I.6Перевод и языковая адаптация

Это версия Whisper large-v3-turbo, преобразованная в формат CTranslate2 для использования с faster-whisper и квантованная до int8. Репозиторий подготовлен для быстрого вывода на CPU и распознавания речи на аудиозаписях. Указанный в метаданных язык модели — венгерский. Модель принимает аудио и выдаёт распознанный текст. Это преобразование и квантование модели OpenAI, а не самостоятельное дообучение. В карточке не приведены сведения о лицензии и конкретные ограничения точности; качество распознавания может зависеть от записи и языка аудио.

kingabzpro/whisper-large-v3-urdu — модель распознавания речи, созданная дообучением Whisper large-v3 от OpenAI на наборе Common Voice 17.0. Она предназначена для преобразования речи на урду в текст; для запуска можно использовать библиотеку Transformers и pipeline automatic-speech-recognition. Модель содержит 905,2 млн параметров и принимает аудио, выдавая текстовую транскрипцию. В README приведены оценки на тестовой части Common Voice 17.0: WER 26,019%, CER 9,426% и BLEU 59,446%; в другом разделе указаны WER 21,4712% и CER 7,1975%, поэтому результаты в карточке расходятся. Лицензия — Apache-2.0.

jlondonobo/whisper-medium-pt — дообученная модель распознавания речи на базе Whisper Medium, созданная для транскрибирования аудио на португальском языке. Разработчик дообучил openai/whisper-medium на наборе mozilla-foundation/common_voice_11; архитектура — WhisperForConditionalGeneration, формат весов — PyTorch, размер по метаданным — 455,8 млн параметров. Модель преобразует португальскую речь в текст. В README приведён результат WER 6,579 на Common Voice 11 и заявлено улучшение относительно исходной Whisper Medium; это оценка на указанном наборе данных, а не гарантия качества на других записях. Для коротких аудиофрагментов предлагается Transformers pipeline, а для длинных транскрипций README описывает отдельный способ запуска с оригинальным алгоритмом Whisper. Лицензия — Apache-2.0.

Kathernie/whisper-small-all — дообученная на наборе Learn Chinese модель распознавания речи на основе openai/whisper-small. Она предназначена для преобразования китайской речи в текст; в карточке приведены результаты оценки: CER 9,3505 и loss 0,2198. Модель содержит 153,1 млн параметров, использует архитектуру Whisper и веса в формате Safetensors. Модель ориентирована на китайскую речь. Базовая Whisper поддерживает многоязычное распознавание и перевод аудио на английский, однако карточка этой производной модели не подтверждает сохранение этих возможностей после дообучения. Лицензия — Apache-2.0.

Whisper Small Bengali — модель распознавания речи, дообученная автором anuragshas на базе openai/whisper-small на бенгальской части набора Mozilla Common Voice 11.0. Она принимает аудио и преобразует речь на бенгальском языке в текст; архитектура — WhisperForConditionalGeneration, размер — 153,1 млн параметров. На указанном в карточке оценочном наборе модель показала WER 18,22 и loss 0,1638. Репозиторий содержит веса PyTorch. Модель распространяется по лицензии Apache-2.0.

anggiatm/whisper-small-id — модель автоматического распознавания речи, дообученная автором anggiatm на базе openai/whisper-small с использованием набора Common Voice 17.0. Она преобразует индонезийскую речь в текст; размер модели — 153,1 млн параметров, архитектура — WhisperForConditionalGeneration. В оценке на тестовом наборе указаны loss 0,0931 и WER 6,5965. Модель предназначена для транскрибирования индонезийской речи. Распространяется по лицензии Apache-2.0.

ronnybscales/whisper-small-shona-waxal — дообученная модель автоматического распознавания речи на основе Whisper Small от OpenAI. Она предназначена для преобразования входящей речи в текст; название модели указывает на специализацию для языка шона. В карточке приведены результаты оценки: WER 52,01 и eval_loss 0,5100 после примерно 2 эпох обучения. Модель построена на архитектуре Whisper и распространяется в формате Safetensors через Transformers. Лицензия — Apache 2.0. Подробности о данных обучения и условиях оценки в карточке не описаны.

