I.5Создание и редактирование текста

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.

Agent-FLAN-7B — языковая модель на 6,6 млрд параметров для выполнения агентных задач и использования инструментов. Модель опубликована командой InternLM и дообучена на основе Llama 2 7B с применением набора данных Agent-FLAN; в обучении также использовались AgentInstruct, ToolBench и ShareGPT. Архитектура — плотная авторегрессионная InternLMForCausalLM, формат весов — PyTorch, контекст — до 8192 токенов. Модель предназначена для диалоговых сценариев, где требуется следовать инструкциям, рассуждать при выполнении многошаговых задач и взаимодействовать с инструментами. Она использует формат бесед Llama 2 Chat и, согласно описанию статьи, улучшает агентные способности базовой модели и снижает галлюцинации благодаря включению негативных примеров. Карточка не описывает отдельные целевые языки и не приводит измерений качества для конкретных инструментов или прикладных областей. Лицензия — Apache 2.0.

Audio Flamingo Next Captioner — модель NVIDIA для подробного описания длинных аудиозаписей с речью, окружающими звуками и музыкой. Она формирует развернутые подписи, сводки и описания событий с временными метками, а также может включать точную расшифровку речи нескольких говорящих. Модель принимает аудио длительностью до 30 минут; процессор ожидает монофонический звук с частотой 16 кГц и обрабатывает его окнами по 30 секунд. Архитектура сочетает аудиокодировщик AF-Whisper, адаптер MLP, текстовую основу семейства Qwen2.5 с расширенным контекстом и RoTE для привязки к временным отметкам. В метаданных указаны архитектура MusicFlamingo, библиотека Transformers и формат safetensors; карточка описывает контекст до 128K токенов, тогда как метаданные указывают 1200 токенов. Модель предназначена для плотных, связных описаний и сводок аудио, разбивки сцены по времени и описания речи, звуковых событий и фона. Она может быть многословной и ориентирована на подписи, а не на поведение ассистента; для диалоговых ответов и явных рассуждений автор рекомендует другие варианты семейства. Ограничения включают неравномерное покрытие языков и предметных областей, слабое представление низкоресурсных языков и редких событий, а также трудности рассуждений по разреженным данным на большом временном интервале. Лицензия — other; автор указывает, что модель предназначена только для некоммерческих исследований.

CapRL-Qwen3VL-4B — мультимодальная модель InternLM для создания подробных описаний изображений. Она основана на архитектуре Qwen3-VL и содержит 4 млрд параметров; работает с изображениями и текстовыми запросами, выдавая текст. Модель обучена в рамках серии CapRL 2.0 с обновлённой схемой подготовки данных, включающей фильтрацию вопросов и ответов и более разнообразный набор изображений. Модель предназначена прежде всего для описания естественных изображений, диаграмм, инфографики и документов. По заявлению разработчиков, она превосходит CapRL-Qwen2.5VL-3B и Qwen2.5VL-72B в задачах описания изображений, формируя структурированные и подробные ответы с меньшим числом галлюцинаций. Карточка приводит английский язык; длина контекста не указана. Репозиторий содержит веса safetensors, модель использует библиотеку Transformers и поддерживает диалоговый интерфейс. Модель распространяется по лицензии Apache-2.0. Ограничения: оценки качества приведены разработчиками и зависят от типа изображения и запроса; даже при заявленном снижении галлюцинаций описания могут содержать ошибки.

Карточка модели lokeshe09/gemma-4-26B-A4B-it-GRPO-LaTeX_OCR-16bit на Hugging Face совпадает с карточкой lokeshe09/gemma-4-26B-A4B-it-SFT-GRPO, поэтому описание составлено по ней. Мультимодальная диалоговая модель Gemma 4, дообученная lokeshe09 на базе unsloth/gemma-4-26B-A4B-it с использованием Unsloth и библиотеки Hugging Face TRL. Предназначена для диалогов с текстом и изображениями; поддерживает анализ изображений и интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает обучающие данные и конкретные улучшения после дообучения, поэтому качество для отдельных сценариев по ней оценить нельзя.

