I.6Перевод и языковая адаптация

LFM2.5-350M-MLX-8bit — компактная мультиязычная языковая модель, разработанная Liquid AI и представленная в формате MLX для эффективного вывода на устройствах Apple Silicon. Это экспорт базовой модели LiquidAI/LFM2.5-350M, предназначенный для генерации текста и локального запуска через библиотеку mlx-lm. Модель содержит 350 миллионов параметров, использует 8-битную точность и занимает около 381 МБ. Она построена на гибридной архитектуре Liquid AI, сочетающей свёрточные и attention-слои для эффективной обработки длинного контекста; заявленная длина контекста составляет 128K токенов. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. К сильным сторонам относятся компактный размер, сниженные требования к памяти благодаря 8-битному представлению и поддержка длинного контекста, что делает модель подходящей для локальных приложений на Apple Silicon. README не содержит подробных результатов оценки качества, поэтому нельзя сделать выводы о точности в конкретных задачах. Модель распространяется по лицензии LFM 1.0.

unsloth/Llama-4-Scout-17B-16E-Instruct-GGUF — GGUF-версия инструкционно дообученной модели Meta Llama 4 Scout 17B 16E-Instruct, подготовленная Uns​​loth. Модель предназначена для диалоговых приложений и выполнения инструкций, однако конкретные сценарии использования и результаты тестирования в предоставленных данных не описаны. В README указана поддержка арабского, немецкого, английского, испанского, французского, хинди, индонезийского, итальянского, португальского, тайского, тагальского и вьетнамского языков. Из идентификатора следует конфигурация 17B 16E, но архитектура, размер контекста, точные параметры квантования, поддерживаемые модальности и требования к ресурсам не указаны. Поэтому сильные стороны можно уверенно связать только с инструкционной настройкой и многоязычностью; ограничения производительности и качества требуют самостоятельной оценки. Использование регулируется Llama 4 Community License Agreement от Meta. Лицензия предоставляет ограниченные безвозмездные права на использование, воспроизведение, распространение и модификацию при соблюдении условий, включая передачу текста лицензии, указание «Built with Llama», сохранение атрибуции и соблюдение Acceptable Use Policy. Для продуктов или сервисов с более чем 700 миллионами ежемесячных активных пользователей предусмотрено отдельное лицензирование Meta.

skumar9/Llama-medx_v3 — разговорная языковая модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров. Карточка описывает её как модель для генерации текста, перевода и ответов на вопросы, в том числе в медицинской сфере. Она принимает текст и поддерживает контекст до 8192 токенов; доступна в формате safetensors для Transformers. Модель опубликована пользователем skumar9, но карточка не уточняет разработчика, базовую модель или способ обучения. Указана лицензия Apache-2.0. Карточка не приводит сведений о языках, обучающих данных, оценках качества или медицинской валидации, поэтому пригодность ответов для клинических решений не подтверждена.

LLAMA-Walia-II — языковая модель семейства LLaMA, разработанная для генерации текста на амхарском языке. Это версия LLaMA-2 с дообучением методом SFT через LoRA на наборах инструкций, включающих данные для вопросов и ответов, анализа тональности, распознавания именованных сущностей, классификации новостей, суммаризации, перевода и генерации стихов, историй и текстов песен. Модель имеет 6,7 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 2048 токенов. Модель подходит для амхарских генеративных NLP-задач и экспериментов с настройкой инструкций для языков с ограниченными ресурсами. Карточка также заявляет поддержку исправления орфографии и перечисленных задач классификации и извлечения сущностей. Модель распространяется в формате safetensors по лицензии Apache-2.0. Среди известных ограничений — многословные или неточные генерации, слабое понимание специфических поэтических и песенных форм, а также экспериментальный статус качества коррекции орфографии и NER. README указывает на исследовательское применение и оценку многоязычных LLM.

