I.6Перевод и языковая адаптация

atsuki-yamaguchi/Llama-3.1-8B-Instruct-am-madlad-mean-tuned — языковая модель на архитектуре Llama 3.1, разработанная на основе Meta Llama 3.1 8B Instruct и дополнительно обученная для амхарского языка на 500 млн токенов из MADLAD-400. Для модели расширен целевой словарь на 10 тыс. токенов; веса новых элементов эмбеддингов и LM head инициализированы средним значением. Размер модели — 7,5 млрд параметров, заявленная длина контекста — 131 072 токена. Модель предназначена для генерации текста и диалогов на амхарском языке, включая ответы на инструкции. Она загружается через Transformers и распространяется в формате safetensors. Лицензия — Llama 3.1 Community License Agreement. Карточка описывает дополнительное обучение на амхарских данных, но не приводит сравнительных оценок качества; результаты для конкретных задач следует проверять отдельно.

Llama-3.1-EstLLM-8B-Instruct-0825 — диалоговая инструкционная языковая модель, разработанная исследовательскими группами TartuNLP и TalTechNLP в рамках проекта EstLLM. Это ранний прототип для оценки качества общения и сравнения с будущими версиями. Модель построена на архитектуре Llama 3.1 с 7,5 млрд параметров и дообучена на основе tartuNLP/Llama-3.1-EstLLM-8B-0525 с помощью supervised fine-tuning и direct preference optimization. Модель предназначена для генерации ответов и выполнения инструкций на эстонском и английском языках, включая чат-ботов и сравнительные оценки в диалоговом формате. Контекст по метаданным составляет до 131 072 токенов, однако авторы предупреждают, что прототип плохо работает за пределами 4 096 токенов; также многоходовые диалоги не поддерживаются. Используются веса Safetensors и библиотека Transformers. Лицензия — Llama 3.1 Community License Agreement.

Это GGUF-квантизированная версия языковой модели llama-3.2-Korean-Bllossom-3B, разработанной Bllossom и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и ориентирована на работу с английским и корейским языками. Квантизация выполнена с использованием llama.cpp и метода imatrix; доступны варианты от F16 до низкоразрядных Q3 и IQ3, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Модель подходит для локального запуска в совместимых инструментах, включая LM Studio, и может использоваться для диалогов, написания и продолжения текста, а также других задач text-generation. В README указан формат prompt-шаблона на основе специальных токенов Llama 3.2. Размер базовой модели составляет 3B параметров, однако сведения о точной архитектуре, максимальном контексте, мультимодальности и результатах оценивания не приведены; модель следует рассматривать как текстовую, без подтвержденной поддержки других модальностей. Сильной стороной является выбор вариантов квантизации: версии Q5 и Q6 заявлены как высококачественные, а Q3 и некоторые ARM-оптимизированные варианты позволяют снизить требования к оперативной памяти. Ограничения зависят от выбранного формата: более сильная квантизация может ухудшать качество, а варианты Q4_0_8_8, Q4_0_4_8 и Q4_0_4_4 предназначены для ARM и не рекомендуются для Mac или Windows. Лицензия указана как llama3.2.

MAAL (Multilingual Adaptive Augmentation Language-model) — диалоговая модель, разработанная командой maum.ai Brain NLP. Версия 0.1 основана на Meta-Llama-3-8B-Instruct и дообучена методом межъязыкового переноса: навыки следования инструкциям на английском переносятся на корейский. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текстовые запросы; контекст — до 8192 токенов. Модель предназначена для диалогов и генерации ответов на корейском и английском языках. Разработчики рекомендуют использовать заданный в карточке системный промпт, если модель не дообучается. В опубликованной оценке LogicKor MAAL показала конкурентный результат среди сравниваемых моделей до 13 млрд параметров, однако оценка отмечена как собственный отчёт разработчиков. Карточка указывает на ограничения: из-за небольшого обучающего набора модель может создавать мало разнообразные тексты на корейском и недостаточно учитывать корейские знания и культурный контекст. Обработка изображений и видео не поддерживается. Лицензия — Llama 3.

