модель; для запуска используется библиотека Transformers. Модель подходит для визуального распознавания и рассуждений по изображениям, создания подписей, ответов на вопросы об изображениях и диалога с визуальным контекстом. Среди заявленных сценариев также ответы по изображениям документов, поиск соответствий между изображениями и текстом и визуальная привязка описаний к областям изображения. Контекст составляет до 128 тыс. токенов. Для задач с изображениями заявлена поддержка английского; для текстовых задач поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Модель рассчитана на коммерческое и исследовательское применение. В README указана лицензия Llama 3.2 Community License — специальное лицензионное соглашение с условиями использования и Acceptable Use Policy; перед внедрением следует ознакомиться с ними. Модель статична, обучена на офлайн-данных; заявленная дата отсечения знаний — декабрь 2023 года. README описывает семейство моделей Meta и не подтверждает конкретные изменения, внесённые alpindale в эту копию.

MinerU — модель для автоматического преобразования PDF-документов в Markdown. Она предназначена для извлечения текста с учётом структуры страницы, распознавания математических формул и восстановления таблиц, например при обработке академических статей, учебников и технической документации. В README описана составная архитектура: Detectron2 для анализа макета, сверточная сеть для обнаружения формул, BERT для их распознавания и T5 для восстановления таблиц. Метаданные Hugging Face относят репозиторий к feature-extraction; заявленный в README сценарий преобразования PDF в Markdown с этим тегом не совпадает. Заявлены поддержка китайского и английского языков и ограничения до 100 страниц и 50 МБ на PDF. README приводит точность распознавания текста 95%, формул 90% и восстановления таблиц 85%, но не описывает методику оценки. Использование рассчитано на среду с Python, PyTorch и Detectron2; указаны требования от 16 ГБ ОЗУ и 8 ГБ видеопамяти. Лицензия — Apache-2.0.

Nemotron-Labs-Audex-30B-A3B — унифицированная аудио-текстовая языковая модель NVIDIA на базе Nemotron-Cascade-2-30B-A3B. Это MoE-модель с 30 млрд параметров и 3 млрд активируемых параметров; для аудио она расширяет словарь дискретных аудиотокенов и включает аудиоэнкодер. Модель работает в режимах рассуждения и инструкций и предназначена для аудио- и речевых задач, а также для текстовых диалогов и рассуждений. Модель понимает аудио, распознаёт и переводит речь, генерирует речь из текста, создаёт аудио по текстовому описанию и поддерживает взаимодействие «речь — речь». По заявлению разработчика, она сохраняет возможности базовой модели в рассуждениях, знаниях, длинном контексте и работе с агентными сценариями. Доступны веса Safetensors; для запуска описана поддержка vLLM и Transformers, а для некоторых аудиосценариев нужны дополнительные зависимости и декодеры. Лицензия указана как other, поэтому условия использования следует уточнять в карточке репозитория. Длина контекста и конкретный перечень поддерживаемых языков в предоставленных данных не обозначены; метаданные указывают английский язык.

OutcomesAI-Whisper-tiny-v1.1 — дообученная модель семейства Whisper, разработанная на основе piyushmaharana/outcomes-whisper-tiny-v1 и датасета big-transcript-pronounce. Она предназначена для автоматического распознавания речи и преобразования английской речи в текст. Модель содержит 29,4 млн параметров; веса представлены в формате Safetensors. В README приведены результаты оценки: loss 0,0602 и WER 2,82, однако описание методики оценки и ограничений отсутствует. Модель распространяется по лицензии Apache-2.0.

Mungert/Qwen2.5-VL-7B-Instruct-GGUF — набор GGUF-файлов модели Qwen2.5-VL-7B-Instruct, подготовленный автором репозитория Mungert с использованием imatrix-файла и актуальной сборки llama.cpp. README не указывает разработчика исходной модели. Модель предназначена для мультимодальных сценариев image-text-to-text, в частности для анализа изображений и генерации текстовых ответов по ним. Для работы требуются основной GGUF-файл модели и отдельный файл mmproj, содержащий мультимодальный проектор. Использование vision поддерживается через fork llama.cpp и CLI-инструмент llama-mtmd-cli. Доступны варианты с разными форматами и уровнями квантования, включая F16, BF16, Q4, Q6, Q8 и ультранизкобитные варианты IQ1/IQ2. Это позволяет выбирать между качеством, скоростью и требованиями к памяти; низкобитные варианты ориентированы на устройства с ограниченными ресурсами, но могут снижать точность. В метаданных указано, что модель работает с английским языком. Размер исходной модели — 7B параметров; поддерживаемые модальности — текст и изображения. Ограничения включают необходимость специальной версии llama.cpp, отдельного mmproj-файла и потенциальную потерю качества при сильном квантовании. Репозиторий распространяется по лицензии Apache-2.0.

dealignai выпустил производную модель Qwen3.5-VL-122B-A10B-JANG_4K-CRACK на основе Qwen/Qwen3.5-122B-A10B. Это мультимодальная модель семейства Qwen с архитектурой MoE: 122 млрд параметров, 256 экспертов, из которых активны 8 на токен, гибридная архитектура GatedDeltaNet SSM и полного внимания. Модель принимает текст и изображения и предназначена для диалога, ответов по изображениям и других задач визуально-языкового взаимодействия. Веса квантизированы в формате JANG_4K со смешанной точностью: 8-битные веса внимания, 4-битные эмбеддинги и 3-битные эксперты; заявленный размер — 62 ГБ. Также в README указано удаление поведения отказа от ответов на уровне весов. Для запуска требуется совместимое ПО для MLX на Apple Silicon, в частности MLX Studio или пакет jang-tools; другие приложения могут не поддерживать JANG. Лицензия — Apache-2.0.