Luth-Instruct-GGUF — семейство языковых моделей, опубликованное prithivMLmods на основе kurakurai/Luth-1.7B-Instruct и архитектуры Qwen3. Модели дообучены на датасете Luth-SFT с применением полного fine-tuning и предназначены для генерации текста и выполнения инструкций на французском и английском языках. Основные сценарии — двуязычные ассистенты, ответы на вопросы, математические задачи, работа с общими знаниями и другие приложения, где особенно важно понимание французского языка при сохранении возможностей английского. В репозитории представлены варианты Luth-1.7B-Instruct и Luth-0.6B-Instruct в формате GGUF с различными типами квантизации — от Q2_K до Q8_0, а также BF16, F16 и F32. Размеры моделей составляют 1,7 и 0,6 млрд параметров; точное значение контекстного окна и поддерживаемые модальности в README не указаны. Заявлены улучшения на отдельных французских и английских тестах, включая IFEval, GPQA-Diamond, MMLU, Math-500, ARC-Challenge и HellaSwag, однако подробные числовые результаты не приведены. Сильные стороны моделей — двуязычная работа с выраженным акцентом на французский, поддержка задач следования инструкциям, математики и общих знаний, а также наличие компактных квантизованных вариантов для локального запуска. Ограничениями являются небольшой размер по сравнению с крупными языковыми моделями, отсутствие в README данных о контекстном окне и мультимодальности, а также зависимость качества и требований к ресурсам от выбранной квантизации. Указана лицензия Apache-2.0.

Карточка модели jbochi/madlad400-8b-lm на Hugging Face совпадает с карточкой google/madlad400-8b-lm, поэтому описание составлено по ней. MADLAD-400 8B LM — многоязычная языковая модель на 8 млрд параметров, опубликованная Google как базовая модель для исследований и few-shot перевода. Она обучена на данных MADLAD-400 и предназначена для генерации текста; архитектура — decoder-only T5, аналогичная PaLM 8B, с 32 слоями, 16 query heads, одним KV head и размером эмбеддинга 4096. В архитектуре используются SwiGLU, параллельные слои, Multi-Query Attention, RoPE и общие входные и выходные эмбеддинги; контекст — 512 токенов. Модель охватывает множество языков, включая русский, английский, китайский, японский, арабский и хинди. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. В README указано, что код для запуска через Transformers пока не готов, а исходная реализация использует JAX/Flaxformer; для практического использования потребуется совместимая реализация.

Magnum-12B-v2.5-kto-GGUF — это GGUF-квантизация текстовой генеративной модели magnum-12b-v2.5-kto, разработанной anthracite-org и подготовленной квантизатором bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для диалоговой генерации текста и запуска в локальных приложениях, включая LM Studio. Для общения рекомендуется chat-шаблон с ролями system, user и assistant. Модель поддерживает английский, французский, немецкий, испанский, итальянский, португальский, русский, китайский и японский языки. Вариант содержит около 12 миллиардов параметров; архитектура и размер контекста в README не указаны. Доступны версии от F32 размером 49 ГБ до компактных IQ2_M и Q2_K размером около 4,4–4,8 ГБ. Более точные варианты Q6_K_L и Q6_K характеризуются как близкие к исходному качеству, а Q4_K_M предлагается как компромисс между качеством и размером; низкобитные варианты требуют меньше памяти, но заметно уступают по качеству. Сильными сторонами являются широкий набор поддерживаемых языков, несколько уровней квантизации и возможность локального запуска. Ограничения включают отсутствие информации о конкретных бенчмарках, модальностях помимо текста, архитектуре и контекстном окне, а также снижение качества в наиболее компактных вариантах. Лицензия — Apache-2.0.

Malaysian Finetune Whisper Base — модель автоматического распознавания речи на базе Whisper Base, дообученная разработчиками Mesolitica на малайзийских аудиоданных. В обучении использовались наборы IMDA STT и Malay Conversational Speech Corpus, синтетические метки для малайзийских видео и аудиокниг Nusantara, а также закрытый Haqkiem TTS Dataset. Модель предназначена для транскрибации стандартной и местной разновидностей малайского языка, а также стандартного английского и малайско-английской разговорной речи Manglish. В репозитории указано 51,7 млн параметров; архитектура — WhisperForConditionalGeneration. Для обработки аудио длиннее 30 секунд README рекомендует разбивать его на фрагменты до 30 секунд и распознавать отдельно. Карточка показывает формат весов Safetensors. Лицензия в предоставленных данных не указана.

