I.6Перевод и языковая адаптация

ARIA-70B-V3 — франкоязычная текстовая модель Faradaylab на архитектуре Llama, дообученная на базе Llama2-70B-Chat-HF. По карточке, обучение проводилось на частном высококачественном наборе данных из более чем 100 000 примеров с акцентом на грамматику, навыки письма и снижение смещений в данных. Модель предназначена для генерации и редактирования французского текста, создания контента и задач, где важны грамотность и естественность формулировок. Она содержит 68,7 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. В репозитории указаны веса Safetensors. Модель выпущена под лицензией с обозначением «other»; конкретные условия использования следует сверить с лицензией в репозитории. Карточка не приводит оценки качества или подробностей ограничений, поэтому заявленные преимущества в письме и снижении смещений не подтверждены количественными результатами.

SayedShaun/bangla-wav2vec2 — модель автоматического распознавания речи на основе Wav2Vec2 с CTC-головой. По карточке, веса и конфигурацию загрузил пользователь SayedShaun, но они были обучены не им: чекпойнт зеркалирует модель из датасета wv-shru-v3-s6, опубликованного пользователем Kaggle qdv206. Модель предназначена для преобразования речи на бенгальском языке в текст на письме бенгали. Она ожидает монофоническое аудио с частотой дискретизации 16 кГц и использует посимвольный CTC-словарь из 90 токенов, включающий символы бенгальского письма, цифры и базовую пунктуацию. Размер модели — около 402,7 млн параметров. Карточка описывает совместимость с Transformers через стандартные классы Wav2Vec2ForCTC и AutoModelForCTC. Лицензия в метаданных обозначена как unknown; при использовании автор просит указывать первоначального создателя и ссылаться на исходный датасет.

chimera-ggobugi-solar-v1 — текстовая генеративная модель, созданная объединением трёх моделей Solar с помощью LazyMergekit и метода model_stock. В конфигурации указаны chihoonlee10/T3Q-ko-solar-dpo-v7.0, MoaData/Myrrh_solar_10.7b_3.0 и freewheelin/free-solar-evo-v0.11; базовой моделью конфигурации названа chihoonlee10/T3Q-ko-solar-dpo-v7.0. Модель имеет плотную архитектуру LlamaForCausalLM и около 10,6 млрд параметров. Она предназначена для генерации текста; описание базовой модели Free Solar Evo указывает на работу с корейским и английским языками. В метаданных указан контекст до 4096 токенов, а веса опубликованы в формате safetensors. README не приводит примеров качества или специализированных сценариев применения. Условия лицензии в предоставленных данных не указаны.

Карточка модели elyza/ELYZA-japanese-Llama-2-7b на Hugging Face совпадает с карточкой elyza/ELYZA-japanese-Llama-2-7b-instruct, поэтому описание составлено по ней. ELYZA-japanese-Llama-2-7b-instruct — языковая модель ELYZA на архитектуре Llama 2, предназначенная для генерации текста и инструкционного диалога. Модель расширяет способности Llama 2 к японскому языку дополнительным предварительным обучением; в карточке она указана как версия instruct семейства ELYZA-japanese-Llama-2-7b. Разработчики: Akira Sasaki, Masato Hirakawa, Shintaro Horie и Tomoaki Nakamura. Модель содержит около 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст, выдавая текст. Контекст составляет 4096 токенов. В метаданных указаны японский и английский языки; основное назначение — работа с японским текстом, включая ответы по инструкциям и генерацию. Модель распространяется по лицензии Llama 2. Карточка не приводит подробных оценок качества или ограничений; как и другие языковые модели, она может выдавать неточные или вымышленные сведения.

French-Alpaca-Llama3-8B-Instruct-v1.0 — языковая модель, разработанная Jonathan Pacifico в 2024 году и дообученная на инструкционном наборе French-Alpaca, созданном с помощью OpenAI GPT-3.5-turbo. Модель основана на Llama 3 8B Instruct и предназначена для диалогов и выполнения инструкций на французском языке; её также можно дообучать для специализированных задач. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, работающая через Transformers и принимающая контекст до 8192 токенов. Карточка указывает французский язык; метаданные также отмечают английский. Модель распространяется в формате safetensors по лицензии Apache-2.0. Автор описывает её как быструю демонстрацию языковой специализации базовой модели на 8 млрд параметров. У модели нет механизмов модерации, поэтому она может выдавать неподходящие ответы; качество и безопасность для специализированного применения следует оценивать отдельно.

