I.6Перевод и языковая адаптация

beomi разработал Llama-3-Open-Ko-8B-Instruct-preview как предварительную инструкционную модель на основе Llama-3-Open-Ko-8B. Базовая модель продолжает предобучение Llama-3-8B на открытых текстовых данных: более 60 ГБ очищенных от дубликатов текстов и свыше 17,7 млрд токенов. Для инструкционной версии применён подход Chat Vector; она выпущена как предварительный вариант для создания новых чат- и инструкционных моделей. Модель представляет собой плотную авторегрессионную языковую модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она предназначена для генерации текста в диалоговом формате, прежде всего на корейском языке; в карточке также заявлен английский. Контекст составляет 8192 токена. README предупреждает, что модель не дообучалась на корейских инструкционных наборах, поэтому качество выполнения инструкций может быть нестабильным. Вес опубликован в формате safetensors; лицензия указана как other, конкретные условия следует проверять в карточке модели.

facebook/mms-tts-fas — модель синтеза речи на персидском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания персидских текстов и создания речевого вывода в приложениях. Модель построена на архитектуре VITS и обучена для отдельного языка. Это компактная модель на 3,5 млн параметров с поддержкой Transformers. Стохастический предиктор длительности позволяет варьировать ритм произношения; из-за его недетерминированности для повторяемого результата требуется фиксированное начальное значение генератора случайных чисел. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-kik — модель синтеза речи на языке кикуйю (код kik) из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на кикуйю. Модель основана на архитектуре VITS, работает сквозным образом и содержит стохастический предиктор длительности, поэтому может по-разному задавать ритм одной и той же фразе. Размер модели — 3,5 млн параметров; для работы доступна через Transformers версии 4.33 и новее. Модель рассчитана на синтез речи только на кикуйю. Генерация недетерминирована: для воспроизводимого результата требуется фиксированное случайное зерно. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

facebook/mms-tts-kor — модель синтеза речи на корейском языке из проекта Massively Multilingual Speech компании Meta (Facebook). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания корейских фраз и предложений. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это сквозная система: текстовый энкодер, потоковый модуль и декодер формируют аудиосигнал; стохастический предсказатель длительности позволяет варьировать ритм речи. Для повторяемого результата нужен фиксированный seed, поскольку генерация недетерминирована. Модель доступна через Transformers версии 4.33 и выше. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

NeuralSpanish-7b-v1 — объединённая языковая модель автора Kukedlc, созданная с помощью LazyMergekit на основе четырёх испаноязычных моделей семейства Mistral. Это плотная авторегрессионная модель MistralForCausalLM на 7,1 млрд параметров с контекстом до 32 768 токенов; она предназначена для генерации текста на испанском языке. Весовые файлы опубликованы в формате safetensors. Модель подходит для создания испаноязычных ответов и продолжения текста в приложениях на базе генеративных языковых моделей. README не описывает сравнительные результаты или специальные возможности отдельных сценариев. Лицензия в предоставленных данных не указана.

next2-air-i1-GGUF — это квантизированная в формате GGUF версия мультимодальной модели next2-air от thelamapi. Квантизацию выполнил mradermacher; модель основана на thelamapi/next2-air и предназначена для локального запуска генеративных приложений с поддержкой текста и изображений. Модель ориентирована на генерацию текста, рассуждения и сценарии image-text-to-text, включая работу с визуальными данными. В карточке указано, что это модель примерно на 2 млрд параметров с поддержкой языков tr, en, de, es, fr, ru, zh, ja и ko. Доступны варианты квантизации i1 от IQ1_S до Q6_K размером примерно от 0,7 до 1,7 ГБ; вариант Q4_K_M отмечен как быстрый и рекомендуемый, а IQ-квантизации могут обеспечивать лучшее качество при сопоставимом размере. К сильным сторонам относятся небольшой размер, возможность быстрого локального запуска, мультимодальность и поддержка нескольких языков. Ограничения связаны с потерями качества, зависящими от выбранного уровня квантизации; наиболее компактные варианты имеют низкое качество. Контекстное окно, точные архитектурные характеристики, системные требования и результаты оценки производительности в README не указаны. Модель распространяется по лицензии Apache-2.0; для работы с изображениями могут потребоваться дополнительные mmproj-файлы из статического репозитория.

Bandifishing 将 Chinese-alpaca-13b 的 LoRA 权重与 Nous-Hermes-13b 合并，发布了支持中文的 Hermes-13b 模型。 Это плотная авторегрессионная модель семейства LLaMA с 12,9 млрд параметров и контекстом до 2048 токенов; она принимает текст и генерирует текст. Модель предназначена для генерации текста на китайском и английском языках. Карточка указывает на академическое применение и требует соблюдать лицензии исходных проектов; конкретные сведения о качестве и дополнительные ограничения не приведены.

