I.6Перевод и языковая адаптация

Konan-LLM-OND — языковая модель компании Konan Technology Inc., дообученная на базе Qwen3-4B-Base для работы прежде всего на корейском языке. Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров и контекстом до 32 768 токенов; она поддерживается библиотекой Transformers версии 4.52.0 и выше. Разработчики расширили корейский словарь токенизатора, провели дополнительное предобучение на крупном корейском корпусе и настроили модель на наборе корейских инструкций. По данным карточки, расширенный словарь повышает эффективность токенизации корейского текста примерно на 30% относительно Qwen3. Модель предназначена для генерации текста и диалоговых сценариев на корейском, а также поддерживает английский язык. Модель распространяется по лицензии Apache-2.0. Карточка описывает результаты бенчмарков, однако числовые таблицы в доступном тексте опущены, поэтому по нему нельзя оценить качество на конкретных задачах; заявленная экономия токенов относится к корейскому вводу.

Leo Hessianai 13B Chat GGUF — это квантизированная версия чат-модели Leo Hessianai 13B Chat, разработанной LAION LeoLM и подготовленной в формате GGUF пользователем TheBloke. Модель предназначена для генерации текста и диалогового взаимодействия, включая локальный запуск через llama.cpp и совместимые графические интерфейсы и библиотеки. Среди возможных сценариев — ответы на вопросы, ведение диалогов, работа с немецкоязычными текстами и генерация художественного контента. Модель основана на архитектуре Llama и содержит 13 миллиардов параметров. Доступны варианты GGUF с квантованием от 2 до 8 бит, что позволяет выбирать компромисс между потреблением памяти, скоростью и качеством. Указаны английский и немецкий языки; при обучении использовались немецкоязычные наборы данных, включая OpenSchnabeltier, OASST-DE, Alpaca GPT-4 Deutsch, Evol-Instruct Deutsch, немецкие стихи и песни. Для диалогов предусмотрен шаблон ChatML. Модель поддерживается llama.cpp и рядом сторонних приложений для CPU и GPU-инференса. К сильным сторонам относятся специализация на немецком языке, наличие нескольких уровней квантования и возможность локального запуска на широком спектре аппаратных конфигураций. Ограничения включают потенциальную потерю качества в более агрессивно квантизированных вариантах, а также отсутствие в README сведений о размере контекста, мультимодальности, результатах оценки и точных требованиях к памяти. Модель распространяется по лицензии Llama 2.

Liujgoj-Cantonese-Gemma4-12b-CPT-Unified-GGUF — это квантизированная версия модели Liujgoj-Cantonese-Gemma4-12b-CPT-Unified, разработанной Yvthyvq и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для генерации текста, прежде всего на китайском языке и кантонском диалекте. Доступны варианты с разными уровнями квантования, что позволяет выбирать между размером файлов, скоростью работы и качеством. Размер исходной модели составляет 12 миллиардов параметров, однако архитектура и максимальная длина контекста в README не указаны. Модель ориентирована на текстовые сценарии и поддерживает мультимодальное дополнение mmproj, для которого доступны отдельные файлы, но конкретные возможности работы с изображениями не описаны. Среди вариантов GGUF есть Q2_K, Q3, Q4, Q5, Q6, Q8_0 и IQ4_XS; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант очень хорошего качества, а Q8_0 — как обеспечивающий наилучшее качество среди перечисленных. Более сильное сжатие уменьшает требования к памяти, но может снижать качество. Распространение указано под лицензией apache-2.0 с названием opencsg-community. README не содержит результатов тестирования, подробных сведений об обучении, точного перечня поддерживаемых языков помимо zh и yue, ограничений применения или требований к оборудованию.

Модель atsuki-yamaguchi/Llama-3.1-8B-Instruct-te-madlad-mean-tuned — языковая модель на архитектуре Llama, созданная на базе Meta Llama 3.1 8B Instruct для работы с телугу. Она прошла дополнительное предобучение на 500 млн токенов телугу из набора MADLAD-400; для языка добавлен целевой словарь объёмом 10 тысяч токенов, веса новых эмбеддингов и LM head инициализированы средним значением. Модель предназначена для генерации текста и диалоговых сценариев на телугу. Она содержит около 7,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. Репозиторий использует Transformers и формат safetensors; метаданные также отмечают интерфейс для вызова инструментов. Модель распространяется по лицензии Llama 3.1 Community License Agreement. Качество и надёжность ответов на телугу могут зависеть от конкретной задачи; отдельные результаты оценки в карточке не приведены.

