I.6Перевод и языковая адаптация

Moonshine Streaming Tiny — Arabic — модель распознавания арабской речи с потоковой расшифровкой, разработанная командой Moonshine AI. В метаданных указано 13,8 млн параметров; README сообщает о 27 млн, поэтому размер в источниках расходится. Модель использует временной аудиофронтенд с частотой 50 Гц и Transformer-энкодер со скользящими окнами, а также декодер; она выдаёт текст постепенно, не дожидаясь окончания аудиофрагмента. Заявленное применение — запуск на устройствах с ограниченными ресурсами. Модель обучена на автоматически размеченных арабских подкастах, видео и других аудиозаписях; транскрипты получены от модели-учителя семейства Whisper и не проверялись людьми для большей части данных. README приводит результаты на выборке из 400 фрагментов Common Voice и FLEURS, но предупреждает, что это не полная оценка арабского языка и что диалекты отдельно почти не измерялись. Среди ограничений — ошибки в именах, числительных и переключении языков, повторения на коротких или шумных фрагментах и слабая проверенность в телефонных и дальнеполевых условиях. Лицензия — MIT.

MzansiLM 125M — модель семейства Llama, разработанная для языков Южной Африки и обученная с нуля на многоязычном корпусе MzansiText, охватывающем все 11 официальных языков страны. Это плотная авторегрессионная модель с 125,3 млн параметров и контекстом 2048 токенов; используется декодерная архитектура LlamaForCausalLM и собственный BPE-токенизатор с размером словаря 65 536.

Open-Solar-Ko-10.7B — авторегрессионная языковая модель, разработанная Junbum Lee (Beomi) на основе upstage/SOLAR-10.7B-v1.0. Это продолженное предварительное обучение с расширенным словарём и включением корейского корпуса; архитектура — плотный трансформер LlamaForCausalLM, производный от Llama 2. Модель содержит 10,7 млрд параметров и принимает и выдаёт текст. Модель предназначена прежде всего для генерации текста на корейском языке, а также поддерживает английский. В обучении использовались общедоступные корейские корпуса AI Hub, Modu Corpus и корейская Википедия; расширенный SentencePiece BPE-словарь содержит 46 592 токена. Контекст составляет 4 096 токенов. В README приведены результаты оценки на нескольких корейских задачах понимания текста. Расширенный корейский словарь сокращает число токенов для корейских фраз по сравнению с исходным SOLAR-токенизатором. Карточка описывает первоначальную тестовую версию, поэтому качество и пригодность для конкретных сценариев следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

OpenThaiGPT 1.5 7B Instruct — чат-модель команды OpenThaiGPT для общения на тайском языке и ответов на вопросы, в том числе по темам, связанным с Таиландом. Это плотная авторегрессионная модель семейства Qwen2, дообученная на более чем 2 млн тайских пар инструкций. Она поддерживает диалог в несколько ходов, вызов инструментов и применение в системах с дополненной поиском генерацией (RAG). Модель принимает текст и генерирует текст; заявлены тайский и английский языки. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. В README описано расширение контекста с помощью YaRN для более длинных входов, но отмечено, что текущая конфигурация рассчитана на 32 768 токенов. Репозиторий содержит веса safetensors и GGUF. Модель предназначена для тайскоязычного чата, ответов на вопросы и интеграции с внешними функциями и данными. README сообщает о высоких результатах на тайских экзаменах, однако такие бенчмарки не гарантируют точность в конкретных пользовательских сценариях. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

Prodigy SM Base v0.1 — базовая языковая модель компании iskon.ai, полученная продолжением предобучения Mistral-7B-v0.1. Она рассчитана на понимание и генерацию текста на сербском, боснийском и хорватском языках, сохраняя способность работать на английском. Разработчики обучали модель на сочетании синтетических и подготовленных людьми материалов, включая данные CC Web, уделяя внимание грамматике, орфографии и языковым особенностям. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Это базовая модель без шаблона чата и строгого следования инструкциям; её можно использовать для продолжения предобучения на южнославянских языках или как основу для последующей донастройки под диалоги и инструкции. По данным README, адаптация улучшила результаты на сербском, сохранив или немного повысив качество на английском. Распространяется по лицензии Apache-2.0.

