I.6Перевод и языковая адаптация

Модель yuriyvnv/whisper-tiny-cv-only-pt разработана на основе openai/whisper-tiny и дообучена для распознавания португальской речи. Это компактная модель архитектуры Whisper с 29,4 млн параметров, предназначенная для транскрибации аудио; обучение проводилось на 21 866 записях Common Voice 17.0 на португальском языке без синтетических данных. Модель подходит для быстрого распознавания речи при ограниченных вычислительных ресурсах и для сравнения результатов базовой конфигурации Whisper-Tiny с вариантами, обученными на расширенных данных. По README, WER на тестовой части Common Voice составляет 30,72%, а на MLS — 45,83%. Это указывает на ограниченную точность и слабую переносимость на аудио из других доменов. Модель распространяется по лицензии Apache-2.0.

CAMeL-Lab разработала CAMeLBERT-MSA POS-MSA — модель для разметки частей речи в текстах на современном стандартном арабском языке (MSA). Это дообученная на наборе данных PATB версия CAMeLBERT-MSA, построенная на архитектуре BERT и имеющая около 136,3 млн параметров. Модель предназначена для использования в конвейере Transformers; для неё указаны форматы PyTorch и TensorFlow, а максимальный контекст составляет 512 токенов. Модель определяет часть речи для каждого токена арабского текста и может использоваться в задачах лингвистической обработки MSA. Карточка также указывает, что модель планировалась для поддержки в CAMeL Tools. Она выпущена под лицензией Apache-2.0. Доступные сведения не содержат оценок качества или подробностей о метках разметки, поэтому пригодность для конкретного корпуса следует проверять отдельно.

Cendol mT5-large Chat — разработанная IndoNLP инструктивно настроенная генеративная модель на архитектуре mT5 с примерно 608,4 млн параметров по метаданным репозитория. Она создана для одноходового диалога и ответов на общие вопросы на индонезийском языке и других индонезийских языках. Семейство Cendol Chat дообучено на основе Cendol-Instruct; размер этой версии в README указан как 1,2 млрд параметров, что расходится с метаданными Hugging Face. Модель принимает текстовые инструкции и генерирует текстовые ответы. Её можно применять для одноходовых диалогов и ответов на вопросы на индонезийском языке. Лицензия — Apache 2.0. Разработчики предупреждают, что ответы могут быть неточными, предвзятыми или нежелательными; тестирование охватывало индонезийский язык, а применение в других языках README относит к использованию вне целевого назначения.

Custom-KoLLM-13B-v5 — авторегрессионная языковая модель, разработанная Kyujin Han (kyujinpy) на основе архитектуры LLaMA 2. Модель содержит 12,9 млрд параметров и дообучена на датасете kyujinpy/KOR-gugugu-platypus-set от базовой модели beomi/llama-2-koen-13b. Модель предназначена для генерации текста на корейском языке и общих языковых задач; в карточке приведены результаты сравнительных оценок на корейских бенчмарках Ko-ARC, Ko-HellaSwag, Ko-MMLU, Ko-TruthfulQA и Ko-CommonGen V2. Она принимает текст и генерирует текст, поддерживает контекст до 2048 токенов и распространяется в форматах PyTorch и safetensors для Transformers. Лицензия — CC BY-NC-SA 4.0, допускающая использование с указанием авторства, на некоммерческих условиях и с распространением производных работ на тех же условиях. Представленные оценки ограничены результатами указанных тестов и не гарантируют качество для любых прикладных задач.

dots.tts-soar — модель синтеза речи от dots-studio, представляющая собой дообученную версию dots.tts-base с этапом Self-corrective Alignment. Это авторегрессионная система на 2 млрд параметров, которая напрямую обрабатывает текст в BPE-токенах и генерирует непрерывные аудиолатенты с помощью flow-matching-головы, затем декодируемые в монозвук с частотой 48 кГц. В архитектуре используются семантический энкодер, LLM на базе Qwen2.5-1.5B-Base и CAM++ speaker x-vector для сохранения характеристик голоса. Модель предназначена для многоязычного синтеза речи и клонирования голоса по образцу, в том числе в производственных сценариях с авторизованным использованием. SCA улучшает соответствие текста и тембра, а в карточке заявлены высокие результаты сходства голосов на приведённых бенчмарках. Поддерживаются zero-shot-сценарии без отдельного дообучения под голос. На малоресурсных и отличающихся письменностью языках, включая арабский, хинди, турецкий и вьетнамский, точность распознавания текста в речи ниже, чем для более обеспеченных данными языков. Модель не предназначена для пения или совместной генерации речи и звуковых эффектов. Высокая реалистичность клонирования голоса создаёт риск злоупотреблений; README рекомендует использовать только авторизованные образцы и помечать синтетическое аудио. Лицензия — Apache-2.0.