Llama 3 neoAI 8B Chat v0.1 — чат-модель neoAI, дообученная на основе Meta-Llama-3-8B-Instruct для усиления способностей японского языка. Она предназначена для диалога и генерации текста; модель имеет плотную архитектуру LlamaForCausalLM с 7,5 млрд параметров и контекстом до 8192 токенов. В метаданных указана поддержка японского и английского языков, а файлы модели представлены в формате safetensors. Разработчики перечислены в карточке модели: Gouki Minegishi, Koki Itai, Koshiro Terasawa, Masaki Otsuki и Ryo Yagi. Лицензия — llama3.

LLaMAX3-8B — многоязычная языковая модель семейства Llama, разработанная авторами LLaMAX путём дальнейшего предобучения Llama 3. Модель насчитывает 7,5 млрд параметров и рассчитана на генерацию текста более чем на 100 языках. Контекст — до 8192 токенов; архитектура — плотная авторегрессионная модель Llama. Модель предназначена для использования как основа для дальнейшей адаптации под многоязычные задачи, включая генерацию и перевод текста. Эта версия не умеет следовать инструкциям; карточка также упоминает отдельный вариант LLaMAX-Alpaca, дообученный на Alpaca для этой способности. Репозиторий содержит веса в формате safetensors, лицензия — MIT.

Maral-7B-alpha-1 — языковая модель на архитектуре Mistral, созданная для работы с персидским языком. В README разработчик не назван; модель обучена на наборе Alpaca Persian и может также генерировать ответы на английском языке. Объём модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов. Для запросов используется формат Guanaco с метками «### Human:» и «### Assistant:». Репозиторий содержит веса Safetensors; лицензия — MIT. README также упоминает отдельную PEFT-версию для 4-битной квантизации, но не утверждает, что сама эта модель квантизирована.

aixsatoshi/Meta-Llama-3.1-8B-Instruct-plus-Swallow — производная модель на архитектуре Llama, созданная переносом разностного вектора Swallow-8B на Meta-Llama-3.1-8B-Instruct с коэффициентом 0,7. Swallow-8B получена дополнительным непрерывным предобучением на японском языке и отличается высокой беглостью на японском. Модель предназначена для генерации текста и диалогового общения на японском языке. В репозитории указаны веса в формате safetensors, около 7,5 млрд параметров и контекст до 131 072 токенов. Лицензия — llama3.1.

Motif-3-Mixed-Quant-GGUF — независимая конверсия модели Motif-3 от Motif Technologies, разработанная Baekpica. Это GGUF-артефакт для генерации текста на английском и корейском языках, предназначенный для локального запуска полноразмерной модели на оборудовании с примерно 128 ГБ унифицированной памяти, включая NVIDIA DGX Spark. Релиз не является официальным продуктом Motif Technologies. Модель построена на архитектуре Mixture-of-Experts с 314,8 млрд параметров: 53 слоя, из которых 14 используют полный и 39 — SWA-вариант внимания GDLA. В каждой разреженной слоистой части сохранены все 384 маршрутизируемых эксперта с маршрутизацией top-8, а также общий эксперт; параметры не удалялись, эксперты и слои не отбрасывались. Применена смешанная квантизация, итоговый размер составляет 94,16 ГБ, или 87,70 GiB, в 11 файлах. Заявленный исходный предел контекста — 262 144 токена. Сильной стороной модели является сохранение полной топологии и возможность запуска на ограниченном по памяти оборудовании. Для ds4-dfm заявлена проверка работы с контекстом до 262 080 токенов на одном DGX Spark, включая многооконный режим, а также поддержка OpenAI- и Anthropic-совместимых серверных интерфейсов, инструментов, непрерывной пакетной обработки и retrieval-сценариев. При этом приведённые тесты подтверждают главным образом загрузку и серверное выполнение; качество ответов в README не оценивалось, а результаты зависят от конкретного оборудования, runtime и режима контекста. Лицензия модели — MIT.

