I.6Перевод и языковая адаптация

Карточка модели tatsumoto/manga-ocr-base на Hugging Face совпадает с карточкой kha-white/manga-ocr-base, поэтому описание составлено по ней. 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.

Языковая модель Mistral-Nemo Japanese Instruct 2408 разработана Рёсуке Исигами на базе mistralai/Mistral-Nemo-Instruct-2407 и дообучена для японского языка. Это плотная авторегрессионная модель семейства Mistral с 12,1 млрд параметров, предназначенная для генерации текста и диалогового общения. Для запросов используется формат ChatML. Модель подходит для ответов на вопросы и ведения диалога на японском языке; метаданные также отмечают английский. Указанное для модели контекстное окно — до 1 024 000 токенов. Модель распространяется под лицензией Apache-2.0.

Moonshine-Base-BN — компактная модель распознавания бенгальской речи, выпущенная Sanjid Hasan и Md. Abdur Rahman вместе с работой для MuslimML Workshop при ICML 2026. Она основана на UsefulSensors/moonshine-base и адаптирована заменой токенизатора декодера на BanglaBERT WordPiece с последующим дообучением для восстановления декодирования. Модель содержит 61,5 млн параметров, принимает аудио и генерирует текст; в метаданных указан контекст 194 токена. Для обучения и оценки использован набор Lipi-Ghor-bn-882-SSTT с бенгальской речью. Модель предназначена для распознавания бенгальской речи, в том числе в многодоменных и многоголосых записях. Авторы сообщают о меньшей доле ошибок на уровне символов, чем у сравниваемых систем, и скорости примерно в 3,5 раза выше, чем у оптимизированного Whisper CTranslate2; результаты относятся к тестовому разделу указанного набора данных. Модель распространяется по лицензии MIT.

Murasaki-4B-v0.3-GGUF — это GGUF-квантизированная версия текстовой языковой модели Murasaki-Project/Murasaki-4B-v0.3, подготовленная mradermacher. Модель предназначена прежде всего для генерации и перевода текстов, связанных с визуальными новеллами, ранобэ, galgame и аниме-субтитрами. Заявлены японский и китайский языки, а также поддержка сценариев с chain-of-thought и text generation inference. Модель содержит около 4 миллиардов параметров и распространяется в формате GGUF, совместимом с соответствующими средствами инференса. Доступны варианты квантования от Q2_K до Q8_0, IQ4_XS и полноточный f16; размеры файлов составляют примерно от 1,9 до 8,9 ГБ. В README не указаны архитектура исходной модели, размер контекста, точный набор поддерживаемых языков и результаты бенчмарков, поэтому качество для конкретных задач заранее оценить нельзя. Квантованные варианты позволяют снизить требования к памяти, однако более агрессивное квантование может ухудшать качество. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных работ.

NanoSakura-2.2-0.2B — компактная модель перевода с японского на китайский, разработанная telecomadm1145. Она дообучена на базе telecomadm1145/NanoSakura-2-0.2B на данных дистилляции для перевода и очищенных японско-китайских текстах из Википедии. Модель использует гибридную архитектуру Seq2Seq: Transformer-энкодер обрабатывает исходный текст, а декодер на Mamba2 с перекрёстным вниманием генерирует перевод. По README, модель содержит около 188 млн параметров; автор описывает постоянный объём состояния декодирования на шаг генерации и ориентирует её на перевод текстов ACG (аниме, комиксы и игры), а также текстов общего назначения. Основное направление — ja→zh. Автор приводит оценки на FLORES-200 и внутреннем тестовом наборе ACG; результаты указывают на сильные стороны в доменном переводе и конкурентное качество на общем наборе, но оценки получены при конкретных настройках и не гарантируют качество для иных предметных областей. Для загрузки через Transformers требуется включить trust_remote_code=True. Модель распространяется по лицензии MIT.