Llama-3-Alpha-Ko-8B-Evo — языковая модель компании Allganize на архитектуре Llama 3 с 7,5 млрд параметров и контекстом до 8192 токенов. Авторы представляют её как базу для дальнейшей настройки под разные задачи и рекомендуют Alpha-Instruct для обычного диалога. Модель создана методом эволюционного слияния; в карточке также указана связь с Meta-Llama-3-8B. Модель предназначена для генерации текста на корейском и английском языках и может служить основой для адаптации под прикладные задачи. В README приведены результаты на корейских тестах LogicKor и KoBEST, однако они относятся к самооценке авторов. Репозиторий содержит веса Safetensors, а лицензия указана как other; конкретные условия использования следует уточнить у автора.

tokinasin/llm-jp-4-8b-thinking-uncensored-ara — японско-английская диалоговая языковая модель, полученная из llm-jp/llm-jp-4-8b-thinking с применением Arbitrary-Rank Ablation (ARA) для снижения частоты отказов. Базовая модель разработана Центром исследований и разработок больших языковых моделей Национального института информатики Японии; автор этого репозитория применил к ней процедуру «разцензурирования».

bartowski/magnum-32b-v1-GGUF — это набор квантизированных версий текстовой генеративной модели magnum-32b-v1, разработанной anth​​racite-org и преобразованной bartowski в формат GGUF для запуска с помощью llama.cpp и совместимых приложений, включая LM Studio. Модель предназначена для диалогов и генерации текста на английском и китайском языках; в README также указан специальный шаблон prompt для чата. Доступны варианты от BF16 размером 65,03 ГБ до высоко сжатых IQ2_M и Q2_K размером около 11–13 ГБ. Квантизация выполнена с использованием imatrix и калибровочного набора данных. Версии Q6_K_L, Q6_K, Q5 и Q4 заявлены как обеспечивающие высокое или хорошее качество при меньшем размере, тогда как варианты Q3 и Q2 экономят оперативную память, но заметно уступают по качеству. Сведения об архитектуре, числе параметров исходной модели и размере контекстного окна в README отсутствуют. Модель удобна для локального запуска при выборе подходящего уровня квантизации, однако требования к памяти зависят от конкретного файла и могут быть значительными. Лицензия указана как other с названием tongyi-qianwen; в качестве лицензионного документа приведена лицензия Qwen/Qwen2-72B-Instruct.

JustANormalTinkerer/manga-ocr-finetuned — дообученная модель распознавания текста в изображениях манги, созданная на основе jzhang533/manga-ocr-base-2025. Она предназначена для OCR английских переводов манги и звуковых эффектов; автор отмечает улучшенную поддержку этих текстов по сравнению с базовой моделью, хотя распознавание звуковых эффектов всё ещё работает плохо. Модель использует архитектуру vision-encoder-decoder и доступна в формате safetensors через Transformers. В README указано обучение на английских и японских фрагментах манги из открытых и частных наборов данных, включая около 6 тысяч современных англоязычных фрагментов, часть AnimeText и примерно 80 тысяч псевдоразмеченных фрагментов. Для старой версии дообученной модели приведён CER 26,25% на наборе оценки; это значение не подтверждено для текущего состояния модели. Лицензия и размер модели в предоставленных данных не указаны. Результаты на звуковых эффектах остаются слабыми; приведённая оценка относится к старой версии, поэтому её нельзя считать гарантией качества текущей модели.

MERaLiON-3-3B-ASR — модель распознавания речи с открытыми весами из семейства Speech-Text Large Language Models MERaLiON-3, разработанного институтом I2R агентства A*STAR в Сингапуре. Модель содержит около 2,1 млрд параметров по метаданным и предназначена для аудио на английском, китайском, малайском, тамильском, индонезийском, тайском и вьетнамском языках, а также на кантонском и хоккиенском диалектах. Она обучена распознавать естественное переключение между английским и языками региона Юго-Восточной Азии, включая синглиш. Модель принимает монофоническое аудио с частотой 16 кГц и выдаёт текстовую транскрипцию. По README, она дообучена для ASR на многоязычной смеси данных с акцентом на сингапурский английский, региональные диалекты и переключение языков. Авторы сообщают, что меньшая по размеру модель сопоставима с MERaLiON-2-10B-ASR или превосходит её на приведённых оценках; для самостоятельного размещения указана одна GPU с 80 ГБ памяти. Для запуска предлагаются пакет meralion-3-asr с бэкендом vLLM и бэкенд Transformers. Лицензия обозначена как other, конкретные условия следует проверять в карточке репозитория.