Whisper-tiny-fa — модель распознавания персидской речи, созданная дообучением openai/whisper-tiny авторами aictsharif на персидской части Common Voice 17.0. Она преобразует аудио в текст и предназначена для транскрибации записей и речи с микрофона, создания персидских субтитров и голосового управления приложениями. Модель построена на архитектуре encoder-decoder Transformer Whisper и содержит 29,4 млн параметров; для работы используется библиотека Transformers. Модель рассчитана на персидский язык. В тестировании, описанном в карточке, указаны WER 0,915 и CER 0,428. Качество может снижаться на шумных записях, при акцентах и диалектах, слабо представленных в обучающих данных; модель может хуже распознавать другие языки и не подходит для сценариев со строгими требованиями к задержке. Лицензия — Apache-2.0.

IbrahimDayax/xls-r-1b-somali-stt-asr — модель распознавания сомалийской речи в текст, разработанная IbrahimDayax как дообучение facebook/wav2vec2-xls-r-1b. Она использует архитектуру Wav2Vec2 XLS-R с CTC-головой и содержит около 1,3 млрд параметров по метаданным. Модель принимает аудио и выдаёт текст; она предназначена для автоматического распознавания сомалийской речи, а не для синтеза речи. В README для нормализованного текста на проверенной выборке из 781 примера указаны WER 6,83% и CER 1,42%. Авторы сообщают о сравнении с другими публичными сомалийскими ASR-моделями, отмечая, что обучающие данные включали обучающую часть источника, из которого взята тестовая выборка. Модель выпущена под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

Ahma-SlimInstruct-V1-7B — финноязычная чат-модель генерации текста, созданная mpasila дообучением Finnish-NLP/Ahma-7B на инструкционных наборах LumiOpen и SlimOrca. Модель основана на плотной архитектуре Llama и содержит 6,7 млрд параметров; она предназначена для ответов на инструкции и диалоговых запросов на финском и английском языках. Модель обучалась с использованием Unsloth и TRL. Для диалога в карточке упоминаются форматы ChatML и Mistral, причём автор сообщает, что формат Mistral работал лучше при тестировании LoRA. Контекст ограничен 2048 токенами. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии Apache-2.0.

Это квантованные файлы GGUF модели Llama-SEA-LION-v3-70B-IT, подготовленные TensorBlock. Базовая модель разработана AI Singapore и предназначена для диалогов и выполнения текстовых инструкций на английском и языках Юго-Восточной Азии. В репозитории указаны варианты квантизации Q2_K и Q3_K_M; файлы совместимы с llama.cpp начиная с указанного в карточке коммита. Модель подходит для чат-ботов, ответов на вопросы и других текстовых задач на поддерживаемых языках. README предупреждает, что варианты Q2_K и Q3_K_M заметно теряют в качестве; лицензия репозитория — Llama 3.1 Community License.

Aitana-7B-S-base-i1-GGUF — квантизированная версия базовой языковой модели Aitana-7B-S-base, разработанной организацией GPLSI и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для генерации и обработки текста, включая локальный запуск с различными вариантами квантизации. В исходных метаданных указаны обучающие наборы alia_dogv, alia_les_corts, alia_amic, alia_boua и alia_tourism. Модель содержит около 7 млрд параметров и работает с текстом на каталанском, испанском и английском языках; отдельно отмечена ориентация на валенсийский вариант каталанского. Это текстовая модель без заявленной поддержки изображений, аудио или других модальностей. Доступны варианты квантизации i1-IQ и i1-Q с размером файлов примерно от 2,4 до 6,5 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать по качеству; в README рекомендованы i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Контекстное окно и результаты бенчмарков не указаны. Модель подходит для локальной генерации текста и экспериментов с многоязычными приложениями, особенно ориентированными на каталанский и валенсийский языки. Ограничения включают отсутствие сведений о диалоговой настройке, целевых прикладных сценариях, точности и безопасной эксплуатации, а также возможное снижение качества при использовании низкобитных вариантов. Лицензия модели — Apache-2.0.

