I.6Перевод и языковая адаптация

Chinese-Alpaca-2-1.3B — китайская инструкция-ориентированная языковая модель проекта Chinese LLaMA & Alpaca 2, основанная на архитектуре Llama 2. Это полная версия весов, которую можно загружать для инференса и полно-параметрического обучения. Модель прошла дополнительное предобучение на крупномасштабных китайских данных и дообучение для следования инструкциям; расширенный китайский словарь улучшает понимание китайского языка. Модель предназначена для генерации текста и диалоговых сценариев на китайском и английском языках. Она поддерживает контекст до 4 096 токенов; авторы указывают, что контекст можно расширить более чем до 18 тысяч токенов методом NTK. Архитектура — плотная LlamaForCausalLM, размер — около 1 млрд параметров, формат репозитория — PyTorch. Модель подходит для локального инференса и дальнейшего обучения, а проект поддерживает инструменты экосистемы LLaMA, включая Transformers и llama.cpp. Репозиторий распространяется по лицензии Apache-2.0.

Chocolatine-2-14B-Instruct-v2.0 — языковая модель Джонатана Пасифико, созданная дообучением методом DPO объединённой модели jpacifico/Chocolatine-2-14B-Merged-base-Phi-4 на наборе французских пар предпочтений jpacifico/french-orca-dpo-pairs-revised. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 14,1 млрд параметров; карточка связывает её базу с архитектурой Microsoft Phi-4. Модель предназначена для диалогов и генерации текста, с упором на французский язык и поддержкой английского. Контекстное окно — до 16 384 токенов. Автор сообщает о результатах на французских бенчмарках, включая первое место в категориях BAC FR и сопоставимую с GPT-4o-mini оценку на MT-Bench-French; это заявления карточки, а не независимая оценка. Модель распространяется в формате Safetensors под лицензией MIT. В карточке отмечено отсутствие механизма модерации.

Модель Zainab Binte Khalid из Code Saviours (SI-26) — дообученная версия XLM-RoBERTa Base для определения языка каждого токена в предложениях на романизированном урду и английском с переключением языков. Архитектура — XLMRobertaForTokenClassification, около 305,2 млн параметров; контекст — до 514 токенов. Для каждого слова модель предсказывает один из классов: урду (URD), английский (ENG) или гибридное слово (MIX). Модель предназначена для языковой разметки неформальных сообщений и комментариев, а также для подготовки текста к последующему анализу тональности, переводу и проверке орфографии. В оценке на тестовой выборке F1 составил 0,967 для URD и 0,947 для ENG; класс MIX практически не освоен: в обучающих данных было только 2 таких токена из 21 368. Обучение проводилось на 1 901 вручную размеченном предложении из WhatsApp-сообщений и комментариев. Модель может хуже работать с формальными или специализированными текстами и вариантами написания, отсутствовавшими в обучающей выборке; стандартизированной орфографии романизированного урду нет. Репозиторий распространяется по лицензии CC BY 4.0.

Darwin-28B-KOREA — плотная мультимодальная модель с 28 млрд параметров из серии VIDRAFT Darwin, созданная объединением моделей FINAL-Bench/Darwin-28B-Opus и ginigen-ai/Rogue-28B-MIX. Она предназначена для двуязычного общения и рассуждений на корейском и английском языках. В основе — архитектура Qwen3.5; используются шаблон чата и токенизатор родительской модели Darwin-28B-Opus. Карточка описывает объединение весов линейной интерполяцией с отдельными коэффициентами для 64 слоёв. Модель подходит для диалогов, ответов на вопросы и задач, требующих многошаговых рассуждений. В небольшом сравнительном тесте из 35 примеров заявлены результаты на уровне обеих родительских моделей; эти оценки не гарантируют аналогичного качества на других данных. Для развёрнутых рассуждений в README рекомендуется выделять не менее 1024 токенов генерации: при лимите 256 токенов ответ может обрываться. Для чисто корейских рассуждений автор рекомендует родительскую Rogue-28B-MIX. Лицензия — Apache-2.0.

