I.6Перевод и языковая адаптация

ruT5-large-paraphraser — русскоязычная модель генерации перефразировок на основе архитектуры T5, разработанная fyaronskiy. Она дообучена на базе ai-forever/ruT5-large на наборе ru-paraphrase-NMT-Leipzig-cleaned и предназначена для создания перефразированного варианта заданного текста. Модель содержит 385,2 млн параметров, принимает текст и генерирует текст; максимальный контекст составляет 512 токенов. Модель подходит для перефразирования русскоязычных текстов и текстовой аугментации. Она распространяется в формате safetensors через Transformers под лицензией MIT. Качество и применимость к отдельным жанрам и предметным областям в карточке не описаны.

SILMA-9B-Instruct-v1.0 — диалоговая языковая модель компании SILMA.AI, ориентированная прежде всего на задачи на арабском языке. Она основана на Gemma 2, имеет плотную архитектуру Gemma2ForCausalLM и 9 млрд параметров; модель можно запускать через Transformers, доступны веса в формате safetensors. Поддерживается контекст до 8192 токенов, в карточке указаны арабский и английский языки. Модель предназначена для генерации текста и диалоговых сценариев: создания черновиков, суммаризации, ответов в разговорном интерфейсе и образовательных инструментов. Разработчик заявляет о сильных результатах на арабских языковых задачах. Для RAG и целевых ответов на вопросы в README рекомендована отдельная модель SILMA Kashif v1.0. Качество ответов зависит от обучающих данных и формулировки запроса; модель может ошибаться в фактах, упускать языковые нюансы и воспроизводить предвзятость. Лицензия указана как gemma; перед коммерческим или иным использованием следует соблюдать её условия.

TEA-ASR-1.1-mini-fmt — компактная модель автоматического распознавания речи для тайваньского мандаринского языка, разработанная как вариант TEA-ASR-1.1-mini с управляемым форматом записи числительных. Модель дообучена на базе Qwen/Qwen3-ASR-0.6B и содержит около 780 млн параметров. Она принимает аудио и транскрибирует его традиционными китайскими иероглифами, включая тайваньскую лексику. Формат числительных задаётся префиксом декодера: можно выбрать арабские цифры или запись китайскими числительными. Управление форматом даёт умеренный эффект: оно заметнее на обычной тайваньской речи и слабее на спонтанных лекциях. Модель рассчитана прежде всего на мандаринскую речь; по устойчивости к плотному переключению между китайским и английским она уступает основной версии TEA-ASR-1.1-mini. В README приведены результаты тестирования на CommonVoice, ASCEND и CSZS. Подходит для расшифровки субтитров, записей и журналов, где требуется единое оформление чисел, при ограниченных вычислительных ресурсах. Использует архитектуру Qwen3-ASR и формат весов Safetensors; для работы с моделью указана библиотека Transformers. Лицензия — MIT.

Harveenchadha/vakyansh-wav2vec2-kannada-knm-560 — модель автоматического распознавания речи на основе Wav2Vec2 с выходной CTC-архитектурой. В карточке Hugging Face указано, что это модель для распознавания речи; параметры составляют около 113,3 млн, веса доступны в формате PyTorch. Модель предназначена для преобразования аудиозаписей на каннада в текст; процессор настроен на аудио с частотой дискретизации 16 кГц. Модель подходит для транскрибирования речи на каннада, например, записей и аудио в прикладных системах распознавания речи. В карточке нет сведений о лицензии, оценках качества или подробных ограничениях применимости, поэтому эти характеристики нельзя надёжно описать.

Модель CLEAR-Global/w2v-bert-2.0-chichewa_34_307h — версия facebook/w2v-bert-2.0, дообученная CLEAR Global для автоматического распознавания речи на языке чичева. Она использует архитектуру Wav2Vec2BertForCTC и содержит около 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст; обучение проводилось на наборе CLEAR-GLOBAL/CHICHEWA_34_307H - NA. В README приведены результаты оценки: WER 0,3856 и CER 0,1100. Модель распространяется по лицензии MIT.

Это модель распознавания речи на эсперанто, созданная автором xekri путём дообучения facebook/wav2vec2-large-xlsr-53 на наборе Mozilla Common Voice 13.0. Она использует архитектуру wav2vec2 с CTC-декодированием и предназначена для преобразования речи в текст. В README приведены результаты оценки: CER 0,0208 и WER 0,0687; модель рассчитана на аудио с частотой дискретизации 16 кГц. Модель подходит для транскрибирования записей на эсперанто, включая материалы Common Voice. В карточке указана лицензия Apache-2.0. В README отмечено, что записи без речи или с сильными искажениями могут вызывать галлюцинации и ошибочные транскрипции; для таких входов автор не нашёл доступного значения уверенности распознавания.