Hosstia подготовил вариант AliceAI-T5-35B-A0.6B для Apple Silicon, квантованный для запуска через MLX на GPU Metal. Это encoder-decoder модель T5 с архитектурой Mixture-of-Experts: всего 35 млрд параметров, из них 0,6 млрд активны на токен. Основное назначение — перевод с китайского на русский; в карточке также описаны режимы исправления текста и вопросов и ответов. Вариант MXFP4 использует 4-битное представление экспертов и внимания. README сообщает о повышенной скорости относительно прежней реализации на Apple M4 Pro, однако примерно в 10% абзацев модель зацикливается на повторениях, поэтому автор не рекомендует её для производственного применения. Длинные тексты перевода могут обрезаться; для Q&A без параметра min_new_tokens ответы могут завершаться преждевременно. Указана лицензия other, дополнительных условий README не приводит.

Модель quantumcookie/anime-whisper-ct2-int8 — версия Anime Whisper в формате CTranslate2 с квантованием INT8. Она основана на litagin/anime-whisper и предназначена для распознавания японской речи в аниме и визуальных новеллах. Метаданные указывают на дообучение на датасетах Galgame_Speech_ASR_16kHz и Galgame_Dataset; README заявляет ускоренный инференс при сохранении высокой точности. Модель принимает аудио и выдаёт текстовую расшифровку. Лицензия — MIT.

ASR-Somali — модель распознавания речи на основе архитектуры Wav2Vec2ForCTC с 402,7 млн параметров. Она создана дообучением facebook/wav2vec2-large-xlsr-53 и предназначена для преобразования сомалийской речи в текст. В карточке приведены результаты оценки: потеря 0,3660 и WER 0,3060. Модель принимает аудио и выдаёт текст; репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Подробности о данных обучения и ограничениях в карточке не раскрыты.

Borea-Phi-3.5-mini-Instruct-Jp — модель общего назначения от Axcxept, дообученная на базе Phi-3.5-mini-Instruct несколькими методами настройки. Разработчики сообщают об улучшении качества относительно базовой модели, особенно для японского языка. Модель обучалась на инструкционных данных, подготовленных из японской Википедии и FineWeb. Это плотная авторегрессионная языковая модель семейства Phi-3 с 3,7 млрд параметров и контекстом 4096 токенов. Она принимает текст и генерирует текст в диалоговом формате; помимо японского, README заявляет поддержку различных языков и сценариев общего назначения. Карточка не приводит результаты бенчмарков. В README модель названа экспериментальным прототипом для исследований и разработок; её не рекомендуют для коммерческого применения или критически важных систем. Лицензия в метаданных — MIT, при этом README настоятельно рекомендует связаться с разработчиком перед коммерческим использованием.

Breeze-ASR-25-gguf — это набор GGUF-конвертаций модели Breeze-ASR-25, разработанной MediaTek Research и адаптированной для работы с transcribe.cpp. В основе лежит Whisper large-v2: encoder-decoder Transformer с обработкой аудио окнами по 30 секунд и чанковой расшифровкой длинных записей. Модель предназначена для автоматического распознавания речи, перевода, определения языка и получения сегментных временных меток. Модель оптимизирована для тайваньского мандаринского диалекта и английского языка, включая переключение между мандаринским и английским внутри одного предложения и между предложениями. Она выводит традиционный китайский и сохраняет токенизатор Whisper для 99 языков, однако остальные языки не оптимизировались и не проходили заявленную валидацию. Обучение проводилось примерно на 11 749 часах данных: синтетической китайской речи, английских записях Common Voice и реальных примерах китайско-английского переключения. Потоковый режим не поддерживается. Доступны варианты BF16, F16 и квантизации Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 997 МБ до 3,11 ГБ. На заявленных тестах показатели составляют 2,25–2,29% WER на LibriSpeech test-clean и 8,08–8,12% CER на китайском тесте FLEURS после приведения традиционного письма к упрощённому. Ключевые ограничения — специализация прежде всего на мандаринском и английском, отсутствие потоковой обработки и зависимость от transcribe.cpp. Модель распространяется по лицензии Apache-2.0.