Devstral-Small-2507-MLX-6bit — это общественная версия модели Devstral-Small-2507, разработанной Mistral AI. Квантование в формате MLX выполнено командой LM Studio с использованием mlx_lm. Модель предназначена для генерации текста и локального запуска на устройствах Apple Silicon. Модель представлена в 6-битном квантованном формате, что снижает требования к памяти по сравнению с полноразмерной версией и делает её более подходящей для локального использования. В карточке заявлена поддержка английского, французского, немецкого, испанского, португальского, итальянского, японского, корейского, русского, китайского, арабского и ряда других языков. Архитектура, количество параметров, размер контекста и точные специализированные возможности в README не указаны. К сильным сторонам относятся оптимизация под экосистему Apple Silicon и удобство локального текстового вывода. К ограничениям относятся возможная потеря качества из-за 6-битного квантования, зависимость производительности от конкретного устройства и отсутствие в предоставленных данных подробных характеристик, результатов тестирования и гарантий точности. Модель распространяется по лицензии Apache-2.0.

Neobe разработала дообученную модель byT5-large для перевода отдельных предложений с английского на дивехи. Это байтовая encoder-decoder модель на архитектуре T5 с 1,2 млрд параметров; базовая модель — google/byt5-large. Модель рассчитана на вход на английском языке и выдаёт текст на дивехи письмом тханаа. Модель обучена на корпусе предложений о Мальдивах, включая новости, пресс-материалы и Википедию. В карточке приведены оценки chrF, chrF++ и BLEU на тестовых данных; для дивехи автор рекомендует ориентироваться на chrF, поскольку BLEU ненадёжен из-за особенностей сегментации слов и морфологии. Лицензия — Apache-2.0. Модель предназначена только для перевода одного предложения за раз: на абзацах она теряет связность. Перевод технического и разговорного английского может быть ненадёжным, поскольку эти типы текстов выходят за распределение обучающих данных; эталонные переводы в части оценки созданы машинным способом.

Fun-ASR-Nano-2512-4bit — компактная многоязычная модель распознавания речи из сообщества mlx-community, преобразованная из FunAudioLLM/Fun-ASR-Nano-2512 в формат MLX с помощью mlx-audio-plus 0.1.4. Она принимает аудио и выдаёт текст, поддерживает потоковую транскрипцию, распознавание с подсказками и перевод речи в английский текст. В README заявлена поддержка более 13 языков; полный перечень приведён в карточке исходной модели. Модель предназначена для запуска через библиотеку mlx-audio-plus. В метаданных указана лицензия? Она не предоставлена, поэтому условия использования определить нельзя.

Granite-speech-3.2-8b — компактная speech-language модель IBM, созданная на базе ibm-granite/granite-3.2-8b-instruct и предназначенная для обработки речи. Она поддерживает автоматическое распознавание речи (ASR) и автоматический перевод речи (AST), прежде всего для английского языка. Модель выпущена 2 апреля 2025 года и ориентирована на корпоративные приложения, работающие с аудиовходами. Модель использует двухпроходную архитектуру: сначала преобразует аудиофайл в текст, после чего отдельным явно инициируемым вызовом обрабатывает транскрипцию базовой языковой моделью. В состав входят речевой энкодер на базе 10 Conformer-блоков с обучением CTC, блочный механизм внимания для аудиофрагментов длительностью 4 секунды и speech projector. Указанный размер базовой языковой модели — 8 миллиардов параметров. Для входа используются монофонические аудиоданные с частотой 16 кГц. Сильными сторонами модели являются компактность, поддержка как распознавания, так и перевода речи, а также возможность перевода с английского на французский, испанский, итальянский, немецкий, португальский, японский и китайский языки. Ограничения включают необходимость выполнять два последовательных вызова, основную ориентацию на английскую речь и отсутствие преимуществ перед специализированными Granite-моделями при работе только с текстом. Модель распространяется по лицензии Apache 2.0.

Hamsa (همسة) — модель автоматического распознавания речи от NADSOFT, созданная на основе Whisper и предназначенная для транскрибирования арабской речи. Она содержит 455,8 млн параметров и обучалась на аудиоданных, включая наборы Jordan-Audio, FLEURS и Common Voice 11. Модель ориентирована на арабский язык и особенности речи Ближнего Востока и Северной Африки; для набора Jordan-Audio указана оценка WER 18,22. Модель подходит для преобразования арабской речи в текст, в том числе в задачах транскрибации записей. Разработчик отмечает, что система находится в разработке. Лицензия Apache-2.0.

chunwoolee0/ke_t5_base_bongsoo_ko_en — дообученная модель KETI-AIR/ke-t5-base на датасете bongsoo/news_news_talk_en_ko. Это текстовая модель архитектуры T5 с 148,3 млн параметров, предназначенная для перевода с корейского на английский; в README указано обучение в течение одной эпохи. Базовая KE-T5 использует словарь SentencePiece из 64 000 подслов и обучалась на корпусе с корейскими и английскими текстами. Модель принимает текст и генерирует текст перевода. Максимальная длина контекста по метаданным — 512 токенов. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка указывает перевод с корейского на английский, поэтому её пригодность для других языковых пар и качество перевода в иных областях не подтверждены.

