I.6Перевод и языковая адаптация

Nagarariharshini/whisper-small-te — модель распознавания речи на телугу, созданная Nagarariharshini дообучением openai/whisper-small с помощью Mozilla.ai Blueprint speech-to-text-finetune. Она принимает аудио и преобразует речь в текст; обучение проводилось на 99 аудиозаписях на телугу из корпуса Common Voice. По приведённым в карточке метрикам дообучение снизило ошибку распознавания относительно базовой модели, однако значения WER и CER остаются высокими, поэтому качество может быть ограничено. Модель распространяется по лицензии Apache-2.0.

nandovallec/whisper-tiny-bg-l — модель распознавания речи на основе Whisper Tiny, дообученная на Common Voice 11.0. Она предназначена для преобразования аудиозаписей на болгарском языке в текст. В метаданных указаны архитектура Whisper, 29,4 млн параметров и формат PyTorch; README приводит результаты оценки: loss 0,7377 и WER 61,8352. Модель распространяется по лицензии Apache-2.0. Высокое значение WER указывает на существенные ошибки распознавания; README не описывает дополнительные сценарии применения или ограничения.

ckiplab/bert-base-chinese-pos — модель на базе BERT для разметки частей речи в текстах на традиционном китайском языке. Проект CKIP предоставляет модели Transformer и инструменты NLP; автор и сопровождающий этой модели — Mu Yang из CKIP. Модель решает задачу token-classification: присваивает метку каждому токену, в частности может использоваться для определения частей речи. Она содержит 129,5 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и Flax. Для токенизации README рекомендует BertTokenizerFast вместо AutoTokenizer. Модель предназначена для анализа китайского текста, например разметки частей речи перед последующей обработкой. В карточке указана лицензия GPL-3.0.

we1kkk публикует объединённые веса Chinese-LLaMA-Alpaca-plus-LoRA-7B — плотной авторегрессионной модели семейства LLaMA на 6,7 млрд параметров. Репозиторий содержит веса в формате PyTorch, конфигурацию и токенизатор; модель загружается как готовый merge-чекпойнт через Transformers. Модель предназначена для генерации текста на китайском языке и сценариев инструкционного диалога, связанных с Chinese-Alpaca. Контекст составляет 2048 токенов. В README не приведены результаты оценки качества или сведения о лицензии, поэтому условия коммерческого и иного использования по имеющимся данным определить нельзя.

Cecilis выпустил текстовую модель на базе Qwen3-4B, дообученную на внутриигровых текстах Cultist Simulator. Она генерирует прозу в сдержанном, книжном и зловещем стиле игры: описания карт, вступительные и итоговые повествования событий, а также тексты концовок. Модель также поддерживает перевод между китайским и английским языками. Модель представляет собой плотную авторегрессионную архитектуру Qwen3ForCausalLM примерно на 3,7 млрд параметров с контекстом до 40 960 токенов. Веса сохранены в safetensors; в корне репозитория находится полная модель с объединённым LoRA-адаптером в формате bf16, а в папке lora — отдельный адаптер. Для дообучения использовались 26 875 примеров. Поддерживаются китайский и английский языки. Модель подходит для фанатских текстов, настольных ролевых игр и черновиков игровых модификаций. Она усвоила стиль и структуру повествования, но не игровые механики, поэтому не знает эффекты карт, рецепты и числовые условия и может расходиться с официальным лором. Возможны дословные или близкие к оригиналу фрагменты; обучающий контекст ограничивал длину примеров 896 токенами, поэтому длинная связная проза может даваться хуже. Базовая модель лицензирована по Apache-2.0, однако автор рекомендует использовать эту производную модель только для личного обучения и некоммерческого творчества, а при публикации учитывать права Weather Factory на игровые тексты.

Koichi Yasuoka выпустил модель DeBERTa-v2 для разметки частей речи в китайском тексте. Она дообучена на базе IDEA-CCNL/Erlangshen-DeBERTa-v2-97M-Chinese и присваивает каждому слову тег UPOS из набора Universal Dependencies. Модель подходит для морфосинтаксической разметки упрощённого и традиционного китайского; в карточке также заявлен сценарий синтаксического анализа зависимостей. Модель содержит 125,6 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. Опубликована в формате PyTorch под лицензией Apache-2.0. Карточка не приводит оценок качества; результат зависит от корректной токенизации и разбиения текста на слова.

