I.6Перевод и языковая адаптация

Naqta — модель MostafaMaroof для восстановления пунктуации в текстах на современном литературном арабском языке. Основной компонент в корне репозитория — XLM-RoBERTa-large для классификации токенов с 658,7 млн параметров и контекстом до 514 токенов. В репозитории также есть отдельный теггер фрагментов на XLM-RoBERTa-base для парных тире при междометиях. Модель расставляет двоеточия, вопросительные и восклицательные знаки, точки, запятые, точки с запятой и тире. Она дообучена примерно на 1,3 млн абзацев из книг, Википедии, новостей и корпусов вопросов и ответов. На отложенной выборке из источников обучения макро-F1 составляет 0,896, а на внешнем тесте с независимыми редакционными правилами — 0,616: результаты заметно зависят от принятого стандарта пунктуации. Модель не расставляет скобки и кавычки. Восклицательные знаки и точки с запятой могут предсказываться чаще нужного; особенно ненадёжны пунктуационные знаки, размещение которых определяется редакционным стилем. Репозиторий распространяется по лицензии Apache-2.0.

Obum — модель распознавания речи, разработанная Mansa Labs на основе Whisper-medium от OpenAI и дообученная с помощью LoRA для нигерийского пиджина. Она преобразует аудио в текст и предназначена для расшифровки речи на нигерийском пиджине; модель содержит около 769 млн параметров в базовой версии Whisper-medium. На тестовом наборе asr-nigerian-pidgin модель показала нормализованный WER 19,76% при жадном декодировании. Обучение проводилось на 2 708 высказываниях с аугментацией скорости речи. Модель уступает опубликованному результату SBPN-Large на том же тесте, но превзошла приведённые в карточке результаты MMS-1B и базовой линии Wav2Vec2-XLSR-53. Модель лучше подходит для чтения вслух и чистой речи. Качество может снижаться на спонтанной, зашумлённой или смешанной с другими языками речи; орфографическая вариативность нигерийского пиджина влияет на WER. Лицензия — CC BY 4.0.

OpenBuddy/openbuddy-llama2-13b-v8.1-fp16 — многоязычная чат-модель OpenBuddy на архитектуре LLaMA 2, созданная на основе моделей Meta. Это плотная авторегрессионная модель с 12,9 млрд параметров для генерации ответов в диалоге и других задач продолжения текста. Репозиторий содержит веса PyTorch в формате FP16; нативный контекст составляет 2048 токенов. Модель ориентирована на общение и генерацию текста на китайском, английском, французском, немецком, японском, корейском, итальянском и русском языках. Для скачивания и использования требуется одобрение Meta и соблюдение лицензии Meta для LLaMA. Модель может выдавать ошибочные, вредные или оскорбительные ответы и не предназначена для медицинских, финансовых, юридических и других критически важных решений.

OpenThaiLLM-Prebuilt-7B — базовая языковая модель, разработанная командой OpenThaiLLM и продолжающая предобучение Qwen2.5-7B. Это плотная авторегрессионная модель с 7,1 млрд параметров для генерации текста; заявленная длина контекста составляет 131 072 токена. В карточке указаны тайский, китайский и английский языки. Модель предназначена для прикладной адаптации и сценариев генерации, включая RAG, генерацию с ограничениями и задачи рассуждения. README приводит сравнительные результаты на тайских экзаменационных и языковых тестах. Авторы не рекомендуют использовать базовую версию для диалогов без дополнительного постобучения; для адаптации упоминается LoRA. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии Apache-2.0.

OWSM-CTC v4 — открытая многоязычная речевая модель семейства Open Whisper-style Speech Model, разработанная авторами проекта OWSM и распространяемая через ESPnet. Это модель на основе энкодера с иерархическим многозадачным self-conditioned CTC; она выполняет распознавание речи, перевод речи и определение языка в одной нерекуррентной модели. Версия v4 обучалась три эпохи на 320 тысячах часов открытых аудиоданных. Модель предназначена для преобразования речи в текст и поддерживает обработку аудио с частотой 16 кГц. Для коротких записей ожидается фиксированная длительность 30 секунд с дополнением или усечением; для длинных записей ESPnet может разделять аудио на перекрывающиеся фрагменты. CTC-декодирование не предоставляет временные метки слов или сегментов. Для применения нужны ESPnet и espnet_model_zoo. Лицензия — CC BY 4.0.