EduGanda-Gemma-4-E2B-v5 — экспериментальная разговорная модель Crane AI Labs, созданная в рамках проекта Fab AI Foundation при финансировании Gates Foundation. Это SLERP-слияние двух контрольных точек Gemma-4-E2B: педагогически дообученной модели v5-Polished и версии v4 с дополнительным обучением словарю луганда. Модель содержит 5,53 млрд параметров и предназначена для автономной работы на телефоне. Модель помогает учителям начальных классов (Primary 1–3) составлять планы уроков, проводить фонетические упражнения, готовить и проверять задания, а также писать сообщения родителям. Она генерирует ответы в диалоге и поддерживает задания на перевод между луганда и английским. Карточка приводит результаты проверок на следование инструкциям, арифметику, перевод и качество ответов, однако они не гарантируют точность в учебной практике. У модели сохраняются ошибки в материалах на луганда, включая неверные толкования и правила фонетики, а качество луганда в оценке авторов низкое. На некоторых упражнениях возможны повторения; для развертывания авторы рекомендуют защиту от повторов и штатные стоп-токены Gemma-4. Лицензия — Gemma; карточка обозначает модель как экспериментальный исследовательский чекпойнт и рекомендует проверять материалы перед использованием с учениками.

F5-Hindi-24KHz — модель синтеза речи на хинди, разработанная SPRING Lab при Индийском технологическом институте в Мадрасе. Она обучена с нуля на архитектуре F5 и предназначена для преобразования текста в речь с частотой дискретизации 24 кГц. Модель рассчитана прежде всего на исследовательское использование. Для обучения использовались наборы данных IndicTTS-Hindi и IndicVoices-R_Hindi. Репозиторий содержит веса PyTorch и Safetensors; лицензия — CC-BY-4.0.

Abdusin/gemma-3-4b-est-v1 — языковая модель на 4 млрд параметров на основе Gemma 3 4B от Google, адаптированная для эстонского языка. Разработчик продолжил предварительное обучение на эстонских веб-текстах, а затем выполнил дообучение на инструкциях и примерах для словарных объяснений, словоизменения, грамматической коррекции, ответов на вопросы по тексту и суммаризации новостей. Модель поддерживает диалоговую генерацию текста; доступны веса Safetensors и варианты GGUF, включая Q4_K_M и Q5_K_M. Модель предназначена для работы с эстонским языком, в том числе на устройствах с ограниченными ресурсами. В приведённой оценке она особенно сильна в словоизменении и показывает результаты, близкие к более крупной EstLLM-8B на этой задаче. Английский и другие языки после адаптации не оценивались и могли ухудшиться; на задачах общих знаний модель уступает более крупным эстонским моделям и может уверенно выдавать ошибочные ответы. Лицензия — Gemma; модель не рекомендуется для медицинских, юридических и других решений с высокими последствиями.

Norod78/hebrew-gpt_neo-xl — авторская модель генерации текста на иврите, разработанная на базе GPT-Neo от EleutherAI. Модель обучалась на TPUv3-8 с использованием корпусов текстов на иврите, включая OSCAR и CC100-Hebrew. Это плотная авторегрессионная модель архитектуры GPT-Neo с 1,5 млрд параметров и контекстом до 2048 токенов. Она предназначена для продолжения и генерации текстов на иврите; доступны веса в форматах PyTorch, Flax, ONNX и Safetensors. Модель распространяется по лицензии MIT. Карточка описывает обучение на корпусах иврита, но не приводит оценок качества или подробных ограничений; результаты для отдельных сценариев могут различаться.

milanakdj/indic-parler-tts-nepali-finetuned-dgx-v2.1-cosine — дообученная версия Indic Parler-TTS для синтеза речи на непальском языке. Модель использует архитектуру ParlerTTSForConditionalGeneration и библиотеку parler-tts; веса опубликованы в формате safetensors. Модель предназначена для преобразования текста в речь на непальском. В карточке приведены результаты обучения: 3120 шагов и наилучшая валидационная ошибка 6,7056. Эти сведения сами по себе не позволяют оценить качество звучания или пригодность для конкретного применения. Лицензия в предоставленных данных не указана.