Koichi Yasuoka разработал DeBERTaV2 для разметки японского текста. Модель дообучена на базе KoichiYasuoka/deberta-large-japanese-wikipedia; она присваивает словам универсальные части речи UPOS и морфологические признаки FEATS, а также предназначена для синтаксического анализа зависимостей. Архитектура — DeBERTaV2 для классификации токенов, размер — 435,4 млн параметров, максимальная длина контекста — 512 токенов. Модель обучена на японской Википедии и текстах «Аозора бунко»; в метаданных также указан датасет Universal Dependencies. Поддерживается японский язык. Лицензия — CC BY-SA 4.0.

DukunLM-13B-V1.0-Uncensored — языковая модель azale-ai для генерации текста и выполнения инструкций на индонезийском языке. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, дообученная методом QLoRA на индонезийской части MBZUAI/Bactrian-X поверх ehartford/WizardLM-13B-V1.0-Uncensored. Для общения используется формат подсказок Alpaca; длина контекста — 2048 токенов. Модель подходит для генерации индонезийских ответов, диалогов и текстов по инструкциям. В README она названа uncensored: встроенных фильтров или выравнивания нет, поэтому ответы могут содержать ошибки, культурные предубеждения и оскорбительный контент. Базовая модель ориентирована на английский, а эта версия дообучена для индонезийского. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но запрещающая коммерческое применение.

FLAMA-0.1-3B — чат-модель для генерации текста на каталонском языке, разработанная xaviviro. Она создана дообучением OpenLLaMA 3B v2 на автоматически переведённых на каталонский язык инструкциях OpenAssistant v1, оформленных в ChatML. Модель предназначена для диалогов и ответов на вопросы; для общения следует использовать шаблон ChatML. Модель основана на плотной архитектуре Llama с 3,3 млрд параметров и контекстом 2048 токенов. Карточка указывает каталонский как основной язык; метаданные также отмечают английский. В README упомянуты GGUF и квантизованные варианты, а метаданные описывают репозиторий в формате PyTorch. Лицензия — Apache-2.0.

Koichi Yasuoka разработал японскую модель разметки частей речи на основе karasu-1.1B. Она присваивает каждому короткому слову универсальную часть речи UPOS и грамматические признаки FEATS, что подходит для синтаксического анализа и подготовки японских текстов к лингвистической обработке. Модель построена на плотной архитектуре LLaMA, содержит около 1 млрд параметров и имеет контекст длиной 2048 токенов. Она принимает текст и выдаёт метки для его токенов. Модель распространяется по лицензии Apache-2.0.

Omarrran разработал модель Koshur Diacritizer ByT5 Small — дообученную на Kashmiri/Koshur версию байтовой модели ByT5-small для восстановления диакритических знаков. Она преобразует текст на кашмири без диакритики в текст с диакритикой, используя архитектуру T5 для последовательного преобразования текста. Размер модели — 364,6 млн параметров; модель работает с текстом и загружается через Transformers. По оценке авторов, средняя точность по оценкам рецензентов составляет около 77,5%; на тестовом наборе из 1150 предложений частота ошибок по буквам с диакритикой (DER marked) составила 20,12%. Байтовая токенизация помогает сохранять комбинируемые знаки письма персо-арабской графики. Ограничения включают ошибки на редких случаях и усечение длинных входов; защитная проверка в примере применения отклоняет выводы, меняющие согласный каркас исходного текста. Лицензия — Apache-2.0.

KW5 149M Instruct — небольшая плотная авторегрессионная языковая модель Regnant на архитектуре KW5V2, дообученная в формате инструкций на базе regnant-io/kw5-149M. В модели 149 млн параметров трансформера; общая сумма параметров с раздельными входными эмбеддингами и выходной головой составляет 173,6 млн. Базовая модель предварительно обучена на 1,97 млрд токенов суахили, а инструкционная настройка выполнена полным дообучением на 465 млн токенов за два цикла. Модель принимает текст и генерирует текст на суахили; поддерживает диалог и выполнение инструкций. Модель предназначена для коротких объяснений, перефразирования и ответов на вопросы по предоставленному тексту, когда результат проверяет человек. Она обычно завершает ответ специальным токеном, следует простым ограничениям и иногда отказывается отвечать на вопросы, на которые не знает ответа. Отказ ненадёжен и не является оценкой уверенности. Существенные ограничения: слабые фактические знания, крайне ненадёжная арифметика, плохие ответы на уточняющие вопросы и низкая точность при извлечении двух похожих фактов из текста. Карточка прямо указывает, что у модели нет полноценной настройки безопасности. Лицензия — Apache-2.0.