Manga OCR — модель оптического распознавания символов, разработанная kha-white для чтения японского текста, прежде всего в манге. Она построена на архитектуре Vision Encoder Decoder и преобразует изображение с печатным текстом в текстовую транскрипцию. Модель рассчитана на вертикальную и горизонтальную запись, фуригану, текст поверх иллюстраций, разнообразные шрифты и изображения низкого качества; также подходит для распознавания печатного японского текста общего назначения. Модель обучена с использованием датасета Manga109s и распространяется в формате PyTorch по лицензии Apache-2.0. Её основное назначение — японское OCR; README не описывает поддержку других языков или ограничения точности.

Это дообученная модель распознавания речи на основе openai/whisper-small, разработанная пользователем simran14. Она предназначена для преобразования аудио в текст на маратхи и обучена на наборе Common Voice 11.0. Модель использует архитектуру WhisperForConditionalGeneration и содержит 153,1 млн параметров. Репозиторий опубликован в формате safetensors; лицензия — Apache-2.0. Базовая Whisper поддерживает несколько языков, но сведения о качестве распознавания, длине аудио и результатах оценки этой версии не приведены.

BangorAI/Mistral-7B-Cymraeg-Welsh-v2 — двуязычная разговорная модель Mistral для генерации ответов и выполнения инструкций на валлийском и английском языках. Она основана на BangorAI/mistral-7b-cy-epoch-2: базовую Mistral-7B-v0.1 непрерывно предварительно обучали на валлийских данных из MADLAD-400, затем модель дообучили на yahma/alpaca-cleaned на валлийском и английском. В репозитории указаны 7,1 млрд параметров, архитектура Mistral с плотной сетью, контекст 32 768 токенов и формат весов safetensors. Модель предназначена для диалогов и ответов на пользовательские инструкции; язык системного запроса помогает задать язык ответа. Для работы следует использовать формат запросов в стиле Llama 2, описанный в карточке. Автор характеризует модель как экспериментальную и предупреждает, что ответы могут быть фактически неверными. Лицензия репозитория — Apache-2.0; данные MADLAD-400 распространяются по лицензии ODC Attribution.

Moonshine-MN — модель распознавания монгольской речи, созданная дообучением UsefulSensors/moonshine-base на аудиозаписях Mozilla Common Voice. Она предназначена для преобразования монгольской речи на кириллице в текст; карточка также описывает сценарий потокового распознавания. Модель использует архитектуру Moonshine и принимает аудио, выдавая текст. В метаданных указан контекст 194 токена, а для финального чекпойнта на шаге 15000 заявлен WER 11,88%. Модель распространяется в формате safetensors по лицензии Apache-2.0.

freococo разработал компактную модель распознавания речи на бирманском языке, обученную с нуля на 1,66 млн высказываний. Модель состоит из 12-слойного Conformer-энкодера с совместными CTC- и attention-декодерами и содержит около 23,8 млн параметров. Она преобразует аудио в текст на бирманском, выдавая последовательности слогов. Для работы требуется монофонический звук с частотой 16 кГц; скрипт транскрипции может автоматически привести распространённые аудиоформаты к этим параметрам. Модель рассчитана на разные типы речи, включая новости, разговорную речь и чтение, и подходит для запуска на CPU и потребительских GPU. На отложенной выборке указана частота ошибок по слогам SER 9,42%, а на независимой веб-выборке — 12,30%. Вес модели опубликован в формате safetensors, библиотека — PyTorch. Лицензия Apache 2.0.