Alimzhan/wav2vec2-large-xls-r-300m-albanian-colab — модель для автоматического распознавания речи на албанском языке. Она дообучена автором на Common Voice Albanian на базе facebook/wav2vec2-xls-r-300m; архитектура Wav2Vec2ForCTC содержит около 402,7 млн параметров и принимает аудио, выдавая распознанный текст. Модель подходит для преобразования албанской речи в текст в приложениях и рабочих процессах распознавания речи. Модель распространяется в формате safetensors под лицензией Apache-2.0. Карточка не содержит результатов оценки или подробностей о качестве и известных ограничениях, поэтому точность на конкретных акцентах, условиях записи и типах речи не установлена.

Модель reichenbach/wav2vec2-large-xls-r-300m-hi — дообученная на Common Voice версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на хинди. Она использует архитектуру Wav2Vec2 с выходной CTC-головой и содержит около 402,8 млн параметров. Модель принимает аудио и выдаёт распознанный текст. В карточке приведён результат оценки на тестовой выборке: WER 0,9420 и loss 2,4749. Высокий WER указывает на существенные ошибки распознавания в этой оценке, поэтому качество следует проверять на данных целевого сценария. Модель распространяется по лицензии Apache-2.0.

cahya/wav2vec2-large-xlsr-javanese — модель автоматического распознавания яванской речи, дообученная на базе facebook/wav2vec2-large-xlsr-53 на высококачественных данных синтеза речи на яванском языке из OpenSLR. Она принимает аудио, дискретизированное с частотой 16 кГц, и преобразует речь в текст; архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. В карточке приведён результат тестирования 17,61 %, но метрика не уточнена. Модель распространяется по лицензии Apache-2.0.

wav2vec2-large-xlsr-moroccan-darija-v3 — модель распознавания речи на основе архитектуры Wav2Vec2ForCTC, дообученная Hassan Ait Nacer на базе hassanaitnacer/wav2vec2-large-xlsr-moroccan-darija-v2. Модель содержит 402,7 млн параметров и принимает аудио, преобразуя речь в текст. Она предназначена для автоматического распознавания марокканской дариджи; в карточке указана оценка WER 0,1312 на тестовой выборке, но описание набора данных и методики оценки отсутствует. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка содержит мало сведений о сценариях применения и ограничениях, поэтому качество на других данных и вариантах речи по указанной оценке определить нельзя.

WAXAL-lug-ful-w2v-bert-2.0 — модель автоматического распознавания речи, созданная дообучением facebook/w2v-bert-2.0. Она принимает аудио и выдаёт текстовую расшифровку; архитектура Wav2Vec2-BERT с CTC-выходом содержит около 402,7 млн параметров. Модель предназначена для распознавания речи на языках Luganda и Fulfulde, однако README не описывает условия записи или конкретные сценарии применения. На оценочном наборе указаны Loss 0,4411 и CER 0,0793. Модель распространяется в формате Safetensors через Transformers по лицензии MIT. В карточке не приведены сведения о составе и источнике обучающих данных; название датасета в README не заполнено.

weblab-10b — языковая модель, разработанная Такеши Кодзимой и созданная на базе кода EleutherAI/gpt-neox. Это плотный авторегрессионный трансформер GPT-NeoX с 36 слоями и размером скрытого представления 4864; в README указано 10 млрд параметров, а метаданные репозитория содержат 13,9 млрд. Модель предварительно обучена примерно на 600 млрд токенов из японского C4 и The Pile и ориентирована прежде всего на японский язык, сохраняя многоязычную направленность. Модель предназначена для генерации текста и языковых задач на основе контекста, включая ответы на вопросы, понимание текста и краткое изложение. В README приведены результаты оценки на японском бенчмарке JGLUE; они показывают применимость к задачам японского языка, но не гарантируют качество для каждого пользовательского сценария. Контекстное окно составляет 2048 токенов. Репозиторий содержит веса PyTorch; лицензия CC BY-NC 4.0 ограничивает использование некоммерческими условиями.

akuzdeuov/whisper-base.kk — модель распознавания речи на базе Whisper-base, дообученная для казахского языка на Kazakh Speech Corpus 2, содержащем более 1 000 часов размеченных аудиоданных. Модель предназначена только для распознавания казахской речи и выдаёт текстовую расшифровку аудио. Модель поддерживает транскрибирование коротких записей длительностью до 30 секунд; для более длинных записей в Transformers можно включить обработку фрагментами. В README указана доля ошибок WER 15,36% на тестовой выборке. Репозиторий содержит веса в формате safetensors; размер модели составляет 51,7 млн параметров. Модель распространяется по лицензии Apache-2.0.