Keural-Cortex-8B SFT v2 — промежуточный контрольный чекпойнт диалоговой модели, разработанной MKD Co., Ltd. на базе Qwen3-8B. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и предназначена для генерации текста и диалогов на корейском и английском языках. Контекстное окно — 65 536 токенов; модель распространяется в формате safetensors и лицензирована по Apache-2.0. Чекпойнт зафиксирован на шаге 600 из 1 124 второго этапа дообучения методом SFT, поэтому он опубликован для прозрачности и не является завершённой версией. Его предполагаемые сценарии — ответы на вопросы, следование инструкциям, генерация и редактирование текста, суммаризация, рассуждения и вызов инструментов в диалоге. Метаданные подтверждают поддержку чата; README описывает настройку сервера с вызовом инструментов. Известные ограничения включают пустой блок reasoning в режиме размышлений, выдумывание сведений о компании-разработчике и слабое знание корейских диалектов, в частности диалекта Пусана. Модель иногда не соблюдает явные ограничения формата; для этого промежуточного чекпойнта не опубликованы результаты бенчмарков. Данные README указывают, что предпочтительная оптимизация и обучение с проверяемыми наградами ещё не выполнены.

Leia-Swallow-13B — языковая модель, созданная командой LEIA с применением метода LEIA к японско-английской модели Swallow на базе LLaMA 2. Это плотная авторегрессионная модель класса LlamaForCausalLM с 12,9 млрд параметров, контекстом 4096 токенов и весами в формате safetensors; предназначена для генерации текста и ответов на вопросы, особенно на японском языке. Метод LEIA усиливает перенос знаний с английского на целевой язык. В README сообщается об улучшении результатов на четырёх из шести японских бенчмарков вопросов и ответов при сопоставимых результатах на остальных двух. Модель поддерживает японский и английский языки и может применяться для японских QA-сценариев и генерации текста. Лицензия — Apache-2.0.

4yo1/llama_1 — трансформерная языковая модель семейства Llama, разработанная как дообучение для задач, связанных с набором данных 4yo1/llama3_test1. Она предназначена для перевода между английским и корейским языками; также метаданные отмечают возможность генерации текста и чат-интерфейс. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текстовый контекст длиной до 8192 токенов. Весовые файлы опубликованы в формате safetensors, для работы указана библиотека Transformers. Лицензия — MIT. Карточка описывает дообучение с небольшим числом дополнительных параметров, но не уточняет метод адаптации и не приводит оценок качества; данных о качестве перевода и пригодности для конкретных условий недостаточно.

Llama-3.1-Bonsaikraft-8B-Instruct — диалоговая языковая модель на архитектуре Llama 3.1, созданная автором grimjim слиянием через SLERP двух инструктивных моделей: немецко-английской Llama-3.1-SauerkrautLM-8b-Instruct и японско-английской Llama-3.1-Swallow-8B-Instruct-v0.2. Модель содержит 7,5 млрд параметров и распространяется в формате Safetensors для библиотеки Transformers; заявленная длина контекста — 131 072 токена. Модель предназначена для диалога и генерации текста, объединяя языковые возможности исходных немецко-английской и японско-английской моделей. Её можно использовать для ответов на вопросы, ведения беседы и составления текстов на поддерживаемых языках. Лицензия — Llama 3.1; условия её применения определяются лицензией исходного семейства.

Llama-3-ELYZA-JP-8B — языковая модель компании ELYZA, построенная на базе Meta-Llama-3-8B-Instruct. Разработчики адаптировали её для японского языка с помощью дополнительного предварительного обучения и настройки на инструкциях. Модель использует плотную архитектуру Llama и содержит 7,5 млрд параметров; для работы с контекстом доступно до 8192 токенов. Модель предназначена для генерации текста и диалоговых сценариев на японском языке, также в метаданных указана поддержка английского. Её можно применять для ответов на вопросы, ведения диалога и создания японских текстов. Модель распространяется в формате safetensors по лицензии llama3; применяются условия лицензии Meta Llama 3.

