I.6Перевод и языковая адаптация

facebook/mms-tts-dah — модель синтеза речи на языке Gwahatike (dah), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на этом языке. Модель построена на архитектуре VITS: она объединяет текстовый энкодер на основе Transformer, потоковые слои и декодер, похожий на HiFi-GAN. Для вариативности ритма используется стохастический предиктор длительности; модель содержит около 3,5 млн параметров и доступна в форматах PyTorch и Safetensors. Для одинакового результата при повторной генерации требуется фиксированный seed, поскольку предиктор длительности работает стохастически. Модель выпущена под лицензией CC BY-NC 4.0, которая ограничивает использование некоммерческими условиями.

facebook/mms-tts-ell — модель синтеза греческой речи из текста, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она предназначена для озвучивания греческих текстов; отдельный чекпойнт MMS-TTS обучен для каждого языка. Модель использует архитектуру VITS и генерирует речевую аудиоволну непосредственно из текстовой последовательности. В ней сочетаются вариационный автоэнкодер, Transformer-кодировщик текста, нормализующие потоки, HiFi-GAN-подобный декодер и стохастический предсказатель длительности. Чекпойнт содержит 3,6 млн параметров и доступен в форматах PyTorch и Safetensors. Он интегрирован с библиотекой Transformers начиная с версии 4.33. Из-за стохастического предсказателя длительности одинаковый текст может получать разный ритм и звучание; для повторяемого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-hif — модель синтеза речи на языке хинди Фиджи, созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текста на хинди Фиджи. Модель построена на архитектуре VITS: текстовый кодировщик, flow-модуль и HiFi-GAN-подобный декодер работают в сквозном конвейере синтеза. Вариативный предиктор длительности позволяет получать разные ритмические варианты произношения одного текста; генерация недетерминирована, поэтому для повторяемого результата требуется фиксированный seed. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; для работы предусмотрена библиотека Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

facebook/mms-tts-kmr-script_cyrillic — модель синтеза речи из текста для севернокурдского языка, записанного кириллицей. Она разработана Meta в рамках проекта Massively Multilingual Speech (MMS). Это отдельный чекпойнт VITS, обученный для данного языка; архитектура объединяет вариационный автоэнкодер, Transformer-энкодер текста, модуль предсказания длительности и декодер, формирующий речевую волну. Размер модели — 3,5 млн параметров; она доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers версии 4.33 и выше. Модель предназначена для преобразования севернокурдского текста в речь. Стохастический предсказатель длительности позволяет получать варианты с разным ритмом, поэтому для воспроизводимого результата требуется фиксированное случайное зерно. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-mon — модель синтеза речи на монгольском языке из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания монгольских текстов. Модель использует архитектуру VITS и содержит 3,6 млн параметров. Это отдельный языковой чекпойнт MMS-TTS, обученный для монгольского языка; для синтеза применяются текстовый энкодер на основе Transformer, вероятностный предиктор длительности и декодер HiFi-GAN. Из-за стохастической генерации результат может меняться между запусками; фиксированный seed позволяет воспроизводить ту же аудиоволну. Модель доступна через Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-nyo — модель синтеза речи на языке ньоро (nyo), созданная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка, основанный на архитектуре VITS: модель преобразует текст в речевую аудиоволну и использует стохастический предиктор длительности, поэтому одинаковый текст может звучать по-разному. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; для работы с ним подходит библиотека Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на ньоро. При генерации результат недетерминирован, поэтому для повторения той же аудиозаписи требуется фиксированное случайное зерно. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческих целях.

facebook/mms-tts-sah — модель синтеза речи на якутском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания якутских текстов. Модель построена на архитектуре VITS и содержит 3,5 млн параметров; чекпойнты MMS-TTS обучаются отдельно для каждого языка. Для работы поддерживается библиотека Transformers версии 4.33 и выше. VITS объединяет вариационный автоэнкодер, потоковые слои, текстовый энкодер на основе Transformer и декодер, связанный с HiFi-GAN. Стохастический предсказатель длительности позволяет получать разные ритмические варианты произнесения одного текста; поэтому результат может меняться между запусками, а для воспроизводимого синтеза нужен фиксированный seed. Модель распространяется в форматах PyTorch и Safetensors по лицензии CC BY-NC 4.0, которая требует указания авторства и ограничивает коммерческое использование.