OdiaGenAI/odia_llama2_7B_base — плотная авторегрессионная языковая модель семейства Llama 2, дообученная на 180 тысячах инструкций на языке одия. Набор включает переведённые данные из открытых источников и подготовленные инструкции с предметными знаниями. Модель предназначена для понимания инструкций на одия и генерации ответов, например, в чат-ботах и системах вопросов и ответов. Модель содержит 6,6 млрд параметров, принимает и генерирует текст, работает с контекстом до 4096 токенов и распространяется в формате PyTorch. Лицензия CC BY-NC-SA 4.0 разрешает использование с атрибуцией и на условиях ShareAlike, но запрещает коммерческое использование.

piotr-ai/polanka_3.7b_exp_260922 — разговорная языковая модель от разработчика piotr-ai, основанная на архитектуре Qwen3 MoE. Она предназначена для генерации текста в чате и поддерживает интерфейс вызова инструментов. Карточка демонстрирует примеры запросов на польском, английском и китайском языках; метаданные также перечисляют поддержку чешского, словацкого, украинского, русского, итальянского, испанского, французского, немецкого, португальского и литовского языков. Модель содержит 3,7 млрд параметров, работает с контекстом до 40 960 токенов и распространяется в формате safetensors по лицензии Apache-2.0. В метаданных не указана базовая модель, поэтому происхождение относительно Qwen3 MoE установить нельзя. Карточка содержит лишь несколько простых примеров и не приводит результатов оценки качества; возможности модели в конкретных задачах по ним определить нельзя.

jaeyong2/Qwen2.5-0.5B-Instruct-Ja-SFT — дообученная модель семейства Qwen2.5, созданная на основе Qwen/Qwen2.5-0.5B-Instruct. Она предназначена для генерации текста и диалогов на японском и английском языках; в метаданных также указаны возможности чата и интерфейс вызова инструментов. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 494 млн параметров и поддерживает контекст до 32 768 токенов. Веса доступны в формате safetensors. README приводит результаты оценки дообученной модели: 0,4614 на MMLU и 0,3176 по среднему показателю llm-jp-eval. Эти результаты немного выше значений исходной Qwen2.5-0.5B-Instruct в указанных сравнениях, но README не описывает набор данных дообучения и подробности оценки. Модель распространяется по лицензии Apache-2.0.

jaeyong2/Qwen2.5-0.5B-Instruct-Viet-SFT — дообученная авторами репозитория модель на основе Qwen/Qwen2.5-0.5B-Instruct. Это плотная авторегрессионная языковая модель семейства Qwen2 с 494 млн параметров, предназначенная для диалогов, выполнения инструкций и генерации текста. Модель рассчитана на вьетнамский и английский языки и поддерживает контекст до 32 768 токенов. Модель подходит для создания компактных чат-ботов и генерации ответов на вьетнамском или английском. В метаданных указаны библиотека Transformers, формат весов safetensors и интерфейс вызова инструментов. Лицензия — Apache-2.0. README не содержит дополнительных сведений о датасете дообучения или результатах оценки качества.

jaeyong2/Qwen2.5-1.5B-Instruct-Ja-SFT — компактная языковая модель на архитектуре Qwen2, дообученная разработчиком на базе Qwen/Qwen2.5-1.5B-Instruct. Она предназначена для генерации текста и диалогов, в первую очередь на японском и английском языках. Модель содержит 1,5 млрд параметров, использует формат Safetensors и поддерживает контекст до 32 768 токенов. В README приведены результаты оценки на llm-jp-eval: среднее значение 0,4540 для дообученной модели против 0,4343 для исходной Qwen2.5-1.5B-Instruct и 0,4315 для Gemma 2 2B Japanese IT. Эти значения относятся к конкретной оценке и не гарантируют качество на других задачах. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-27B-imabari-v2-i1-GGUF — квантованная GGUF-версия модели ikedachin/Qwen3.5-27B-imabari-v2, подготовленная mradermacher. Модель ориентирована на работу с японским языком, включая задачи вопросно-ответного взаимодействия и обработку японских диалектов. В качестве связанного набора данных указан JaQuAD_imabari_v2. Модель имеет размер 27B параметров и представлена в виде vision-модели с поддержкой мультимодального ввода через соответствующие mmproj-файлы из статического репозитория. Доступны варианты квантования от IQ1_S до Q6_K с размером файлов примерно от 7,2 до 22,2 ГБ. В README рекомендуются варианты i1-Q4_K_M как быстрые и i1-Q4_K_S как сбалансированные по размеру, скорости и качеству; более сильное квантование обычно сохраняет больше качества, но требует больше памяти. Архитектура, максимальная длина контекста и полный набор поддерживаемых языков отдельно не указаны. Модель подходит для локального запуска в совместимых инструментах, поддерживающих формат GGUF, а выбор варианта зависит от доступной памяти и требований к качеству. Ограничениями являются возможная потеря качества при низкобитных вариантах квантования и отсутствие в карточке подробных результатов оценки. Лицензия обозначена как other, без дополнительных условий в представленном README.