Huihui-Qwen3-VL-8B-Instruct-abliterated — мультимодальная модель huihui-ai, созданная abliteration текстовой части Qwen/Qwen3-VL-8B-Instruct. Она принимает текст и изображения и отвечает в диалоговом формате, поддерживая анализ изображений и визуальные вопросы. Вариант предназначен для сценариев, где требуется меньше отказов при описании или анализе изображений; изменения затронули текстовую часть, а не визуальную. Модель построена на плотной архитектуре Qwen3-VL с 8 млрд параметров и доступна в формате safetensors для Transformers. В README также приведён запуск через Ollama. Репозиторий распространяется по лицензии Apache-2.0. Из-за существенно ослабленных защитных фильтров модель может выдавать чувствительные, спорные или неподходящие ответы; результаты следует проверять. README предупреждает, что изменения касаются текстовой части, поэтому не следует считать, что снижены ограничения самой визуальной части.

InternVL2_5-78B-MPO — мультимодальная модель OpenGVLab, построенная на архитектуре ViT-MLP-LLM и дообученная методом Mixed Preference Optimization на основе OpenGVLab/InternVL2_5-78B. Она предназначена для диалогов и генерации текста по изображениям, включая несколько изображений; семейство также поддерживает работу с видеокадрами. Зрительная часть использует динамическое разбиение изображений на фрагменты 448×448 и уменьшение числа визуальных токенов с помощью pixel unshuffle. Модель загружается через Transformers в формате safetensors. Модель подходит для визуальных вопросов и ответов, описания изображений, распознавания текста на изображениях и мультимодальных задач на понимание и рассуждение; её можно использовать в многотуровом диалоге и развёртывать через LMDeploy. Карточка описывает мультиязычное семейство, но не перечисляет отдельные языки или размер контекста именно этой модели. Лицензия указана как other, поэтому условия использования следует сверять с лицензией и документацией проекта. Вес модели требует многокарточного развёртывания для практического инференса.

KB-Whisper Base — модель распознавания речи, выпущенная Национальной библиотекой Швеции (KBLab) на основе OpenAI Whisper Base. Модель содержит 51,7 млн параметров и дообучена на шведской речи; в README указано более 50 000 часов аудиозаписей с текстовыми расшифровками. Метаданные указывают архитектуру Whisper и форматы ONNX и safetensors. Модель предназначена для транскрибирования шведской речи из аудио. По умолчанию используется вариант Stage 2; доступны версии с более сжатым стилем расшифровки Subtitle и более дословным Strict. В описанных тестах на FLEURS, CommonVoice и NST версия base показала WER 9,1, 8,7 и 7,8 соответственно. Модель лицензирована по Apache-2.0. README не сообщает об ограничениях на типы аудио или условиях качества записи.

mlx-community/openai-privacy-filter-mxfp8 — конвертированная в формат MLX версия классификатора токенов OpenAI Privacy Filter; конверсию выполнило сообщество mlx-community с помощью mlx-embeddings 0.1.1. Модель основана на openai/privacy-filter и предназначена для обнаружения и разметки фрагментов с персональными данными в тексте. Это двунаправленная разреженная MoE-модель с 1,5 млрд параметров и примерно 50 млн активных параметров. Она размечает фрагменты в формате BIOES по восьми категориям: имена людей, электронные адреса, телефоны, URL, адреса, даты, номера счетов и секреты. Метаданные указывают 145,4 млн параметров и контекст до 131 072 токенов; модель доступна в формате Safetensors и рассчитана на запуск через MLX. Модель подходит для локального поиска и маскирования чувствительных данных в текстах. Указанная лицензия — Apache-2.0. README не сообщает об оценках качества или известных ошибках разметки.

primeline/parakeet-primeline — модель автоматического распознавания речи, представленная Primeline и предназначенная прежде всего для точной транскрипции немецкой речи. Она основана на архитектуре NVIDIA Parakeet TDT 0.6B v3 и использует FastConformer-энкодер с Token-and-Duration Transducer-декодером; в карточке указано около 600 млн параметров. Модель принимает монофонический звук с частотой 16 кГц и выдаёт текст с пунктуацией и заглавными буквами, а также поддерживает временные метки слов. Модель рассчитана на транскрибирование немецкой речи, включая дикторскую речь и разговоры, создание субтитров, расшифровку встреч и анализ звонков. В README также заявлена поддержка длинных аудиозаписей и адаптации словаря через внешние KenLM n-граммные языковые модели. Метаданные указывают немецкий язык и задачу automatic-speech-recognition; README называет модель мультиязычной на базе Parakeet, но основной акцент делает на немецком. Карточка сообщает о более низком WER на приведённых тестах по сравнению с базовой моделью и Whisper large v3, однако результаты представлены самим автором и зависят от набора данных и условий записи. Распознавание может ухудшаться при шуме, сильных акцентах и редкой специализированной лексике. Модель доступна по лицензии CC BY 4.0.