Nue ASR — модель для сквозного распознавания японской речи, первоначально выпущенная компанией rinna Co., Ltd.; этот репозиторий является её зеркалом. Архитектура объединяет аудиоэнкодер HuBERT, мостовую сеть и декодер GPT-NeoX. Веса энкодера и декодера инициализированы из japanese-hubert-base и japanese-gpt-neox-3.6b соответственно. Модель обучали примерно на 19 000 часах японской речи из ReazonSpeech v1; из обучения исключали аудиозаписи длиннее 16 секунд. Она предназначена для транскрибирования японской речи и, по данным карточки, может распознавать речь быстрее реального времени при использовании GPU. Для работы с аудио поддерживаются файлы, массивы NumPy и тензоры PyTorch; входные файлы автоматически приводятся к частоте 16 кГц. Лицензия — Apache 2.0.

NVIDIA-Nemotron-Nano-9B-v2-Japanese-gguf — это версия модели NVIDIA-Nemotron-Nano-9B-v2-Japanese, разработанной NVIDIA и преобразованной в формат GGUF. Модель предназначена для генерации текста и может использоваться в локальных сценариях инференса, включая запуск через llama.cpp. По указанным метаданным, она поддерживает английский и японский языки и относится к классу моделей объёмом около 9 миллиардов параметров. Модель ориентирована на универсальные задачи генерации текста, в том числе ответы на вопросы, создание инструкций и японскоязычный контент. Для подготовки imatrix-данных использован датасет TFMC/imatrix-dataset-for-japanese-llm. Формат GGUF удобен для запуска совместимых версий llama.cpp и локального использования, однако README не содержит подробностей об архитектуре, максимальной длине контекста, вариантах квантования, производительности или результатах оценки качества. Модель распространяется по NVIDIA Open Model License. Условия лицензии следует учитывать при использовании и распространении. Ограничения и предупреждения, специфичные для исходной модели, в представленном README не описаны.

LoneStriker/openbuddy-mixtral-7bx8-v18.1-32k-GGUF — мультиязычная диалоговая модель OpenBuddy, разработанная проектом OpenBuddy. Она предназначена для генерации текста и общения на естественных языках, включая китайский, английский, французский, немецкий, японский, корейский, итальянский и русский. Модель основана на Mistral Mixtral-8x7B-v0.1. В README указано, что модель распространяется в формате GGUF; идентификатор также указывает на контекст 32K. Архитектурные детали самой версии, точный размер файла, параметры квантования и результаты оценки в предоставленных данных не раскрыты. Модель ориентирована на общие сценарии генерации текста и чат-взаимодействия, но README не подтверждает её пригодность для специализированных задач. Модель может выдавать ошибочные, вредные, оскорбительные или иным образом нежелательные ответы, поэтому её не следует использовать в критически важных и высокорисковых сценариях, включая медицину, управление потенциально опасными системами, а также значимые финансовые и юридические решения. Указанная лицензия — Apache 2.0. Модель предоставляется без гарантий; пользователь самостоятельно принимает связанные с её применением риски.

Qwen3.5-9B-abliterated-GGUF — это GGUF-квантизированная версия модели Qwen3.5-9B, подготовленная tutuchen2000 на основе abliterated-варианта lukey03/Qwen3.5-9B. Модель предназначена для локального запуска через Ollama, llama.cpp и другие совместимые движки вывода. Она поддерживает текстовые сценарии, а специальная vision-версия — обработку изображений вместе с текстом. Доступны текстовые сборки Q4_K_M размером около 5,2 ГБ и F16 размером около 17 ГБ, а также vision-сборка Q4_K_M размером около 6,1 ГБ. Vision-вариант сохраняет встроенный мультимодальный vision-энкодер исходной Qwen3.5-9B; архитектура Qwen3.5 использует нативную мультимодальность с ранним объединением данных. Заявлены поддерживаемые языки: английский, китайский, японский, корейский, французский, немецкий и испанский. Модель имеет около 9 млрд параметров, но размер контекста в README не указан. Главная особенность — удаление отказов от ответа методом abliteration: применены три прохода ортогональной проекции и последующее QLoRA-дообучение для устойчивых категорий отказов. В тесте README модель ответила на 18 из 18 проверочных запросов, тогда как базовая модель не ответила ни на один. Это может быть полезно для исследовательских, образовательных и локальных сценариев, требующих минимального количества встроенных ограничений, однако отсутствие отказов повышает риск небезопасных или неправомерных ответов и требует самостоятельного контроля со стороны пользователя. Модель распространяется по лицензии Apache-2.0. Для vision-функций требуется Ollama версии 0.17.1 или новее; текстовая сборка vision не поддерживает.