Это мультимодальная версия модели Qwen 3.5 Amharic 4B Thinking, разработанная на базе abdukuzi45/qwen3.5-amharic-4b-thinking-uncensored и квантизированная mradermacher в формате GGUF. Модель предназначена для генерации текста и обработки изображений вместе с текстом, включая сценарии image-text-to-text. В метаданных указан мультиязычный режим, однако конкретный набор поддерживаемых языков не приведён; из названия следует специализация на амхарском языке. Модель имеет размер около 4 миллиардов параметров, но точная архитектура и размер контекстного окна в README не указаны. Доступны варианты квантизации от Q2_K до Q8_0, IQ4_XS и f16; размеры файлов составляют примерно от 2,1 до 8,8 ГБ. Для мультимодальной работы предусмотрены отдельные файлы mmproj. README рекомендует варианты Q4_K_S и Q4_K_M как быстрые, а Q8_0 отмечает как вариант с лучшим качеством. Более сильная квантизация уменьшает требования к памяти, но может снижать качество, особенно у младших вариантов. Лицензия в README не указана. Также отсутствуют результаты бенчмарков, подробности обучения, точные ограничения мультимодальности и рекомендации по аппаратным требованиям. Модель распространяется как набор GGUF-файлов для совместимых средств запуска.

Kuzi Amharic 4B Thinking — дообученная abdukuzi45 мультимодальная модель на архитектуре Qwen3.5-4B с 4 млрд параметров. Репозиторий содержит веса safetensors, конвертированные из GGUF в формат Hugging Face; модель можно запускать в Transformers и совместимых средах. Она настроена на выполнение инструкций, диалог и рассуждения на амхарском языке, а также поддерживает английский и, в меньшей степени, другие языки. По архитектуре Qwen3.5 она принимает текст и изображения, а README также заявляет поддержку видео; основной сценарий дообучения — текстовые диалоги и инструкции с Chain-of-Thought. Контекст модели составляет 262144 токена. Модель подойдёт для амхароязычных ассистентов, ответов на вопросы и логических задач. Для базовой модели заявлены понимание изображений и вызов инструментов, однако README этой версии не описывает отдельное обучение на мультимодальных данных или проверку этих возможностей. Название и карточка характеризуют вариант как uncensored с удалёнными отказами. Лицензия в предоставленных данных не указана.

Карточка модели sail/Sailor2-20B на Hugging Face совпадает с карточкой sail/Sailor2-1B-Chat, поэтому описание составлено по ней. 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.

Карточка модели sail/Sailor2-8B на Hugging Face совпадает с карточкой sail/Sailor2-1B-Chat, поэтому описание составлено по ней. 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.

Карточка модели sail/Sailor2-L-1B на Hugging Face совпадает с карточкой sail/Sailor2-1B-Chat, поэтому описание составлено по ней. 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.

Sailor-4B — плотная языковая модель семейства Qwen2, разработанная проектом Sailor для работы с языками Юго-Восточной Азии. Это дообученная версия Qwen/Qwen1.5-4B с 3,6 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате Safetensors. Модель предназначена для генерации текста и диалогового взаимодействия на индонезийском, тайском, вьетнамском, малайском и лаосском языках. Модель подходит для ответов на вопросы, рассуждений здравого смысла и других текстовых задач на языках региона. В README также описано семейство Sailor-Chat, отдельно дообученное для следования инструкциям; Sailor-4B в карточке обозначена как базовая модель, поэтому не следует считать её специализированной чат-версией. Лицензия — Apache-2.0.