google/pix2struct-textcaps-large — крупная модель семейства Pix2Struct от Google для создания текстовых описаний изображений. Это архитектура «визуальный энкодер — текстовый декодер», обученная на парах изображение–текст; предварительное обучение включало преобразование замаскированных снимков веб-страниц в упрощённый HTML. Модель принимает изображение и генерирует текст, в том числе подпись к изображению; семейство также применяют к визуальным вопросам и задачам понимания документов, иллюстраций, интерфейсов и обычных фотографий. В README указана обучающая длина последовательности 4096; при уменьшении числа патчей для экономии памяти качество может снижаться, особенно при значениях ниже 1024. Репозиторий содержит веса PyTorch. Модель распространяется по лицензии Apache-2.0.

Qwen2-VL-72B-Instruct-GGUF — это квантизированная GGUF-версия мультимодальной модели Qwen2-VL-72B-Instruct, разработанной командой Qwen компании Alibaba под брендом Tongyi Qianwen и подготовленной пользователем bartowski. Модель предназначена для сценариев image-text-to-text: анализа изображений и формирования текстовых ответов по пользовательским запросам. В README явно указан английский язык; сведения о поддерживаемых языках помимо него отсутствуют. Модель содержит 72 млрд параметров и работает с изображениями совместно с текстом. Для локального запуска используется llama.cpp; помимо файла модели требуется соответствующий мультимодальный проектор mmproj, а для обработки изображений — специализированный бинарный файл llama-qwen2vl-cli. Доступны варианты квантизации от Q8_0 до Q2_K_L и IQ-серий размером примерно от 31 до 77 ГБ. Варианты с более высокой точностью обеспечивают лучшее качество, но требуют значительно больше памяти; наиболее сбалансированным вариантом README называет Q4_K_M. Сильными сторонами являются мультимодальность, крупный размер базовой модели, широкий выбор уровней квантизации и возможность локального запуска через llama.cpp. Ограничениями выступают высокие требования к дисковому пространству и памяти, а также необходимость использовать совместимые компоненты llama.cpp и мультимодальный проектор. Модель распространяется по лицензии, обозначенной как other с названием tongyi-qianwen; перед использованием следует ознакомиться с условиями исходной лицензии Qwen2-VL-72B-Instruct.

rubaiSTT-2v Medium — модель распознавания речи на основе Whisper Medium, дообученная автором islomov для транскрибирования узбекской речи. Она принимает аудио и выдаёт текст; особенно хорошо обучена на материалах ташкентского диалекта. В метаданных указано 455,8 млн параметров, тогда как README приводит для базовой модели 769 млн; README также сообщает о WER около 17% и CER около 5,5%. Эти показатели относятся к оценке автора и зависят от тестовых данных. Модель обучена примерно на 475 часах узбекского аудио: подкастах, новостях, материалах Common Voice 17, USC и Google FLEURS. По README, половина транскрипций подготовлена людьми, половина — автоматически с помощью Gemini 2.5 Pro. В набор вошли записи с акцентом на ташкентский диалект; другие региональные варианты пока охвачены слабее. Репозиторий распространяется по лицензии Apache-2.0.

SmolVLM-500M-Instruct — компактная мультимодальная модель компании Hugging Face для диалогов по изображениям. Она построена на архитектуре Idefics3 и объединяет языковую модель SmolLM2-360M-Instruct с визуальным энкодером SigLIP; число параметров в предоставленных данных не указано. Модель принимает изображения и текстовые запросы, включая чередующиеся последовательности этих входов, и генерирует текст на английском языке. Модель предназначена для ответов на вопросы об изображениях, описания визуального содержимого, распознавания текста на изображениях, понимания документов и диаграмм, а также создания историй по визуальным материалам. Сжатое представление изображений и лёгкая архитектура рассчитаны на эффективный запуск: в README указано потребление около 1,23 ГБ видеопамяти для обработки одного изображения. Модель не генерирует изображения. В README приведены рекомендации по настройке разрешения изображений и использованию пониженной точности для экономии ресурсов. Ответы могут быть фактически неверными; модель не предназначена для решений с серьёзными последствиями для людей. Лицензия — Apache 2.0.