Модель reazon-research/japanese-wav2vec2-base-rs35kh разработана Reazon Research и представляет собой Wav2Vec 2.0 Base, дообученную для автоматического распознавания японской речи на корпусе ReazonSpeech v2.0. Она принимает аудио и преобразует речь в текст; модель опубликована для использования через библиотеку Transformers. В карточке приведены результаты по Character Error Rate на нескольких японских наборах данных. Средний CER составил 20,40%; на JSUT-BOOK для длинной речи CER составил 82,84%, что указывает на существенное ограничение при транскрибировании длинных записей. В метаданных указано 115,6 млн параметров и лицензия Apache-2.0.

LFM2.5-Encoder-350M-Spellchecker — модель Liquid AI, представляющая собой полное дообучение LFM2.5-Encoder-350M для исправления грамматических, орфографических и пунктуационных ошибок, а также ошибок регистра в английском тексте. В её основе — двунаправленный энкодер с теггером исправлений в стиле GECToR, который размечает ошибки на уровне подслов и применяет исправления итеративно; в README для инференса указано значение max_iter=4. Модель предназначена для проверки и редактирования английских предложений, включая исправление опечаток и грамматики. В README приведены результаты на LOCNESS, BEA-dev и CoNLL-14; на составном наборе MASTER указано значение ERRANT F0.5 64,24. Репозиторий содержит веса PyTorch в формате safetensors и использует библиотеку Transformers. Для загрузки требуется включить trust_remote_code=True. Лицензия в метаданных обозначена как other.

Mobilint/Llama-3.2-1B-Instruct — инструкционная языковая модель для генерации текста, разработанная на основе Meta Llama 3.2 1B Instruct и подготовленная Mobilint. Модель скомпилирована и оптимизирована для работы на NPU-оборудовании Mobilint и предназначена для развертывания в стек технологий ускорения Mobilint. Модель относится к семейству текстовых генеративных моделей, имеет размер около 1 млрд параметров и доступна в квантизованном варианте. Заявленные языки: английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Подходит для сценариев, связанных с генерацией текста и выполнением инструкций, однако конкретные поддерживаемые форматы взаимодействия, размер контекста, показатели качества и производительности в README не указаны. Ключевое преимущество модели — адаптация для аппаратного ускорения на NPU Mobilint, что может быть полезно при развертывании в соответствующей инфраструктуре. Ограничение заключается в зависимости от оборудования и программного стека Mobilint; данные о результатах тестирования, безопасности, точности и ограничениях применения отсутствуют. Лицензия указана как llama3.2; подробные условия доступны по ссылке на лицензию Meta Llama 3.2.

MeloTTS-Japanese — японская версия многоязычной системы синтеза речи MeloTTS, разработанной MyShell.ai. Она преобразует текст в речь и предназначена для озвучивания японских текстов. README описывает MeloTTS как высококачественную многоязычную библиотеку синтеза речи, способную работать в реальном времени на CPU; приведённый пример локального использования основан на Python-библиотеке MeloTTS. Модель опубликована в формате PyTorch под лицензией MIT. Метаданные указывают задачу text-to-speech и язык ko, тогда как идентификатор репозитория и назначение этой версии указывают на японский; сведения о языках в карточке противоречат друг другу. README не приводит точных параметров голоса, архитектуры, размера модели или длины контекста.

facebook/mms-tts-ara — модель синтеза арабской речи из текста, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Это отдельный чекпойнт для арабского языка с архитектурой VITS, объединяющей вариационный автоэнкодер, flow-модуль и декодер на основе HiFi-GAN. Модель содержит около 3,5 млн параметров и доступна через библиотеку Transformers. Модель преобразует входной текст в речевую аудиоволну и подходит для озвучивания арабских текстов и создания речевого вывода в приложениях. Стохастический предиктор длительности позволяет получать разные ритмические варианты произношения; для воспроизводимого результата требуется фиксировать seed. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Это GGUF-пересборка BF16 модели NOESIS-Qwen3-TTS-1.7B-Talker-Combo-LLM2-ASR2, подготовленная mradermacher. Базовая модель AMAImedia объединяет Qwen3-TTS Talker и языковые адаптеры для многоязычного синтеза речи в системе дубляжа NOESIS; в репозитории представлены статические варианты GGUF и мультимодальные дополнения mmproj. Модель предназначена для преобразования текста в речь, включая сценарии многоязычного дубляжа и клонирования голоса. В тегах указаны поддержка 112 языков, voice cloning и zero-shot voice cloning. Для запуска GGUF нужны совместимые средства; README содержит варианты файлов и общие указания по их использованию, но не описывает точную процедуру синтеза или условия клонирования голоса. Репозиторий распространяется по лицензии Apache-2.0. Данных о размере контекста и конкретных ограничениях качества в карточке нет.