Muslim-6B-v3-i1-GGUF — это набор квантизированных GGUF-версий языковой модели Muslim-6B-v3, разработанной NightPrince и квантизированной mradermacher. Модель предназначена для генерации текста, включая сценарии на арабском и английском языках, а также задачи, связанные с исламской тематикой. В метаданных также заявлена поддержка tool-calling и наличие компонентов LoRA и PEFT в исходной модели. Модель относится к causal language models, построена на архитектуре Qwen3 и содержит около 6 миллиардов параметров. Представлены различные варианты квантизации i1, включая IQ1–IQ4, Q2–Q6 и другие форматы, с размером файлов примерно от 1,6 до 5 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве; в README рекомендован вариант i1-Q4_K_M как быстрый, а i1-Q4_K_S назван оптимальным по соотношению размера, скорости и качества. Контекстное окно, мультимодальные возможности и точные характеристики tool-calling не указаны. Модель подходит для локального запуска и генерации двуязычного текста, особенно в арабоязычных и исламских прикладных сценариях. Ограничения включают зависимость качества от выбранного уровня квантизации и отсутствие в предоставленных данных бенчмарков или подробного описания поведения модели. Распространение указано по лицензии Apache-2.0.

IndicWav2Vec Nepali — модель распознавания речи, созданная дообучением ai4bharat/indicwav2vec_v1_hindi для непальского языка в рамках сравнительного бенчмарка непальских ASR-моделей. Она построена на Wav2Vec 2.0 с CTC-декодированием и содержит 113,3 млн параметров по метаданным Hugging Face. Принимает аудио, подготовленное как монофоническое с частотой 16 кГц, и выдаёт текст на письме деванагари. Модель предназначена для транскрибирования непальской речи, в частности записанной и читаемой речи. На тесте OpenSLR SLR54 указаны WER 14,89% и CER 3,07%; на FLEURS (ne_np) — WER 40,68%, а на Common Voice ne-NP — 51,65%. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства в рамках некоммерческих условий. Обучение охватывало только читаемую речь. Модель не проверялась для спонтанных разговоров, смешения непальского с английским или хинди и диалектных вариантов; при декодировании внешний языковой модуль не используется. Качество на шумном аудио и пользовательских записях может быть ниже, чем на тестовых данных.

ihanif/pashto-asr-v3 — модель автоматического распознавания речи на пушту, созданная дообучением facebook/w2v-bert-2.0. Она принимает аудио и преобразует речь в текст; архитектура основана на Wav2Vec2-BERT, веса опубликованы в формате safetensors. В модели 402,7 млн параметров. В карточке приведены результаты оценки: Loss 0,1448 и WER 0,1396. Название модели указывает на распознавание пушту, однако README не описывает обучающий набор данных, условия оценки или ограничения качества. Модель распространяется по лицензии MIT.

QM-4B — плотная языковая модель семейства Qwen3, разработанная Богданом Тевуналаны и Али Берберовым на основе Qwen3-4B-Instruct-2507. Модель дообучена для поддержки карачаево-балкарского языка: расширен токенизатор, сначала обучались только эмбеддинги, затем — все слои модели. По метаданным, в репозитории 3,6 млрд параметров, используется библиотека Transformers и формат safetensors; длина контекста составляет 262 144 токена. Модель предназначена для генерации текста на карачаево-балкарском, русском и английском языках, а также на других языках базовой Qwen3. Её можно применять для продолжения текста и создания многоязычных текстовых ответов. Обучение проводилось на текстовом корпусе, а не на диалогах; модель может переключаться между языками, а для лучшего следования инструкциям авторы рекомендуют дополнительное обучение. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдать условия атрибуции и распространения производных материалов.

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.