Vela PII — модель для обнаружения фрагментов текста, содержащих персональные и другие чувствительные данные, разработанная командой llm-semantic-router. Она предназначена для приватной маршрутизации запросов и редактирования чувствительных данных. Модель основана на ModernBERT и содержит 306,9 млн параметров; принимает до 32 768 токенов, включая специальные токены, и возвращает разметку BIO по 35 меткам для 17 типов сущностей с позициями фрагментов в символах Unicode. В карточке приведены результаты на синтетических наборах для шести языков: точность exact-span micro F1 составила 90,76 на коротких входах, 89,03 на контролируемом контексте 4K и 89,88 на 8K. Эти наборы использовались при выборе модели и не являются независимым тестом на естественных документах, поэтому результаты не гарантируют такого же качества в реальных данных. Модель дообучена от llm-semantic-router/Vela-1.0-Encoder-307M, доступна в форматах Safetensors и ONNX и распространяется по лицензии Apache-2.0.

GodwillN/w2vbert-waxal — дообученная модель распознавания речи на архитектуре Wav2Vec2-BERT, основанная на facebook/w2v-bert-2.0. Она принимает аудио и преобразует речь в текст; число параметров — около 402,7 млн. Модель распространяется в формате Safetensors по лицензии MIT. В README приведены результаты оценки: WER 0,4034, CER 0,2183 и loss 0,8908. Датасет обучения, поддерживаемые языки и предполагаемые сценарии использования не описаны, поэтому качество распознавания для конкретного языка или типа аудио по этим данным определить нельзя.

Sagicc/whisper-large-v3-sr-combined — дообученная модель автоматического распознавания речи на базе Whisper large-v3 от OpenAI. Она предназначена для транскрибации аудио на сербском языке; при дообучении использовались наборы Mozilla Common Voice 13 и Google Fleurs. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и принимает аудио, выдавая текст. В README приведены результаты оценки: WER 0,0556 и орфографический WER 0,1635. Карточка рекомендует обновлённую версию Sagicc/whisper-large-v3-sr-cmb, обученную на более чем 50 часах дополнительных данных. Модель распространяется по лицензии Apache-2.0. Результаты распознавания могут зависеть от качества записи, акцента и соответствия аудио обучающим данным.

Карточка модели bybb138/whisper-large-v3-turbo-korean на Hugging Face совпадает с карточкой ghost613/whisper-large-v3-turbo-korean, поэтому описание составлено по ней. 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.

hezarai/whisper-small-fa — модель распознавания речи на основе Whisper small, дообученная Hezar AI на персидской части набора Common Voice 13. Она преобразует персидскую речь в текст и предназначена для сценариев автоматической транскрибации. Модель распространяется в формате PyTorch и используется через библиотеку Hezar. В карточке не приведены сведения о лицензии и ограничениях качества.

Albertina 100M PTBR — энкодер для бразильского варианта португальского языка, разработанный совместной командой Университета Лиссабона и Университета Порту. Это модель семейства BERT на архитектуре DeBERTa с 151,8 млн параметров по метаданным; карточка описывает базовую версию как модель примерно на 100 млн параметров с 12 слоями и размером скрытого состояния 768. Модель принимает текст и предсказывает пропущенные в нём токены, а также может служить основой для задач понимания португальского языка. Модель обучали на 3,7 млрд токенов отфильтрованных веб-документов OSCAR с отбором доменов Бразилии. В карточке приведены результаты оценки на португальской версии набора PLUE для сходства предложений, распознавания следования и кореференции. Контекст составляет до 512 токенов, формат распространения — PyTorch и Safetensors. Модель доступна по лицензии MIT. Результаты карточки относятся к отдельным downstream-тестам и не гарантируют качество на других данных и задачах.

BidirLM/BidirLM-1B-Base — промежуточный чекпойнт семейства BidirLM, созданный авторами BidirLM на основе Google Gemma 3 1B. Веса Gemma 3 1B преобразовали для двунаправленного внимания, обучили с Masked Next Token Prediction на 30 млрд токенов из многодоменного корпуса, а затем объединили с исходными весами Gemma 3 1B в соотношении 50/50. Модель содержит 1 млрд параметров, использует плотную архитектуру BidirLMForMaskedLM и поддерживает контекст до 32 768 токенов. Модель предназначена прежде всего для предсказания замаскированных токенов и как основа для последующей тонкой настройки под классификацию текста и разметку токенов. Она поддерживает множество языков; среди явно перечисленных — английский, арабский, немецкий, французский, испанский, хинди и японский. Для получения общих эмбеддингов авторы рекомендуют вариант BidirLM-1B-Embedding с дополнительным контрастивным обучением. Лицензия — Apache-2.0.