Nos_ASR-wav2vec2-large-xlsr-53-gl-with-lm es una copia de diego-fustes/wav2vec2-large-xlsr-gl con интегрированной языковой моделью. Модель разработана для автоматического распознавания речи на галисийском языке и преобразования аудиозаписей в текст. Она основана на архитектуре Wav2Vec2-Large-XLSR-53, имеет около 402,7 млн параметров и принимает аудио. В README приведены результаты на тестовых подвыборках Galician OpenSLR и Common Voice 7.0: WER составил 6,86% и 15,20% соответственно, что ниже показателей указанной базовой модели на тех же наборах. Модель распространяется по лицензии Apache-2.0.

jaeyong2/Qwen2.5-3B-Instruct-Ja-SFT — дообученная Jaeyong2 модель Qwen2.5-3B-Instruct для генерации текста и диалога. Это плотная авторегрессионная модель Qwen2 с 3,1 млрд параметров, рассчитанная на контекст до 32 768 токенов; в репозитории указаны веса Safetensors и библиотека Transformers. Модель подходит для диалога и генерации ответов на японском и английском языках. README приводит оценку на llm-jp-eval: средний результат 0,4895 у дообученной модели против 0,4921 у Qwen2.5-3B-Instruct; это показывает близкие результаты на приведённой оценке, но не подтверждает качество во всех сценариях. Указана лицензия other, поэтому условия распространения и использования следует сверить с карточкой модели и базовой моделью.

Карточка модели jaeyong2/Qwen2.5-7B-Instruct-Hi-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.

Qwen3.8-27B-Uncensored-oQ4e-mtp — это квантизированная MLX-версия модели orcarouter/Qwen3.8-27B-Uncensored, подготовленная и упакованная пользователем pyros-vault с помощью oMLX 0.6.1 и квантизации oQ с использованием матрицы важности. Модель предназначена для развёртывания на Apple Silicon под macOS через runtime oMLX и совместима с OpenAI-совместимым сервером. Прямая проверка поведения и заявлений исходной модели в этой карточке не проводилась. Модель поддерживает текстовые и визуальные ресурсы, включая обработку изображений и видео, и содержит один слой MTP. Максимальный контекст, заявленный в конфигурации, составляет 262 144 токена, однако работа с таким объёмом не тестировалась и зависит от аппаратного обеспечения. Используется смешанная 4-битная квантизация Affine Q4/G64 с 166 переопределениями тензоров Q5/G64; размер тензорных данных — около 15,81 GiB в четырёх Safetensors-фрагментах. Калибровка выполнена на 128 последовательностях по 512 токенов с профилем oqe_code_multilingual. Сильными сторонами являются уменьшенный объём хранения по сравнению с вариантами более высокой разрядности, наличие мультимодальных ресурсов и возможность локального запуска на Apple Silicon. Ограничения включают зависимость от macOS, Apple Silicon и версии oMLX, отсутствие поддержки CUDA в данном формате, неопределённые требования к памяти, скорости, качеству Vision и эффективности MTP, а также возможное ухудшение качества из-за квантизации. Наличие MTP-файлов само по себе не включает speculative decoding. Исходная модель заявлена под лицензией Apache-2.0; следует также ознакомиться с условиями и атрибуцией upstream-репозитория.

RIFA-PRO-3B-i1-GGUF — это квантизированная GGUF-версия модели RIFA-PRO-3B, разработанной smshahbaj и подготовленной к квантизации пользователем mradermacher. Модель предназначена для генерации текста и диалоговых сценариев, включая работу на бенгальском и английском языках. В метаданных также указано, что исходная модель дообучалась и ориентирована на задачи, связанные с бенгальским языком. Модель имеет около 3 миллиардов параметров; точная архитектура и размер контекста в README не указаны. Доступны варианты квантизации IQ и Q разных уровней, примерно от 0,9 до 2,6 ГБ, что позволяет выбирать между размером, скоростью и качеством. В README рекомендуются варианты i1-Q4_K_M и i1-Q4_K_S как сбалансированные по этим характеристикам; низкобитные варианты могут обеспечивать меньшее качество, но требуют меньше ресурсов. Это текстовая, одномодальная модель без заявленной поддержки изображений или других типов данных. Лицензия — Apache-2.0.