Qolda — ISSAI әзірлеген, қазақ, орыс және ағылшын тілдерінде жұмыс істеуге арналған 4,3 млрд параметрлі шағын көру-тілдік чат-модель. Ол OpenGVLab/InternVL3_5-4B негізінде дообучатылған: InternViT-300M көру энкодері мен MLP проекторын Qwen3-4B тілдік моделімен біріктіреді және InternVL фреймворкінде оқытылған. Модель мәтіндік диалогқа да, суреттер туралы сұрақтарға жауап беруге, визуалды мазмұнды талдауға және мәтіндік тапсырмаларды орындауға да арналған. README мәтіндік және визуалды бенчмарктерді қазақ, орыс және ағылшын тілдерінде келтіреді. Hugging Face метадеректері негізгі міндетін image-text-to-text деп белгілейді; чат мүмкіндігі де көрсетілген. Transformers және lmdeploy арқылы іске қосуға болады. lmdeploy серверінде API сұрауында enable_thinking параметрін extra_body ішінде нақты орнату қажет; тапсырма күрделілігіне қарай бос thinking жауабы қайтуы мүмкін. README лицензия шарттарын атамайды.

giocom/Qwen3.8-27B-MXFP4-GGUF — это вариант модели Qwen3.8-27B, опубликованный пользователем giocom и представленный в формате GGUF. В README указаны технологии MTP и MXFP4, а также приблизительная плотность квантования 5,24 BPW. Базовая модель разработана командой Qwen, однако подробные сведения об архитектуре и размере исходной модели в карточке не приведены. Модель предназначена для задач, поддерживаемых базовой Qwen3.8-27B, с возможностью использования в совместимом с GGUF программном обеспечении. В метаданных указан тип pipeline image-text-to-text, что предполагает работу с изображениями и текстом, но конкретные поддерживаемые модальности, языки, размер контекста и сценарии применения не описаны. Ключевым преимуществом является компактное MXFP4-представление, потенциально снижающее требования к памяти по сравнению с полноразмерными весами. Ограничения связаны с отсутствием подробных результатов тестирования, характеристик производительности и описания качества квантования. README содержит ссылку на лицензию базовой модели Qwen3.8-27B, но точные условия лицензии в карточке не указаны.

AMAImedia опубликовала эту версию модели в рамках платформы NOESIS для автоматизации многоязычного дубляжа. В основе — дообученная philbert440/Qwen3.8-27B-Uncensored-Aggressive; это плотная мультимодальная модель семейства Qwen3.5 для Transformers, с весами safetensors в формате BF16. Сохранены vision tower и голова MTP для спекулятивного декодирования. Модель принимает изображения и текст и формирует текстовые ответы. Она предназначена для диалоговых сценариев с изображениями, а также для генерации ответов на инструкции с менее выраженными отказами, чем у исходной модели. В README описан метод ослабления отказов через ортогонализацию вектора отказа на слое 28 с коэффициентом α=1,15; приведённые там оценки — результаты авторского тестирования, а не независимая проверка. Заявлена поддержка многих языков, включая русский, английский и китайский. Лицензия — Apache-2.0.

oddadmix/qwen3-asr-0.6b-arabic-dialectal — дообученная Oddadmix модель распознавания речи на основе Qwen/Qwen3-ASR-0.6B-hf. Это мультимодальная LLM-ASR с плотной архитектурой Qwen3-ASR; в README указано 0,6 млрд параметров (также приведена оценка 938 млн). Модель предназначена для транскрибации арабской речи из разных диалектных регионов, включая левантийский, магрибский, египетский, заливный, суданский и иракский арабский, а также литературный арабский. Она принимает аудио и выдаёт текст без диакритических знаков. На тестовом наборе из 932 фрагментов дообученная версия показала WER 0,676 и CER 0,408 против 0,756 и 0,454 у базовой модели в режиме zero-shot. Модель дообучена всеми параметрами на примерно 36,8 тыс. обучающих примеров после фильтрации; данные включали аугментации шума, музыки, скорости, голоса и реверберации. Подходит для офлайн-транскрибации коротких записей и оценки распознавания арабских диалектов. По данным README, обрабатывает фрагменты длительностью до 30 секунд и не поддерживает потоковое распознавание. Качество на реальных записях и отдельных диалектах может различаться; магрибские диалекты названы наиболее сложными. Лицензия — Apache-2.0; автор рекомендует проверять качество на собственных данных перед производственным использованием.