Harveenchadha/odia_large_wav2vec2 — модель автоматического распознавания речи на базе архитектуры Wav2Vec2, разработанная автором Harveenchadha и реализованная с использованием Transformers и PyTorch. Модель предназначена для преобразования аудиозаписей на языке одия (код or) в текст. Модель содержит около 402,7 млн параметров и обучалась с использованием набора Harveenchadha/indic-voice, а также оценивалась на данных Common Voice. Она подходит для транскрибации речевых записей, голосовых сообщений и других аудиоматериалов на одия. Согласно приведённым результатам, значение WER на тестовых выборках Common Voice составляет 53,58–55,26, а CER — 11,26–13,01, поэтому качество распознавания может заметно зависеть от диктора, акустических условий и типа речи. Модель распространяется по лицензии Apache-2.0.

mujtabaumarr/opus-mt-en-ur-vocational — дообученная модель MarianMT от mujtabaumarr на базе Helsinki-NLP/opus-mt-en-ur для перевода инструкций по рабочим профессиям с английского на урду. Обучение проводилось на корпусе VocabUR: 3 442 сегментах из примерно 32 часов видео о плотницком деле, сантехнических и электротехнических работах, с переводами, проверенными носителями урду со знанием этих областей. На отложенной выборке из 56 сегментов модель получила BLEU 20,83 и chrF 42,91; для базовой модели без дообучения на той же выборке указаны 3,08 и 19,30 соответственно. Модель принимает текст и генерирует текст перевода; контекст — 512 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка позиционирует модель для исследовательского сравнения и рекомендует для промышленного применения сопутствующую NLLB-модель с более высоким результатом на той же выборке. Оценка проведена на небольшой выборке с одним эталонным переводом; возможны различия в допустимой транслитерации, а исходные видео содержат североамериканскую лексику, которая может отличаться от южноазиатской.

Quan-1.8b — разговорная языковая модель с примерно 1,5 млрд параметров, созданная дообучением KnutJaegersberg/Qwen-1_8B-Llamafied на двуязычных англо-вьетнамских данных. Она использует архитектуру Llama и предназначена для генерации текста в диалоговом формате ChatML; заявленная длина контекста — до 8192 токенов. Модель подходит для чат-ответов и генерации текста на английском и вьетнамском языках. В карточке приведён результат оценки: loss 0,8096, однако подробности набора оценки и методики отсутствуют. Лицензия указана как other, поэтому условия использования следует уточнить на странице модели.

Qwen2.5-0.5B-Instruct-MLX-4bit — компактная инструкционная языковая модель для генерации текста и диалогового взаимодействия. Исходную модель разработала команда Qwen, а MLX-квантизацию в формате 4-bit подготовил bartowski на основе инструментов mlx-examples. Модель предназначена для запуска на компьютерах Mac с Apple Silicon, в том числе через LM Studio. Модель имеет размер 0,5 млрд параметров и поддерживает текстовый ввод и вывод. Она рассчитана на задачи общения, следования инструкциям, понимания и генерации структурированных данных. Заявлена поддержка контекста до 32 тысяч токенов и генерации до 8 тысяч токенов. Модель обучалась на большом наборе данных и поддерживает более 29 языков, включая английский, китайский, французский, испанский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. К сильным сторонам относятся небольшой размер, сниженное потребление ресурсов благодаря 4-bit-квантизации, поддержка длинного контекста и широкого набора языков. Ограничениями являются сравнительно небольшая ёмкость модели, зависимость MLX-версии от устройств Apple Silicon и возможные ошибки, неточности, нежелательный или небезопасный контент, характерные для генеративных моделей. В README не указаны результаты тестов производительности или качества. Модель распространяется по лицензии Apache-2.0.

Карточка модели jaeyong2/Qwen2.5-7B-Instruct-Id-SFT на Hugging Face совпадает с карточкой jaeyong2/Qwen2.5-7B-Instruct-Thai-SFT, поэтому описание составлено по ней. jaeyong2/Qwen2.5-7B-Instruct-Thai-SFT — дообученная авторами репозитория на тайском языке инструктивная языковая модель на основе Qwen/Qwen2.5-7B-Instruct. Она предназначена для диалогов и генерации ответов по инструкциям; метаданные также указывают интерфейс для вызова инструментов. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Указанные языки — тайский и английский. Модель загружается через Transformers, веса представлены в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. README не содержит дополнительных сведений о данных дообучения, оценках качества или ограничениях, поэтому пригодность для конкретного сценария следует проверять самостоятельно.