TalTechNLP/whisper-large-v3-turbo-et-subs — дообученная модель OpenAI Whisper large-v3-turbo, адаптированная для создания субтитров на эстонском языке. Разработчики дообучили её на примерно 770 часах вручную подготовленных субтитров эстонского телеканала ETV. Модель принимает аудио и генерирует текст; архитектура Whisper, около 905,2 млн параметров. Модель предназначена для распознавания эстонской речи и подготовки субтитров, строки которых обычно соответствуют требованию ETV — до 48 символов. При этом результат не всегда дословный: модель может перефразировать и сокращать текст, особенно для спонтанной речи, запинок и повторов. Репозиторий содержит веса Safetensors, модель можно использовать через Transformers. Лицензия — MIT.

xezpeleta/whisper-medium-eu — модель автоматического распознавания речи, разработанная дообучением Whisper Medium от OpenAI на корпусе asierhv/composite_corpus_eu_v2.1. Модель на архитектуре Whisper содержит 455,8 млн параметров и предназначена прежде всего для транскрибации речи на баскском языке в текст. В карточке сообщается, что модель достигла WER 9,1045 на валидационной выборке обучающего корпуса и WER 7,14 на Mozilla Common Voice 18.0. Её применяют для профессиональной транскрибации и разработки приложений с распознаванием баскской речи. Модель доступна под лицензией Apache-2.0. Точность зависит от качества записи: шум, диалектная и неформальная речь, редкие слова и сложные языковые конструкции могут приводить к ошибкам. По сравнению с меньшими вариантами Whisper Medium требует больше вычислительных ресурсов и работает медленнее.

steja/whisper-small-somali — модель распознавания речи на основе OpenAI Whisper Small, дообученная автором на подмножестве so_so датасета Google FLEURS. Она предназначена для преобразования аудиозаписей на сомалийском языке в текст; архитектура Whisper содержит около 153,1 млн параметров. В оценке на тестовой выборке указаны loss 2,0764 и WER 66,5950. Модель подходит для транскрибирования сомалийской речи в записях и голосовых материалах. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0. Высокий указанный WER свидетельствует о существенных ошибках распознавания, поэтому транскрипции могут требовать проверки и исправления.

alikanakar/whisper-synthesized-turkish-8-hour — модель распознавания речи, полученная дообучением openai/whisper-small. Она принимает аудио и преобразует речь в текст; в карточке указана оценка WER 23,0527 на наборе оценки. Модель содержит 153,1 млн параметров, использует архитектуру Whisper и распространяется в формате PyTorch. Модель предназначена для автоматической транскрипции речи на турецком языке. В названии указано, что для обучения использовались синтезированные турецкие аудиоданные длительностью восемь часов, однако README не содержит подробностей о датасете, условиях обучения и сценариях применения. Лицензия — Apache-2.0.

EYEDOL/whisper-tiny-hausa2 — модель автоматического распознавания речи на основе архитектуры Whisper, дообученная разработчиком EYEDOL на наборе EYEDOL/naija-voices-hausa-split_0-5. Модель содержит 29,4 млн параметров и предназначена для преобразования речи на хауса в текст. В README приведены результаты оценки: WER 0,4809, орфографический WER 0,5454 и loss 0,6946. Указанные результаты относятся к оценочному набору; сведений о контексте применения и дополнительных языках карточка не содержит. Модель распространяется по лицензии Apache-2.0.

Whisper Tiny South Indic — модель распознавания речи, созданная Bharat Ramanathan путём дообучения openai/whisper-tiny. Она предназначена для преобразования аудио в текст; в метаданных указана задача automatic-speech-recognition, а среди языковых тегов — тамильский, телугу, малаялам и каннада. Модель использует архитектуру WhisperForConditionalGeneration, содержит 29,4 млн параметров и опубликована в формате PyTorch. В README приведён результат оценки: WER 70,0806 на тестовом наборе; состав набора не описан, поэтому результат нельзя уверенно переносить на другие данные. Модель распространяется по лицензии Apache-2.0.