Chocolatine-3B-Instruct-DPO-v1.2-GGUF — это квантованные версии текстовой генеративной модели Chocolatine-3B-Instruct-DPO-v1.2, исходно разработанной jpacifico и преобразованной в формат GGUF пользователем bartowski с помощью llama.cpp. Модель предназначена для диалоговой генерации текста и выполнения инструкций, прежде всего на французском и английском языках. Она обучена с использованием набора данных french-orca-dpo-pairs-revised и поддерживает формат запросов с системным сообщением, пользовательским запросом и ответом ассистента. Модель содержит около 3 миллиардов параметров и распространяется в вариантах от F16 до различных уровней квантования, включая Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K. Размер файлов варьируется примерно от 1,42 до 7,64 ГБ, поэтому варианты можно подбирать под доступный объём памяти и требуемое качество. Квантованные файлы предназначены для запуска через llama.cpp и совместимы, в частности, с LM Studio. Более высокие уровни квантования обеспечивают качество, близкое к исходной модели, тогда как низкие уровни экономят память, но заметно снижают качество. Модель подходит для локальных чат-ботов, генерации и преобразования текста, а также выполнения инструкций на французском и английском языках. README не содержит сведений о размере контекстного окна, точной базовой архитектуре, мультимодальности или результатах тестирования, поэтому эти характеристики нельзя определить. Указанная лицензия — MIT.

cohere-transcribe-arabic-07-2026-dialectal-v2 — дообученная Cohere модель распознавания речи на основе CohereLabs/cohere-transcribe-arabic-07-2026. Она предназначена для транскрибации многообразных арабских диалектов и особенно подходит для записей на хиджазском и заливном, египетском, иракском, марокканском, палестинском и ливанском вариантах. Модель содержит 151 млн параметров по метаданным; README указывает размер базовой модели 2,07 млрд параметров. Архитектура — CohereAsrForConditionalGeneration, веса представлены в safetensors. Модель принимает аудио и выдаёт текст без диакритических знаков; контекст — 1024 токена. Чекпойнт обучен на сбалансированном наборе диалектов oddadmix/lahgtna-v3-small. В тестах он улучшает распознавание ряда целевых диалектов, включая заливный и иракский, но в среднем уступает базовой модели и заметно ошибается на тунисском; также указаны ухудшения для ливийского, йеменского и сирийского вариантов. По карточке это экспериментальная специализация, а лицензия — Apache-2.0.

DeepSeek-V4-Flash-IQ2XXS-TM64-Q4KAttention-v1 — локальная GGUF-сборка базовой модели DeepSeek-V4-Flash-0731 от deepseek-ai. Пакет подготовлен erayyapagci на основе квантизаций из репозиториев antirez и Ralii и предназначен для запуска через специализированную ветку llama.cpp с Vulkan. Модель ориентирована на генерацию текста и диалоговые сценарии на английском и китайском языках. Основная модель использует разреженную экспертную архитектуру с 86 тензорами routed experts в формате IQ2_XXS/Q2_K, а также Q4_K-квантизацию attention-слоя. Ключевая особенность — альтернативная раскладка TM64 для экспертных тензоров и соответствующие Vulkan-ядра. В комплект входит отдельная draft-модель DSpark размером около 10 ГБ для speculative decoding; основной файл занимает около 79 ГБ. Заявлена поддержка контекста до 409 600 токенов на слот, а в многослотовых конфигурациях — до 1 228 800 токенов. Сильные стороны сборки — уменьшенный размер по сравнению с полноточной моделью, возможность локального запуска, ускорение prompt processing примерно на 14,86% и decode примерно на 2,50% в приведённых тестах, а также проверенная эквивалентность результатов стандартному пути. TM64 оптимизирована прежде всего для AMD/RADV/RDNA3, включая Strix Halo с устройством gfx1151; на других устройствах могут применяться стандартные ядра IQ2_XXS или потребуется конвертация. Для работы необходимы оба файла и совместимый специализированный runtime llama.cpp. В метаданных репозитория указана лицензия MIT, однако README уточняет, что для исходной модели действует её оригинальная лицензия.

