I.6Перевод и языковая адаптация

Whisper-SAM — модель распознавания речи на амхарском языке, разработанная Nekodimos на основе Whisper Small от OpenAI. Она дообучена примерно на 210 часах амхарской речи и использует собственный символьный токенизатор: один амхарский знак соответствует одному токену. Это сокращает расход текстового контекста декодера и число токенов для генерации по сравнению с побайтовой токенизацией, что, по описанию автора, помогает избежать артефактов UTF-8 и улучшает эффективность распознавания. Модель принимает аудио и выдаёт транскрипцию текстом; стандартный аудиофрагмент Whisper составляет 30 секунд, а текстовый контекст декодера — до 448 токенов. Вывод временных меток не поддерживается, поскольку соответствующие токены исключены из токенизатора. Модель распространяется по лицензии Apache-2.0.

HamoonFm/whisper-small-fa — дообученная версия мультиязычной модели Whisper Small от OpenAI для автоматического распознавания речи. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 153,1 млн параметров и принимает аудио, выдавая текстовую транскрипцию. Суффикс «fa» в названии указывает на ориентацию на персидскую речь, однако README не уточняет языки и данные дообучения. В карточке приведены результаты оценки: loss 0,2648 и WER 0,3085. Модель распространяется в формате safetensors по лицензии Apache-2.0. README не описывает ограничения и рекомендуемые сценарии применения; качество распознавания следует проверять на аудио целевого домена.

litus-ai/whisper-small-ita — версия Whisper Small, разработанная Litus AI и дообученная для итальянской речи на части собственных данных компании. Модель предназначена для автоматического распознавания речи и рассчитана на сценарии с ограниченным вычислительным бюджетом, где важна точность транскрипции. Архитектура — WhisperForConditionalGeneration, число параметров — 153,1 млн; модель работает с аудио и выдаёт текст. Помимо слов, транскрипция может включать специальные маркеры смеха, междометий, вздохов, шума, неразборчивой речи, самоисправлений и переключения на английский. Карточка приводит сравнение с другими моделями на внутренних тестах для итальянских совещаний и телефонных звонков, но не содержит численных результатов. Модель доступна по лицензии Apache-2.0.

seastar105/whisper-small-komixv2 — дообученная модель распознавания речи на базе OpenAI Whisper Small. Разработчик сообщает, что обучал её на корейских аудиоданных: записях адресов, совещаний, телефонных разговоров низкого качества и диалогах из вещательного контента. В метаданных указаны архитектура WhisperForConditionalGeneration, 153,1 млн параметров и библиотека Transformers; веса доступны в форматах Flax и Safetensors. Модель предназначена для транскрибирования корейской речи, в том числе телефонных звонков, совещаний и разговорного аудио. В README приведены результаты тестирования на нескольких корейских наборах данных; автор утверждает, что среднее качество на его тестовом наборе выше, чем у Whisper Large v3. Лицензия и точные условия использования в предоставленных сведениях не указаны.

Whisper Small Shona ASR — модель распознавания речи на базе архитектуры Whisper, представленная в репозитории Code-Dev/whisper-small-shona-v3. Она предназначена для преобразования аудиозаписей на шона в текст; в карточке указана оптимизация для языка шона и этапы дообучения на FLEURS и фрагментах Библии. Для последнего этапа README сообщает WER 25,52%, а метаданные указывают класс WhisperForConditionalGeneration и формат safetensors. Модель принимает аудио и выдаёт текст. Лицензия и размер модели в доступных данных не приведены.