DeepCaption-VLA-V2.0-7B — мультимодальная модель на архитектуре Qwen2.5-VL, созданная prithivMLmods объединением DeepCaption-VLA-7B и Qwen2.5-VL-7B-Instruct. Она предназначена для описания изображений и атрибуции визуальных свойств: формирует подробные подписи с характеристиками объектов, сцен и окружения, а по формулировке запроса может выдавать краткие или детальные описания. Модель рассчитана на изображения разных жанров и пропорций, включая художественные, технические, абстрактные и малоконтекстные примеры. Модель содержит 7,1 млрд параметров, принимает изображения и текстовые инструкции и генерирует текст. Заявлена поддержка английского, китайского и тайского языков; контекст составляет до 128 000 токенов. Лицензия — Apache-2.0. В неоднозначных или низкокачественных изображениях модель может приписывать объектам свойства, которые не видны явно; уровень детализации зависит от запроса. Качество может снижаться на синтетических и абстрактных изображениях, а в описаниях чувствительных изображений может появляться явный контент.

ERNIE-4.5-VL-424B-A47B-Paddle — мультимодальная модель семейства ERNIE 4.5, разработанная Baidu и опубликованная в формате весов PaddlePaddle. Это чат-модель с архитектурой MoE, дообученная после предварительного обучения ERNIE-4.5-VL-424B-A47B-Base: в README указаны 424 млрд параметров всего и 47 млрд активируемых параметров на токен; метаданные каталога приводят 47,1 млрд параметров. Модель принимает текст и изображения и генерирует текст, поддерживает визуально-языковое понимание, рассуждение по изображениям и режимы с рассуждением и без него. Заявлены английский и китайский языки, а контекстное окно составляет 131 072 токена. Модель предназначена для диалоговых сценариев, где нужно интерпретировать изображения вместе с текстовыми запросами, отвечать на вопросы по визуальному содержимому и выполнять мультимодальные рассуждения. Для запуска README приводит пример развёртывания через FastDeploy, а метаданные указывают PaddlePaddle и формат safetensors. Лицензия — Apache-2.0. Для инференса крупной MoE-модели потребуется соответствующая вычислительная инфраструктура; доступный пример FastDeploy ограничивает длину контекста 32 768 токенами.

Модель artoowang/hf-audio-wav2vec2-bert-CV16-en-finetune — дообученная на базе hf-audio/wav2vec2-bert-CV16-en система автоматического распознавания речи. Она принимает аудио и преобразует английскую речь в текст; архитектура — Wav2Vec2-BERT с CTC-выходом, размер — 402,7 млн параметров. В README приведены значения на тестовой выборке: WER 0,0879 и loss 0,3271. Модель подходит для транскрибации английской речи, например записей и аудиофрагментов. Карточка не описывает датасет дообучения, условия записи или ограничения качества, поэтому приведённые метрики нельзя переносить на другие аудиоданные без проверки. Формат весов — safetensors, библиотека — Transformers; лицензия в предоставленных данных не указана.

Tejveer12 разработал эту модель как дообученную версию openai/whisper-large-v3-turbo для распознавания английской речи с индийским акцентом. Это модель WhisperForConditionalGeneration на 905,2 млн параметров, предназначенная для преобразования аудио в текст; основное применение — транскрибация записей и речи на английском языке с индийским акцентом. Модель работает с аудио на входе и выдаёт текст. В README приведены результаты оценки: loss 0,2065 и WER 7,5056; описание методики оценки и единиц измерения WER не приведено. Модель распространяется по лицензии MIT.