Kataguru Jackripper v1.0 Uncensored — финская доработка Qwen3.5-35B-A3B, выпущенная Kataguru в формате GGUF. Это разреженная MoE-модель с 35 млрд параметров и примерно 3 млрд активных параметров на токен; в карточке заявлены чат, рассуждения и усиленная работа на финском языке. Предназначена для локального диалога и генерации текста на финском и английском, в том числе для ответов на вопросы, задач на рассуждение и написания кода. README заявляет изменение направлений отказа и приводит три квантизованных варианта GGUF объёмом 12,05–15,33 GiB с рекомендациями по видеопамяти 12–24 ГБ. В примере запуска указан контекст 32 768 токенов, но это параметр команды, а не подтверждённый предел модели. Заявления о безошибочном финском и результатах бенчмарков приведены автором карточки и не подтверждены независимыми данными. Модель основана на мультимодальной Qwen3.5, однако описание этого релиза и доступные задачи указывают на текстовую генерацию и чат. Лицензия — Apache-2.0.

OsaurusAI подготовила JANG_4M — квантованную версию мультимодальной модели Qwen3.6-27B для локального запуска в MLX на компьютерах Apple Silicon. Это плотная модель на 27,3 млрд параметров с гибридной архитектурой: 48 из 64 слоёв используют Gated DeltaNet, остальные — полное внимание; также есть визуальный энкодер для изображений и видео. Модель принимает текст и визуальный ввод и предназначена для диалога, ответов по изображениям и видео, а также текстовых задач вроде перевода и вопросов с рассуждением. В JANG_4M основная часть весов сжата до 4 бит, а проекции полного внимания, эмбеддинги и выходная голова сохранены в 8-битном формате. В README приведены результаты на срезе MMLU из 200 вопросов без включённого рассуждения; режим с рассуждением не оценивался. Для запуска требуется совместимая среда MLX на Apple Silicon; карточка рекомендует Osaurus. Размер весов на диске — около 17,5 ГБ, а после загрузки модель занимает примерно 18–22 ГБ плюс память для KV-кэша. Лицензия — Apache-2.0.

Sabomako/Qwen3-Omni-30B-A3B-Thinking-heretic — производная модель семейства Qwen3-Omni, созданная дообучением Qwen/Qwen3-Omni-30B-A3B-Thinking. По карточке базовой модели это мультимодальная модель с архитектурой MoE и компонентом Thinker, предназначенная для рассуждений по тексту, аудио и видео с текстовыми ответами; семейство также заявлено как способное обрабатывать изображения. Модель распространяется в формате safetensors и рассчитана на работу через Transformers. Семейство Qwen3-Omni поддерживает 119 языков для текста, 19 языков для входящей речи и 10 языков для речевого вывода. Описаны потоковое взаимодействие с низкой задержкой и настройка поведения системными промптами, однако карточка этой конкретной производной не объясняет, что именно меняет вариант heretic, и не подтверждает сохранение всех возможностей базовой модели. Метаданные указывают лицензию other, поэтому конкретные условия использования следует сверить с файлами репозитория.

Qwen-Qwen2.5-1.5B-llamafied — версия модели Qwen2.5-1.5B, созданная llamafy и преобразованная в формат Llama для совместимости с программами, поддерживающими этот формат. Это плотная авторегрессионная языковая модель с 1,5 млрд параметров для генерации текста и диалогов; она работает через библиотеку Transformers и принимает текст, выдавая текст. Модель рассчитана на контекст до 4096 токенов и поддерживает английский, китайский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. Модель подходит для чат-ботов и генерации текста, а интерфейс также отмечен как поддерживающий вызов инструментов. В репозитории указаны веса Safetensors. Лицензия в предоставленных данных не указана.

Это уменьшенная версия модели восстановления капитализации и пунктуации в испанском тексте, разработанная компанией VÓCALI в рамках проекта SANIVERT. Модель основана на dccuchile/bert-base-spanish-wwm-uncased и дообучена для классификации токенов; размер составляет 137,1 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для восстановления заглавных букв и знаков препинания в испанских текстах, например при подготовке транскрипций или черновиков без оформления. Для обучения использовались более 2,1 млн испанских текстовых примеров. В карточке указаны метрики Macro F1 и Weighted F1, но их значения не приведены. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

NVIDIA FastConformer-Hybrid Large для французского языка — модель распознавания речи, разработанная NVIDIA и обученная с помощью NeMo. Она преобразует монофоническое аудио WAV с частотой 16 кГц в текст с заглавными и строчными буквами, пробелами, точками, запятыми и вопросительными знаками. Модель построена на архитектуре FastConformer с уменьшением частоты кадров в 8 раз с помощью глубинных свёрток. Это большая версия примерно на 115 млн параметров; обучение использует совместные функции потерь Transducer и CTC. Модель можно применять для вывода или дообучать на собственных данных. Она обучалась на суммарно 1800 часах французской речи из MCV12, MLS и VoxPopuli. Модель подходит для транскрибации французской речи в аудиозаписях и пакетной обработки файлов. Качество может снижаться на технической лексике, незнакомой разговорной речи и речи с акцентом; модель выводит только точки, запятые и вопросительные знаки. Лицензия — CC BY 4.0.