Это версия модели NVIDIA Parakeet для автоматического распознавания японской речи и преобразования её в текст. Чекпойнт основан на mlx-community/parakeet-tdt_ctc-0.6b-ja и подготовлен для запуска через MLX на устройствах Apple, включая iPhone и компьютеры Mac с Apple Silicon. В основе — гибридная архитектура FastConformer TDT-CTC; размер модели составляет 0,6 млрд параметров. Веса заранее приведены к формату bfloat16. Это уменьшает размер файлов примерно с 2,49 до 1,25 ГБ и снижает пиковую память при загрузке по сравнению с преобразованием из fp32 во время запуска; по README, изменение типа данных не меняет поведение модели при выводе. Модель предназначена для распознавания японской речи на устройстве. Она распространяется по лицензии CC-BY-4.0 с указанием авторства NVIDIA и mlx-community.

PersianLLaMA-13B-Instruct — плотная языковая модель семейства LLaMA с 13 млрд параметров, разработанная командой Мохаммада Амина Аббаси, Араша Гафури, Махди Фирузманди, Хассана Надери и Бехруза Минаеи Бидголи. Модель дообучена на датасете Persian Alpaca и предназначена для выполнения инструкций на персидском языке с помощью генерации текста. Модель подходит для персидскоязычных диалоговых помощников, ответов на инструкции и создания текстовых материалов. Использует архитектуру LlamaForCausalLM, работает с Transformers и распространяется в формате safetensors; нативная длина контекста — 4096 токенов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Mostafa Amiri разработал персидскую версию Llama 2 7B, дообученную на персидской Википедии и переведённом наборе ALPACA. Токенизатор расширен на 19 954 токена с помощью BPE, обученного на персидских данных. Модель имеет плотную архитектуру LlamaForCausalLM с 6,7 млрд параметров и контекстом до 4096 токенов. Модель предназначена для генерации текста на персидском языке, включая ответы на инструкции и вопросы, а также продолжение текста. Она использует safetensors и распространяется по лицензии BSD. Специальная предметная область в карточке не заявлена.

nrl-ai/pp-ocrv5-voicebridge-snapdragon — комплект моделей распознавания текста PP-OCRv5, подготовленный для локального запуска на NPU Snapdragon 8 Elite. В него входят детектор текста PP-HGNetV2 с DB++ и распознаватели китайского и корейского текста на архитектуре SVTR/CTC; модели скомпилированы в формат int8 TFLite через Qualcomm AI Hub. Комплект предназначен для извлечения текста с вывесок и знаков безопасности на китайском и корейском языках в мобильных приложениях, включая офлайн-перевод. По данным карточки, полный конвейер выполняется примерно за 2,2 мс на Hexagon NPU смартфона Samsung Galaxy S25 Ultra, без перехода на CPU. На 200 фотографиях вывесок из ReCTS полнота точного распознавания составила 48,5%, а средняя полнота по символам — 66%; результат зависит от сложности изображения. Латинский распознаватель не поддерживает предварительно составленные вьетнамские гласные с тоновыми знаками, поэтому модель не подходит для вьетнамского текста. Лицензия — Apache-2.0.