Kotoba-Whisper v2.0 — модель распознавания японской речи, разработанная Kotoba Technologies совместно с Asahi Ushio. Она преобразует аудио в текст и предназначена для транскрибации японской речи, в том числе записей японских телепередач. Модель построена на архитектуре Whisper и содержит около 905,2 млн параметров. Это дистиллированная версия: полный энкодер Whisper large-v3 сочетается с декодером из двух слоёв, инициализированных первым и последним слоями модели-учителя. По данным авторов, она работает в 6,3 раза быстрее Whisper large-v3. Модель обучали на японском наборе ReazonSpeech; авторы сообщают о конкурентных результатах на тестах ReazonSpeech, JSUT Basic 5000 и CommonVoice 8.0. Модель поддерживается библиотекой Transformers версии 4.39 и новее. В карточке указана лицензия Apache-2.0. Она рассчитана на японскую речь; результаты на других языках не заявлены. Показатели WER в приведённых авторами тестах остаются высокими, поэтому качество распознавания может зависеть от аудио и сценария использования.

Shining Valiant 2 — разговорная языковая модель, созданная Valiant Labs на основе Meta Llama 3.2 3B Instruct и дообученная на данных разработчика. Это плотная модель семейства Llama с 3,2 млрд параметров, предназначенная для диалога и следования инструкциям; в репозитории веса представлены в формате safetensors, а нативная длина контекста составляет 131 072 токена. Модель ориентирована на технические знания и структурированные рассуждения, с акцентом на физику, химию, биологию, информатику и инженерное дело. Она также обучалась на данных для сложных рассуждений и общего чата, поэтому подходит для объяснения научных и технических тем, ответов на вопросы и помощи в обучении. В карточке указана поддержка английского языка; мультиязычность базовой модели не подтверждает, что дообученная версия одинаково хорошо работает на других языках. Модель выпущена 27 сентября 2024 года и использует лицензию Llama 3.2. Качество ответов и точность фактов не гарантированы; научные и технические ответы следует проверять, особенно перед практическим применением.

Atotti разработала llm-jp-4-8b-speech-asr — модель семейства LLM-jp-4, специализированную для автоматического распознавания речи. Она принимает аудио и генерирует текстовую расшифровку; для запроса на японском рекомендуется инструкция «音声を書き起こしてください。」. Архитектура — плотная LlamaForSpeechLM; модель объединяет компоненты LLM-jp-4 и Whisper large-v3 и использует формат safetensors. Основной язык — японский, также в метаданных указаны японский и английский. Модель подходит для транскрибации японской речи. Карточка предупреждает, что качество может снижаться на шумной записи, длинных аудио и спонтанной речи, а расшифровки могут содержать ошибки. Лицензия — Apache-2.0.

NeuraSpeech WhisperBase — модель автоматического распознавания речи, разработанная компанией Neura. Она основана на архитектуре Whisper Base: Transformer-энкодер-декодер преобразует аудио в текст и поддерживает сценарии распознавания речи и речевого перевода. Модель рассчитана на персидский язык. В репозитории указаны 51,7 млн параметров и формат safetensors; для использования предусмотрена библиотека Transformers. Модель распространяется по лицензии Apache-2.0. Карточка содержит демонстрацию запуска ASR в Google Colab, но не приводит количественных оценок качества.

Parakeet TDT v3 0.6B CoreML — мультиязычная модель автоматического распознавания речи, разработанная FluidInference на основе nvidia/parakeet-tdt-0.6b-v3. Модель преобразована в формат Core ML для платформ Apple и предназначена для полностью локальной транскрипции аудиофайлов, диктовки, создания заметок и встраивания распознавания речи в приложения через Swift-фреймворк FluidAudio. Модель использует архитектуру FastConformer-TDT (Token Duration Transducer) и содержит около 0,6 млрд параметров. Она принимает монофонический аудиосигнал с частотой 16 кГц в формате Float32 PCM и поддерживает 25 европейских языков: английский, испанский, французский, немецкий, болгарский, хорватский, чешский, датский, нидерландский, эстонский, финский, греческий, венгерский, итальянский, латышский, литовский, мальтийский, польский, португальский, румынский, словацкий, словенский, шведский, русский и украинский. Используется смешанная точность, оптимизированная для выполнения на ANE и CPU. К сильным сторонам относятся высокая скорость пакетной обработки, низкая задержка, автономная работа без сетевых запросов после загрузки моделей и повышенная приватность данных. На M4 Pro заявлен показатель около 110x RTF в пакетном режиме, однако фактическая производительность зависит от устройства, длительности аудио и выбранных вычислительных блоков. Основное ограничение — специализация на европейских языках, поэтому качество для других языков не заявлено и может снижаться. В метаданных указана лицензия CC BY 4.0, тогда как в тексте README также упоминается Apache 2.0 для репозитория FluidAudio; условия для конкретных артефактов следует уточнять отдельно.