Карточка модели tokyotech-llm/Swallow-13b-instruct-v0.1 на Hugging Face совпадает с карточкой tokyotech-llm/Swallow-7b-instruct-v0.1, поэтому описание составлено по ней. Swallow-7b-instruct-v0.1 — диалоговая языковая модель TokyoTech-LLM на архитектуре Llama 2 с 6,7 млрд параметров. Она прошла дополнительное предварительное обучение преимущественно на японских текстах, а версия instruct — supervised fine-tuning для следования инструкциям. Токенизатор с расширенным японским словарём эффективнее представляет японский текст. Модель принимает текст и генерирует текст; заявленный контекст — 4096 токенов. Модель предназначена для диалогов и выполнения текстовых инструкций на японском и английском языках: написания текстов, ролевых диалогов, ответов на вопросы, рассуждений и извлечения информации. В README опубликованы оценки на японском MT-Bench и сравнение с другими моделями, однако они не гарантируют качества для каждого сценария. Выпуск v0.1 обозначен как предварительная версия; разработчики предупреждают, что модель ещё не настроена на соответствие человеческим намерениям и требованиям безопасности. Лицензия — Llama 2 Community License (llama2).

ThaiLLM-8B-Instruct — диалоговая языковая модель KBTG-Labs, созданная с помощью mergekit на основе ThaiLLM-8B и Qwen3-8B. Она предназначена для генерации текста и следования инструкциям, с улучшенным пониманием тайского языка по сравнению с Qwen3-8B. Модель поддерживает режимы с рассуждением и без него, а также интерфейс вызова инструментов. Архитектура — плотная Qwen3ForCausalLM с 7,6 млрд параметров; максимальный контекст — 40 960 токенов. README описывает сравнение результатов экзаменационных и финансовых тестов с Qwen3-8B, но отмечает, что результаты могут различаться в зависимости от среды оценки. Модель работает с текстом и рассчитана на тайский и английский языки. Для запуска через Transformers требуется версия 4.51.0 или новее. Лицензия — Apache-2.0.

Typhoon-0219 — инструктивная языковая модель команды SCB10X AI, предназначенная для диалогов и выполнения пользовательских инструкций на тайском и английском языках. Это плотная авторегрессионная модель с 7,1 млрд параметров на архитектуре Mistral, основанная на Typhoon 7B и дообученная на разнообразном наборе данных для настройки инструкций объёмом более миллиона примеров. Модель поддерживает системные сообщения и шаблон диалога ChatML; родной контекст составляет 32 768 токенов. Модель подходит для создания тайскоязычных и англоязычных чат-ботов, ответов на вопросы и других задач генерации текста по инструкциям. Указана лицензия Apache-2.0. Разработчики отмечают, что модель всё ещё развивается и может выдавать неточные, предвзятые или нежелательные ответы; её поведение следует оценивать для конкретного применения.

Uzbek Whisper Small STT v2 — модель автоматического распознавания речи на узбекском языке, созданная на основе Whisper Small и дообученная на Mozilla Common Voice 26. В README указаны три эпохи обучения и 9 195 шагов оптимизации; оценка проводилась на узбекской тестовой выборке Common Voice 26. Модель предназначена для преобразования узбекской речи в текст. Файлы основной ветки представлены в формате CTranslate2 FP16 для запуска через faster-whisper; это не стандартный чекпойнт Transformers. README не сообщает лицензию. Точность может снижаться на записях с шумом, другими микрофонами, стилями речи и диалектами, а также на аудио, отличном от Mozilla Common Voice. Перед развёртыванием рекомендуется проверить модель на характерных для приложения записях.

cahya/wav2vec2-base-turkish-cv7 — модель распознавания турецкой речи, разработанная Cahya и дообученная на наборе MOZILLA-FOUNDATION/COMMON_VOICE_7_0 - TR. Она использует архитектуру wav2vec2 с CTC-декодером и содержит 113,3 млн параметров. Модель принимает аудио и выдаёт распознанный текст на турецком языке. На оценочной выборке указаны loss 0,2893 и WER 0,2713. Модель подходит для транскрибации турецкой речи, в том числе записей, похожих по условиям на Common Voice. Доступна по лицензии Apache-2.0.