Radon-35B-Ultra-X-RU-i1-GGUF — это квантизированная версия модели Radon-35B-Ultra-X-RU, разработанной MagistrTheOne и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для генерации текста и диалоговых сценариев, включая работу на русском и английском языках. В README она также обозначена как vision model, поэтому поддержка изображений предполагается при наличии соответствующих файлов mmproj, однако подробности мультимодальных возможностей не приведены. Модель основана на архитектуре radon_ultra_moe и относится к классу 35B. Доступны варианты квантизации i1 с разным балансом между размером файла, скоростью и качеством: от IQ1_S размером около 6,5 ГБ до Q6_K размером около 25,2 ГБ. Рекомендуемыми обозначены Q4_K_S как компромисс по размеру, скорости и качеству и Q4_K_M как быстрый вариант. Длина контекста, точные параметры MoE-архитектуры, результаты оценивания и требования к оборудованию в README не указаны. Сильными сторонами являются поддержка русского и английского языков, наличие множества вариантов квантизации для локального запуска и потенциальная работа с текстом и изображениями. Ограничения зависят от выбранного уровня квантизации: варианты с меньшим размером могут заметно уступать по качеству, а некоторые прямо характеризуются как низкокачественные. Для использования требуются совместимые инструменты, поддерживающие GGUF, а для обработки изображений — дополнительные mmproj-файлы из статического репозитория. Модель распространяется по лицензии Apache-2.0.

Røst-v3-wav2vec2-315m — модель распознавания датской речи, разработанная в Alexandra Institute в рамках проекта CoRal. Это архитектура Wav2Vec2-XLS-R с классификатором CTC, дообученная на датасете CoRal-v3, который включает разговорную и прочитанную вслух речь с разными диалектами, возрастными группами и голосами. По метаданным модель содержит 402,7 млн параметров; в таблицах README для этой версии указано 315 млн. Модель предназначена для преобразования датской речи в текст, в том числе для транскрибирования разговоров и чтения вслух. На оценке CoRal-v3 Character Error Rate составил 13,7% для разговорной речи и 5,9% для прочитанной вслух. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия OpenRAIL, адаптированная под датасет CoRal-v3, допускает коммерческое применение с ограничениями, в частности на синтез речи и биометрическую идентификацию.

Strawberry-i1-GGUF — это набор квантованных GGUF-файлов базовой модели artindnr/Strawberry, подготовленный пользователем mradermacher. Модель предназначена для генерации текста и локального запуска в совместимых инструментах, поддерживающих формат GGUF. В репозитории представлены варианты квантования с использованием MXFP4_MOE, включая imatrix-квантизации и форматы IQ и Q разных уровней качества и размера. Модель относится к архитектуре mixture-of-experts; точное число параметров, размер контекста и другие архитектурные характеристики в README не указаны. Заявлена поддержка персидского и английского языков, а также multilingual-сценариев. Размеры доступных файлов составляют примерно от 12,1 до 22,3 ГБ. В качестве компромисса между размером, скоростью и качеством рекомендуются Strawberry.i1-Q4_K_S.gguf и Strawberry.i1-Q4_K_M.gguf; более низкие уровни квантования экономят место, но могут заметно снижать качество. Это вариант только для текстовых задач: сведения о поддержке изображений, аудио или других модальностей отсутствуют. README не приводит результатов бенчмарков и подробного описания сильных сторон базовой модели, поэтому качество генерации нельзя оценить по этим данным. Лицензия — Apache-2.0.