JRHuy/whisper-vietnamese-2 — дообученная модель семейства Whisper, разработанная на основе duytran3112/whisper-sm-vivos. Она предназначена для автоматического распознавания речи: принимает аудио и генерирует текстовую расшифровку. Модель содержит 153,1 млн параметров; в репозитории указаны веса PyTorch. На оценочном наборе README сообщает Loss 0,4398, WER 15,4165 и CER 8,2906; описание набора данных и методики оценки не приведено, поэтому эти результаты не позволяют надёжно судить о качестве на других записях. По названию модель ориентирована на вьетнамскую речь. Модель распространяется по лицензии Apache-2.0.

Wolof-HuBERT-CTC — модель распознавания речи, созданная Soynade Research путём дообучения soynade-research/Wolof-HuBERT-Base. Это HuBERT-модель с архитектурой CTC, содержащая 113,3 млн параметров и предназначенная для преобразования аудио на волоф в текст. Для оценки на сложном наборе данных в карточке указаны loss 0,4031 и WER 0,3565; авторы сообщают, что модель превосходит модели HuBERT от Meta и Orange. Модель подходит для транскрибирования записей и аудиопотоков на волоф. Для работы предлагается библиотека Transformers; веса представлены в формате safetensors. Лицензия — AGPL-3.0.

Модель GiftMark/akan-whisper-model разработана Марком Атта Менсахом и представляет собой дообученную версию OpenAI Whisper Small с архитектурой WhisperForConditionalGeneration и 153,1 млн параметров. Она предназначена для автоматического распознавания речи на языке акан, включая твийский вариант, и преобразования аудио в текст. Модель можно использовать в сервисах транскрибации, голосовых помощниках и приложениях, которым нужна поддержка акан; её также можно дополнительно адаптировать под конкретную область. Модель дообучена на аудиозаписях акан с соответствующими транскрипциями из набора Lagyamfi/akan_audio_processed и распространяется в формате safetensors через Transformers. Лицензия в предоставленных данных не указана. Качество может снижаться на акцентах, диалектах и языковых вариантах, недостаточно представленных в обучающем наборе; модель не предназначена для распознавания других языков без дополнительного дообучения.

Arabic LLaMa 3.1 16 bit Model — дообученная Omartificial-Intelligence-Space языковая модель на архитектуре Llama 3.1 с 7,5 млрд параметров. Она создана для генерации текста и ответов на вопросы на арабском языке; в метаданных также указана поддержка английского. Обучение проводилось на датасете Arabic BigScience xP3, а исходная модель — unsloth/Meta-Llama-3.1-8B. Модель принимает текст и генерирует текст. В README упомянуто дообучение с помощью Unsloth в 4-битной точности, тогда как репозиторий содержит веса safetensors и называется 16bit. Метаданные указывают контекст до 131 072 токенов. Модель распространяется по лицензии Apache-2.0. README не приводит оценок качества и подробных ограничений применения.

Beetle-FineWeb2-24B/beetle-bilingual-l2-50-classroom-20-b4-fineweb-tur-eng — языковая модель для генерации текста на базе Transformers. По названию модели она ориентирована на двуязычные сценарии с турецким и английским языками; в метаданных также указана архитектурная пометка pico_decoder. Разработчик, размер, длина контекста, лицензия и происхождение модели в доступных материалах не раскрыты. Модель предназначена для авторегрессионной генерации текста: продолжения фрагментов, создания черновиков и ответов на текстовые запросы. README является автоматически сгенерированной карточкой и не содержит сведений об обучении, оценивании, ограничениях безопасности или рекомендованных сценариях применения. Поэтому качество в конкретных задачах и пригодность для production-использования необходимо проверять самостоятельно.

Chinese-LLaMA-2-13B-hf — плотная авторегрессионная языковая модель семейства LLaMA 2, разработанная Linly-AI. Она прошла дополнительное обучение для работы с китайским языком: авторы применили межъязыковой перенос с curriculum learning и переработали словарь токенов для китайского языка, стремясь к более сбалансированному распределению данных и стабильной сходимости. Модель предназначена для генерации текста на китайском и английском языках. Её можно использовать для продолжения текста и построения приложений на основе генерации. Размер составляет 12,9 млрд параметров, архитектура — LlamaForCausalLM, формат репозитория — PyTorch, контекст — до 2048 токенов. README отсылает за подробностями обучения и результатами бенчмарков к репозиторию GitHub, поэтому оценить качество по конкретным тестам здесь нельзя. Лицензия в предоставленных данных не указана.