MERaLiON-3-10B — мультимодальная речевая языковая модель, разработанная I2R при A*STAR в Сингапуре для многоязычной среды Юго-Восточной Азии. Модель объединяет архитектуры Gemma 2 9B IT и Whisper large-v3 и дообучена на 150 000 часах аудио и речи для шести задач: распознавания речи, ответов на вопросы по аудио, суммаризации диалогов, описания аудио, вопросов об аудиосценах и контекстного анализа паралингвистических признаков. В репозитории 8,1 млрд параметров, веса сохранены в формате safetensors; модель рассчитана на монофоническое аудио 16 кГц длительностью до 300 секунд и текстовые запросы. Модель предназначена для мультиязычной транскрибации, анализа речи и звукового окружения, ответов на вопросы о содержании аудио, а также распознавания возрастных и гендерных характеристик говорящего. Поддерживаемые языки включают английский, китайский, малайский, тамильский, индонезийский, тайский и вьетнамский; основное внимание уделено английскому и китайскому в региональном контексте. Авторы сообщают о конкурентных результатах в собственных бенчмарках, однако эти оценки получены с использованием LLM-as-a-Judge и не гарантируют качество для каждого сценария. Лицензия — MERaLiON Public License; модель не предназначена для вызова инструментов, математики и программирования.

Модель muzammil-eds/Meta-Llama-3.1-8B-Instruct-English-to-French-v2 разработана muzammil-eds как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная языковая модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров, предназначенная для диалогов и генерации текста. Название указывает на сценарий перевода с английского на французский, однако README не приводит подробностей обучения или результатов перевода. Модель принимает текст и генерирует текст; метаданные указывают контекст до 131 072 токенов и поддержку английского языка. Она распространяется в формате safetensors по лицензии Apache-2.0. README сообщает, что обучение проводилось с использованием Unsloth и Hugging Face TRL.

Pangea-7B — мультиязычная мультимодальная языковая модель, разработанная командой NEU Lab и обученная в 2024 году на наборе PangeaIns объёмом 6 млн примеров. Она использует архитектуру LLaVA-NeXT с языковой основой Qwen2-7B-Instruct и содержит 7,1 млрд параметров; поддерживает контекст до 32 768 токенов. Модель рассчитана на диалог и генерацию текста, а также на работу с изображениями и текстом на множестве языков. Pangea-7B подходит для мультиязычных диалоговых помощников, ответов на вопросы об изображениях и задач, где требуется сочетать визуальный ввод с текстовым ответом. README сообщает о поддержке 39 языков, включая русский; метаданные содержат языковые теги и более узкий список языков карточки. Модель выпущена под лицензией Apache-2.0. Конкретные ограничения качества и результаты сравнительных тестов в предоставленных материалах не описаны.

PeroVazPT-BR Classifier — классификатор текста, разработанный на основе prajjwal1/bert-tiny и дообученный на датасете VeraCruz для различения европейского португальского и бразильского португальского. Модель использует архитектуру BERT и содержит 4,4 млн параметров; для входного текста поддерживает контекст до 512 токенов. Модель предназначена для определения варианта португальского языка в тексте. В README указано, что обучение проводилось на 500 тысячах сбалансированных примеров, а точность на выборке из 50 тысяч примеров составила 0,9461. Модель распространяется по лицензии MIT.

Это вариант Qwen3-0.6B, подготовленный Dnotitia для более удобного обучения: веса совпадают с официальным выпуском Qwen3, а шаблон чата вынесен в отдельный файл и дополнен тегами TRL для режима assistant_only_loss. Модель представляет собой плотную причинную языковую модель Qwen3ForCausalLM примерно на 508 млн параметров; она принимает текст и генерирует текст. Метаданные указывают контекст до 40 960 токенов и поддержку диалогового сценария. Модель подходит для генерации текста и диалогов, а также для компактных экспериментов по дообучению с Transformers и TRL. В README для семейства Qwen3 заявлена поддержка более 100 языков и диалектов, включая многоязычные инструкции и перевод; конкретный список для этого варианта не приведён. Лицензия Apache 2.0. README предупреждает, что при некоторых настройках генерации возможны повторы; для их уменьшения предлагается настроить параметры сэмплирования.