Turkish-LLM-7B-Instruct — диалоговая языковая модель на 7,2 млрд параметров, разработанная Ogulcan Aydogan и дообученная на наборах инструкций на турецком языке на базе mistralai/Mistral-7B-Instruct-v0.2. Она предназначена для генерации текста и выполнения пользовательских инструкций, прежде всего на турецком, а также поддерживает английский язык. Модель использует плотную архитектуру MistralForCausalLM и принимает текстовый контекст длиной до 32 768 токенов. В README отмечена возможность запуска на потребительских GPU при использовании квантизации; для модели также доступны варианты GGUF с квантизацией Q4, Q5 и Q8. Подходит для диалога и генерации ответов на турецком языке. Ограничения качества и результаты оценки в карточке не приведены. Лицензия — Apache-2.0.

kravchenko/uk-mt5-base — компактная языковая модель семейства mT5, созданная для работы преимущественно с украинским языком и частично с базовым английским. Автор описывает её как результат сжатия mT5-base с сокращением словаря и числа параметров. Модель построена на архитектуре MT5ForConditionalGeneration и содержит 122,1 млн параметров по метаданным. Карточка сообщает о сокращении словаря с 250 тыс. до 30 тыс. токенов и размера модели с 2,2 до 0,95 ГБ; эти результаты приведены для описанного автором процесса сжатия и могут не совпадать с текущим опубликованным чекпойнтом. Формат весов — PyTorch. Сценарии применения и условия лицензии в доступных данных не описаны.

Viking 7B — базовая языковая модель с 7 млрд параметров, разработанная совместно группой TurkuNLP Университета Турку, SiloGen и High Performance Language Technologies (HPLT). Это плотный декодерный трансформер семейства LLaMA с rotary positional embeddings и FlashAttention; модель обучалась на 2 трлн токенов, а её контекст составляет 4096 токенов. Она предназначена для генерации текста на финском, английском, шведском, датском, норвежском и исландском языках, базового перевода между ними, а также понимания и генерации кода. Модель подходит для дальнейшей тонкой настройки под диалоговые и прикладные сценарии, генерации продолжений текста и помощи с кодом. Это частично обученный базовый чекпойнт, поэтому для большинства пользовательских задач ему требуется дополнительная настройка; опубликованные результаты полной оценки отсутствуют. Модель может выдавать неточные, предвзятые или спорные ответы и не рассчитана на уверенную работу с другими языками. Распространяется по лицензии Apache 2.0.

Модель CLEAR-Global — дообученная на наборе Yoruba NaijaVoices объёмом 500 часов версия facebook/w2v-bert-2.0 для автоматического распознавания речи. Она использует архитектуру Wav2Vec2-BERT с классом Wav2Vec2BertForCTC и содержит около 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст на йоруба; библиотека для работы с ней — Transformers. В карточке приведены результаты оценки: WER 0,2869, CER 0,1773 и loss 0,3063. Лицензия модели — MIT. Подробности о составе обучающих данных, условиях записи и ограничениях применения в карточке не раскрыты.

Модель dragonSwing/wav2vec2-base-vietnamese — акустическая модель распознавания вьетнамской речи на основе Wav2Vec2 с классификационной головой CTC. Разработчик дообучил dragonSwing/wav2vec2-base-pretrain-vietnamese на 100 часах размеченных аудиоданных набора VSLP. В репозитории представлены веса PyTorch и Safetensors, размер модели — 113,3 млн параметров. Модель предназначена для преобразования вьетнамской речи в текст, в том числе для расшифровки аудио и распознавания речи в приложениях. Для входной речи требуется частота дискретизации 16 кГц; в README приведён результат оценки 31,35% на вьетнамской тестовой части Common Voice. Модель выпущена по лицензии Apache-2.0.

Это модель автоматического распознавания речи на белорусском языке, созданная дообучением facebook/wav2vec2-base. Разработчик обучал её на разделах Train, Dev и Test корпуса Mozilla Common Voice 8.0 для белорусского языка; дополнительные записи из раздела Validated не использовались. Архитектура — Wav2Vec2ForCTC, размер — 113,3 млн параметров. Модель преобразует аудиозапись речи в текст и рассчитана на сценарии распознавания белорусской речи. Для декодирования также подготовлена 5-граммная языковая модель KenLM, обученная на предложениях из корпуса Common Voice. Репозиторий содержит веса PyTorch и распространяется по лицензии GPL-3.0. Качество может быть ограничено объёмом и составом использованных данных: в обучающих разделах использовали только одну озвучку каждого предложения, без дополнительных вариантов из Validated. README предлагает расширить обучающие данные дополнительными озвучками; численные результаты оценки в карточке не приведены.