LDCC-SOLAR-10.7B — языковая модель LDCC, дообученная на базе yanolja/KoSOLAR-10.7B-v0.1 методом обучения, описанным в статье SOLAR. Это плотная авторегрессионная модель семейства Llama с 10,7 млрд параметров и контекстом до 4096 токенов; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста на корейском языке. Для обучения использовались четыре ускорителя A100, DeepSpeed, Hugging Face TRL Trainer и Accelerate. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. В README указано, что базовая модель больше не поддерживается из-за проблемы с токенизатором; при дальнейшем дообучении рекомендуется брать tokenizer.json и tokenizer_config.json из ревизии v1.1.

Liujgoj-Cantonese-Qwen3-8B-Base-i1-GGUF — это GGUF-квантизированная версия базовой модели Yvthyvq/Liujgoj-Cantonese-Qwen3-8B-Base, подготовленная mradermacher. Модель относится к семейству Qwen3, имеет около 8 млрд параметров и ориентирована на генерацию текста, кантонский язык, задачи кантонской орфографии и сценарии, связанные с подходом speech-first. В метаданных также указан английский язык, однако подробности о распределении языковых возможностей не приведены. Модель поставляется в нескольких вариантах квантизации i1, включая IQ1–IQ4, Q2–Q6, с размером файлов примерно от 2,2 до 6,9 ГБ. В README не указаны точная архитектура, максимальная длина контекста, поддерживаемые модальности помимо текстовой генерации, результаты оценки качества и системные требования. Доступны варианты с разным компромиссом между размером, скоростью и качеством; для практического использования автор рекомендует i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S отмечает как оптимальный по соотношению размера, скорости и качества. Низкобитные варианты могут иметь заметно более низкое качество. Это базовая модель, поэтому README не заявляет о наличии диалоговой настройки или специализированных инструкций для чат-сценариев. Файлы предназначены для запуска средствами, поддерживающими формат GGUF, и могут быть полезны для локальной генерации и экспериментов с кантонским текстом. Модель распространяется по лицензии Apache-2.0.

Koichi Yasuoka разработал LTG-BERT для японской морфологической разметки. Модель дообучена на базе HPLT/hplt_bert_base_ja и назначает каждому короткому слову тег части речи UPOS и грамматические признаки FEATS. Она предназначена для анализа японских предложений и подготовки структурированных лингвистических данных. Модель содержит 124,3 млн параметров, работает с текстом и поддерживает контекст до 512 токенов. Распространяется по лицензии Apache-2.0.

Trelis выпустила дообученную версию Meta Llama 3 8B Instruct для генерации текста на ирландском языке (Gaeilge), используя данные Trelis/gawiki. Это авторегрессионная плотная модель семейства Llama с архитектурой Transformer и Grouped-Query Attention; в репозитории указаны 7,5 млрд параметров и контекст до 8192 токенов. Модель предназначена для диалогов и генерации текста на ирландском языке. Она принимает текст и генерирует текст, поэтому подходит для чат-ботов, черновиков и ответов на вопросы. README описывает базовую Llama 3 как оптимизированную для английского и предупреждает, что применение на других языках выходит за заявленную область; качество ирландского дообучения отдельно не приведено. Модель распространяется по лицензии Llama 3 с особыми условиями использования Meta.