TheCluster/Qwen3.5-9B-Claude-4.6-HighIQ-INSTRUCT-HERETIC-UNCENSORED-MLX-mxfp8 — модель семейства Qwen3.5, представленная TheCluster. Она конвертирована в формат MLX из DavidAU/Qwen3.5-9B-Claude-4.6-HighIQ-INSTRUCT-HERETIC-UNCENSORED. Модель дообучена на дистиллированных данных Claude 4.6 и предназначена для следования инструкциям в режиме instruct-only; заявлена как uncensored и unrestricted. Модель имеет размер 9B параметров и представлена в квантизации MXFP8 с эффективностью 8,363 бита на вес. Формат MLX ориентирован на запуск в экосистеме Apple. В карточке указана поддержка текстово-визуального сценария image-text-to-text, однако подробности о визуальном энкодере и максимальной длине контекста не приведены. Заявлены языки English, Chinese, Russian, Spanish, French, Italian, Japanese, Korean и ряд других, включая German, Arabic, Turkish, Polish, Ukrainian и Portuguese. По приведённым тестам модель сохраняет или улучшает результаты относительно исходной Qwen3.5-9B на большинстве указанных benchmark’ов, включая ARC, BoolQ, HellaSwag, OBQA, PIQA и Winogrande. Метрика отказов составляет 6 из 100 против 100 из 100 у оригинальной модели, что указывает на существенно менее ограниченное поведение. При этом снижение отказов означает потенциально более слабые защитные ограничения и необходимость дополнительного контроля при использовании. Сведения о длине контекста, производительности, системных требованиях и других ограничениях отсутствуют. Лицензия указана как Apache-2.0; ссылка ведёт на лицензию исходной Qwen3.5-9B.

Qwopus-GLM-18B-Healed-i1-GGUF — это квантизированная GGUF-версия модели Qwopus-GLM-18B-Healed, разработанной Jackrong и подготовленной квантизатором mradermacher. Модель относится к типу qwen3_5, имеет около 18 млрд параметров и предназначена для генерации текста и диалогового взаимодействия. В метаданных также заявлена поддержка сценариев рассуждения, работы с агентами и инструментами, однако подробные результаты тестирования не приведены. Модель поддерживает английский, китайский, корейский, японский, французский, немецкий и испанский языки. README указывает, что это vision-модель, поэтому она может использовать визуальные входы при наличии соответствующего multimodal-проектора, но сведения о поддерживаемых форматах изображений и конкретных возможностях анализа изображений отсутствуют. Длина контекста также не указана. Репозиторий содержит варианты квантизации от экстремально компактных IQ1 до Q6_K размером примерно от 4,5 до 13,1 ГБ. Это позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством; для общего использования автор рекомендует i1-Q4_K_M, а i1-Q4_K_S отмечает как удачный баланс размера, скорости и качества. Сильными сторонами являются многоязычность, поддержка текстовых и, вероятно, визуальных сценариев, а также возможность локального запуска через формат GGUF. Ограничениями выступают потери качества у низкобитных вариантов, отсутствие заявленной длины контекста и бенчмарков, а также необходимость совместимого ПО и multimodal-компонентов для работы с изображениями. Лицензия — Apache-2.0.