Zyroxx66/whisper-small-somali — дообученная модель распознавания речи на основе архитектуры Whisper, опубликованная пользователем Zyroxx66. Она предназначена для преобразования сомалийской речи в текст. В README приведены результаты оценки: loss 0,1304 и WER 9,8739; сведения о наборе данных и условиях оценки отсутствуют. Модель распространяется в формате safetensors и рассчитана на работу через Transformers.

biodatlab/whisper-th-large-v3-combined — модель распознавания речи на тайском языке, разработанная BioDataLab как дообучение OpenAI Whisper large-v3. Это плотная архитектура WhisperForConditionalGeneration с 905,2 млн параметров, предназначенная для преобразования тайской речи в текст. Модель можно применять для транскрибирования аудио на тайском языке; в карточке указаны датасеты Common Voice 13.0, Fleurs и отобранные наборы данных, а для Common Voice 13 на тесте приведён WER 6,59 с токенизатором Deepcut. Модель принимает аудио и выдаёт текст. Она распространяется по лицензии Apache-2.0. В README подробно не описаны ограничения, условия оценки и состав отобранных данных; приведённый результат относится к указанному тесту и токенизатору.

XTTS-v1 — модель синтеза речи и клонирования голоса, разработанная Coqui на основе Tortoise. Она создаёт речь на разных языках по тексту и может воспроизводить голос по короткому аудиофрагменту длительностью около 6 секунд, в том числе переносить голос между языками. Модель поддерживает 14 языков: английский, испанский, французский, немецкий, итальянский, португальский, польский, турецкий, русский, нидерландский, чешский, арабский, китайский и японский. XTTS-v1 поддерживает перенос эмоций и стиля по голосовому образцу, а также потоковый вывод. Частота дискретизации синтезированной речи составляет 24 кГц. Репозиторий содержит модель в формате PyTorch; карточка отмечает лицензию как other, но не приводит её конкретные условия.

Это дообученная модель Coqui XTTS-v2 от samuelolubukun для синтеза разговорной речи на йоруба. Она создана как второй этап адаптации базовой модели samuelolubukun/xtts-v2-yoruba-openbible на йорубском разделе Nigerian Common Voice, чтобы сделать темп и интонацию менее похожими на чтение религиозных текстов и ближе к повседневной речи. Модель основана на авторегрессионной архитектуре XTTS-v2 с GPT-текстовым и мел-спектральным кодированием и вокодером на дискретном VAE; в карточке указано 521,8 млн параметров. Токенизатор расширен для йоруба и использует метку языка [yo]. Модель принимает текст и генерирует аудио; XTTS-v2 также поддерживает клонирование голоса по короткому аудиофрагменту. Для лучшего произношения в тексте важны тоновые знаки и подточечные буквы йоруба. Подходит для разговорного озвучивания фраз и диалогов на йоруба, включая вопросы и сложные предложения. Карточка сообщает об улучшении темпа и тональной выразительности на тестовых примерах, но качество может зависеть от написания диакритики и акустического качества образца для клонирования. Модель наследует Coqui Public Model License / MRCUL; для клонирования узнаваемого голоса следует получить согласие его владельца.

AceGPT-v2-32B-Chat — диалоговая языковая модель семейства AceGPT, разработанная исследователями KAUST, CUHKSZ, SRIBD и King Abdulaziz University. Это полностью дообученная генеративная модель на архитектуре Llama, основанная на Qwen1.5-32B и содержащая 31,7 млрд параметров. Модель принимает текст и генерирует текст. Вариант Chat оптимизирован для диалоговых сценариев; семейство AceGPT ориентировано прежде всего на арабский язык, а карточка также указывает поддержку английского и китайского. Контекст составляет до 32 768 токенов. В README приведены результаты тестирования на арабских, английских и китайских бенчмарках. Модель подходит для арабоязычного диалога, ответов на вопросы и генерации текста. Карточка содержит лишь фрагменты таблиц оценки, поэтому по ней нельзя судить о качестве именно версии 32B во всех задачах. Лицензия — Apache-2.0.