facebook/mms-tts-sri — модель синтеза речи на сирийском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель создана на архитектуре VITS, обучена отдельно для сирийского языка и содержит около 3,5 млн параметров. VITS объединяет текстовый энкодер на базе Transformer, вариационный автоэнкодер, модуль предсказания длительности и декодер HiFi-GAN-подобного типа. Стохастическое предсказание длительности позволяет получать разные ритмические варианты произношения одного текста; поэтому результат может меняться между запусками, и для повторяемого синтеза нужен фиксированный seed. Модель доступна через библиотеку Transformers версии 4.33 и выше. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-taq — модель синтеза речи на языке тамашек (taq), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт семейства MMS-TTS, обученный для преобразования текста в речевую аудиоволну. Модель использует архитектуру VITS: условный вариационный автоэнкодер с текстовым энкодером на основе Transformer, flow-модулем, декодером в стиле HiFi-GAN и стохастическим предиктором длительности. Благодаря последнему одна и та же фраза может звучать с разным ритмом; генерация недетерминирована, поэтому для повторяемого результата нужен фиксированный seed. В метаданных указаны 3,5 млн параметров и форматы PyTorch и Safetensors. Модель доступна через библиотеку Transformers версии 4.33 и новее. Подходит для озвучивания текста на тамашек, например для голосовых интерфейсов и создания аудиоверсий материалов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

facebook/mms-tts-wal-script_ethiopic — модель синтеза речи на языке волайта, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на волайта в речевой аудиосигнал и подходит для озвучивания текста и создания голосовых сообщений на этом языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, потоковый модуль, стохастический предиктор длительности и декодер, формирующий речевую волну. Это отдельный чекпойнт для одного языка с 3,6 млн параметров; в репозитории представлены веса PyTorch и Safetensors. Для работы доступна библиотека Transformers версии 4.33 и новее. Из-за стохастического предиктора одинаковый текст может звучать по-разному; для воспроизводимого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства в рамках некоммерческих условий.

facebook/mms-tts-zlm — модель синтеза речи на малайском языке из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на малайском языке. Модель построена на архитектуре VITS: текстовый энкодер и вероятностный модуль длительности управляют генерацией речи, а декодер формирует аудиоволну. В репозитории указано 3,5 млн параметров; модель доступна в форматах PyTorch и safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Генерация недетерминирована, поэтому для воспроизводимого результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески. Это отдельный чекпойнт для малайского языка, поэтому его не следует считать универсальной многоязычной моделью синтеза речи.

Multilingual Grammar Corrector using mT5-small — дообученная модель на архитектуре mT5-small для исправления грамматических ошибок в коротких предложениях. Разработчик обучал её на синтетических и отобранных вручную данных; заявлены английский, испанский, французский и русский языки. Размер модели — 157,4 млн параметров; веса опубликованы в формате safetensors. Модель принимает текст и генерирует исправленный вариант, поэтому подходит для корректуры коротких фраз на четырёх заявленных языках. В README приведены ориентировочные показатели: 99% для английского, 75% для испанского, 70% для французского и 80% для русского, однако методика оценки не описана. Лицензия — MIT.