OPEA/Qwen2.5-0.5B-Instruct-int4-sym-inc — квантизированная версия языковой модели Qwen/Qwen2.5-0.5B-Instruct, созданной командой Qwen. Квантизация выполнена с помощью Intel Auto-Round: используется формат INT4, симметричная квантизация и group_size 128. Модель предназначена для генерации текста и диалогового взаимодействия, включая ответы на вопросы, следование инструкциям, простые рассуждения и многоязычные сценарии. Заявлена поддержка китайского, английского, французского, испанского, португальского, немецкого, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Модель рассчитана на запуск на CPU, CUDA и HPU; для CPU требуется Auto-Round версии выше 0.3.1. Доступен вариант в формате AutoGPTQ при загрузке с revision 7cac2d1. Размер базовой модели — 0,5 млрд параметров; сведения о длине контекста в README не указаны. К преимуществам относятся сниженное потребление памяти и возможность INT4-инференса на разных типах оборудования. По приведённым тестам качество квантизированной версии в среднем немного ниже BF16, хотя на отдельных задачах INT4 показывает сопоставимые или более высокие результаты. Модель предназначена прежде всего для внутреннего тестирования с vLLM, поэтому её результаты следует интерпретировать с учётом ограниченных размеров и области оценки. Лицензия — Apache-2.0.

willcb/Qwen3-0.6B — текстовая причинно-следственная языковая модель семейства Qwen3, размещённая пользователем willcb на Hugging Face. Карточка репозитория автоматически сгенерирована и не уточняет разработчика, лицензию или обучение; по архитектуре и назначению это копия базовой Qwen3-0.6B от Qwen, а не самостоятельная специализированная модель. Модель содержит около 507,9 млн параметров, использует плотную архитектуру Qwen3ForCausalLM и рассчитана на генерацию текста и диалог в формате чата. Метаданные указывают контекст до 40 960 токенов; официальная карточка базовой Qwen3-0.6B описывает 32 768 токенов. Семейство Qwen3 поддерживает более 100 языков и диалектов, режимы рассуждения и обычного диалога, а также задачи следования инструкциям, перевода, математики и программирования. Небольшой размер удобен для запуска и экспериментов с локальными текстовыми ассистентами, но качество модели не следует приравнивать к более крупным моделям семейства. Для этого конкретного репозитория лицензия и результаты оценки не подтверждены карточкой; базовая Qwen3-0.6B опубликована под Apache-2.0.

Srota-Conv — модель автоматического распознавания речи, созданная командой susrota.com на основе Qwen/Qwen3-ASR-0.6B. Она дообучена всеми параметрами на корпусе HiACC для транскрибации спонтанной разговорной речи на хинглише, где в одном высказывании смешиваются хинди и английский. В транскрипте модель сохраняет естественное написание: слова на хинди передаёт письмом деванагари, а английские — латиницей. Модель использует архитектуру Qwen3-ASR с аудиоэнкодером AuT, проектором и языковой моделью Qwen3; общий размер — около 780 млн параметров. В тесте HiACC авторы сообщают WER 14,23% против 24,53% у базовой модели. Модель предназначена прежде всего для разговорной речи, а не для технических обучающих материалов. Она распространяется по лицензии Apache-2.0. Обучающая часть HiACC содержит около пяти часов речи, а в разбиениях корпуса пересекаются дикторы. Поэтому тестовый результат не подтверждает качество на новых дикторах и может не переноситься на другие акценты, диалекты и варианты хинглиша. Метрика также рассчитана с нормализацией, отличающейся от применявшейся в некоторых опубликованных базовых результатах.

s-nlp разработала модель классификации текста на базе RoBERTa-base для оценки формальности английских предложений. Модель содержит 151,8 млн параметров, принимает текст и выдаёт оценку формальности в виде результата классификации. Длина контекста — до 514 токенов. Модель предназначена для определения, является ли предложение формальным или неформальным, а также для ранжирования текстов по формальности. Она обучена на GYAFC и корпусе формальности Pavlick и Tetreault (2016); при обучении использовались бинарная классификация и ранжирование внутри пакета. Аугментация регистра и пунктуации помогала уменьшить зависимость от этих поверхностных признаков. На тестовой выборке GYAFC указаны точность 0,9087 и F1 0,90; на нормализованных текстах результаты ниже: точность 0,8218 и F1 0,82. Качество зависит от жанра: для новостей корреляция Спирмена составила 0,4003, тогда как для ответов, блогов и писем — 0,7334–0,76. Модель ориентирована на английский язык и не предназначена для коммерческого использования; лицензия CC BY-NC-SA 4.0 требует указания авторства и распространения производных материалов на тех же условиях.