hb-dev/Qwen3-1.7B-ONNX — это версия модели Qwen3-1.7B с весами в формате ONNX, подготовленная для совместимости с библиотекой Transformers.js. Репозиторий содержит производные веса базовой модели Qwen/Qwen3-1.7B; разработчик базовой модели — Qwen, а сборку ONNX-версии опубликовал пользователь или организация hb-dev. Модель предназначена для запуска Qwen3-1.7B в средах, поддерживающих Transformers.js, включая веб-приложения и потенциальные сценарии WebML. Известно, что она относится к языковым моделям и имеет размер 1,7 млрд параметров; дополнительные сведения об архитектуре, модальностях, поддерживаемых языках и размере контекста в предоставленном README не указаны. ONNX-формат повышает совместимость с веб-инструментами, однако конкретные требования к ресурсам и показатели производительности не приведены. README не содержит сведений о лицензии этой версии модели. Условия использования следует уточнять по лицензии базовой модели Qwen/Qwen3-1.7B и правилам данного репозитория.

Qwen3.5-35B-A3B-Base-Kazakh — базовая языковая модель, адаптированная Исследовательским институтом искусственного интеллекта Казахстана (ISSAI) продолженным предобучением исходной Qwen/Qwen3.5-35B-A3B-Base. Архитектура — разреженная MoE-модель для генерации текста; в метаданных указано 2,9 млрд параметров и контекст до 262 144 токенов. Модель расширяет токенизатор на 16 тысяч казахских токенов и обучена на корпусе примерно из 15,9 млрд токенов с равной долей казахского и английского текста. Модель предназначена для генерации текста на казахском и английском языках, особенно для задач, где важны казахская беглость и знания при сохранении возможностей исходной модели на английском. В корпус также включены материалы по математике, энциклопедические и культурные данные, вопросы и ответы, а также код, однако README не заявляет специализированные гарантии для этих задач. Это базовая модель, предоставленная в формате safetensors для Transformers; лицензия — Apache-2.0. Для диалогового применения может потребоваться дополнительная настройка, поскольку карточка описывает продолженное предобучение, а не отдельное обучение инструкциям.

Qwen3.5-9B-Kazakh — казахская адаптация мультимодальной модели Qwen3.5, подготовленная ISSAI. Модель дообучена на казахских текстах с расширением словаря на 16 тысяч казахских токенов, затем к ней перенесено инструкционное выравнивание официальной Qwen3.5-9B методом chat-vector merge. Для восстановления мультимодальности к языковой части подключены исходные энкодер изображений и мультимодальный проектор Qwen3.5-9B. Это плотная модель класса Qwen3_5ForConditionalGeneration с поддержкой чата и изображений; файлы опубликованы в формате Safetensors и доступны через Transformers. Лицензия — Apache-2.0. Модель предназначена для диалогов и ответов на вопросы на казахском и английском языках, а также для анализа изображений в чате. Расширенный токенизатор повышает эффективность работы с казахским текстом, а инструкционное выравнивание сохраняет стиль общения Qwen. По оценке авторов, модель слабее исходной на сложных задачах, требующих развёрнутого рассуждения, и показывает снижение качества на задачах компьютерного зрения, поскольку её отдельно не дообучали на визуальных задачах.

Sailor2-1B-Chat-GGUF — это квантизированная GGUF-версия чат-модели Sailor2-1B-Chat, опубликованная и подготовленная квантизатором bartowski на основе оригинальной модели sail/Sailor2-1B-Chat. Модель предназначена для генерации текста, диалогов и выполнения инструкций, включая работу с многоязычными запросами. Модель содержит около 1 млрд параметров и поддерживает английский, китайский, индонезийский, тайский, вьетнамский, малайский, лаосский, бирманский, яванский, кхмерский, сунданский и тагальский языки. Это текстовая модель без заявленной поддержки изображений или других модальностей. Доступны варианты с разной степенью квантизации — от F16 до Q2_K_L, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Для запуска рекомендуется использовать llama.cpp или совместимые приложения, например LM Studio; предусмотрен специальный шаблон prompt с ролями system, user и assistant. Сильными сторонами модели являются компактный размер, многоязычная специализация и широкий выбор квантизированных вариантов, включая версии, оптимизированные для ARM и AVX. Более сильная квантизация обычно обеспечивает лучшее качество, тогда как варианты с меньшим размером экономят память, но могут заметно уступать по качеству. В README не указаны размер контекста, результаты тестирования и подробные ограничения качества. Модель распространяется по лицензии Apache-2.0.