AfriqueQwen3.5-4B — базовая причинная языковая модель из семейства AfriqueLLM, разработанная для поддержки африканских языков на основе Qwen/Qwen3.5-4B-Base. Модель продолжительно предобучена примерно на 26 млрд токенов многоязычных данных; размер — 4 млрд параметров, родная длина контекста — 32 768 токенов. Доступна в формате Safetensors и рассчитана на работу через Transformers. Модель предназначена для генерации текста и диалоговых сценариев на африканских языках, сохраняя возможности для английского, французского, португальского и арабского. В обучающие данные также включены материалы по программированию и математике. Её можно использовать как основу для многоязычных приложений, адаптации под конкретные задачи и дальнейших экспериментов; README описывает её как базовую предобученную модель, а не как готовую инструкционную систему. Лицензия — CC BY 4.0. README сообщает о поддержке 20 африканских языков, но таблица с их перечнем предоставлена не полностью, поэтому полный список нельзя восстановить по имеющимся данным. Метаданные также помечают архитектуру как мультимодальную Qwen3.5, однако указанная задача и описание обучения сосредоточены на генерации текста; применение зрения в этой карточке не раскрыто.

Карточка модели mirlab/AkaLlama-llama3-70b-v0.1 на Hugging Face совпадает с карточкой snupilab/AkaLlama-llama3-70b-v0.1, поэтому описание составлено по ней. AkaLlama-llama3-70b-v0.1 — языковая модель Yonsei MIRLab для генерации текста и диалогового общения на корейском и английском языках. Это плотная авторегрессионная модель семейства Llama 3 с архитектурой LlamaForCausalLM и 69,5 млрд параметров; она дообучена на смеси общедоступных наборов данных, отобранных лабораторией MIR Lab, на основе meta-llama/Meta-Llama-3-70B-Instruct. Модель предназначена для практических задач, включая ответы на вопросы, диалоги, создание историй и редактирование текстов. Веса доступны в формате Safetensors для Transformers, контекст — до 8192 токенов. Карточка приводит результаты оценки на LogicKor: средняя оценка 7,04 по трём случайным сида́м. Разработчики предупреждают, что ответы могут быть неточными, предвзятыми или плохо согласованными с запросом; качество зависит от системного промпта и параметров генерации, поэтому модель требует проверки для конкретного применения. В метаданных указана лицензия other, а карточка README называет лицензию llama3.

Beetle-FineWeb/beetle-bilingual-l2-50-simultaneous-b2-fineweb-nld-eng — двуязычная авторегрессионная языковая модель из проекта Beetle-FineWeb, созданного для изучения усвоения второго языка и переноса между языками. По названию это модель с нидерландским как L1 и английским как L2, обученная по сценарию B2: сначала только на L1, затем с плавным переходом к смеси 50:50 примерно в середине обучения; доля токенов L2 составляет около 25%. Семейство использует плотный декодер PicoDecoder на базе LLaMA-подобной архитектуры, BPE-токенизатор с общим словарём 50 тыс. токенов и контекст длиной 512 токенов. Стандартный размер PicoDecoder в описании проекта — 125 млн параметров, но в поисковой выдаче репозиторий этой модели обозначен как 0,2 млрд. Модель предназначена для генерации и продолжения текста на нидерландском и английском, а также для исследовательского изучения динамики двуязычного обучения и межъязыкового переноса. Выпущена в формате safetensors и доступна через Transformers. Проект указывает лицензию Apache-2.0. Оценка качества для конкретных пользовательских задач и ограничения в карточке модели не обнаружены.

BELLE-7B-1M — языковая модель семейства BLOOM, разработанная BELLE Group и дообученная на базе BigScience/bloomz-7b1-mt. Для instruction tuning использованы 1 млн китайских примеров и 50 тыс. англоязычных примеров Stanford-Alpaca; модель генерирует ответы на инструкции и поддерживает многоходовый диалог при передаче предыдущих реплик в заданном формате. В карточке указано окно контекста 2048 токенов и загрузка через AutoModelForCausalLM. Модель подходит для ответов на вопросы, перевода, классификации тональности и создания текстов, особенно на китайском языке. Также поддерживается английский. Лицензия репозитория — Apache-2.0, однако авторы отдельно ограничивают использование модели исследовательскими целями и запрещают коммерческое и потенциально вредоносное применение. Модель может допускать фактические ошибки и генерировать вредные ответы; её способности к рассуждению и программированию ограничены.