Muslim-6B-PRO-i1-GGUF — квантизированная GGUF-версия модели Muslim-6B-PRO, разработанной NightPrince и преобразованной mradermacher. Это авторегрессионная языковая модель примерно на 6 млрд параметров для генерации текста; в метаданных также указана связь с архитектурой Qwen3. Доступны варианты с квантизацией imatrix и различными типами IQ и K-квантов размером примерно от 1,6 до 5 ГБ. Модель ориентирована на арабоязычные и англоязычные сценарии, включая исламскую тематику, генерацию текста, работу в формате голосового ассистента и tool-calling согласно заявленным тегам. Основное преимущество репозитория — широкий выбор квантизаций для запуска на устройствах с ограниченными ресурсами; варианты Q4_K_M и Q4_K_S отмечены как удачные по сочетанию скорости, размера и качества, а Q6_K — как близкий к статической квантизации высокого качества. Точные сведения о размере контекста, мультимодальности, методах обучения и фактической поддержке tool-calling в README не приведены. Низкобитные варианты экономичнее по памяти, но могут заметно уступать в качестве: для некоторых из них прямо указаны низкое качество или предпочтительность альтернативных типов. Модель распространяется по лицензии Apache-2.0.

HoangQuocViet25/nlp-btl-xlsum-x5 — модель суммаризации на базе VietAI/vit5-base, дообученная на датасете XLSum. Она предназначена для создания кратких пересказов текстов на вьетнамском языке. Модель построена на архитектуре T5 и содержит 126,8 млн параметров; максимальная длина контекста — 512 токенов. Модель принимает текст и генерирует текстовое резюме. Лицензия MIT разрешает её использование на условиях этой лицензии. В метаданных указаны формат safetensors и поддержка вьетнамского языка.

Oumuamua-7b-instruct-v2 — японская инструктивная языковая модель, созданная nitky с помощью слияния нескольких моделей методом Model Stock. Она предназначена для понимания намерений пользователя, ведения многоходовых диалогов, ролевого общения и ответов на вопросы по темам, связанным с людьми и компьютерами. Разработчик сообщает о результатах оценки на японском MT-bench, включая высокие оценки за письмо, ролевое общение и гуманитарные темы. Модель построена на плотной архитектуре MistralForCausalLM, содержит 7,2 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка рекомендует задавать ролевой контекст японского собеседника, чтобы уменьшить эффект буквального перевода. Модель распространяется в формате safetensors под лицензией Apache-2.0.

Qwen2.5 Bakeneko 32B Instruct — созданная rinna инструктивная языковая модель для диалога и генерации текста на японском языке. Она построена на архитектуре Qwen2 и содержит 32 млрд параметров; модель использует формат чата Qwen2.5 и рассчитана на контекст до 32 768 токенов. Модель получена слиянием rinna/qwen2.5-bakeneko-32b с Chat Vector на основе Qwen2.5-32B и Qwen2.5-32B-Instruct, после чего её доработали методом SimPO. Она предназначена для выполнения инструкций и японских языковых задач. В README приведены результаты японских языковых бенчмарков; это сравнительные оценки, а не гарантия качества для каждого сценария. Модель распространяется под лицензией Apache-2.0. Для запуска нужны ресурсы, соответствующие модели на 32 млрд параметров; сведения о требованиях к оборудованию в карточке не приведены.

RoMistral-7b-Instruct-IMat-GGUF — это GGUF-версия инструкционной языковой модели RoMistral-7b-Instruct, разработанной командой OpenLLM-Ro и квантизированной legraphista с помощью llama.cpp. Модель предназначена для генерации текста и выполнения инструкций, прежде всего на румынском языке. Она относится к классу моделей примерно на 7 миллиардов параметров и поставляется в форматах GGUF, подходящих для локального запуска совместимыми инструментами, включая llama.cpp. Доступны варианты с точностью от BF16 и F16 до различных уровней квантизации Q- и IQ-семейств. Часть вариантов использует imatrix-калибровку, что позволяет уменьшить размер модели с контролем потери качества; размеры файлов варьируются примерно от 1,75 до 14,48 ГБ. Модель поддерживает только текстовую модальность, а сведения о размере контекста и архитектурных деталях в карточке не указаны. Основные преимущества — поддержка румынского языка, инструкционный режим, широкий выбор компромиссов между качеством, требованиями к памяти и скоростью запуска, а также наличие готовых файлов для локального инференса. Ограничения включают отсутствие заявленных данных о качестве, бенчмарках, контекстном окне и мультиязычной поддержке; квантизированные варианты могут уступать исходной BF16-модели по точности, особенно при низких уровнях квантизации. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с ограничениями, включая некоммерческий характер.