NVIDIA FastConformer-Hybrid Large для арабского языка — модель автоматического распознавания речи, разработанная NVIDIA и доступная для работы через NeMo. Она преобразует аудио в текст и поддерживает знаки пунктуации: точки, арабские запятые и вопросительные знаки. Модель построена на архитектуре FastConformer с гибридным декодером Transducer (RNNT) и CTC и содержит около 115 млн параметров. Она обучена на примерно 760 часах арабской речи из MASC, Common Voice 17.0 и Fleurs. На вход подаются монофонические WAV-файлы с частотой 16 кГц; модель работает в нестриминговом режиме. На выходе — арабский текст без диакритических знаков, которому может потребоваться обратная нормализация. Модель предназначена для транскрибирования арабской речи и разрешена для коммерческого и некоммерческого использования по лицензии CC BY 4.0. Точность зависит от шума, акцента, типа речи и контекста; качество может снижаться на диалектной речи и незнакомой терминологии. Она не предназначена для критически важных сценариев.

anton-l/wav2vec2-large-xlsr-53-romanian — модель распознавания речи на базе facebook/wav2vec2-large-xlsr-53, дообученная на румынском языке разработчиком anton-l с использованием Common Voice. Она преобразует аудиоречь в текст и подходит для транскрибирования записей на румынском языке. Архитектура — Wav2Vec2ForCTC с 402,7 млн параметров; доступны веса PyTorch и Flax. Для входной речи требуется частота дискретизации 16 кГц. Модель рассчитана на автоматическое распознавание румынской речи; в карточке приведён результат оценки 24,84% на тестовой части Common Voice, но не уточнена метрика. Распространяется по лицензии Apache-2.0.

Модель bofenghuang/whisper-large-v2-cv11-german — дообученная версия Whisper Large v2, созданная для распознавания немецкой речи. Её обучили на немецкой части набора Mozilla Common Voice 11.0; модель построена на архитектуре Whisper и содержит около 905,2 млн параметров. Модель преобразует аудио в текст, включая регистр букв и пунктуацию. Для входной речи требуется частота дискретизации 16 кГц. В карточке для Common Voice 11.0 указана оценка WER 5,76; результат получен на этом наборе и не гарантирует такую же точность на других данных. Модель распространяется по лицензии Apache-2.0.

Whisper Large Norwegian Bokmål — дообученная модель распознавания речи на базе openai/whisper-large-v2, созданная NbAiLab. Она предназначена для автоматической транскрипции норвежской речи на букмоле. Обучение проводилось на корпусе примерно из 5 000 часов аудио: субтитрах NRK, стенограммах выступлений в парламенте Норвегии и записях Norsk Språkteknologi. Модель использует архитектуру Whisper Large v2 с 905,2 млн параметров и принимает аудио, выдавая текст. В README приведён результат на оценочном наборе: WER 10,72 и loss 0,2477; обучение на момент публикации ещё продолжалось, поэтому результаты могут измениться. Репозиторий распространяется по лицензии Apache-2.0.

jlondonobo/whisper-large-v2-pt-v3 — дообученная на португалоязычной части набора Common Voice 11.0 модель автоматического распознавания речи на базе Whisper Large v2 от OpenAI. Она принимает аудио и генерирует текстовую расшифровку, в частности подходит для транскрибирования португальской речи. Модель построена на архитектуре Whisper, содержит 905,2 млн параметров и распространяется в формате PyTorch. В карточке указаны результаты оценки на тестовой выборке: loss 0,1503 и WER 4,8385. Модель выпущена под лицензией Apache-2.0. Карточка не описывает ограничения и условия оценки подробнее, поэтому результаты могут не отражать качество на других аудио и сценариях.

Whisper Large V3 Türkçe Genel ASR (M1), TurkMedSTT projesinde Muhammed Kumcu ve Yağmur Tuncer tarafından OpenAI Whisper large-v3 temelinde uyarlanan модель распознавания речи. Она предназначена для транскрибации общей турецкой речи, сравнения ASR-моделей, анализа ошибок и подготовки черновиков субтитров с последующей проверкой человеком. Модель использует архитектуру WhisperForConditionalGeneration и содержит около 905,2 млн параметров. Для адаптации применялся LoRA с целевыми модулями q_proj и v_proj; адаптер затем объединили с базовой моделью, поэтому репозиторий содержит полные веса. Обучение проведено на примерно 140 часах сбалансированной турецкой речи. В тесте на 320 реальных клипах указаны WER 0,0792 и CER 0,0226; эти результаты не гарантируют такую же точность на других записях. Модель принимает аудио и выдаёт текст; основный язык — турецкий. Для вывода используется Transformers, а из-за крупного размера модели рекомендуется GPU, хотя возможен и медленный запуск на CPU. Модель не предназначена для клинического использования и автоматического принятия решений. Опубликованные веса распространяются по Apache-2.0; для обучающих аудиоданных действуют лицензии их источников.