Qwen3.5-9B-Uncensored — это неофициальная GGUF-сборка модели семейства Qwen, опубликованная пользователем LEONW24 и основанная на Qwen/Qwen3-8B и HauhauCS/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive. Модель предназначена для локального запуска в Ollama, llama.cpp и других средах, совместимых с GGUF, а также для генерации текста и анализа изображений в сценариях, где требуется локальная работа без подключения к облачным сервисам. Модель содержит около 9 млрд параметров и поставляется в формате GGUF с квантованием Q4_K_M; размер файла составляет примерно 6,3 ГБ. Заявленное контекстное окно — до 131 072 токенов. Поддерживаются английский, китайский и другие языки. Архитектура Qwen 3.5 предусматривает возможности работы с мультимодальными данными, включая изображения, однако фактическая поддержка зависит от используемого runtime и корректности конфигурации. Сборка исправляет проблемы исходной упаковки, мешавшие запуску через Ollama и мультимодальному выводу. К сильным сторонам относятся компактность, возможность эффективного CPU- и GPU-инференса, автономная работа и отсутствие встроенных ограничений, характерных для цензурированных версий. При этом статус «uncensored» означает сниженный уровень защитных фильтров, поэтому модель может генерировать небезопасный или нежелательный контент и требует ответственного применения. В README не приведены результаты бенчмарков, поэтому качество относительно других моделей оценить нельзя. Модель распространяется по лицензии Apache 2.0.

jaykwok/Qwen3-ASR-0.6B-JA-Anime-Galgame-hf — преобразованная для нативной загрузки через Hugging Face Transformers версия дообученной модели Qwen3-ASR-0.6B. Веса сохранены без изменений, а структура репозитория и ключи тензоров приведены к формату официального шаблона Qwen3-ASR. Модель предназначена для распознавания японской речи в аниме и галгеймах, включая транскрибацию аудио. Модель использует архитектуру Qwen3-ASR с аудиобашней и языковой моделью; файлы весов представлены в safetensors. Для нативной поддержки требуется Transformers версии 5.13.0 или новее. Репозиторий распространяется по лицензии Apache-2.0. README рекомендует оценить качество на собственных данных перед применением в production.

QwenCleo-ASR — модель распознавания речи, разработанная на базе Qwen3-ASR-1.7B и дообученная для египетского арабского диалекта и переключения между арабским и английским языками. Она принимает аудио и формирует текстовую транскрипцию; в смешанной речи старается сохранять английские технические термины латиницей. Модель поддерживает потоковую обработку токен за токеном через vLLM, а для файлов доступна оконная транскрипция. Модель предназначена для расшифровки египетской разговорной речи, подкастов и аудио с арабско-английским переключением языков. В карточке приведены результаты сравнения на тестовом наборе из 3 699 высказываний, однако заявленное преимущество относится к этому набору и нормализации и не гарантирует качество на других данных. На других арабских диалектах и шумном аудио с большого расстояния качество может снижаться; модель не оптимизирована для речи только на английском. Распространяется по лицензии Apache-2.0.

Sailor2-1B-Chat — чат-модель сообщества Sailor2 для генерации текста на языках Юго-Восточной Азии и других языках региона. Она основана на Sailor2-1B, дообученной версии Qwen2.5, и использует плотную архитектуру Qwen2. Объём модели составляет 851,8 млн параметров, формат весов — safetensors, длина контекста — 4096 токенов. Модель предназначена для диалогов и выполнения инструкций, включая специализированные сценарии и использование в спекулятивном декодировании. В проекте Sailor2 модели непрерывно предварительно обучались на 500 млрд токенов для поддержки 15 языков: английского, китайского, бирманского, себуанского, илоканского, индонезийского, яванского, кхмерского, лаосского, малайского, сунданского, тагальского, тайского, вьетнамского и варайского. Компактный размер упрощает применение при ограниченных вычислительных ресурсах, но возможностей модели может быть недостаточно для сложных задач по сравнению с более крупными вариантами Sailor2. Модель выпущена под лицензией Apache 2.0. Для загрузки автор рекомендует Transformers версии 4.46.3.

SambaLingo-Arabic-Base — базовая двуязычная языковая модель SambaNova Systems, дообученная на основе Llama 2 для работы с арабским и английским языками. Модель с архитектурой Llama 2 содержит 6,7 млрд параметров, обучалась на 63 млрд токенов арабской части Cultura-X; размер словаря токенизатора расширен с 32 000 до 57 000 токенов. Контекст составляет 4096 токенов. Модель предназначена для продолжения текста и генерации на арабском и английском, а также для задач перевода; для прямых ответов на вопросы и диалогов разработчик рекомендует чат-версию SambaLingo-Arabic-Chat. Для базовой модели рекомендуются few-shot-примеры и детерминированная генерация. В README сообщаются результаты оценки на перплексии и переводе FLORES-200. Модель может переключаться между языками или диалектами, повторять фразы и генерировать фактически неверный либо нерелевантный текст. Возможности в программировании и сложной математике ограничены; возможна генерация токсичного содержания. Не предназначена для критически важных и влияющих на безопасность решений. Использование регулируется лицензией Meta Llama 2 Community License Agreement.