Sailor-1.8B-Chat — диалоговая языковая модель семейства Sailor, разработанная для языков Юго-Восточной Азии. Это версия Sailor-1.8B, дообученная для следования инструкциям и общения; архитектура — плотная Qwen2 с 1,5 млрд параметров. Модель генерирует текст и поддерживает контекст до 32 768 токенов. Модель предназначена для вопросов и ответов, диалогов и рассуждений на индонезийском, тайском, вьетнамском, малайском и лаосском языках. Она также поддерживает английский и китайский. Для обучения использовались открытые наборы данных Aya и OpenOrca. Доступны веса в формате Safetensors; лицензия — Apache-2.0. Результаты зависят от языка и задачи; карточка отмечает сильные стороны в вопросах и ответах и рассуждениях на языках региона, но не приводит подробных количественных оценок. Модель может ошибаться и не заменяет проверку ответов в критичных сценариях.

SambaLingo-Hungarian-Base-70B — базовая двуязычная языковая модель, разработанная SambaNova Systems на архитектуре Llama 2. Модель дообучена на 19 млрд токенов венгерской части датасета Cultura-X; её размер составляет 68,9 млрд параметров, а контекст — 4096 токенов. Для венгерского языка расширен словарь токенизатора с 32 000 до 57 000 токенов. Модель предназначена для генерации текста на венгерском и английском языках, а также для экспериментов с переводом: в карточке сообщается о результатах оценки perplexity и перевода FLORES-200. Это предварительно обученный чекпойнт, поэтому для работы рекомендуются примеры в запросе; для диалогов с прямыми вопросами авторы предлагают чат-версию SambaLingo-Hungarian-Chat. Доступ регулируется лицензией Meta Llama 2 Community License Agreement. Среди ограничений — галлюцинации, переключение языков, повторы, а также возможная слабая точность в коде и сложной математике; модель не предназначена для критически важных решений.

themohal/saraiki-whisper-small — модель распознавания речи на сараики, созданная дообучением openai/whisper-small. Она принимает аудио и преобразует речь в текст; в метаданных указана поддержка сараики. Модель построена на архитектуре Whisper и распространяется в формате safetensors через Transformers. В README приведены результаты оценки: Loss 0.2483, WER 21.8085 и CER 7.2201. Датасет и условия оценки не описаны, поэтому эти показатели нельзя напрямую переносить на другие аудиозаписи. Модель выпущена под лицензией Apache-2.0.

SeaLLM-7B-v1 — первая версия семейства SeaLLMs, языковая модель на архитектуре Llama с 7 млрд параметров, разработанная для работы с языками Юго-Восточной Азии. Она предназначена для диалогов и генерации текста; для запуска подходит кодовая база Llama 2, а запросы следует оформлять в формате инструкций, предусмотренном для чат-модели. README сообщает о поддержке вьетнамского, индонезийского, тайского, малайского, кхмерского, лаосского, тагальского и бирманского языков; английский и китайский также присутствуют в тегах метаданных. Модель выпущена в формате safetensors. Авторы отмечают, что SeaLLM-7B-v1 заметно уступает SeaLLM-7B-v2 и рекомендуют использовать более новую версию. При генерации возможны неточные, вводящие в заблуждение или вредоносные ответы. Использование весов, кода и демо регулируется условиями SeaLLMs Terms Of Use.

Shisa v1 Llama 3 70B — плотная языковая модель с 69,5 млрд параметров, дообученная Shisa AI на базе meta-llama/Meta-Llama-3-70B-Instruct. Дообучение направлено на улучшение японского языка; модель предназначена для диалогов и генерации текста. В карточке указаны контекст 8192 токена и формат Safetensors. Авторы описывают этот чекпойнт как экспериментальную абляцию в работе над Shisa v2 и сообщают о результатах бенчмарков японского языка. Лицензия — Llama 3 Community License. Результаты бенчмарков из README не гарантируют качество в конкретных сценариях; модель унаследовала ограничения базовой Llama 3 и может ошибаться или выдавать нежелательный текст.