ELYZA-japanese-Llama-2-13b-fast-instruct-GGUF — это квантованный вариант 13-миллиардной инструкционной языковой модели ELYZA-japanese-Llama-2-13b-fast-instruct, разработанной elyza. Формат GGUF подготовлен компанией Second State Inc. Модель предназначена для генерации текста и диалоговых сценариев, включая работу через LlamaEdge с шаблоном запросов llama-2-chat. Модель ориентирована прежде всего на японский язык, также заявлена поддержка английского. Она относится к семейству Llama 2, работает в текстовой модальности и имеет контекст размером 5120 токенов. Доступны варианты квантования от Q2_K до Q8_0 размером примерно от 5,5 до 14 ГБ. Варианты Q4_K_M, Q5_K_M и Q5_K_S рекомендованы как сбалансированные по качеству и размеру, тогда как более сильное квантование уменьшает требования к памяти, но может приводить к заметной потере качества. Модель подходит для локального запуска, японских чат-ботов, генерации и преобразования текста, а также приложений, совместимых с LlamaEdge. Это не мультимодальная модель; README не содержит подробных сведений о качестве на конкретных бенчмарках, обучающих данных или системных требованиях. Распространение указано по лицензии llama2.

AXCXEPT разработала эту диалоговую модель на базе Meta Llama 3.2 3B Instruct, дообучив её для улучшения работы с японскими задачами на японско-английских данных. Модель с плотной архитектурой Llama содержит 3,2 млрд параметров и предназначена для генерации текста в формате диалога; её можно использовать для японско-английского общения и ответов на запросы. Она поддерживает контекст до 131 072 токенов и запускается через Transformers. Модель распространяется по лицензии Llama 3.2 Community License Agreement. Разработчик характеризует её как экспериментальный прототип для исследований и разработок: качество и результаты не гарантируются, коммерческое использование и применение в критически важных средах не предполагаются.

Модель YonaKhine/finetuned-w2v2-bert-burmese-asr — дообученная на датасете OpenSLR-80 для распознавания речи на бирманском языке. Она принимает аудио и выдаёт текстовую транскрипцию; модель построена на архитектуре Wav2Vec2BertForCTC и содержит 402,7 млн параметров. Базовая модель — facebook/w2v-bert-2.0, используется библиотека Transformers. В карточке приведены значения на тестовом наборе: loss 0,3886 и WER 0,4256. Пример транскрипции показывает, что возможны ошибки в словах и различиях гласных. Модель распространяется по лицензии MIT.

AntonyG/fine-tune-wav2vec2-large-xls-r-1b-sw — модель распознавания речи на суахили, разработанная на основе wav2vec2. Согласно карточке, она дообучена на датасете Common Voice 11.0 для транскрибации речи на суахили. Архитектура — Wav2Vec2ForCTC; в метаданных указано 402,7 млн параметров и формат PyTorch. Модель предназначена для распознавания общей разговорной речи на суахили. На оценочной выборке Common Voice 11.0 указаны loss 1,2834 и WER 0,5834. Разработчики рассматривают дальнейшее дообучение для предметных сценариев, в частности разговоров в больницах; текущая карточка не подтверждает специализацию на медицинской речи. Лицензия — Apache-2.0.

free-solar-evo-v0.11 — текстовая генеративная модель Freewheelin на архитектуре Llama, предназначенная для генерации текста и диалогового использования. По метаданным, модель содержит 10,6 млрд параметров, поддерживает контекст до 4096 токенов и обучена для корейского и английского языков. Модель распространяется с лицензией MIT. Сторонние карточки подтверждают существование исходной модели и её преобразованных GGUF-вариантов, однако доступного описания разработчика с подробностями обучения или сравнительными оценками найти не удалось.