shanchen-llama3-8B-slerp-med-chinese-GGUF — это набор квантованных файлов модели shanchen/llama3-8B-slerp-med-chinese, подготовленный организацией featherless-ai-quants в формате GGUF. Модель относится к классу текстогенерационных моделей и предназначена для генерации и обработки текста, включая сценарии локального запуска и интеграции с совместимыми инструментами для работы с GGUF. В основе лежит архитектура Llama 3 с заявленным размером 8B параметров. В названии указана специализация на китайском языке, однако README не содержит точного списка поддерживаемых языков, размера контекстного окна, сведений о модальностях или результатов бенчмарков. Доступны варианты квантования Q2_K, Q3_K, Q4_K, Q5_K, Q6_K, Q8_0 и IQ4_XS размером примерно от 3 до 8 ГБ, что позволяет выбирать между требованиями к памяти и сохранением качества. Основное преимущество набора — широкий выбор степеней квантования и формат GGUF, удобный для запуска на локальном оборудовании с ограниченными ресурсами. Более компактные варианты снижают требования к памяти, но могут сильнее уступать исходной модели по качеству. README не указывает лицензию, ограничения использования, точные языковые характеристики и рекомендуемые параметры запуска, поэтому эти сведения необходимо уточнять по карточке базовой модели.

Synatra-Mixtral-8x7B — языковая модель maywell, дообученная на корейских наборах данных на основе mistralai/Mixtral-8x7B-Instruct-v0.1. Она предназначена для генерации текста и диалоговых ответов по инструкциям в формате Alpaca. Модель использует архитектуру Mixtral с разреженной смесью экспертов (MoE), содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка указывает корейский язык обучения; метаданные также отмечают поддержку английского. Доступна в формате PyTorch. Лицензия — Apache-2.0. В карточке нет результатов бенчмарков, поэтому качество и сравнительные преимущества не подтверждены; сведения о корейских обучающих данных не раскрывают конкретные датасеты.

Typhoon-1.5-72B — базовая предварительно обученная языковая модель команды SCB10X, построенная на архитектуре Qwen2 и содержащая около 71 млрд параметров. Модель предназначена для генерации текста на тайском и английском языках; контекст составляет до 32 768 токенов. Модель можно использовать как основу для продолжения обучения и адаптации к прикладным задачам, а также для генерации текста с примерами в контексте. Поскольку это базовая модель, она может плохо следовать инструкциям без дообучения или примеров. В README отмечено отсутствие механизмов модерации, поэтому модель может выдавать вредные или неподходящие ответы. Репозиторий распространяется в формате safetensors; в README указана лицензия Qwen License, а метаданные классифицируют лицензию как other.

Vekol-STT Sorani — компактная модель распознавания речи на центральнокурдском языке (сорани), разработанная Revge и дообученная на базе OpenAI Whisper Base. Она преобразует аудио в текст на арабском письме и предназначена для локальной работы без подключения к сети, в том числе на CPU. Модель содержит 51,7 млн параметров; доступны форматы ONNX и Safetensors, а README также описывает варианты размером 72 МБ и 36 МБ для int8 и int4. Для запуска можно использовать ONNX Runtime или Transformers с PyTorch. Модель обучалась на Common Voice 25.0 для ckb и FLEURS для ckb_iq. На тестовой выборке Common Voice с разделением по дикторам заявлены WER 29,0% и CER 7,95% без учёта пробелов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Качество распознавания зависит от аудио и может быть недостаточным для задач, требующих высокой точности; показатели README относятся к указанной тестовой выборке.

vibert-capitalization-punctuation — дообученная модель viBERT для восстановления пунктуации и регистра во вьетнамском тексте. Она принимает текст в нижнем регистре без пунктуации и предсказывает заглавные буквы, специальные варианты написания слов и знаки препинания: точку, запятую, двоеточие и вопросительный знак. Модель предназначена для постобработки результатов распознавания речи и других текстов, в которых утрачены пунктуация и исходный регистр, а также для дальнейшего дообучения на текстах конкретной области. Обучение проводилось на 5,6 млн образцов вьетнамских отзывов из OSCAR-2109. В README указаны оценки F1 0,82 для точки, 0,89 для восстановления заглавных букв и 0,88 для сложных вариантов капитализации, например YouTube и MobiFone. Это модель токенной классификации на архитектуре BERT, представленная в формате PyTorch. Карточка описывает применение для общего вьетнамского языка и заявляет обработку текстов произвольного размера. Лицензия — CC BY-SA 4.0.