Модель GetmanY1/wav2vec2-large-sami-22k-finetuned — акустическая модель распознавания саамской речи, разработанная Ярославом Гетманом и Тамашем Гросом. Это дообученная версия GetmanY1/wav2vec2-large-sami-22k на 20 часах аудиозаписей заседаний Саамского парламента; базовая модель предварительно обучалась на 22,4 тысячи часов саамской речи из радио- и телематериалов архива KAVI. Архитектура — Wav2Vec2 Large с CTC, около 402,7 млн параметров. Модель предназначена для преобразования саамской речи в текст, в том числе записей заседаний. Входное аудио должно быть дискретизировано с частотой 16 кГц. В README сообщается об оценке на одном часе чтения вслух и спонтанной речи вне обучающего домена с разным качеством записи; в экспериментах prefix beam search немного улучшал Character Error Rate по сравнению с жадным декодированием. Внешняя языковая модель не обязательна. Модель распространяется по лицензии Apache-2.0. Результат следует проверять на аудио, отличающемся от обучающих записей: дообучение выполнено на ограниченном наборе парламентских выступлений, а проверка охватывала один час речи.

sarpba/wav2vec2-large-xlsr-53-hungarian — модель распознавания венгерской речи, разработанная на основе facebook/wav2vec2-large-xlsr-53 и дообученная на венгерской части Mozilla Common Voice 17.0. Это архитектура Wav2Vec2ForCTC с 402,7 млн параметров, предназначенная для преобразования аудиозаписи в текст; модель работает с библиотекой Transformers и распространяется в формате safetensors. Модель подходит для транскрибации венгерской речи, например записей и аудио из Common Voice. В README приведены результаты оценки: WER 0,2997 и loss 0,1748; также заявлено сравнение с предыдущей моделью на Common Voice 17.0, но приведённые значения отличаются от основного WER, поэтому их следует учитывать с оглядкой на условия оценки и игнорируемые символы. Лицензия — Apache-2.0. Карточка не описывает условия записи аудио, устойчивость к шуму, акцентам или другим языкам; качество за пределами указанного набора оценки не подтверждено.

Модель dianavdavidson/wav2vec2-large-xlsr-53-iv_hindi_vaani-62420-hinglish_mixed_scripts-alldata-1e-4-100-mix-0.3-FT — дообученная Dianavdavidson версия facebook/wav2vec2-large-xlsr-53 для автоматического распознавания речи. Она построена на архитектуре Wav2Vec2ForCTC, содержит 402,8 млн параметров и принимает аудио, выдавая распознанный текст. По названию модели она ориентирована на хинди и хинглиш со смешанными письменностями; оценка на тестовом наборе указана как Global WER 29,1776 и loss 0,7903. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Wav2Vec2-Large-XLSR-53-galician — модель распознавания речи, созданная Diego Fustes дообучением facebook/wav2vec2-large-xlsr-53 на галисийском языке. Она принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; архитектура основана на Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель предназначена для автоматической транскрибации галисийской речи. В README приведён результат word error rate 16,79% на тестовой выборке OpenSLR SLR77. Доступны веса в форматах PyTorch, Flax и Safetensors. Лицензия — Apache-2.0.

Wav2Vec2-Large-XLSR-53-Gujarati — акустическая модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на гуджарати. Она преобразует аудио в текст и предназначена для распознавания записей речи на гуджарати; для входного аудио требуется частота дискретизации 16 кГц. Модель основана на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Для обучения использовали 90% набора OpenSLR SLR78 с записями мужских и женских голосов, предварительно исключив несколько примеров с символами латиницы. В README приведён результат оценки 23,55%, но не уточнена метрика; также в разделе оценки упоминаются данные маратхи, что расходится с заявленной специализацией на гуджарати. Модель распространяется по лицензии Apache-2.0.

Wav2Vec2-Large-XLSR-53-Hungarian — модель распознавания речи, дообученная на венгерском языке на данных Common Voice. Она основана на facebook/wav2vec2-large-xlsr-53 и использует архитектуру Wav2Vec2ForCTC с 402,7 млн параметров. Модель преобразует речь в текст и предназначена для автоматической транскрипции венгерской речи. Для входного аудио требуется частота дискретизации 16 кГц. В README приведён результат оценки 46,75% на тестовых данных Common Voice для португальского языка, поэтому он не подтверждает качество распознавания венгерской речи. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0.