Akashpb13/Hausa_xlsr — это модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m для хауса. Она использует архитектуру wav2vec2 и весит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; в метаданных указана поддержка языка хауса. Модель предназначена для транскрибации записей на хауса, включая голосовые сообщения и материалы, похожие на записи Common Voice. В README приведены результаты оценки: WER 0,329955 и loss 0,275118; оценочный набор сформирован из частей данных Common Voice 7.0, а метаданные также связывают модель с Common Voice 8.0. Лицензия — Apache-2.0. В README отмечено, что сведений о предполагаемом использовании и ограничениях требуется больше.

itayl/Hebrew-Mistral-7B_Chat — чат-модель на архитектуре Mistral с 7,2 млрд параметров, дообученная автором itayl на базе yam-peleg/Hebrew-Mistral-7B. Она предназначена для генерации текста в диалоговом формате, прежде всего на иврите и английском. Модель принимает текст и генерирует текст; её базовая модель поддерживает контекст до 32 768 токенов. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

KONI-Llama3.1-8B-R-20250831-i1-GGUF — это квантизированная версия языковой модели KONI-Llama3.1-8B-R-20250831, преобразованная в формат GGUF пользователем mradermacher. Базовая модель разработана организацией KISTI в рамках семейства KONI. Модель предназначена для генерации текста и работы с текстовыми запросами, включая сценарии локального запуска через совместимое с GGUF программное обеспечение. Модель построена на архитектуре Llama 3.1 и содержит около 8 миллиардов параметров. В заявленных языках указаны корейский и английский. Поддерживаются различные варианты квантизации, включая IQ- и Q-семейства с размером файлов примерно от 2,1 до 6,7 ГБ; варианты различаются балансом между скоростью, требованиями к памяти и качеством. В README не указаны длина контекста, дополнительные модальности, результаты тестирования или специальные прикладные возможности. К преимуществам относятся широкий выбор квантизированных вариантов и возможность подобрать размер модели под доступные ресурсы; для баланса скорости, размера и качества рекомендован вариант i1-Q4_K_M. Низкобитные варианты требуют меньше памяти, но могут заметно уступать по качеству, тогда как более крупные варианты обычно сохраняют качество ближе к исходной модели. Лицензия указана как llama3.1; перед использованием следует учитывать условия этой лицензии.

onnx-community/kotoba-whisper-v2.2-ONNX — это ONNX-версия модели kotoba-tech/kotoba-whisper-v2.2, подготовленная для использования с библиотекой transformers.js. Модель была автоматически конвертирована и опубликована сообществом onnx-community на Hugging Face. По представленным данным, модель относится к семейству Whisper и предназначена для задач обработки аудио, однако конкретные поддерживаемые сценарии, языки, модальности, размер, параметры архитектуры и длина контекста в README не указаны. Формат ONNX может быть удобен для запуска в совместимых средах и приложениях на базе transformers.js, но сведения о производительности, требованиях к ресурсам и ограничениях отсутствуют. Лицензия и условия использования в предоставленном README не указаны; для их определения необходимо обратиться к карточке базовой модели kotoba-tech/kotoba-whisper-v2.2 и метаданным данного репозитория.

sanganaka/LaBSE-sanskritFT — модель Sentence Transformer, дообученная на базе sentence-transformers/LaBSE на наборе mitrasamgraha. Она кодирует предложения и абзацы на английском и санскрите в векторы размерности 768 для сравнения смысловой близости с помощью косинусного сходства. Модель построена на архитектуре BERT, содержит 498,1 млн параметров и рассчитана на последовательности длиной до 512 токенов по метаданным; в README указан предел 256 токенов. Модель предназначена для семантического поиска и сопоставления англоязычных и санскритских текстов. README также указывает применение для поиска парафраз, классификации и кластеризации текстов. В оценке перевода на translate-val указана средняя точность 0,905, а на translate-test — 0,8861; эти значения относятся к описанным в карточке наборам оценки. Модель принимает текст и выдаёт плотные векторные представления. Веса опубликованы в формате safetensors и используются через библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.