CAT-Translate Learner Edition 0.8b — дообученная модель семейства Llama, созданная автором репозитория на основе cyberagent/CAT-Translate-0.8b. Она переводит японские предложения на английский и возвращает результат в структурированном JSON: исходное предложение, перевод, фуригану для чтения кандзи и разбор отдельных слов с чтением и переводом. Модель рассчитана на изучающих японский язык и использует чатовый формат; размер — 661,9 млн параметров, контекст — до 8192 токенов. Для обучения применён курируемый корпус предложений с фуриганой, переводами и словарными пояснениями; также заменён токенизатор базовой модели на многосимвольный Unigram-токенизатор. Доступны веса bfloat16 в формате safetensors. Лицензия — Apache-2.0. Карточка описывает назначение и формат ответа, но не приводит количественных оценок качества перевода.

CAT-Translate Learner Edition 1.4b — дообученная модель на базе cyberagent/CAT-Translate-1.4b для перевода с японского на английский с поддержкой изучающих язык. Для японского предложения она формирует структурированный JSON с исходной фразой, чтением кандзи фуриганой, английским переводом и словарными пояснениями к лексике. Модель использует плотную архитектуру Llama с 1,2 млрд параметров и контекстом до 8192 токенов. В репозитории доступны веса safetensors в bf16, а также вариант GPTQ 4-bit в формате compressed-tensors; для корректной токенизации используется исправленный Unigram-токенизатор. Модель предназначена для учебной работы с японскими предложениями и выдаёт текст с разметкой в формате JSON. Модель опубликована под лицензией Apache-2.0. В README приведены оценки NLL на отложенной выборке, но они не характеризуют точность перевода; результаты могут зависеть от соблюдения ожидаемого формата запроса. При повторном обучении автор рекомендует заново применить исправление токенизатора.

ChunkFormer-RNNT-Large-Vie — крупная модель автоматического распознавания речи на вьетнамском языке, основанная на архитектуре ChunkFormer и разработанная на базе реализации, представленной на ICASSP 2025. В README указано, что модель дообучена примерно на 5000 часах публичных вьетнамских аудиоданных из разных наборов. Число параметров составляет 113 млн; формат файлов — PyTorch. Модель предназначена для преобразования вьетнамской речи в текст, включая транскрибацию аудиозаписей и распознавание речи в приложениях. В README приведены результаты WER на Vivos, Common Voice и двух заданиях VLSP 2020; перед сравнением применялась нормализация текста. Модель доступна по лицензии CC BY 4.0. Для использования предлагается библиотека chunkformer.

efwkjn/cohere-asr-ja — дообученная японская модель распознавания речи на основе Cohere Transcribe, ориентированная на обычную речь и аниме-контент. Она принимает аудио и генерирует текстовую транскрипцию; в обучении использовались аудиофрагменты длительностью до 35 секунд, в среднем около 25 секунд. Автор сообщает о дообучении декодера при замороженном энкодере и настройке гиперпараметров в версии v0.1, которая улучшила CER на приведённых тестовых наборах по сравнению с исходной моделью. Результаты различаются между наборами и жанрами: например, для теста Nekopara CER остаётся заметно выше, чем для Fleurs или JSUT. Модель предназначена прежде всего для японской речи, включая диалоги из аниме и визуальных новелл. Основа содержит 2 млрд параметров по описанию базовой модели в метаданных. Сведения о лицензии в предоставленных данных отсутствуют.