SambaLingo-Slovenian-Chat — диалоговая языковая модель SambaNova Systems на архитектуре Llama 2. Модель размером 6,7 млрд параметров дообучена методом direct preference optimization на базе SambaLingo-Slovenian-Base; базовая модель адаптирует Llama 2 7B к словенскому языку на корпусе Cultura-X. Расширенный токенизатор содержит 57 000 токенов. Модель предназначена для ведения диалогов и генерации текста на словенском и английском языках. Она принимает текстовые запросы и выдаёт текстовые ответы; заявленная длина контекста — 4096 токенов. Для загрузки карточка рекомендует использовать быстрый токенизатор отключённым. Модель может галлюцинировать, повторяться и непреднамеренно переключаться между языками или диалектами. Её возможности в программировании и сложной математике ограничены, а ответы могут содержать токсичный контент. Не предназначена для критически важных задач и решений, связанных с безопасностью. Использование регулируется лицензией Meta Llama 2 Community License Agreement.

Starstreak-7B-β — языковая чат-модель серии Starstreak, разработанная на основе HuggingFaceH4/zephyr-7b-beta и дообученная методом QLoRA. Модель построена на плотной архитектуре Mistral и содержит около 7,1 млрд параметров; для генерации текста доступен контекст до 32 768 токенов. Модель предназначена для диалогов и генерации текста на английском, индонезийском и ряде языков Индонезии и региона: среди них ачехский, яванский, сунданский, малайский и тетум. При дообучении использовались graelo/wikipedia и uonlp/CulturaX. Это позволяет применять её для ответов и генерации текста на поддерживаемых языках, однако карточка не описывает специализированные сценарии или сравнительные оценки качества. Модель опубликована в формате Safetensors под лицензией CC0 1.0. Среди ограничений карточка отмечает англоязычную основу и возможные культурные и контекстные предубеждения.

Tesser-Llama-3-Ko-8B — плотная авторегрессионная языковая модель семейства Llama, разработанная Tesser AI на основе Meta-Llama-3-8B. Модель продолжительно предобучали на английских и корейских данных: цель обучения — улучшить владение корейским языком, сохранив возможности исходной модели для английского. В обучении использовано 16 млрд токенов из нескольких наборов данных, включая Wikipedia. Модель предназначена для генерации текста на английском и корейском языках и может служить основой для дальнейшей адаптации под конкретные задачи. Она не прошла дополнительную тонкую настройку для пользовательских сценариев, поэтому перед практическим применением её следует дообучить на целевых данных. В репозитории доступны веса safetensors для Transformers; лицензия — llama3. Размер модели составляет около 7,5 млрд параметров, а метаданные указывают контекст до 8192 токенов. При этом продолжительное предобучение проводилось с длиной контекста 4k из-за ограничений ресурсов; работа с контекстом 8k возможна, но не подтверждена этим обучением.

TigerResearch/tigerbot-13b-chat-v5 — TigerResearch әзірлеген TigerBot чат-моделі. Бұл Llama архитектурасындағы 13 млрд параметрлі тығыз causal language model; Transformers және PyTorch арқылы іске қосуға болады. Модель қытай және ағылшын тілдеріндегі диалогқа және мәтін генерациясына арналған, ал көрсетілген контекст ұзындығы — 2048 токен. Оны чат-боттарда, сұрақтарға жауап беруде және қытайша не ағылшынша мәтін құрастыруда қолдануға болады. Репозиторий нұсқаулығында inference коды арқылы іске қосу жолы берілген. Apache-2.0 лицензиясымен таратылады.

Typhoon-7B — предварительно обученная языковая модель SCB 10X AI Team с 7,1 млрд параметров, построенная на архитектуре Mistral и основанная на Mistral-7B. Это декодерная модель для генерации текста с контекстом до 32 768 токенов; основная поддержка заявлена для тайского и английского языков. Модель предназначена для генерации продолжений текста и может служить базой для дальнейшей адаптации под прикладные задачи. В README сообщается о сильных результатах на экзаменационных тестах по тайскому языку и об эффективной токенизации тайского текста. Это базовая, не дообученная для следования инструкциям модель: для диалоговых сценариев может потребоваться few-shot prompting или дообучение. У модели нет механизмов модерации, поэтому она может создавать вредный или неподходящий контент. Лицензия Apache-2.0 допускает коммерческое использование.