Это текстовая генеративная модель Qwen3.8-27B Korean Uncensored Merged, созданная на основе koreallmdev/qwen3.8-27b-korean-uncensored-merged и квантизированная mradermacher в формате GGUF. Модель ориентирована на генерацию текста и предназначена для локального запуска с использованием совместимого программного обеспечения для GGUF. Модель имеет размер 27 миллиардов параметров и поддерживает корейский и английский языки. Доступны различные варианты квантизации, включая IQ1, IQ2, IQ3, IQ4, Q2, Q3, Q4, Q5 и Q6; размеры файлов варьируются примерно от 7,2 до 19,3 ГБ. В README отсутствуют сведения о длине контекста, точной архитектуре, мультимодальности и результатах оценки качества. Сильными сторонами являются поддержка корейского языка, широкий выбор вариантов квантизации и возможность подобрать баланс между размером, скоростью и качеством; для вариантов i1-Q4_K_S и i1-Q4_K_M отдельно указаны удачное соотношение характеристик и рекомендация соответственно. Ограничения зависят от уровня квантизации: некоторые варианты отмечены как низкокачественные или предназначенные для крайне ограниченных ресурсов. Лицензия в README не указана.

Это дообученная версия Qwen3-ASR-1.7B, разработанная для распознавания речи на центральнокурдском языке, также известном как сорани (ckb). Модель принимает аудио и преобразует речь в текст; она создана для языка с ограниченными ресурсами и распространяется в формате safetensors. Модель хорошо справляется с формальной и стандартной речью: новостями, аудиокнигами и выступлениями, выдавая корректное написание, грамматику и пунктуацию. В региональных диалектах, включая диалект Эрбиля, и быстрой разговорной речи точность может снижаться, хотя модель стремится передать услышанное подходящей курдской орфографией. Чекпойнт также можно использовать как основу для дальнейшей настройки под специализированную лексику или региональные варианты речи. Модель выпущена под лицензией Apache-2.0. Карточка не приводит количественных оценок качества или подробностей обучающих данных.

artop79/rubaistt-uz-ft — дообученная модель на архитектуре Whisper Medium для автоматического распознавания речи. Она принимает аудио и преобразует узбекскую речь в текст; базовая модель ориентирована на транскрибирование узбекского языка с особым вниманием к ташкентскому диалекту. Модель содержит 455,8 млн параметров и распространяется в формате safetensors для Transformers. Модель подходит для транскрибирования записей и аудиопотоков на узбекском языке. В README приведены результаты на наборе оценки: loss 0,0290 и WER 1,4771; описание датасета и условий оценки отсутствует, поэтому эти показатели трудно интерпретировать. Лицензия — Apache-2.0.

Sailor-7B — языковая модель с открытыми весами для языков Юго-Восточной Азии, разработанная командой Sailor на основе Qwen1.5-7B. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов; веса представлены в формате safetensors, лицензия — Apache-2.0. Модель предназначена для генерации текста и диалоговых сценариев на индонезийском, тайском, вьетнамском, малайском и лаосском языках. Среди целевых задач — ответы на вопросы и рассуждения на естественном языке; карточка сообщает о дообучении на открытых наборах данных и отмечает результаты бенчмарков для языков региона. Sailor-7B является базовой моделью семейства, а отдельная линейка Sailor-Chat включает модели, дополнительно настроенные на следование инструкциям. Качество может различаться между языками и задачами; результаты бенчмарков не гарантируют точность в конкретном приложении. Для использования требуется совместимая версия Transformers (в README рекомендуется 4.37.0 или новее).

Sailor-7B-Chat — чат-модель для генерации текста, разработанная проектом Sailor и предназначенная для языков Юго-Восточной Азии. Она дообучена на базе Sailor-7B, которая основана на Qwen1.5-7B; архитектура — плотная Qwen2ForCausalLM с 7,1 млрд параметров. Модель поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Модель настроена на следование инструкциям и диалоговое общение. Её можно использовать для ответов на вопросы, рассуждений на здравый смысл и других текстовых задач на индонезийском, тайском, вьетнамском, малайском, лаосском, китайском и английском языках. В карточке Sailor отдельно отмечены индонезийский, тайский, вьетнамский, малайский и лаосский как целевые языки семейства. По данным карточки, при дообучении использовались открытые наборы Aya Dataset, Aya Collection и OpenOrca. Лицензия — Apache-2.0. Качество может различаться между языками и задачами; карточка не приводит конкретных ограничений или численных результатов для этой версии.