alvanlii/wav2vec2-BERT-cantonese — дообученная модель распознавания речи на основе facebook/w2v-bert-2.0, разработанная Alvin. Она преобразует аудио на кантонском языке в текст и предназначена для автоматической транскрипции речи. Модель основана на архитектуре Wav2Vec2-BERT и содержит 405,4 млн параметров. Для обучения использовались наборы Common Voice 16 на кантонском и китайском языках Гонконга, CantoMap и Cantonese-ASR. На тестовой части Common Voice 16 для кантонского языка автор сообщает CER 10,27 без учёта пунктуации. Модель рассчитана на распознавание кантонской речи; приведённый результат относится к конкретному тестовому набору и не гарантирует такое же качество на других аудиозаписях. Распространяется по лицензии Apache-2.0.

wav2vec2-large-xlsr-53-icelandic-ep30-967h — акустическая модель для автоматического распознавания исландской речи. Её дообучила Language and Voice Laboratory при Университете Рейкьявика на базе facebook/wav2vec2-large-xlsr-53: обучение длилось 30 эпох на 967 часах исландских записей из корпуса Samrómur Milljón, собранного платформой Samrómur. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. Модель принимает аудио и предназначена для преобразования исландской речи в текст, например для расшифровки записей. В README приведён результат тестирования 0,076, но метрика и протокол оценки не описаны, поэтому по этому числу нельзя однозначно судить о качестве. Модель распространяется по лицензии CC BY 4.0.

anton-l/wav2vec2-large-xlsr-53-romanian — модель распознавания речи на базе facebook/wav2vec2-large-xlsr-53, дообученная на румынском языке разработчиком anton-l с использованием Common Voice. Она преобразует аудиоречь в текст и подходит для транскрибирования записей на румынском языке. Архитектура — Wav2Vec2ForCTC с 402,7 млн параметров; доступны веса PyTorch и Flax. Для входной речи требуется частота дискретизации 16 кГц. Модель рассчитана на автоматическое распознавание румынской речи; в карточке приведён результат оценки 24,84% на тестовой части Common Voice, но не уточнена метрика. Распространяется по лицензии Apache-2.0.

Wav2Vec2-Large-XLSR-53-Turkish — модель распознавания речи, дообученная автором ozcangundes на базе facebook/wav2vec2-large-xlsr-53 на турецких данных Common Voice. Она принимает аудио и преобразует речь в текст; для входной записи требуется частота дискретизации 16 кГц. Модель построена на архитектуре Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель предназначена для автоматической транскрибации турецкой речи. В карточке приведён результат 29,62 % на тестовых данных Common Voice, но метрика не уточнена. Веса доступны в формате PyTorch, лицензия — Apache-2.0.

Это модель автоматического распознавания речи на польском языке, разработанная Jonatas Grosman путём дообучения facebook/wav2vec2-xls-r-1b с помощью HuggingSound. Она использует архитектуру Wav2Vec2ForCTC и предназначена для преобразования польской речи в текст; в обучении использованы обучающая и валидационная части Common Voice 8.0, Multilingual LibriSpeech и Voxpopuli. Модель содержит 1,3 млрд параметров и принимает аудио с частотой дискретизации 16 кГц. Для распознавания польской речи её можно применять к аудиозаписям и речевым данным из различных источников. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Качество распознавания зависит от записи и соответствия входного аудио требованию 16 кГц; сведения о производительности в конкретных условиях в карточке не приведены.

jonatasgrosman/wav2vec2-xls-r-1b-portuguese — модель распознавания речи на португальском языке, созданная дообучением facebook/wav2vec2-xls-r-1b. Она использует архитектуру Wav2Vec2 с выходной головой CTC и содержит около 1,3 млрд параметров. Для обучения использованы обучающие и валидационные части Common Voice 8.0, CORAA, Multilingual TEDx и Multilingual LibriSpeech; модель предназначена для преобразования португалоязычной речи в текст. Модель принимает аудио с частотой дискретизации 16 кГц и выдаёт транскрипцию. В карточке приведён пример использования через библиотеку HuggingSound. Модель опубликована под лицензией Apache-2.0. Карточка не сообщает метрики качества или ограничения на типы записей, поэтому практическую точность следует оценивать на данных целевого сценария.

dbdmg/wav2vec2-xls-r-300m-italian-robust — акустическая модель распознавания итальянской речи, дообученная на базе facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Для обучения использованы итальянские части наборов Common Voice 7.0, LibriSpeech multilingual, TED multilingual, Voxforge, M-AILABS, EuroParl-ST, EMOVO и MSPKA. Модель принимает аудио и преобразует речь в текст; карточка не описывает дополнительные режимы работы или длину контекста. Репозиторий предоставляет веса PyTorch и Safetensors. Лицензия — Apache 2.0.