Модель oddadmix/cohere-transcribe-arabic-07-2026-dialectal — полное дообучение модели CohereLabs/cohere-transcribe-arabic-07-2026, разработанное автором репозитория для распознавания арабской речи разных диалектов. Это ASR-модель на архитектуре Cohere ASR Conformer encoder-decoder с 2,07 млрд параметров, доступная в формате safetensors и рассчитанная на работу через Transformers. Она преобразует аудио в арабский текст без диакритических знаков; обучающие данные охватывают левантийский, магрибский, египетский, заливный, суданский и иракский диалекты, а также литературный арабский. Для пользовательского теста из 932 клипов автор сообщает WER 0,357 и CER 0,137 против WER 0,457 у базовой модели в режиме zero-shot. Эти результаты могут быть завышены из-за возможного пересечения исходных записей между обучающей и тестовой выборками. Модель предназначена для транскрибации арабской речи, включая записи с шумом, музыкой, изменением скорости, реверберацией и артефактами кодека. Она работает с отдельными аудиофрагментами длительностью до 30 секунд, не поддерживает потоковое распознавание; автор также отмечает, что пакетная генерация с padding может заметно ухудшать результат. Качество зависит от диалекта: магрибская речь распознаётся сложнее, а покрытие реальных условий требует отдельной проверки. Репозиторий распространяется по лицензии Apache-2.0; README характеризует модель как частную/внутреннюю и рекомендует оценивать её на собственных данных перед производственным применением.

DarkIdol-Qwen3.8-27B-v1.1-i1-GGUF — квантизированная GGUF-версия модели DarkIdol-Qwen3.8-27B-v1.1, разработанная aifeifei798 и квантизированная mradermacher. Модель основана на Qwen3.8 с размером 27 млрд параметров и предназначена для генерации текста, диалогов, ролевых сценариев, творческого письма, сторителлинга и задач, требующих рассуждений. README также обозначает поддержку мультимодальности и зрения, однако подробности реализации визуального ввода не указаны. Заявлена поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского, тайского, китайского, корейского и японского языков. Модель поставляется в виде набора квантизаций с различными компромиссами между размером, скоростью и качеством: от i1-Q2_K размером около 11 ГБ до i1-Q6_K размером около 22,5 ГБ. В README рекомендуется i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S описывается как сбалансированный по размеру, скорости и качеству. Для работы с изображениями могут потребоваться отдельные mmproj-файлы из статического репозитория. Размер контекста и точные характеристики архитектуры не указаны. Сильными сторонами модели являются ориентация на ролевые и творческие диалоги, многоязычность, наличие вариантов для запуска на оборудовании с разным объёмом памяти и потенциальная поддержка зрения. Ограничения связаны с потерями качества, зависящими от выбранной квантизации, а также с отсутствием в README результатов бенчмарков, сведений о датасете, точного контекстного окна и подробных инструкций по мультимодальному использованию. Модель распространяется по лицензии Apache-2.0.

KonradBRG/deberta-v3-base-figurative — дообученная модель Microsoft DeBERTa-v3-base для классификации образных выражений в тексте. Она относит текстовые примеры к категориям буквального выражения, идиомы, метафоры и сравнения; набор меток следует из приведённых в карточке отдельных оценок для этих категорий. Модель построена на архитектуре DeBERTa-v2 и содержит 211,6 млн параметров. Она принимает текст, поддерживает контекст до 512 токенов и выдаёт метки классификации. В README на оценочном наборе указаны Macro F1 0,8727, F1 для буквальных выражений 0,8941, идиом 0,9697, метафор 0,7290 и сравнений 0,8980; данные обучения в карточке не раскрыты. Лицензия — MIT.

Floppa-12B-Gemma3-Uncensored-i1-GGUF — квантизированная версия модели Ryex/Floppa-12B-Gemma3-Uncensored, подготовленная mradermacher в формате GGUF с использованием imatrix-квантизации. Модель основана на Gemma 3 и имеет размер около 12 млрд параметров. В карточке указаны мультимодальность и поддержка работы с изображениями, а также языковая поддержка английского, японского и других многоязычных сценариев. Модель предназначена для генерации и обработки текста, мультимодальных задач, перевода и сценариев, связанных с аниме. Пометка uncensored указывает на менее ограниченное поведение по сравнению с моделями, ориентированными на усиленную модерацию, однако конкретные характеристики безопасности и качество ответов в README не описаны. Контекстное окно, архитектурные детали Gemma 3 и результаты тестирования не указаны. Репозиторий предоставляет множество вариантов квантизации размером примерно от 3,0 до 9,8 ГБ. Это позволяет выбирать между требованиями к памяти, скоростью и качеством; в README рекомендован вариант i1-Q4_K_M, а i1-Q4_K_S описан как оптимальный по соотношению размера, скорости и качества. При сильной квантизации качество может снижаться. Для работы с изображениями могут потребоваться дополнительные mmproj-файлы из статического репозитория. Лицензия указана как Gemma.