RIFA-PRO — двуязычная разговорная текстовая модель семейства RIFA, разработанная и поддерживаемая SM Shahbaj. Модель предназначена для генерации текста и диалоговых сценариев на английском языке и бангла (бенгальском), включая работу в качестве универсального AI-ассистента. Модель содержит около 3 млрд параметров и распространяется в форматах Safetensors и GGUF, совместимых с Transformers, LM Studio, Ollama и llama.cpp. Архитектура и размер контекста в README не указаны. Для GGUF доступны варианты квантования от Q3_K_M до F16; Q5_K_M отмечен как рекомендуемый, а Q4_K_M и Q3_K_M подходят для систем с небольшим объёмом VRAM. К сильным сторонам относятся поддержка английского и бенгальского языков, диалоговая специализация, относительно компактный размер и возможность локального запуска. Модель не относится к передовым моделям большого масштаба, может галлюцинировать, поэтому важные сведения необходимо проверять. Для единообразного поведения и брендинга рекомендуется использовать системную инструкцию из README. Модель распространяется по лицензии Apache 2.0.

shisa-7b-v1-Mistral-7B-Instruct-v0.1 — чат-модель семейства Mistral, созданная MaziyarPanahi слиянием Mistral-7B-Instruct-v0.1 и augmxnt/shisa-7b-v1 методом SLERP. Модель предназначена для генерации ответов на инструкции и диалоговые запросы; среди указанных языков — японский и английский. Модель имеет плотную архитектуру MistralForCausalLM, 7,1 млрд параметров и контекстное окно до 32 768 токенов. Веса представлены в формате safetensors; лицензия — Apache-2.0. Карточка не приводит отдельных оценок качества или подробностей ограничений.

Smoothie-Qwen3-30B-A3B — вариант Qwen3-30B-A3B с настройкой вероятностей токенов для более сбалансированной многоязычной генерации. В README указаны параметры сглаживания: минимальный коэффициент 0,5, smoothness 10, выборка из 1000 элементов, окно размером 4 и веса n-грамм 0,5/0,3/0,2; перечислены диапазоны Unicode, связанные с обработкой китайских иероглифов и знаков. Метаданные классифицируют модель как генеративную MoE-архитектуру Qwen3 на Transformers с 2,6 млрд параметров и контекстом 40 960 токенов; доступны интерфейсы чата и вызова инструментов. Базовая модель — Qwen/Qwen3-30B-A3B, лицензия Apache-2.0. README не уточняет языки, помимо общего упоминания многоязычной генерации, и не приводит результатов сравнительной оценки.

Taiwan LLM 7B v2.1 chat — диалоговая языковая модель на архитектуре Llama, разработанная для традиционного китайского языка и культурного контекста Тайваня. Модель содержит 6,6 млрд параметров и дообучена методом supervised fine-tuning на публичных и синтетических текстовых данных; базовая модель — yentinglin/Taiwan-LLM-7B-v2.0-base. Модель предназначена для генерации ответов и понимания запросов на традиционном китайском, в том числе с учётом тайваньской лексики и культурных особенностей. В карточке отмечено улучшение результатов на бенчмарках TC-Eval; опубликован также результат TMMLUS+ 22,20. Контекст — до 4096 токенов. Распространяется по лицензии Apache-2.0. Разработчики предупреждают, что точность и пригодность ответов нужно проверять. Модель не предназначена для медицинской диагностики, юридических консультаций и финансовых решений.

elgeish/wav2vec2-large-xlsr-53-arabic — модель автоматического распознавания арабской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на датасетах Arabic Speech Corpus и Common Voice. Это плотная архитектура wav2vec2 с CTC-выходом и примерно 402,7 млн параметров; репозиторий содержит веса PyTorch и Flax. Модель принимает аудио с частотой дискретизации 16 кГц и предназначена для преобразования арабской речи в текст. Результаты модели представлены в транслитерации Buckwalter, где арабские буквы кодируются символами ASCII; для получения арабского письма требуется обратная транслитерация. В карточке указаны WER 23,39% на валидации Common Voice и тестовый результат 26,55%. Модель можно применять для расшифровки арабских записей и речи, однако точность зависит от данных и условий записи. Лицензия — Apache-2.0.