Soro-TTS Yoruba — модель преобразования текста на йоруба в речь, разработанная как часть мультиязычной системы Soro-TTS для нигерийских языков. Это дообученная на наборе yor_tts из WAXAL модель facebook/mms-tts-yor на архитектуре VITS. Метаданные указывают 3,5 млн параметров; в README приведена другая оценка — около 83 млн. Модель выдаёт речь с частотой дискретизации 16 кГц. Модель предназначена для синтеза йоруба с голосом и акцентом, представленными в обучающих записях. Набор WAXAL содержит около 22,5 часа студийных односпикерных записей; тексты охватывают новости, повествование и чтение. Для синтезированной речи измерен CER 47,72% по автоматической проверке распознаванием речи; это приближённая оценка разборчивости, а не естественности. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях.

Tamil-Mistral-7B-v0.1 — предварительно обученная генеративная языковая модель, разработанная Hemanth-thunder на базе Mistral 7B. Авторы расширили токенизатор, добавив 20 тысяч токенов для тамильского языка, и продолжили предварительное обучение на 1,19 млн тамильских документов из MADLAD-400. Модель имеет архитектуру Mistral с Grouped-Query Attention, Sliding-Window Attention и токенизатором Byte-fallback BPE; веса доступны в формате safetensors. Модель предназначена для генерации текста на тамильском языке и сценариев, где требуется языковая модель с усиленной поддержкой тамильской письменности. Заявленный размер — 7,2 млрд параметров, длина контекста — до 32 768 токенов. Лицензия — Apache-2.0. Это базовая предварительно обученная модель без встроенных механизмов модерации; качество и безопасность ответов могут требовать отдельной проверки.

Tenorio 1.5B — компактная плотная языковая модель семейства Tenorio, созданная автором проекта как дообучение Qwen2.5-1.5B-Instruct. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2 и принимает текст для генерации текста; заявленная длина контекста — 32 768 токенов. В метаданных указаны поддержка испанского и английского языков, а настройка модели в первую очередь направлена на улучшение испанского языка и форматирования ответов. Модель предназначена для диалогов, ответов на вопросы и генерации текста на испанском языке. Автор сообщает о продолженном предобучении на испаноязычных книгах и LoRA-настройке на испанских парах вопрос–ответ; в небольшом сравнительном тесте на 592 вопросах модель чаще предпочитала судейская модель по грамматической корректности и естественности испанского языка, чем базовую модель. Это любительский проект без гарантий качества, формальные стандартизированные бенчмарки не проводились. Изменения автора распространяются по MIT, а базовая модель — по Apache 2.0.

ThaiLLM-30B-IQ-i1-GGUF — это GGUF-квантизация базовой модели ThaiLLM/ThaiLLM-30B-IQ, подготовленная пользователем mradermacher. Модель ориентирована на работу с тайским языком; в карточке также указаны сценарии медицинских задач, Retrieval-Augmented Generation (RAG), ответов на вопросы и формирования цитат. О разработчиках базовой модели в README подробных сведений нет, однако квантизацию выполнил mradermacher. Модель имеет размер 30B параметров и распространяется в нескольких вариантах квантизации i1, включая IQ1_S, IQ2, IQ3, IQ4, Q4_K_M, Q5_K_M и Q6_K. Размер файлов составляет примерно от 6,5 до 25,2 ГБ. Для создания собственных вариантов доступен imatrix-файл. В README не указаны архитектура, размер контекстного окна, поддержка мультимодальности или дополнительные языки, поэтому эти характеристики нельзя подтвердить. Основное преимущество набора — выбор компромисса между размером, скоростью и качеством: Q4_K_M отмечен как рекомендуемый быстрый вариант, а Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Низкобитные варианты экономичнее по памяти, но могут заметно уступать по качеству; некоторые из них прямо охарактеризованы как низкокачественные или предназначенные для крайних случаев. Условия лицензирования в README не указаны.