MiniCPM5-2B-SFT-Pashto-Instruct — модель генерации текста и диалогов, разработанная Nassimjp в рамках инициативы iPashto.ai. Она дообучена следовать инструкциям на пушту и предназначена для поддержки задач на этом малоресурсном языке. Модель основана на nassimjp/MiniCPM5-2B-Pashto — варианте MiniCPM5-2B с изменённым токенизатором: 46 символов пушту и урду добавлены как отдельные токены. В README указано дообучение на менее чем 10 000 парах инструкций и объединение LoRA/QLoRA в веса bfloat16; метаданные описывают архитектуру как плотную LlamaForCausalLM с 2,2 млрд параметров. Заявленный контекст — 131 072 токена, а карточка также указывает генерацию длинных примеров до 40 000 токенов. Модель подходит для ответов на инструкции и генерации текста преимущественно на пушту; в обучающих примерах также использовался английский. Лицензия — Apache-2.0. Карточка не приводит независимых сравнительных оценок качества, поэтому результаты на других языках и за пределами описанных сценариев не установлены.

Salim Diallo разработал модель распознавания речи на пуларе (fuf), варианте фула, распространённом в регионе Фута-Джаллон в Гвинее. Это дообученная на адаптерных слоях модель facebook/mms-1b-all на архитектуре Wav2Vec2 с CTC-головой и символьным словарём; размер базовой модели — 1,3 млрд параметров. Модель принимает монофоническую речь с частотой дискретизации 16 кГц и преобразует её в текст на пуларе. Модель обучена на примерно 9 760 аудиофрагментах с чтением библейских текстов и рассчитана прежде всего на распознавание спокойной, заранее подготовленной речи в похожем домене. В README приведены результаты WER 10,38% и CER 2,89% на 200 тестовых примерах; это лучше исходной модели MMS в указанном сравнении. Лицензия CC-BY-NC 4.0 разрешает только некоммерческое использование.

facebook/mms-tts-agn — модель синтеза речи на языке агутайнен, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на агутайнен в речевой сигнал и подходит для озвучивания фраз и создания голосовых сообщений на этом языке. Модель использует архитектуру VITS — сквозную систему синтеза речи с вариационным автоэнкодером, потоковым модулем и декодером, похожим на HiFi-GAN. Размер чекпойнта составляет 3,5 млн параметров. Для каждого языка MMS обучается отдельный чекпойнт; модель предназначена для агутайнен и не заявлена как многоязычная. Генерация речи стохастическая, поэтому для воспроизводимого результата требуется фиксировать seed. Модель доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-bud — модель синтеза речи для языка нтчам (Ntcham, код ISO 639-3: bud), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на нтчам. Для этого используется архитектура VITS: модель обучается сквозным образом, а стохастический предиктор длительности позволяет по-разному задавать ритм речи для одного и того же текста. Чекпойнт содержит около 3,5 млн параметров и доступен в форматах PyTorch и Safetensors. Для воспроизводимого результата при генерации речи нужен фиксированный seed: без него стохастическая модель может выдавать разные варианты звучания. Модель рассчитана на один язык и не предназначена для синтеза речи на других языках. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