Модель infinitejoy/wav2vec2-large-xls-r-300m-bulgarian — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания болгарской речи. Она использует архитектуру wav2vec2 с CTC-выходом и обучена на болгарской части набора Mozilla Common Voice 7.0. Модель принимает аудио и преобразует речь в текст; в оценке на тестовой выборке указаны loss 0,4487 и WER 0,4674. Модель подходит для транскрибации болгарской речи, например записей и голосовых сообщений. Опубликована по лицензии Apache-2.0. Указанный WER свидетельствует о заметных ошибках распознавания, поэтому качество следует проверять на аудио, похожем на целевое; подробные ограничения и рекомендации в карточке не приведены.

Модель anuragshas/wav2vec2-xls-r-300m-hi-cv9-with-lm — дообученная Anurag Shas на базе facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на хинди. Она использует архитектуру Wav2Vec2ForCTC и обучена на наборе MOZILLA-FOUNDATION/COMMON_VOICE_9_0 - HI. В метаданных указано 402,7 млн параметров; модель принимает аудио и выдаёт распознанный текст. На оценочной выборке указаны WER 0,3349 и CER 0,1082. Модель ориентирована на распознавание речи на хинди; результаты на других языках и в иных акустических условиях не подтверждены. Распространяется по лицензии Apache-2.0.

Whisper Gujarati Small — модель автоматического распознавания речи, созданная дообучением openai/whisper-small на данных гуджарати из нескольких общедоступных корпусов. Она предназначена для преобразования речи на гуджарати в текст и оценки систем распознавания речи на тестовых наборах для индийских языков. Модель основана на архитектуре Whisper и содержит около 153,1 млн параметров. В репозитории представлены веса PyTorch и Flax; в карточке также описано использование Flax-реализации Whisper для оценки модели. Обучающие данные включают ULCA ASR Corpus, Microsoft Speech Corpus (Indian Languages), Google/Fleurs и OpenSLR. Модель распространяется по лицензии Apache-2.0. Карточка не приводит численных результатов качества или сведений о длине контекста.

TheAIchemist13/whisper-hindi-base — дообученная на наборе данных, обозначенном в карточке как None, версия OpenAI Whisper Base для автоматического распознавания речи. Модель содержит 51,7 млн параметров и принимает аудио, выдавая распознанный текст. Карточка приводит результат оценки: loss 0,4967 и WER 52,9617; это указывает на заметные ошибки распознавания, поэтому качество на конкретных аудиозаписях следует проверять отдельно. Модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0.

Это 4-битная MLX-версия модели распознавания речи Whisper large-v3, адаптированная для швейцарского немецкого. Она предназначена для локальной транскрибации аудио через совместимые среды MLX, включая интеграцию mlx-audio STT в oMLX. Основа — openai/whisper-large-v3 с PEFT-адаптацией, обученной на данных SwissDial; затем веса Linear и Embedding квантованы методом affine с группами по 64 значения, тогда как свёрточные слои, LayerNorm, позиционные эмбеддинги и векторы смещений остаются без этой квантизации. Репозиторий содержит чекпойнт MLX в safetensors и файлы процессора и токенизатора Whisper. В README не приведены результаты оценки WER/CER на отложенной выборке швейцарского немецкого, поэтому качество распознавания диалектов количественно не подтверждено. Указана лицензия «other», конкретные условия следует проверять в файлах репозитория.

CKSINGH/whisper-small-hi-iiib — дообученная модель семейства Whisper на основе openai/whisper-medium, предназначенная для автоматического распознавания речи и преобразования аудио в текст. В метаданных указано 153,1 млн параметров; модель использует архитектуру WhisperForConditionalGeneration и распространяется в форматах PyTorch и safetensors. Карточка сообщает результаты оценки: loss 0,1203, WER 10,8852 и CER 3,4179. Язык карточки и тег модели указывают на хинди. Лицензия — Apache-2.0. README не уточняет набор данных и сценарии применения, поэтому качество на других наборах записей и устойчивость к различным условиям записи по имеющимся данным оценить нельзя.