hishab/titulm-llama-3.2-3b-v1.1 — модель Hishab на архитектуре авторегрессионного трансформера Llama 3.2 с 3,2 млрд параметров. Она продолжает предобучение meta-llama/Llama-3.2-3B на отобранном корпусе бенгальских текстов и предназначена прежде всего для генерации текста и языковых задач на бенгальском языке. Модель принимает и генерирует текст; для диалогового использования в метаданных отмечена возможность chat. Модель рассчитана на генерацию бенгальского текста, понимание языка и дальнейшее обучение инструкциям. В README также описана оценка на бенгальских и английских тестах; английский указан как дополнительный язык. Метаданные указывают контекст 131 072 токена, тогда как README приводит 4 096 токенов. Для использования требуется соблюдать лицензию Llama 3.2 Community License, указанную как llama3.2 в метаданных.

Turkish-LLM-14B-Instruct — модель для генерации текста и диалогов, разработанная ogulcanaydogan и архивированная VeriPazarı. Она создана дообучением Qwen/Qwen2.5-14B-Instruct методом QLoRA на 242 тысячах турецких инструкционных примеров; архитектура — плотная Qwen2, размер — 14 млрд параметров, контекст — до 32 768 токенов. Модель предназначена прежде всего для ответов на инструкции и общения на турецком языке; в карточке также заявлена поддержка английского. В приведённом сравнении MMLU-TR модель набрала 0,5977 против 0,5947 у базовой модели. Репозиторий содержит веса Safetensors; в README также описаны варианты GGUF с разной квантизацией. Лицензия — Apache 2.0.

typhoon-ai/typhoon-asr-qwen-0.6b-ctx — тайская модель распознавания речи, разработанная typhoon-ai как дообученная версия Qwen/Qwen3-ASR-0.6B-hf с применением LoRA; веса адаптера объединены с базовой моделью. Она принимает аудио и выдаёт текстовую транскрипцию, поддерживая контекстную подсказку через список имён и терминов в системном сообщении: распознанные слова записываются в заданном написании, а не произнесённые элементы списка отфильтровываются. Рекомендуемый формат — список терминов через пробел и отдельная строка Thai; без списка достаточно указать Thai. По README, список до 50 элементов — оптимальный сценарий; качество контекстного распознавания зависит от его длины. Модель имеет плотную архитектуру Qwen3-ASR и около 0,80 млрд параметров. В описанных тестах она улучшает распознавание относительно исходной Qwen3-ASR-1.7B, особенно на внешнем наборе TVSpeech, хотя уступает более крупной версии typhoon-qwen-1.7b-ctx. Модель предназначена для тайской речи; метаданные указывают аудиовход и задачу automatic-speech-recognition. Распространяется под лицензией Apache-2.0.

Модель scasutt/wav2vec2-large-xlsr-52_Swiss_German — версия wav2vec 2.0 XLSR, дообученная для распознавания швейцарских диалектов немецкого языка на датасете Swissdial. Она преобразует аудиозапись речи в текст и предназначена для сценариев автоматической транскрипции. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров; модель доступна в формате PyTorch и рассчитана на входное аудио. В карточке приведён результат на тестовой выборке: WER 0,2909 и loss 0,2811. Модель опубликована под лицензией Apache 2.0. Карточка не описывает подробно условия записи и покрытия диалектов, поэтому качество на иных вариантах речи и в других акустических условиях по этим данным оценить нельзя.