facebook/mms-tts-gng — модель синтеза речи на языке нгангам (Ngangam, gng), разработанная Facebook в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт VITS для одного языка: модель принимает текст и генерирует речевую аудиоволну. Архитектура VITS объединяет вариационный автоэнкодер, Transformer-энкодер текста, потоковый модуль, декодер в стиле HiFi-GAN и стохастический предсказатель длительности, благодаря которому текст может звучать с разным ритмом. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors. Модель предназначена для озвучивания текста на нгангам. Генерация недетерминирована: для воспроизводимого результата требуется фиксировать seed. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-kzf — модель синтеза речи на языке Kaili, Da’a (kzf), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевой аудиосигнал; отдельный чекпойнт VITS обучен для этого языка. Модель содержит около 3,5 млн параметров и использует архитектуру VITS: текстовый энкодер на основе Transformer, потоковый модуль и HiFi-GAN-подобный декодер. Она доступна через библиотеку Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на Kaili, Da’a. Стохастический предиктор длительности позволяет получать разные ритмические варианты одной фразы, поэтому генерация недетерминирована и для повторения результата требуется фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-mcb — модель синтеза речи на языке Matsigenka (mcb), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну; для каждого языка MMS обучается отдельный чекпойнт. Модель основана на архитектуре VITS и содержит текстовый энкодер, flow-модуль, стохастический предиктор длительности и декодер, формирующий аудио. Размер модели — 3,5 млн параметров; она доступна в Transformers начиная с версии 4.33. Модель предназначена для озвучивания текста на Matsigenka, например для синтеза речевых сообщений и аудиоверсий текстов. Из-за стохастического предиктора длительности генерация недетерминирована: для воспроизводимого результата нужно фиксировать seed. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-min — модель синтеза речи на минангкабау от Facebook, часть проекта Massively Multilingual Speech (MMS). Это отдельный чекпойнт для одного языка на архитектуре VITS: модель преобразует входной текст в речевую аудиоволну. Вариативный предсказатель длительности позволяет синтезировать разные ритмы речи для одного текста; поэтому результат может меняться между запусками, а для воспроизводимого аудио требуется фиксированное начальное значение генератора случайных чисел. Модель содержит около 3,5 млн параметров и распространяется в форматах PyTorch и Safetensors. Для работы с ней подходит библиотека Transformers версии 4.33 или новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-otq — модель синтеза речи на языке отоми штата Керетаро, разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст на отоми в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS: текстовый энкодер, потоковый модуль и декодер на основе HiFi-GAN обучены сквозным образом. Чекпойнт содержит около 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; для работы поддерживается библиотека Transformers версии 4.33 и выше. Генерация стохастическая: фиксированный seed нужен, чтобы получить одинаковое аудио при повторном запуске. Модель ориентирована на один язык, поэтому её не следует считать универсальной многоязычной системой синтеза речи. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-pps — модель синтеза речи на языке пополока Сан-Луис-Темалакайука, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на этом языке. Модель использует архитектуру VITS для сквозного синтеза речи: текстовый энкодер и flow-модуль подготавливают акустическое представление, а декодер формирует аудиоволну. Размер модели — 3,5 млн параметров; она доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Отдельные контрольные точки MMS-TTS обучены для разных языков. Из-за стохастического предсказателя длительности одинаковый текст может произноситься с разным ритмом, а для повторяемого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

facebook/mms-tts-vif — модель синтеза речи для языка Vili (код vif), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на Vili в речевую аудиоволну и предназначена для озвучивания текста и создания речи в приложениях для этого языка. Модель основана на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; синтез выполняется сквозным способом с помощью вариационного автоэнкодера, потокового модуля и декодера, а стохастический предиктор длительности позволяет варьировать ритм речи. Для повторяемого результата требуется фиксировать seed. Модель доступна через Transformers версии 4.33 и новее. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Модель предназначена для Vili и не является многоязычной моделью одного чекпойнта.

facebook/mms-tts-xua — модель синтеза речи из текста для языка курумба, алу (xua), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт проекта, реализованный на архитектуре VITS и содержащий около 3,5 млн параметров. Модель принимает текст и генерирует речевую аудиоволну; она доступна через библиотеку Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на курумба, алу. Стохастический предиктор длительности позволяет синтезировать варианты речи с разным ритмом, поэтому результат может меняться между запусками; фиксированное начальное значение генератора случайных чисел позволяет воспроизводить тот же результат. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

sionic-ai/nllb-200-ko-gec-3.3B — дообученная модель на основе facebook/nllb-200-3.3B, предназначенная для исправления грамматических ошибок в корейском языке. Она использует архитектуру M2M100 для преобразования текста и имеет 2,1 млрд параметров; в метаданных указано контекстное окно 1024 токена и поддержка задачи перевода. Основной сценарий — грамматическая коррекция корейского текста. Базовая модель NLLB-200 создавалась для перевода между 200 языками, однако карточка этой версии описывает именно коррекцию корейского языка; список языковых кодов в метаданных сам по себе не подтверждает, что дообученная модель подходит для перевода на все эти языки. Модель распространяется под лицензией CC-BY-NC-4.0, которая ограничивает коммерческое использование.

KoichiYasuoka/roberta-base-ukrainian-upos — модель RoBERTa для разметки украинского текста. Она дообучена на корпусе UberText на основе KoichiYasuoka/roberta-base-ukrainian и классифицирует каждый токен по универсальной части речи UPOS. Модель также предназначена для синтаксического анализа зависимостей. Модель содержит 136,3 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в формате PyTorch. Её можно применять для морфологического анализа украинского текста и подготовки данных для синтаксического разбора. Лицензия — CC BY-SA 4.0.