gvs/wav2vec2-large-xlsr-malayalam — модель распознавания речи на малаяламском языке, созданная дообучением facebook/wav2vec2-large-xlsr-53 на корпусах Indic TTS Malayalam, OpenSLR Malayalam, SMC Malayalam и IIIT-H Indic Speech Databases. Модель основана на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров; для распознавания принимает речь с частотой дискретизации 16 кГц и выдаёт текстовую транскрипцию. Модель предназначена для автоматического преобразования записей речи на малаяламском языке в текст. В README приведён результат оценки WER 28,43% на тестовой части объединённого набора данных; качество на других записях может отличаться. Модель распространяется по лицензии Apache-2.0.

danurahul/wav2vec2-large-xlsr-pa-IN — модель автоматического распознавания речи на панджаби, созданная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice. Она использует архитектуру Wav2Vec2ForCTC и предназначена для преобразования панджабской речи в текст. Для входного аудио требуется частота дискретизации 16 кГц; доступны веса PyTorch и Flax. В карточке указан результат тестирования 100% на тестовых данных Common Voice, однако метрика не названа, а разделение данных описано неоднозначно: README сообщает об использовании наборов train и validation для обучения, валидации и тестирования. Поэтому результат не позволяет оценить обобщающую способность модели. Лицензия — Apache-2.0.

Wav2Vec2-XLS-R-2B — мультиязычная предварительно обученная модель Facebook AI для получения речевых представлений на основе архитектуры wav2vec 2.0. Она содержит 2,8 млрд параметров по метаданным и обучена на 436 тысячах часов неразмеченной речи из нескольких корпусов, включая VoxPopuli, Multilingual LibriSpeech, Common Voice, BABEL и VoxLingua107. Модель рассчитана на аудио с частотой дискретизации 16 кГц и охватывает 128 языков. Модель служит основой для дообучения под распознавание речи, перевод речи и классификацию, включая определение языка и другие задачи анализа аудио. В статье XLS-R сообщается о результатах на задачах распознавания и перевода речи для языков с разным объёмом обучающих данных. Это предварительно обученный чекпойнт, а не готовая система транскрибации: для прикладной задачи требуется дообучение и соответствующая выходная голова. Модель распространяется по лицензии Apache-2.0.

Это модель автоматического распознавания речи на телугу, созданная Liodon AI путём дообучения openai/whisper-large-v3. Она преобразует аудиозаписи на телугу в текст и подходит для транскрибации записей и речевых данных на этом языке. Модель основана на архитектуре Whisper large-v3 и обучена на примерно 119 тысячах аудиопримеров из датасетов Kathbath, IndicVoices-R и FLEURS. В карточке приведены промежуточные значения WER на валидационной части Kathbath: от 48,79% на шаге 0,10 до 40,78% на шаге 0,30; это указывает на ограничения качества данного чекпойнта. Указан epoch 1 checkpoint, а дальнейшее обучение продолжается. Лицензия — Apache-2.0.

Sagicc/whisper-medium-sr-v2 — 455,8-миллионная модель распознавания речи на базе Whisper Medium от OpenAI, дообученная разработчиком Sagicc на объединённых наборах Common Voice 16, Fleurs, новостных аудиозаписей Južne vesti и LBM. Модель принимает аудио и преобразует речь в текст; она предназначена прежде всего для распознавания сербской речи. В карточке приведены результаты оценки: WER 0,0738 и WER Ortho 0,1663. Модель использует архитектуру Whisper и опубликована в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает дополнительные сценарии применения и подробные ограничения.

Sagicc/whisper-small-sr-yodas-v2 — модель распознавания речи на основе Whisper Small от OpenAI, дообученная на объединённых наборах Common Voice 16, Fleurs, JuzneVesti-SR, LBM и YODAS. Она предназначена для преобразования аудиозаписей в текст; карточка приводит результаты оценки: WER 0,1220 и WER Ortho 0,2328. Модель содержит 153,1 млн параметров и распространяется в формате Safetensors. В названии и обучающих данных указаны сербский язык и южносербские новости; также в обучении использованы многоязычные наборы Common Voice, Fleurs и YODAS. Базовый Whisper Small поддерживает распознавание речи на нескольких языках. Модель опубликована под лицензией Apache 2.0. Карточка не уточняет ограничения применения и условия оценки метрик.