Typhoon-S-ThaiLLM-8B-Instruct Research Preview — инструктивная языковая модель, разработанная Typhoon AI на базе ThaiLLM и архитектуры Qwen3. Это плотная авторегрессионная модель примерно с 8 млрд параметров для генерации текста и диалоговых ответов на инструкции; в обучении использованы supervised fine-tuning и дистилляция на собственных ответах модели. Разработчики открыли обучающие данные, код и технический отчёт, чтобы упростить воспроизводимое создание локальных инструктивных моделей. Модель предназначена прежде всего для генерации ответов на тайском и английском языках, включая диалоговые сценарии и взаимодействие с инструментами через совместимый сервер vLLM. Контекстное окно составляет 32 768 токенов. Для работы с Transformers требуется версия 4.57.0 или новее; в карточке также приведён пример настройки генерации с низкой температурой и штрафом за повторы. Это исследовательская предварительная версия, которая продолжает разрабатываться. Ответы могут быть неточными, предвзятыми или нежелательными; разработчикам рекомендуется оценивать эти риски для своего сценария. Модель распространяется по лицензии Apache 2.0.

Модель infinitejoy/wav2vec2-large-xls-r-300m-greek — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания греческой речи. Она основана на архитектуре Wav2Vec2ForCTC и обучена на греческой части Mozilla Common Voice 7.0. Модель принимает аудио и выдаёт распознанный текст; число параметров — около 402,7 млн. По результатам оценки на тестовой выборке указаны loss 0,6592 и WER 0,4564. Модель подходит для транскрибирования грекоязычных записей, однако приведённый WER указывает на заметное число ошибок распознавания. Распространяется по лицензии Apache-2.0.

rifkat/wav2vec2-large-xls-r-300m-uz — модель распознавания узбекской речи, разработанная в рамках проекта GptUZ. Она предназначена для преобразования аудиозаписей на узбекском языке в текст. Архитектура — Wav2Vec2ForCTC семейства wav2vec2; модель содержит около 402,7 млн параметров и распространяется в формате PyTorch. По карточке модели, обучение проводилось на открытых и закрытых данных. Модель выпущена под лицензией Apache-2.0. Длина контекста и подробности о составе обучающих данных в предоставленных источниках не описаны.

Wav2Vec2-Large-XLSR-53-Sakha — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на якутском языке (саха) на данных Common Voice. Она преобразует аудиозапись речи в текст и рассчитана на распознавание речи на саха; для входного аудио требуется частота дискретизации 16 кГц. Модель использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. В тесте на данных Common Voice для саха указан результат 32,23%; README не уточняет метрику, поэтому его нельзя напрямую трактовать как точность или ошибку распознавания. Опубликованы веса PyTorch и Flax. Лицензия — Apache-2.0.

Модель gagan3012/wav2vec2-xlsr-khmer — версия Wav2Vec2-Large-XLSR-53, дообученная на кхмерской речи разработчиком репозитория на данных Common Voice и OpenSLR Kh. Это модель распознавания речи с архитектурой Wav2Vec2ForCTC и примерно 402,7 млн параметров; она принимает аудио и выдаёт распознанный текст. Модель предназначена для преобразования кхмерской речи в текст. Для работы входную речь нужно подавать с частотой дискретизации 16 кГц. В README приведены результаты оценки на тестовой выборке Common Voice: WER 24,96% и CER 6,95%; примеры предсказаний в карточке отображаются письмом деванагари, поэтому их соответствие кхмерскому языку неясно. Веса доступны в форматах PyTorch и Flax. Лицензия — Apache-2.0.

Модель pnawani/welsh-asr-xlsr-300m разработана как дообученная версия Facebook wav2vec2-XLS-R 300M для автоматического распознавания речи на валлийском языке. Это модель архитектуры Wav2Vec2ForCTC с символьной CTC-головой; она принимает аудио и выдаёт текст. Обучение выполнено на 11,3 часа валлийской части набора FLEURS. На тесте FLEURS авторы сообщают WER 0,3991 и CER 0,1141; в их сравнении с Whisper-small без дообучения модель показала лучшие результаты на том же тестовом аудио и при одинаковой нормализации текста. Модель подходит для транскрибации записанной валлийской речи, особенно чтения вслух, похожего на данные FLEURS. Лицензия — Apache-2.0. Модель хуже подходит для спонтанной разговорной речи и диалектов, недостаточно представленных в обучающих данных.