Модель HiTZ/stt_eu_conformer_transducer_large_v2 разработана HiTZ Basque Center for Language Technology и лабораторией Aholab Signal Processing Laboratory Университета Страны Басков. Это система автоматического распознавания речи на основе архитектуры Conformer-Transducer с примерно 119 млн параметров, дообученная от испанской модели stt_es_conformer_transducer_large с использованием NVIDIA NeMo. Модель принимает монофонические WAV-записи с частотой дискретизации 16 кГц и возвращает распознанную речь в виде текста. Она предназначена для транскрибации баскской речи; обучение проводилось на составном корпусе объёмом 771,73 часа, включающем Common Voice 18.0, записи парламента Басков, OpenSLR и программы EITB. Текст выдаётся строчными буквами. В тестах с жадным декодированием указаны значения WER от 2,50% на тестовой части Common Voice 18.0 до 11,87% на OpenSLR. Точность может снижаться на технической лексике, непривычной разговорной речи и речи с акцентом. Лицензия — Apache 2.0.

TEA-ASR-1.1 — модель распознавания речи, разработанная участниками проекта TEA-ASR для тайваньского варианта мандаринского китайского. Она преобразует повседневную речь в текст на традиционном китайском с лексикой, характерной для Тайваня, и рассчитана на переключение между китайским и английским в одной записи. Модель дообучена на основе Qwen3-ASR и выпущена как единый чекпойнт, совместимый по загрузке и запуску с Qwen3-ASR; в метаданных указан класс архитектуры Qwen3ASRForConditionalGeneration и размер базовой модели 1,7 млрд параметров. Модель предназначена для транскрибации разговоров, лекций и других аудиозаписей, в том числе с частым смешением китайского и английского. Авторы сообщают об улучшении результатов относительно предыдущей версии на публичных тестах, включая наборы для переключения языков. В README также упоминаются более крупная флагманская версия и отдельный вариант с управляемым форматированием чисел. Модель распространяется по лицензии MIT.

Telugu LLaMA 7B Instruct v0.1 — диалоговая языковая модель Абхинанда Балакришнана для генерации текста и следования инструкциям на телугу и английском языках. Это плотная авторегрессионная модель семейства LLaMA примерно с 6,7 млрд параметров и контекстом до 4096 токенов. В карточке указано, что модель дообучена на около 500 тысячах примеров на телугу и английском в равных долях; словарь расширен примерно на 16 тысяч токенов для телугу. Предусмотрен формат диалога ChatML. Модель подходит для ответов на вопросы, диалогов и других задач генерации текста на телугу и английском, а также может служить основой для дальнейшего дообучения. Автор сообщает о готовности к инференсу и приводит результаты бенчмарков, однако отмечает возможные расхождения с другими оценками. Модель не прошла фильтрацию вредного или оскорбительного контента, поэтому ответы требуют проверки. Метаданные Hugging Face указывают лицензию Llama 2, тогда как README заявляет GNU GPL v3.0; лицензионные условия следует уточнить перед использованием.

Teochew Whisper Medium — модель распознавания речи, созданная дообучением Whisper medium для чаошаньского языка (潮州话), относящегося к группе миньнаньских языков и распространённого на юге Китая. Модель использует архитектуру Whisper и содержит 455,8 млн параметров. Модель предназначена для преобразования речи на чаошаньском языке в текст. Для дообучения использовано около 35 часов аудиозаписей из фильмов, телепередач и комедийных шоу на этом языке. На закрытом тестовом наборе указана частота ошибок слов (WER) 0,31 для отчётливой речи и 0,68 для разговорной речи. Модель принимает аудио и выдаёт текст. Она обучалась на коротких фрагментах и может хуже распознавать аудио длительностью более 10 секунд. Лицензия — MIT.