TenzinGayche/tibetan-whisper-small — модель распознавания речи на основе Whisper Small, дообученная на наборе MonlamAI/stt-test-v1.0.0. Она предназначена для преобразования тибетской речи в текст; карточка приводит результат CER 38,5374 на наборе оценки. Архитектура — WhisperForConditionalGeneration, веса опубликованы в формате safetensors и доступны через Transformers. Модель принимает аудио и выдаёт текст. Данные подтверждают специализацию на тибетском языке, но не описывают поддерживаемые диалекты, условия записи или качество на разных типах речи. Лицензия — Apache-2.0.

UlizaLlama3 — языковая модель на 8 млрд параметров, разработанная Jacaranda Health на основе meta-llama/Meta-Llama-3-8B. Она предназначена для понимания и генерации текста, особенно на суахили, и дообучена для работы с инструкциями и ответами на суахили и английском языках. Обучение включало продолжительное предобучение на корпусах суахили и настройку на 66 280 парах инструкций и ответов с применением LoRA. Модель подходит для ответов на вопросы и создания диалоговых помощников, а также для дальнейшей адаптации под задачи организаций. В карточке указана задача question-answering; репозиторий содержит веса в формате Safetensors. Для инференса авторы рекомендуют GPU L4 или A100. Лицензия CC BY-NC-SA 4.0; для коммерческого использования и распространения README рекомендует обращаться к Jacaranda Health.

NhutP/ViWhisper-small — модель распознавания вьетнамской речи, созданная дообучением Whisper-small от OpenAI. Она предназначена для преобразования вьетнамской речи в текст, в том числе для транскрибирования аудиозаписей и обработки длинных файлов с разбиением на фрагменты. Модель построена на архитектуре Whisper, содержит 153,1 млн параметров и доступна в формате Safetensors для Transformers. При обучении использованы 1308 часов данных, включая набор VietSpeech и другие вьетнамские речевые данные; для части примеров синтезировали речь, чтобы добавить слова, отсутствовавшие в корпусе. В README приведены результаты WER на нескольких вьетнамских тестовых наборах. Модель распространяется по лицензии MIT. Карточка описывает распознавание речи; качество на других языках и вне указанных тестов не установлено.

Модель Selest/wav2vec2-bert-assyrian-urmi-asr — дообученная Selest версия Wav2Vec2BertForCTC на аудиоданных у́рмийского диалекта ассирийского новоарамейского языка в сирийской традиции письма. Она преобразует речь в текст и принимает аудиопризнаки log-mel, подготовленные SeamlessM4TFeatureExtractor; частота дискретизации — 16 кГц. В основу положена facebook/w2v-bert-2.0, обучение включало аугментацию скорости речи. Модель содержит около 402,7 млн параметров и распространяется в формате Safetensors для Transformers. Модель предназначена для автоматического распознавания ассирийской новоарамейской речи, в частности записей урмийского варианта. Качество зависит от условий записи и охвата словаря, поэтому перед применением в конкретной предметной области нужна оценка на соответствующих аудиозаписях. Лицензия — Apache-2.0.

Это модель автоматического распознавания речи на азербайджанском языке, созданная дообучением многоязычной wav2vec2-модели facebook/mms-1b-all на наборе Common Voice 15.0. Архитектура — Wav2Vec2ForCTC; модель содержит около 1,3 млрд параметров и принимает аудио, преобразуя речь в текст. Модель предназначена для транскрибации азербайджанской речи, в том числе записей, похожих на аудио из Common Voice. На оценочной выборке указаны loss 0,3188 и WER 0,2632; результаты на других типах записей могут отличаться. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей.

CAiRE/Wav2Vec2-Large-XLSR-53-Cantonese — модель распознавания речи, дообученная CAiRE на основе facebook/wav2vec2-large-xlsr-53 на кантонском языке с использованием Common Voice Corpus 8.0. Модель построена на архитектуре Wav2Vec2ForCTC, содержит 406,6 млн параметров и принимает аудиозаписи с частотой дискретизации 16 кГц, преобразуя речь в текст без языковой модели. Модель предназначена для автоматической транскрибации кантонской речи; в README приведён результат CER 18,55% на тестовой части Common Voice для zh-HK. Доступна в формате PyTorch по лицензии Apache-2.0. В карточке не указаны сведения о длине контекста.