LLama 3 shisa-v1-llama3-8b — диалоговая языковая модель Shisa AI, созданная дообучением Meta-Llama-3-8B-Instruct. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для генерации ответов; длина контекста составляет 8192 токена. Модель ориентирована на диалоги и генерацию текста, в частности на японском языке: в README приведены результаты оценок на японских тестах ELYZA-tasks-100, JA MT-Bench, Rakuda и Tengu-Bench. В качестве обучающего набора в метаданных указан augmxnt/ultra-orca-boros-en-ja-v1. Карточка сравнивает несколько вариантов обучения и отмечает, что вариант с learning rate 8e-6 показал лучшие результаты среди упомянутых экспериментов. Модель распространяется в формате safetensors по лицензии Llama 3 Community License Agreement. Приведённые в README результаты относятся к конкретным настройкам генерации и тестовым наборам; карточка не описывает полные сценарии применения и ограничения модели.

jieunhan/solar_merge_test_1 — объединённая автором модель генерации текста на архитектуре Mixtral MoE с 10,7 млрд параметров. При создании объединены beomi/OPEN-SOLAR-KO-10.7B и hyeogi/SOLAR-10.7B-dpo-v1; конфигурация указывает на выбор экспертов по эмбеддингам и подсказку для дружелюбного универсального ассистента. Модель предназначена для генерации текста и диалоговых ответов на корейском и английском языках. Контекст составляет 4096 токенов. Репозиторий содержит веса в формате safetensors, указана лицензия Apache-2.0. Карточка не приводит результатов оценки качества или подробных сведений о поведении модели.

SyrzykAI — модель перекладу й нормалізації тексту із суржику на літературну українську. Автор — vlddshk. Вона призначена для виправлення русизмів, кальок та граматичних інтерференцій, а не для звичайного перекладу з російської на українську. Модель має архітектуру M2M-100 і містить 463,7 млн параметрів. Її створено на базі facebook/nllb-200-distilled-600M: базову модель донавчено методом QLoRA на 6 299 парах речень із корпусу vlddshk/syrzyk-dataset, після чого адаптери злиті з вагами. Контекст — 1 024 токени; модель працює з текстом українською мовою. Ліцензія — CC BY-NC 4.0, яка обмежує комерційне використання. Модель підходить для нормалізації коротких повідомлень і речень із типовими російсько-українськими інтерференціями. Вона може не розпізнавати локальні діалектизми та надмірно замінювати нормативні, але рідковживані слова поширенішими синонімами. Для довших текстів автор рекомендує розбивати їх на речення; конкретні числові результати оцінювання в картці не наведені.

TransLynx Pakistani Punjabi Whisper Small — модель распознавания речи, разработанная командой TransLynx путём дообучения мультиязычной Whisper Small от OpenAI. Она преобразует речь на пакистанском пенджаби в текст на письме шахмукхи. Для языка внутри Whisper используется токен урду «ur»; параметры языка и задачи транскрибирования заданы в конфигурации генерации. Модель предназначена для транскрибации аудио, создания субтитров, голосовых интерфейсов и конвейеров обработки речевых данных на пакистанском пенджаби. В README указаны WER 7,07% на валидационной выборке и 11,50% на тесте с диктором, не участвовавшим в обучении. Обучение проводилось на 3 500 записях семи дикторов, произносивших один и тот же набор из 500 предложений. Модель ориентирована на текстовый вывод шахмукхи и не предназначена для распознавания восточного пенджаби на письме гурмукхи. Ограниченный набор предложений и дикторов может снижать качество на спонтанной речи, при шуме, иных диалектах и незнакомой лексике. Лицензия — Apache-2.0.

Typhoon2.1-Gemma3-12B — тайскоязычная инструкционная большая языковая модель, разработанная командой OpenTyphoon и основанная на Gemma 3 12B от Google. Представленная версия распространяется в формате GGUF с квантизацией q4_k_m и предназначена для запуска через llama.cpp. Модель ориентирована на генерацию и обработку текста в диалоговых и прикладных сценариях, включая выполнение инструкций и вызов функций. Она содержит 12 миллиардов параметров, поддерживает контекст длиной до 128K токенов и работает только с текстом. README не уточняет полный набор поддерживаемых языков, однако модель позиционируется прежде всего как тайская. К сильным сторонам относятся специализация на тайском языке, большой контекст и поддержка function calling. Ограничения связаны с тем, что это текстовая модель, а доступная версия использует квантизацию, которая может снижать точность по сравнению с исходной моделью. Для использования требуется согласие с условиями OpenTyphoon и политикой конфиденциальности; лицензия указана как gemma.