Typhoon Whisper Turbo — модель автоматического распознавания речи на тайском языке, разработанная командой Typhoon и SCB 10X. Она дообучена на архитектуре OpenAI Whisper Large v3 Turbo и содержит 905,2 млн параметров. В карточке указаны четыре слоя декодера против 32 у Whisper Large v3 и обучение примерно на 11 000 часах тайской речи из GigaSpeech2, Common Voice и курируемых публичных медиаматериалов. Модель предназначена для офлайн-транскрибации тайской речи. Нормализация обучающих данных нацелена на обработку чисел, маркеров повторов и неоднозначностей, зависящих от контекста. В README сообщается о конкурентном качестве на наборах GigaSpeech2, TVSpeech и Google Fleurs, а также о меньших задержке и требованиях к памяти по сравнению со стандартными моделями Whisper; конкретные численные результаты не приведены. Модель принимает аудио и выдаёт текст. Она оптимизирована для тайского языка, а качество может снижаться на диалектах и акцентах, недостаточно представленных в обучающих данных. README рекомендует её прежде всего для офлайн-распознавания, а не потоковой транскрибации. Лицензия — MIT; в карточке также упоминаются условия использования OpenTyphoon.

UCCIX-Llama2-13B — двуязычная большая языковая модель для ирландского и английского языков, разработанная ReliableAI. Это плотная авторегрессионная модель семейства Llama 2 с 12,9 млрд параметров, расширенным словарём для ирландских токенов и продолженным предобучением на корпусе примерно из 520 млн ирландских токенов. Контекст составляет до 4096 токенов. Модель предназначена для генерации текста и работы с задачами на ирландском и английском языках, включая сценарии, где важно лучшее владение ирландским языком. Она распространяется в формате Safetensors по лицензии Apache 2.0. В карточке также указана отдельная версия с настройкой по инструкциям. У модели пока нет механизмов модерации, поэтому её ответы могут не соблюдать ограничения на содержание. Заявленное преимущество на задачах ирландского языка приведено в карточке модели; независимые результаты оценки в предоставленных материалах не описаны.

ayameRushia/wav2vec2-large-xls-r-300m-el — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на греческой части Common Voice 8.0. Это плотная модель семейства wav2vec2 с архитектурой Wav2Vec2ForCTC, содержащая 402,7 млн параметров и работающая с аудиовходом. Модель предназначена для преобразования греческой речи в текст, в том числе для расшифровки записей, похожих на примеры из Common Voice. В README указана WER 31,1294% без языковой модели и 20,7340% с языковой моделью, а CER — 7,9509% и 6,0466% соответственно; для оценки использовался тестовый набор Common Voice 8.0. Модель распространяется под лицензией Apache-2.0.

DrishtiSharma/wav2vec2-large-xls-r-300m-pa-IN-dx1 — модель распознавания речи на архитектуре wav2vec2, дообученная на базе facebook/wav2vec2-xls-r-300m на наборе Mozilla Common Voice 8.0 для пенджабского языка, региональный вариант pa-IN. Она преобразует аудио в текст и предназначена для автоматической транскрибации пенджабской речи. В метаданных указано 402,7 млн параметров; модель использует PyTorch и формат весов PyTorch. На тестовой выборке Common Voice 8.0 автор сообщает WER 0,4755 и loss 1,0855. Лицензия — Apache-2.0.

CuongLD разработал wav2vec2-large-xlsr-vietnamese — модель распознавания вьетнамской речи, дообученную на базе facebook/wav2vec2-large-xlsr-53. Это акустическая модель Wav2Vec2 с выходной CTC-головой; размер модели составляет 402,7 млн параметров. Модель преобразует аудиозаписи речи в текст и подходит, например, для расшифровки голосовых сообщений и записей. В обучении использовались Common Voice и Infore_25h; для входного аудио требуется частота дискретизации 16 кГц. В карточке приведён результат оценки 58,63% на тестовых данных Common Voice, но метрика не уточнена. Модель рассчитана на вьетнамский язык. Репозиторий содержит веса PyTorch и Flax. Лицензия — Apache-2.0.