Nepali Parler-TTS — дообученная версия Indic Parler-TTS для синтеза речи на непальском языке. Модель семейства Parler-TTS принимает текст и генерирует речь; для работы используется библиотека parler-tts. В карточке приведены результаты обучения: лучшее значение validation loss — 6,2261, обучение длилось 5236 шагов. Модель предназначена для преобразования непальского текста в речь. Репозиторий содержит веса в формате safetensors. Сведения о лицензии в доступных данных отсутствуют.

Nepali Parler-TTS — дообученная версия Indic Parler-TTS для синтеза речи на непальском языке. Модель использует архитектуру ParlerTTSForConditionalGeneration и библиотеку parler-tts; веса представлены в формате safetensors. Модель преобразует текст на непальском языке в речь. В карточке указаны результаты обучения: 5236 шагов и наилучшая валидационная потеря 6,6421. Подробности о голосах, качестве звучания и лицензии в доступных данных не приведены.

IndoT5-base-nafkhan-epochs-2 — дообученная модель T5, опубликованная пользователем abdiharyadi. Она содержит 123,8 млн параметров и предназначена для преобразования текста в текст. В карточке указано дообучение на базе abdiharyadi/IndoT5-base-nafkhan-epochs-1; модель представлена в формате Safetensors. Для модели приведён результат оценки: loss 0,1848. Конкретное назначение дообучения, сценарии применения и данные обучения не раскрыты, поэтому практические задачи по карточке определить нельзя. Лицензия не указана в предоставленных данных.

UBC-NLP/Jasmine-350M — арабская авторегрессионная языковая модель семейства GPT-Neo, разработанная командой UBC NLP как часть набора JASMINE и описанная в статье EMNLP 2023. Модель предназначена для генерации текста и few-shot решения языковых задач на арабском языке. Набор моделей JASMINE предварительно обучен на большом разнообразном корпусе объёмом 235 ГБ; размер этой модели в метаданных указан как 148,2 млн параметров, контекст — 2048 токенов. Модель принимает текст и генерирует текст. Её основное назначение — работа с арабским текстом; README не описывает специализированные прикладные области. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

KBNIT разработала KoSOLAR-10.7B-QLoRA-NEFTune-kolon-v0.1 — чат-модель для генерации текста на основе KoSOLAR-10.7B-v0.3. Модель дообучена методом QLoRA с параметрами 64 и 16 и применением NEFTune; в обучении использовались данные Korean Wiki QA в течение трёх эпох. Модель предназначена для генерации ответов и диалога на корейском и английском языках. Архитектура — плотная LlamaForCausalLM с 10,6 млрд параметров; контекст — до 4096 токенов. Разработчики создавали модель для Kolon. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. В карточке не приведены результаты оценки качества или подробные сведения о поведении за пределами обучения на вопросах и ответах по корейской Википедии.

kristijonas/krapas-Regina — модель синтеза литовской речи, созданная разработчиком проекта krapas на основе OmniVoice от k2-fsa. Модель OmniVoice размером 0,6 млрд параметров дообучена на 3,05 часа студийной речи одной дикторки из набора LIEPA; используется архитектура OmniVoice, веса представлены в формате safetensors. Модель предназначена для преобразования литовского текста в речь голосом Регины Йокубаускайте и локально работает на Mac с MPS, NVIDIA GPU или CPU. Для корректного произношения модель ожидает текст с обозначенными ударениями. Перед синтезом рекомендуется нормализовать числа, даты, единицы измерения, сокращения и инициалы, а затем расставить ударения; без этого ударение выбирается ненадёжно. Голос спокойный, соответствует стилю прочитанной студийной речи. Лицензия модели CC BY-NC 4.0; исходный корпус LIEPA опубликован под CC BY 4.0 и требует атрибуции LIEPA и Вильнюсскому университету.