Модель wannaphong/wav2vec2-large-xlsr-53-th-cv8-deepcut — дообученная версия wav2vec2-large-xlsr-53 для распознавания тайской речи. Её разработал Wannaphong на основе Common Voice V8 с добавлением данных Common Voice V7; для целевого текста использована предварительная токенизация deepcut. Архитектура — Wav2Vec2ForCTC, около 402,7 млн параметров, веса доступны в формате PyTorch. Модель предназначена для преобразования тайской аудиозаписи в текст. В тестах на наборах Common Voice V7 и V8 она показала меньшие WER и CER, чем приведённые в README базовые сравнения; результат зависит от способа токенизации текста. Лицензия — Apache-2.0. Ограничения: оценка приведена только на тестовых наборах Common Voice, поэтому качество на других источниках аудио не установлено.

Ivydata/whisper-base-japanese — дообученная модель распознавания речи на базе OpenAI Whisper Base. Разработчик дообучил её на японском языке с использованием Common Voice, JVS и JSUT; модель содержит 51,7 млн параметров и использует архитектуру WhisperForConditionalGeneration в формате PyTorch. Модель преобразует японскую речь в текст и предназначена для транскрибации аудиозаписей. В README приведён результат оценки на TEDxJP-10K: CER 27,25% для модели Whisper Small, поэтому этот показатель не относится напрямую к данной модели Base. Для входного аудио требуется частота дискретизации 16 кГц. Лицензия — Apache-2.0. Карточка не сообщает длину контекста или дополнительных ограничений применения.

Whisper Hinglish Preview — модель распознавания речи на основе Whisper large-v3, разработанная Trelis и специализированная для хинглиша: речи с переключением между хинди и английским. Она также предназначена для транскрибации преимущественно хинди и английской речи; архитектура — WhisperForConditionalGeneration, размер — 905,3 млн параметров. Модель принимает аудио и выдаёт текст. Для заявленного качества автор рекомендует явно задавать язык распознавания в стандартном интерфейсе Whisper. Внутренние оценки автора показывают улучшение относительно исходных Whisper large-v3 и Vaani на ряде тестов хинглиша и хинди, но не лидерство на всех наборах; результаты получены по собственному протоколу нормализации и сопоставления. Это исследовательская предварительная версия, и веса или результаты могут измениться. Модель распространяется по лицензии Apache-2.0.

Whisper Large Indonesian — модель распознавания речи на базе OpenAI Whisper Large, дообученная автором cahya на наборах mozilla-foundation/common_voice_11_0, magic_data и TITML для индонезийского языка. Она принимает аудио и преобразует речь в текст; подходит для транскрибирования записей и голосовых сообщений на индонезийском. Модель содержит около 905,2 млн параметров и распространяется в формате PyTorch. В карточке приведён результат оценки на тестовом наборе: WER 6,2483 и loss 0,2034. Модель опубликована по лицензии Apache-2.0. Подробности об условиях записи, тестовом наборе и ограничениях применения в карточке не раскрыты.

Whisper Large Khmer — модель распознавания речи, дообученная Kak Soky на наборе данных SLR42. Она основана на архитектуре Whisper и содержит около 905,2 млн параметров. Модель предназначена для преобразования аудио на кхмерском языке в текст. На оценочной выборке указаны значение loss 0,2375 и WER 29,5183. Репозиторий содержит веса PyTorch и опубликован по лицензии Apache-2.0. Подробные сведения о сценариях применения и ограничениях в карточке отсутствуют.

servinosmanov/whisper-large-v3-crh — дообученная Servin Osmanov модель OpenAI Whisper large-v3 для автоматического распознавания крымскотатарской речи. Модель содержит 905,2 млн параметров и принимает аудио, выдавая текст; поддерживает крымскотатарский язык в кириллической и латинской письменности. Для обучения использован датасет servinosmanov/tts-crh-sevil-fixed. В карточке указана лучшая доля ошибок слов (WER) 13,67% с параметрами repetition_penalty=1.2 и no_repeat_ngram_size=3; это на 48,4% лучше приведённого результата дообученного whisper-medium. Модель предназначена для транскрибации крымскотатарской речи. Лицензия — Apache-2.0.