AniruddhaAI дообучила модель Sentence Transformer на базе intfloat/multilingual-e5-small для поиска текстов на санскрите и сопоставления санскритских фрагментов с английскими переводами. Модель создаёт плотные векторы размерности 384 для предложений и абзацев; архитектура включает BERT, усредняющий пуллинг и нормализацию. Для сравнения векторов подходит косинусное сходство. Модель обучена на 168 783 парах текстов с использованием MultipleNegativesRankingLoss. Примеры в обучающих данных показывают поиск между санскритом и английским в обоих направлениях. Метаданные указывают контекст до 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 128 токенов; при практическом использовании следует учитывать более короткое ограничение из README. Модель принимает текст и выдаёт эмбеддинги, поэтому подходит для семантического поиска и ранжирования кандидатов по сходству. Лицензия в предоставленных данных не указана.

Spark-X2.5-4B-Heretic-jp-GGUF — японская адаптация модели XHToken/Spark-X2.5-4B, опубликованная пользователем soyaakinohara. Модель прошла ослабление отказов с помощью Heretic, продолжительное предобучение на японских данных, японскую настройку инструкций и дополнительное обучение для вызова инструментов. Она предназначена для генерации текста, диалоговых и инструкционных сценариев на японском языке, а также для локального использования и задач с tool calling. Модель построена на архитектуре Spark2_5, содержит около 4,1 млрд параметров и поставляется в формате GGUF с вариантами точности BF16, Q8_0, Q6_K, Q5_K_M и Q4_K_M. В метаданных указан контекст до 1 048 576 токенов, однако в примерах локального запуска используется контекст 8192 токена. Модель относится к thinking-моделям: перед итоговым ответом она формирует блок рассуждений, поэтому рекомендуется выделять не менее 1024 токенов на генерацию. Поддерживаются японский и мультиязычный сценарии, а корректность сложных вызовов инструментов проверялась на японском наборе данных. Сильными сторонами являются специализация на японском языке, компактный размер, несколько вариантов квантизации, высокая заявленная скорость локальной генерации и поддержка tool calling. Ограничения включают необходимость специальной ветки llama.cpp с поддержкой архитектуры Spark, зависимость качества и скорости от выбранной квантизации и оборудования, а также отсутствие надёжного встроенного защитного слоя: модель является uncensored и может генерировать опасный, незаконный или иной нежелательный контент. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

TituLM Llama 3.2 1B v1.1 — языковая модель Hishab на архитектуре авторегрессионного трансформера Llama 3.2. Модель продолжительно предобучена на отобранных бенгальских текстовых данных: карточка сообщает об обучении на 8,5 млрд токенов из веб-документов, книг, переводов, транскрипций, диалогов и других источников. В модели около 1,2 млрд параметров, используется Grouped-Query Attention; формат весов — safetensors. Модель предназначена прежде всего для генерации и понимания текста на бенгальском языке, а также для последующего дообучения на бенгальские инструкции. Английский указан как дополнительный поддерживаемый язык. Это текстовая модель с контекстом 131 072 токена по метаданным каталога; README приводит длину контекста 4096 токенов. Лицензия указана как Llama 3.2 Community License (llama3.2), условия которой следует соблюдать при использовании и распространении.

Модель infinitejoy/wav2vec2-large-xls-r-300m-breton — версия wav2vec2-xls-r-300m, дообученная для автоматического распознавания речи на бретонском языке. Она построена на архитектуре Wav2Vec2ForCTC и принимает аудио, выдавая распознанный текст. Обучение проводилось на наборе MOZILLA-FOUNDATION/COMMON_VOICE_7_0 - BR; в карточке приведены метрики оценки: loss 0,6102 и WER 0,4455. Модель подходит для преобразования записей речи на бретонском языке в текст. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0. Показатель WER указывает на существенные ошибки распознавания, поэтому качество на конкретных записях следует оценить отдельно.

Wav2Vec2-Large-XLSR-53-esperanto — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на эсперанто с использованием Common Voice. Она преобразует аудиозапись речи в текст и рассчитана на распознавание эсперанто. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров; входное аудио следует подавать с частотой дискретизации 16 кГц. Доступны веса PyTorch и Flax. Модель подходит для транскрибирования записей на эсперанто и распознавания речи в пользовательских приложениях. В README приведён результат оценки 15,86% на тестовых данных Common Voice, обозначенных там как украинские; метрика не названа, поэтому результат трудно интерпретировать для распознавания эсперанто. Модель распространяется по лицензии Apache-2.0.