QuantFactory/Llama2-7B-Hindi-finetuned-GGUF — квантованная версия модели subhrokomol/Llama2-7B-Hindi-finetuned, созданная с использованием llama.cpp на базе Meta Llama 2 7B. Модель предназначена для генерации текста, прежде всего на хинди, и может использоваться в сценариях продолжения текста и других задачах text-generation. В карточке также указаны английский и хинди как поддерживаемые языки, а также метрика perplexity. Модель дообучалась с помощью Hugging Face PEFT-LoRA и PyTorch на 1% набора данных zicsx/mC4-Hindi-Cleaned-3.0. Обучение проводилось в течение 3 часов на GPU RTX A500 с 24 ГБ памяти. Квантование должно снижать требования к ресурсам по сравнению с исходной моделью, однако конкретный формат квантования, размер файлов, поддерживаемый размер контекста и точные характеристики производительности в README не указаны. Лицензия — Apache-2.0.

AminHaghdadi/llama-2-7b-Persian — текстовая генеративная модель семейства Llama 2, представленная разработчиком AminHaghdadi. Она предназначена для генерации текста на персидском языке; в метаданных указан датасет SajjadAyoubi/persian_qa, что указывает на связь с персидскими вопросами и ответами. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат PyTorch; заявленный контекст — 4096 токенов. Модель может служить основой для генерации персидских ответов и диалоговых прототипов. README отсылает к GitHub за дополнительной информацией, поэтому конкретные результаты обучения и подтверждённые сценарии применения по карточке установить нельзя. Лицензия — MIT.

colable/llama-ko-peft-v0.5 — корейская языковая модель разработчика colable, созданная на основе beomi/open-llama-2-ko-7b и обученная на внутреннем наборе данных. Она предназначена для генерации текста на корейском языке. Модель построена на архитектуре Llama, имеет 6,7 млрд параметров и контекст длиной 2048 токенов. В репозитории представлены веса в формате safetensors. Модель можно применять для генерации корейского текста и диалоговых ответов. Она распространяется по лицензии MIT. README не сообщает о специальных ограничениях или оценках качества.

m4sak1 разработал MA v2 — компактную японскую модель DeBERTa-v2 для автоматической расстановки запятых «、» в тексте. Она решает задачу классификации токенов, предсказывая метку B-COMMA, и оптимизирована для запуска в браузере через Transformers.js и ONNX Runtime Web. В репозитории доступны форматы ONNX и safetensors; метаданные указывают около 6 млн параметров и контекст до 512 токенов. Модель дообучена на японской Википедии, включая расширенный корпус примерно из 2,4 млн предложений. В карточке указаны F1 0,7481, точность 0,8145 и полнота 0,6953. Для длинных текстов рекомендуется разбивать ввод на фрагменты по предложениям; результаты вероятностные и не гарантируют безупречной грамматики. Лицензия — CC BY-SA 4.0.

MiraToffel — немецкоязычная дообученная версия MiraTTS, разработанная SebastianBodza на базе модели YatharthS/MiraTTS с архитектурой Qwen2. Она преобразует текст в речь и поддерживает клонирование голоса по образцу аудио. По данным карточки, модель создаёт речь на немецком языке; заявлены реалистичное звучание, частота аудио 48 кГц, скорость до 100× реального времени при пакетной обработке с Lmdeploy и работа на GPU с объёмом видеопамяти менее 6 ГБ. Модель подходит для озвучивания немецких текстов и создания речи с голосом, похожим на голос из аудиопримера. Карточка отмечает более чёткое произношение и стабильность по сравнению с некоторыми другими вариантами Kartoffel, при этом сходство клонированного голоса может быть неидеальным. Условия применения определяются лицензией CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-alt — модель синтеза речи на южноалтайском языке из проекта Massively Multilingual Speech компании Facebook. Это отдельный чекпойнт VITS, обученный для одного языка; архитектура VITS преобразует текст в речевую аудиоволну и использует стохастический предсказатель длительности, поэтому один и тот же текст может звучать с разным ритмом. Модель содержит около 3,5 млн параметров и доступна для работы через Transformers версии 4.33 и выше. Модель предназначена для озвучивания текста на южноалтайском языке. Генерация недетерминирована: чтобы получать одинаковый результат при повторном запуске, требуется фиксировать seed. Репозиторий содержит веса PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-asa — модель синтеза речи на языке асу (Asu, код asa), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на асу. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; он доступен через библиотеку Transformers. Генерация речи стохастическая: для повторения того же результата требуется фиксированное начальное значение генератора случайных чисел. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не сообщает оценок качества или подробностей о разнообразии голосов.