Qishuai/distilbert_punctuator_zh — модель для расстановки знаков препинания в обычном тексте на упрощённом китайском языке. Разработчик дообучил DistilBertForTokenClassification на основе дистиллированной модели bert-base-chinese; архитектура DistilBERT выполняет классификацию токенов. Модель принимает текст и предсказывает места и типы знаков препинания в контексте до 512 токенов. Модель предназначена для восстановления пунктуации в текстах без знаков препинания. В README приведены результаты проверки на обучающем наборе MSRA: для запятой F1 составляет 0,63, для китайской точки — 0,42, а для восклицательного знака — 0,09, поэтому точность зависит от типа знака. Для запуска описана загрузка через Transformers; веса доступны в форматах PyTorch и safetensors. Лицензия в предоставленных сведениях не указана.

Duchifat-V2 — двуязычная авторегрессионная языковая модель, разработанная TopAI для генерации текста на иврите и английском. Это decoder-only Transformer с архитектурой DuchifatCore; в метаданных указано 124,6 млн параметров, а в README — 136 млн. Модель обучалась на корпусе C4 с заявленным равным распределением иврита и английского и рассчитана на генерацию и продолжение текста. README сообщает о специальном токенизаторе, работе с переключением языков и базовых zero-shot задачах. Для использования применяется Transformers и формат PyTorch. Лицензия — Apache-2.0. Длина контекста в доступных сведениях не указана.

Ethio-ASR Oromo — модель автоматического распознавания речи на языке оромо, разработанная командой Ethio-ASR. Это одномовная модель на архитектуре wav2vec2-bert-2.0 с 403,1 млн параметров, дообученная на оромо-разделе речевого датасета WAXAL. Модель принимает аудио и выдаёт текстовую транскрипцию; карточка указывает библиотеку Transformers и формат весов Safetensors. Модель предназначена для транскрибирования речи на оромо, в том числе в голосовых помощниках, средствах доступности и исследовательских базовых экспериментах. В README приведены оценки WER для других моделей набора Ethio-ASR, поэтому они не характеризуют непосредственно этот чекпойнт. Лицензия — CC-BY-4.0.

RASMUS/Finnish-ASR-Canary-v2 — модель автоматического распознавания речи на финском языке, опубликованная пользователем RASMUS и дообученная на базе NVIDIA Canary-v2. Она предназначена для преобразования финской речи в текст, включая короткие записи, разговорную речь, подкасты, интервью, лекции и многоговорящие записи; для длинных аудиофайлов предусмотрены сценарии с VAD и диаризацией. Модель основана на архитектуре Fast-Conformer с attention encoder-decoder и содержит около 1 млрд параметров. Она работает с аудио и генерирует текст на финском языке, использует библиотеку NVIDIA NeMo и поддерживает дополнительное beam search-декодирование с 6-граммовой KenLM-моделью для повышения качества. Заявленные значения WER составляют 4,58% на Common Voice, 7,75% на FLEURS, 7,03% на CSS10 и 11,65% на VoxPopuli; качество зависит от типа речи и согласованности нормализации транскриптов. Сильные стороны модели — специализация на финском языке, хорошие результаты на нескольких речевых доменах и поддержка длинных записей с временными метками и диаризацией. Ограничения включают зависимость от NVIDIA NeMo и требовательную инфраструктуру; в документации для окружения тестирования указана NVIDIA GPU с не менее чем 48 ГБ VRAM. Модель распространяется по лицензии MIT.

Huihui-gemma-3n-E2B-it-abliterated-i1-GGUF — GGUF-квантизированная версия модели Huihui-gemma-3n-E2B-it-abliterated, разработанной Huihui-ai и подготовленной квантизатором mradermacher. Модель основана на Gemma 3n E2B и предназначена для локального запуска в форматах GGUF. В README она обозначена как мультимодальная vision-модель с поддержкой сценариев audio-text-to-text, video-text-to-text, автоматического распознавания речи и автоматического перевода речи. Указан английский язык; точный размер контекста, архитектурные детали и полный набор поддерживаемых языков не приведены. Доступно множество вариантов квантизации объёмом примерно от 2,0 до 3,8 ГБ, включая IQ- и Q-форматы. Это позволяет выбирать компромисс между размером, скоростью и качеством, однако низкобитные варианты могут заметно уступать по качеству, а для обработки изображений могут потребоваться отдельные mmproj-файлы из статического репозитория. Модель имеет пометку abliterated и uncensored, поэтому её поведение и защитные ограничения могут отличаться от исходной модели. Для использования требуется принять лицензию Google Gemma на Hugging Face; конкретные дополнительные условия лицензии в README не раскрыты.