Whisper Kannada Medium — модель автоматического распознавания речи на основе Whisper Medium, дообученная на каннада-комплектах данных из нескольких общедоступных ASR-корпусов. Разработчик дообучил её в рамках спринта по адаптации Whisper; архитектура — WhisperForConditionalGeneration, размер — 455,8 млн параметров. Модель предназначена для преобразования речи на каннада в текст. В обучении использованы корпуса IISc-MILE, ULCA, Shrutilipi и обучающая и валидационная части Google Fleurs; для оценки указаны тестовая часть Google Fleurs, IISc-MILE Test и OpenSLR. Доступны веса PyTorch и Flax. Модель распространяется по лицензии Apache-2.0. Карточка не приводит численных результатов качества, поэтому пригодность для конкретного аудио следует проверять на соответствующих данных.

byoussef/whisper-large-v2-Ko — дообученная модель распознавания речи на основе openai/whisper-large-v2, опубликованная в формате PyTorch и Safetensors. Она предназначена для преобразования корейской речи в текст. В метаданных указан набор данных Bingsu/zeroth-korean; в README приведён результат WER 2,9 на оценочной выборке, но методика оценки не описана. Модель содержит 905,2 млн параметров и использует архитектуру WhisperForConditionalGeneration. Базовая модель поддерживает транскрибацию аудио и перевод речи; эта версия специализируется на корейском языке. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает ограничения, условия записи аудио или качество на других наборах данных.

Whisper Large Punjabi — модель распознавания речи, созданная Drishti Sharma дообучением openai/whisper-large-v2 на наборе Common Voice 11.0. Она преобразует речь на панджаби в текст и подходит для транскрибирования записей и аудио с речью. Модель использует архитектуру Whisper Large v2, содержит около 905,2 млн параметров и распространяется в формате PyTorch. В карточке приведён результат оценки на тестовой выборке: WER 19,7125 и loss 0,2846. Модель ориентирована на панджаби; лицензия — Apache-2.0. README не описывает ограничения и условия оценки подробнее, поэтому результат может не отражать качество на иных аудиоданных.

mohammadjavadnasri/whisper-large-v3-farsi-cv17 — дообученная модель распознавания речи на основе openai/whisper-large-v3, обученная на наборе Common Voice 17.0. Она принимает аудио и преобразует речь в текст; модель содержит 905,2 млн параметров и использует архитектуру WhisperForConditionalGeneration. В оценке на тестовом наборе указаны WER 23,4723 и орфографический WER 27,5624. Модель предназначена прежде всего для транскрибации речи на фарси. Это вариант мультиязычной Whisper large-v3, однако карточка сообщает о дообучении на Common Voice 17.0, а не о проверке качества для других языков. Доступна в формате safetensors для Transformers. Лицензия — Apache-2.0.

Модель himalaya-ai/whisper-large-v3-turbo — дообученная для распознавания непальской речи версия Whisper large-v3-turbo от OpenAI. Она принимает аудио и преобразует речь в текст; модель построена на архитектуре WhisperForConditionalGeneration, содержит 905,2 млн параметров и распространяется в формате safetensors. Для обучения использован набор lilgoose7777/slr-combined-nepali-tts2. В тестировании указаны WER 15,44% и CER 10,01%. Обучающие данные состоят из чистых студийных записей одного диктора, поэтому точность может снижаться на шумных записях, речи нескольких людей и при сильных акцентах. Лицензия — Apache-2.0.

Whisper Large v3 Turbo Uzbek v1 — R. Nematov (Lynx) разработал эту модель на базе openai/whisper-large-v3-turbo для преобразования узбекской речи в текст. Это дообученная и дополнительно настроенная версия Whisper с 905,2 млн параметров, предназначенная для распознавания узбекской речи, включая региональные диалекты и акценты. В README указано, что модель адаптирована к узбекскому алфавиту, вариантам апострофа и распространённым разговорным выражениям, чтобы уменьшить смешение с близкими языками. Модель принимает аудио и выдаёт текст. Автор заявляет высокую скорость распознавания и хорошее качество на чистой литературной и дикторской речи, но это оценка из карточки, без описания независимого тестирования. Указаны данные DavronSherbaev/uzbekvoice-filtered и отобранные узбекские аудиозаписи. Модель опубликована в формате safetensors под лицензией Apache-2.0, разрешающей коммерческое и некоммерческое использование.