facebook/mms-tts-bcc-script_latin — модель синтеза речи на южном белуджском языке, представленном латинским письмом. Она создана Meta в рамках проекта Massively Multilingual Speech (MMS); для каждого языка проекта обучается отдельный чекпойнт. Модель принимает текст и генерирует речевую аудиоволну. Это компактная модель VITS с 3,5 млн параметров, реализованная для PyTorch и доступная в формате safetensors. Архитектура объединяет вариационный автоэнкодер, потоковые слои, трансформерный текстовый энкодер и декодер, построенный по принципу HiFi-GAN. Стохастический предиктор длительности позволяет получать варианты произношения и ритма; для воспроизводимого результата требуется фиксировать seed. Модель предназначена для озвучивания текста на южном белуджском языке латинским письмом. Она распространяется по лицензии CC BY-NC 4.0, которая разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-byr — модель синтеза речи для языка Yipma (код byr), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текстов на этом языке. Модель построена на архитектуре VITS и обучена отдельно для одного языка; размер составляет 3,5 млн параметров. Для использования доступна через библиотеку Transformers версии 4.33 и новее. VITS объединяет текстовый энкодер, потоковый модуль и декодер на основе свёрточных слоёв, близкий по принципу к HiFi-GAN. Стохастический предсказатель длительности позволяет получать различный ритм речи; генерация недетерминирована, поэтому для повторяемого результата нужен фиксированный seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-dgr — модель синтеза речи на языке тличо (dgr), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на тличо в речевую аудиоволну и подходит для озвучивания фраз и создания речевого вывода для приложений на этом языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, вариационный автоэнкодер, flow-модуль, стохастический предсказатель длительности и декодер, подобный HiFi-GAN. В репозитории указано 3,5 млн параметров; отдельный VITS-чекпойнт обучен для каждого языка проекта. Генерация недетерминирована, поэтому для повторяемого результата требуется фиксировать seed. Модель доступна через Transformers версии 4.33 и новее и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

alakxender создал эту модель синтеза речи на основе VITS и Meta MMS-TTS. Она преобразует текст на дивехи, записанный письмом тхана, в аудио с мужским голосом. Модель дообучена на наборе синтетической речи дивехи; размер составляет 3,5 млн параметров, файлы весов представлены в формате safetensors, использовать модель можно через Transformers. Модель предназначена для озвучивания текста на дивехи. В README приведена оценка UTMOS 3,228 по трём примерам, что указывает на заметный потенциал, но не даёт надёжной оценки качества для разных текстов и условий. Лицензия — MIT.

facebook/mms-tts-gkn — модель синтеза речи на языке гокана (Gokana, gkn), разработанная Facebook в рамках проекта Massively Multilingual Speech. Это отдельная языковая модель VITS с 3,5 млн параметров, которая преобразует входной текст в речевую аудиоволну. Архитектура VITS объединяет вариационный автоэнкодер, flow-модуль с текстовым энкодером на основе Transformer, предсказатель длительности и декодер, построенный по принципу HiFi-GAN. Модель предназначена для озвучивания текста на гокана. Стохастический предсказатель длительности позволяет получать варианты ритма для одного текста, поэтому результат может меняться между запусками; фиксированное случайное зерно позволяет воспроизводить тот же результат. Для запуска доступна библиотека Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-glk — модель синтеза речи на гилаки, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст на гилаки в речевой аудиосигнал и предназначена для озвучивания текстов на этом языке. Модель использует архитектуру VITS: генерация речи выполняется сквозным образом, а стохастический предиктор длительности позволяет варьировать ритм произнесения. Веса представлены в форматах PyTorch и Safetensors; размер модели — 3,5 млн параметров. Для воспроизводимого результата требуется фиксировать seed, поскольку генерация недетерминирована. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-gux — модель синтеза речи на языке гурманчема, выпущенная Meta* в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на гурманчема в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; модель обучена для гурманчема. В VITS текстовый энкодер и потоковый модуль формируют акустическое представление, которое декодер преобразует в аудиосигнал. Стохастический предиктор длительности позволяет получать варианты ритма; для повторяемого результата требуется фиксированное начальное значение генератора случайных чисел. Модель доступна через библиотеку Transformers версии 4.33 и новее. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая не разрешает коммерческое использование. Карточка не приводит оценок качества синтеза.