PereLluis13/Wav2Vec2-Large-XLSR-53-catalan — модель распознавания каталонской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на датасете Common Voice 6. Она использует архитектуру Wav2Vec2 с CTC-декодированием и содержит около 402,7 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц и выдаёт текстовую расшифровку на каталонском языке. Модель подходит для распознавания речи в аудиозаписях и оценки качества ASR на каталонском материале Common Voice. В карточке приведён результат 8,11% на тестовой выборке Common Voice; автор предупреждает, что существуют более новые каталонские модели, обученные на Common Voice 8 и показывающие лучшие результаты. Лицензия — Apache-2.0.

anuragshas/wav2vec2-xls-r-300m-mt-cv8-with-lm — модель автоматического распознавания речи, созданная Anurag Shastri на основе facebook/wav2vec2-xls-r-300m и дообученная на мальтийской части Mozilla Common Voice 8.0. Это плотная модель Wav2Vec2 с CTC-декодированием, принимающая аудио и выдающая распознанный текст на мальтийском языке. В названии и оценке указано применение языковой модели при декодировании: на тестовом наборе Common Voice 8.0 WER составил 15,967% с LM и 19,853% без неё. Модель подходит для транскрибирования мальтийской речи и оценки систем распознавания на тестовом наборе Common Voice. Репозиторий содержит веса PyTorch; в метаданных указано 402,7 млн параметров и лицензия Apache-2.0. Результаты приведены для конкретного тестового набора и не гарантируют такое же качество на иных типах записи, акцентах или условиях шума.

Модель kelvinbksoh/whisper-large-v2-vietnamese-lyrics-transcription — дообученная версия Whisper large-v2 для автоматической транскрибации вьетнамских песен. Её разработали Kevin Soh, Bernard Cheng Zheng Zhuan и Nguyen Quoc Anh; модель основана на openai/whisper-large-v2 и содержит около 905,2 млн параметров. Модель принимает аудио и выдаёт текстовую расшифровку вьетнамской песни. README описывает обучение на 7 000 песнях длительностью около 550 часов из разных жанров, диалектов и акцентов; для проверки использовалась выборка из 1 000 песен. При использовании Transformers pipeline поддерживает обработку длинных записей по фрагментам и выдачу временных меток на уровне слов. Для версии large-v2 в README приведены WER 24,61% с учётом регистра и 20,52% без учёта регистра, а CER — 17,14% и 16,09% соответственно. Эти показатели относятся к указанной в карточке валидационной выборке; качество может отличаться для других песенных жанров, диалектов и условий записи. Модель распространяется по лицензии Apache-2.0.

Карточка модели kelvinbksoh/whisper-small-vietnamese-lyrics-transcription на Hugging Face совпадает с карточкой kelvinbksoh/whisper-large-v2-vietnamese-lyrics-transcription, поэтому описание составлено по ней. Модель kelvinbksoh/whisper-large-v2-vietnamese-lyrics-transcription — дообученная версия Whisper large-v2 для автоматической транскрибации вьетнамских песен. Её разработали Kevin Soh, Bernard Cheng Zheng Zhuan и Nguyen Quoc Anh; модель основана на openai/whisper-large-v2 и содержит около 905,2 млн параметров. Модель принимает аудио и выдаёт текстовую расшифровку вьетнамской песни. README описывает обучение на 7 000 песнях длительностью около 550 часов из разных жанров, диалектов и акцентов; для проверки использовалась выборка из 1 000 песен. При использовании Transformers pipeline поддерживает обработку длинных записей по фрагментам и выдачу временных меток на уровне слов. Для версии large-v2 в README приведены WER 24,61% с учётом регистра и 20,52% без учёта регистра, а CER — 17,14% и 16,09% соответственно. Эти показатели относятся к указанной в карточке валидационной выборке; качество может отличаться для других песенных жанров, диалектов и условий записи. Модель распространяется по лицензии Apache-2.0.

masapasa/xls-r-300m-sv-cv8 — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на шведской части датасета Mozilla Common Voice 8.0 (sv-SE). Она использует архитектуру wav2vec2 с CTC-декодированием и предназначена для преобразования шведской речи в текст. На карточке указаны результаты оценки на тестовой выборке: loss 2.3347 и WER 1.0286. Такие значения WER указывают на очень высокую долю ошибок распознавания; пригодность модели для практического применения следует проверять на целевых аудиозаписях. Модель принимает аудио и выдаёт текст. Веса опубликованы в формате PyTorch под лицензией Apache-2.0. Размер по метаданным — 402,7 млн параметров.