Это модель автоматического распознавания речи на венгерском языке, созданная сообществом на основе openai/whisper-base. Она объединяет взвешенным усреднением параметров две венгерские дообученные версии: 90% весов whisper-hu-base-finetuned-V2 и 10% whisper-base-hungarian_v4. Модель содержит 51,7 млн параметров и доступна в формате safetensors для Transformers. Модель предназначена для преобразования венгерской речи в текст, в том числе для записей с фоновым шумом. В тестах авторов она показала более низкий WER на FLEURS hu_hu, чем обе исходные версии, и лучшее распознавание на зашумлённых записях; на Common Voice 17.0 немного уступила V2, обучавшейся на его обучающей и валидационной выборках. Результаты зависят от условий записи и настроек декодирования. Для живой речи, телефонных разговоров и сильных акустических искажений качество может быть ниже, чем на подготовленных записях. README указывает, что коммерческое использование без согласия не разрешено; для личного использования применяются исходные условия лицензии Whisper.

Это дообученная модель автоматического распознавания речи на основе OpenAI Whisper Base, подготовленная sarpba для транскрибирования венгерской речи. Модель содержит 51,7 млн параметров и обучена на собственном наборе sarpba/big_audio_data_hun; в README указано около 1200 часов отобранных венгерских аудиозаписей. Для оценки автор приводит результаты на венгерских наборах FLEURS и Common Voice 17.0. Модель принимает аудио и генерирует текстовую транскрипцию на венгерском языке. Автор сообщает о свободном использовании в личных целях на условиях исходной лицензии Whisper, но запрещает коммерческое использование этого дообучения без согласия автора.

Whisper Large v2 PL — модель автоматического распознавания речи, созданная дообучением openai/whisper-large-v2 на датасете Common Voice 11.0. Она использует архитектуру Whisper и содержит около 905,2 млн параметров. Модель предназначена для преобразования польской речи в текст; в карточке указана метрика WER 6,9125 на наборе оценки. Модель принимает аудио и выдаёт текст. Она распространяется в формате PyTorch по лицензии Apache-2.0. Подробности об условиях записи аудио, поддержке других языков и ограничениях в карточке не приведены.

Byne/whisper-large-v3-arabic — дообученная Byne версия мультиязычной модели Whisper large-v3 от OpenAI для автоматического распознавания речи и преобразования аудио в текст. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и доступна в формате Safetensors. Название указывает на специализацию на арабской речи. В README приведены результаты оценки: loss 0,1384 и WER 9,3775; описание набора данных, условий оценки и подробные сценарии использования не раскрыты. Модель распространяется по лицензии Apache-2.0.

Whisper Large v3 Nepali — модель распознавания речи, созданная Кира́ном Пантхой путём дообучения openai/whisper-large-v3 на сбалансированном наборе OpenSLR54 для непальского языка. Модель содержит 905,2 млн параметров и использует архитектуру Whisper; она принимает аудио и преобразует речь в текст. Подходит для транскрибации непальской речи. В README приведены результаты оценки на тестовой выборке: WER 18,725 и CER 4,4861. Репозиторий распространяется по лицензии Apache-2.0.

Sagicc/whisper-large-v3-sr-combined — дообученная модель автоматического распознавания речи на базе Whisper large-v3 от OpenAI. Она предназначена для транскрибации аудио на сербском языке; при дообучении использовались наборы Mozilla Common Voice 13 и Google Fleurs. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и принимает аудио, выдавая текст. В README приведены результаты оценки: WER 0,0556 и орфографический WER 0,1635. Карточка рекомендует обновлённую версию Sagicc/whisper-large-v3-sr-cmb, обученную на более чем 50 часах дополнительных данных. Модель распространяется по лицензии Apache-2.0. Результаты распознавания могут зависеть от качества записи, акцента и соответствия аудио обучающим данным.

kingabzpro/whisper-large-v3-turbo-urdu — модель распознавания речи, созданная дообучением Whisper large-v3-turbo на наборе Common Voice 17.0. Она принимает аудио и выдаёт текстовую расшифровку на урду; модель реализована на архитектуре Whisper и содержит около 905,2 млн параметров. Модель предназначена для транскрибации речи на урду, в том числе записей, подобных примерам из Common Voice. В README приведены результаты оценки на тестовой части Common Voice 17.0: WER около 26% и CER около 8,8%, поэтому в расшифровках возможны ошибки, особенно при отличающихся условиях записи или речи. Модель доступна под лицензией Apache-2.0 и рассчитана на использование через Transformers.