GemMaroc-27B — модель Abderrahman Skiredj, созданная дообучением Gemma 3 для диалогов и генерации текста на марокканском арабском (Darija). Это плотный decoder-only Transformer на базе google/gemma-3-27b-it; LoRA-обучение проводилось на наборе из 50 тысяч инструкций TULU, после чего адаптер объединили с базовыми весами. Модель поддерживает арабский и английский языки и рассчитана прежде всего на Darija, сохраняя способности базовой модели к рассуждению и межъязыковому взаимодействию. Подходит для диалоговых помощников, ответов на вопросы и генерации текстов на Darija, а также для сценариев, где требуется переключение между Darija и английским. Контекст обучения составлял 2048 токенов. Репозиторий содержит веса safetensors; для базовой Gemma 3 предусмотрена обработка изображений, однако карточка GemMaroc описывает дообучение и заявленные возможности преимущественно для текста. Лицензия в предоставленных данных не указана. По README, модель слабее передовых систем в анализе тональности и абстрактивном суммировании, редкие написания Darija могут дробиться токенизатором, а отсутствие RLHF/RLAIF означает необходимость отдельного слоя модерации при использовании в производстве.

Это квантизированная GGUF-версия модели Gemma 3n E2B it, разработанной Google и подготовленной пользователем bartowski с использованием llama.cpp. Модель предназначена для генерации текста, а также сценариев, связанных с автоматическим распознаванием речи, автоматическим переводом речи и преобразованием аудио или видео в текст. Она рассчитана на запуск через llama.cpp, LM Studio и другие совместимые проекты. В README указано, что доступны варианты квантизации от Q2 до Q8 с размером файлов примерно от 2,21 до 4,79 ГБ. Более высокие уровни квантизации обычно обеспечивают лучшее качество, тогда как компактные варианты подходят для систем с ограниченным объёмом оперативной памяти. Точные сведения об архитектуре, поддерживаемых языках, модальностях, длине контекста и аппаратных требованиях в представленном README не указаны, хотя теги указывают на поддержку аудио- и видеосценариев исходной модели. Основные преимущества версии — возможность локального запуска, выбор между несколькими уровнями качества и совместимость с экосистемой llama.cpp. Ограничения включают потери качества, зависящие от выбранной квантизации, а также отсутствие в README точного описания возможностей и корректного chat template; автор предупреждает, что шаблон по умолчанию может быть неправильным. Для использования требуется соблюдение лицензии Gemma и, при работе через Hugging Face, подтверждение условий доступа.

Hayai OCR v2.1 — компактная модель оптического распознавания текста от JustANormalTinkerer. Она предназначена для транскрибирования текста на изображениях, особенно отдельных фрагментов и кадров манги. Модель читает текст разных начертаний и направлений за один проход, без отдельного этапа обнаружения текста; целые страницы для неё не подходят. Модель содержит около 150 млн параметров и сочетает визуальный энкодер SigLIP2 NaFlex с 12-слойным причинным трансформерным декодером. NaFlex сохраняет исходное соотношение сторон изображения. Совместное обучение на OCR-данных и текстовых корпусах помогает декодеру учитывать языковой контекст при распознавании похожих знаков. Поддерживаются японский, китайский, корейский и английский языки. По данным карточки, модель достигает высокой скорости распознавания и может работать примерно с 300 МБ видеопамяти в FP16; эти показатели зависят от оборудования и режима использования. Для загрузки используется библиотека Transformers, а формат весов — safetensors. Лицензия — Apache-2.0. Для пользовательского кода модели требуется включить trust_remote_code=True.