DylanonWic/wav2vec2-large-asr-th-2 — модель распознавания речи на базе архитектуры Wav2Vec2, разработанная для автоматического распознавания тайской речи. Модель содержит 402,7 млн параметров и опубликована в формате PyTorch для библиотеки Transformers. В карточке указано дообучение на датасете Common Voice, включая Common Voice 10.0. Основной сценарий применения — преобразование тайской речи в текст. Для оценки на тестовой выборке приведены WER 32,99% и CER 3,75%. Описание не раскрывает дополнительные сценарии и ограничения качества; результат может зависеть от акустических условий и соответствия аудио обучающим данным. Лицензия в предоставленных данных не указана.

Модель infinitejoy/wav2vec2-large-xls-r-300m-sakha — дообученная Infinitejoy версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на саха (якутском) языке. Она принимает аудио и преобразует речь в текст; архитектура основана на Wav2Vec2ForCTC и имеет около 402,7 млн параметров. Обучение проводилось на наборе Mozilla Common Voice 7.0 для саха. На тестовой выборке указана WER 0,4421. Модель подходит для транскрибации записей на саха, включая голосовые сообщения и аудио из корпуса Common Voice. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0. README не описывает ограничения по записи или условиям эксплуатации.

Wav2Vec2-Large-XLSR-53-Basque — модель распознавания речи, созданная Stefan It и дообученная на базе facebook/wav2vec2-large-xlsr-53 на баскском языке с использованием Common Voice. Она принимает аудио и преобразует речь в текст; для работы входную речь следует подавать с частотой дискретизации 16 кГц. Модель построена на архитектуре Wav2Vec2 с CTC-декодером и содержит около 402,7 млн параметров. В README приведён результат 18,27% на тестовой части Common Voice для баскского языка. Модель предназначена для распознавания баскской речи; применение к другим языкам не подтверждено. Лицензия — Apache-2.0.

Wav2Vec2-Large-XLSR-53-Mongolian — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на монгольском языке с использованием Common Voice. Она преобразует аудиозаписи речи в текст и подходит для транскрибации монгольской речи; входное аудио следует подавать с частотой дискретизации 16 кГц. Модель основана на архитектуре Wav2Vec2 с CTC-выходом и содержит 402,7 млн параметров. В README приведён результат оценки 42,80% на тестовых данных Common Voice, но метрика не уточнена. Веса доступны в формате PyTorch; лицензия — Apache-2.0.

Это модель автоматического распознавания речи на валлийском языке, разработанная на основе facebook/wav2vec2-large-xlsr-53 и дообученная на корпусе Common Voice 18.0 с чтением вслух и на спонтанной речи из Bangor Transcriptions 24.10. Она использует архитектуру wav2vec 2.0 с CTC-декодированием и содержит 402,7 млн параметров. Модель преобразует валлийскую речь в текст и подходит для расшифровки записей, включая чтение и спонтанную речь. На тестовой выборке Bangor Transcriptions указаны WER 36,23 и CER 12,55. Модель распространяется по лицензии Apache-2.0.

Модель wav2vec2-xlsr-ft-cy-verbatim разработана Techiaith и представляет собой дообученную версию facebook/wav2vec2-large-xlsr-53 для автоматического распознавания речи на валлийском языке. Она использует архитектуру Wav2Vec2ForCTC, содержит 402,7 млн параметров и обучена на наборе транскрипций techiaith/banc-trawsgrifiadau-bangor. Репозиторий содержит веса PyTorch. Модель предназначена для преобразования валлийской речи в текст, в том числе для дословной транскрибации аудиозаписей. В README приведены результаты на оценочной выборке: loss 0,4357 и WER 0,3262. Модель распространяется по лицензии Apache-2.0; подробные сведения о предполагаемых сценариях применения и ограничениях в карточке не приведены.