Модель robinhad/wav2vec2-xls-r-300m-crh — дообученная на пользовательском наборе данных крымскотатарской речи версия facebook/wav2vec2-xls-r-300m. Это аудиомодель на архитектуре wav2vec2 с CTC-декодированием, предназначенная для автоматического распознавания речи и выдачи текстовой транскрипции на крымскотатарском языке. В репозитории указано 402,7 млн параметров; модель опубликована в формате PyTorch и распространяется по лицензии MIT. В README приведены результаты на оценочном наборе: WER 0,4494 и CER 0,1254. Эти показатели характеризуют только указанную оценку и не гарантируют качество на других записях. Подробности о составе данных, условиях записи и ограничениях применения не приведены.

ihanif/wav2vec2-xls-r-300m-pashto — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на наборе GOOGLE/FLEURS для афганского пушту (PS_AF). Она принимает аудио и выдаёт распознанный текст; архитектура — Wav2Vec2ForCTC. В репозитории около 402,8 млн параметров, веса представлены в форматах PyTorch и Safetensors. Модель предназначена для распознавания речи на пушту, в частности для сценариев с афганским вариантом языка. В README приведены результаты оценки: WER 51,59 и CER 19,72; эти показатели указывают на заметные ошибки распознавания и не дают оснований считать качество высоким для всех условий записи. Базовая модель обучалась для извлечения мультиязычных речевых представлений. Лицензия — Apache-2.0.

Whisper small-singlish — модель автоматического распознавания речи, разработанная Ming Jie Wong на основе OpenAI Whisper small. Это encoder-decoder модель семейства Whisper с 153,1 млн параметров, дообученная для транскрибирования английской речи с особенностями сингапурского разговорного английского (Singlish). Для адаптации использован внутренний набор из 66,9 тыс. пар аудиозаписей и транскрипций, подготовленный на основе близких микрофонных записей корпуса IMDA National Speech Corpus; аудиофрагменты имеют частоту дискретизации 16 кГц и длительность не более 20 секунд. Модель предназначена для транскрибирования разговоров на Singlish, включая повседневные темы и диалоги. Она доступна через Transformers pipeline для automatic speech recognition. Возможны ошибки на сложных аудиозаписях и при нестандартных вариантах речи; результаты следует проверять, особенно перед применением в чувствительных сценариях. Лицензия — Apache-2.0.

Iqrayaseen/whisper-small-te — модель распознавания речи на телугу, созданная автором на основе openai/whisper-small и дообученная средствами Mozilla.ai Blueprint speech-to-text-finetune. Для обучения использованы 99 аудиозаписей на телугу из корпуса Common Voice; архитектура — WhisperForConditionalGeneration, веса опубликованы в формате safetensors. Модель предназначена для преобразования телугуской речи в текст. В приведённой оценке после дообучения ошибки распознавания снизились относительно исходной Whisper Small: нормализованный WER составил 76,298, орфографический WER — 102,579, нормализованный CER — 47,274, орфографический CER — 64,387. Эти значения указывают на существенные ошибки, поэтому перед применением в продуктивных сценариях качество следует проверить на целевых аудиозаписях. Лицензия — Apache-2.0.

Whisper-Tiny-Myanmar-Partial-Freezing — версия openai/whisper-tiny, дообученная автором thantzinphyo на наборе SLR80: Crowdsourced High-Quality Burmese Speech Dataset. Это компактная модель распознавания речи на архитектуре Whisper с 29,4 млн параметров; она принимает аудио и преобразует его в текст на бирманском языке. В README выбран контрольный чекпойнт на шаге 1 000 с наименьшей указанной долей ошибок символов (CER 19,60%) на валидационной выборке из 252 аудиофрагментов. Модель предназначена для транскрибирования бирманской речи, в том числе записей, подобных аудио из набора SLR80. Её можно запускать через pipeline automatic-speech-recognition в библиотеке Transformers. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Показатель CER получен на небольшой изолированной выборке, поэтому он не гарантирует такое же качество на других записях, условиях записи или типах речи. README не сообщает о поддержке других языков или о проверке модели на более широком наборе сценариев.

Anime Whisper — авторская японская модель распознавания речи на базе kotoba-tech/kotoba-whisper-v2.0, дообученная Litagin на аудио и сценариях в стиле аниме и визуальных новелл. В метаданных указаны архитектура Whisper, около 905,2 млн параметров и библиотека Transformers. Модель принимает аудио и выдаёт японскую расшифровку; особенно хорошо подходит для эмоциональной актёрской речи, где сохраняет запинки, смех, крики, вздохи и другие невербальные звуки. По описанию автора, она также может распознавать речь в аудио для взрослых. Автор сообщает, что при сравнении на пяти визуальных новеллах модель показала качество примерно на уровне whisper-large-v3; опубликованная оценка ограничена этим набором. Расшифровка может зависеть от слов и имён из обучающих данных, а нормализация влияет на повторы гласных, знаки препинания и запись некоторых выражений. Не задавайте initial prompt: он может вызывать галлюцинации и резко ухудшать результат. Модель распространяется по лицензии MIT.