Hayai OCR v2.5 Nova — компактная модель распознавания текста на изображениях от JustANormalTinkerer. Она рассчитана на быструю транскрипцию отдельных фрагментов: реплик в комиксах и манге, строк текста и звуковых эффектов. Модель принимает изображения и сразу выдаёт распознанный текст, без отдельного этапа выделения строк текста. Модель содержит около 150 млн параметров. Визуальный энкодер SigLIP2 NaFlex сочетается с 12-слойным причинным трансформерным декодером; проектор DSC сжимает пространственные токены в четыре раза. Поддерживаются японский, китайский, корейский и английский языки, включая горизонтальный и вертикальный текст. Для обработки целой страницы README рекомендует сначала использовать детектор текста, а затем передавать модели отдельные фрагменты. Для загрузки пользовательского кода требуется trust_remote_code=True. Модель распространяется по лицензии Apache-2.0.

Hebrew-Gemma-11B-V2 — базовая предобученная генеративная языковая модель, разработанная Ямом Пелегом при сотрудничестве с Jonathan Rouach и Arjeo, Inc. Это обновлённая версия Hebrew-Gemma-11B: модель обучалась дольше и получила исправления ошибок. Она основана на архитектуре Google Gemma и содержит около 10 млрд параметров по метаданным; в README размер указан как 11 млрд. Модель создана продолжением предобучения Gemma-7B на дополнительных текстах на иврите и английском языке. Модель предназначена для генерации текста и широкого круга языковых задач, с особым акцентом на понимание и создание текстов на иврите. Метаданные указывают поддержку чата, контекст составляет до 8192 токенов. Это базовая, а не instruct-версия, поэтому для диалогового ассистента или следования инструкциям может потребоваться дополнительная настройка. В README отмечено отсутствие встроенных механизмов модерации. Использование регулируется исходной лицензией и условиями Google Gemma; метаданные Hugging Face обозначают лицензию как other.

Hohe ASR Amharic — модель распознавания речи, разработанная автором репозитория snapwre. Она преобразует аудио на амхарском языке в текст письмом геэз и предназначена для транскрибации записей, включая эфирные материалы, интервью, телефонные разговоры и речь с региональными диалектами. Модель использует архитектуру Wav2Vec2-BERT с CTC-декодированием, содержит 403,1 млн параметров и работает в библиотеке Transformers. В README сообщается об обучении на 880 часах амхарской речи и обработке аудиофрагментов длительностью до минуты; для лучших приведённых показателей применяется поставляемая 5-граммная языковая модель. На тестовом наборе с языковой моделью указаны 5,4% CER и 16,1% WER; для телефонного аудио — 5,7% CER и 16,9% WER. Модель быстрее Whisper сопоставимой точности, согласно README. Она рассчитана только на амхарский: спонтанная беседа распознаётся заметно хуже, числа записываются словами, пунктуация не выводится, а одновременная речь нескольких собеседников и аудио на других языках обрабатываются ненадёжно. Лицензия — CC BY 4.0.

Indic-gemma-7b-finetuned-sft-Navarasa-2.0 — текстовая модель, созданная в совместной работе Ravi Theja и Ramsri Goutham на основе Google Gemma 7B. Модель дообучена методом LoRA на наборах инструкций на 15 языках Индии и английском языке; в репозитории представлены веса в формате Safetensors. Она использует архитектуру GemmaForCausalLM, содержит 8,2 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста и выполнения инструкций на индийских языках и английском: например, для ответов на вопросы, диалогов и создания текстов по заданию. В README упоминается обучение с библиотекой Unsloth и возможность запуска через Hugging Face Transformers. Модель унаследовала общие возможности Gemma 7B и адаптирована к многоязычным инструкциям, однако README не приводит оценок качества по отдельным языкам или задачам. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели и у разработчиков.

JGOS-31B-Citizen-v2 — производная модель на базе инструкционно настроенной мультимодальной Gemma 4 31B-it от Google, дообученная для корейского языка. Она предназначена для диалогов и обработки изображений с ответами на естественном языке. Модель принимает текст и изображения и генерирует текст; карточка указывает поддержку корейского и английского языков. Весовые файлы представлены в формате safetensors, для работы используется библиотека Transformers. Лицензия — Apache-2.0.