I.6Перевод и языковая адаптация

cockroach54/solar-sft-qlora — экспериментальная языковая модель на архитектуре Llama, дообученная автором для практики с помощью Transformers, PEFT и bitsandbytes. Модель содержит 10,6 млрд параметров и принимает текст для генерации текста; заявленный контекст — 4096 токенов. В метаданных указаны корейский и английский языки, а среди данных для обучения — davidkim205/kollm-converations. Карточка приводит результаты оценки на задачах KoBEST, включая определение смысловой связи слов и анализ тональности, но не описывает подробные сценарии применения. Лицензия — Apache-2.0.

SongPrep-7B — модель Tencent для разбора структуры музыкальных произведений и транскрибирования текстов песен. Согласно карточке, это официальные веса сквозной модели из проекта SongPrep, обученной на Million Song Dataset. Модель основана на плотной архитектуре Qwen2ForCausalLM и содержит 7,1 млрд параметров; метаданные указывают контекст до 131 072 токенов и поддержку китайского и английского языков. Модель предназначена для распознавания речи в песнях, транскрибирования текстов и предварительного разбора структуры целых музыкальных композиций. В карточке также заявлена возможность генерации текста, а метаданные отмечают интерфейс чата. Репозиторий содержит веса в формате safetensors. Сведения о лицензии в доступных материалах отсутствуют.

Модель Sandiago21/speecht5_finetuned_facebook_voxpopuli_french — дообученная на датасете VoxPopuli версия SpeechT5 от Microsoft для синтеза речи из текста. Она использует архитектуру SpeechT5ForTextToSpeech и распространяется в форматах PyTorch и Safetensors. Карточка приводит значение функции потерь 0,4379 на оценочной выборке, но не описывает методику оценки или качество звучания. Модель предназначена для преобразования текста в речь на французском языке. Она выпущена под лицензией MIT. В README не приведены сведения о голосе, поддержке других языков и практических ограничениях синтеза.

Модель speecht5_tts-pld-hil — версия SpeechT5, дообученная автором репозитория sapinsapin на наборе данных sapinsapin/pld. Она предназначена для синтеза речи на основе текста на языке Hiligaynon (код hil). Обучение включало 1000 шагов на 1832 аудиофрагментах; для синтеза в примерах использовались голосовые эмбеддинги x-vector из SpeechBrain и вокодер microsoft/speecht5_hifigan. Модель построена на архитектуре SpeechT5ForTextToSpeech и распространяется в формате safetensors через Transformers. Репозиторий указывает лицензию MIT. Карточка сообщает значение eval_loss 0,3908, но не приводит сравнительной оценки качества или длину контекста. Модель рассчитана на преобразование текста в аудио, а указанные обучающие данные и название репозитория ориентируют её на Hiligaynon.

sapinsapin/speecht5_tts-pld-ilo — модель синтеза речи из текста, созданная дообучением SpeechT5 от Microsoft на наборе данных sapinsapin/pld. Она предназначена для озвучивания текста на илокано; при синтезе используются векторное представление голоса говорящего для кондиционирования и вокодер microsoft/speecht5_hifigan. Обучение проведено на 1761 аудиофрагменте в течение 1000 шагов; в карточке приведено значение eval_loss 0,3924. Модель построена на архитектуре SpeechT5 и распространяется в формате safetensors через библиотеку Transformers. Лицензия — MIT. Карточка не приводит длину контекста или подробную оценку качества, поэтому результаты для других голосов и текстов могут различаться.

Модель sapinsapin/speecht5_tts-pld-pag — дообученная версия SpeechT5 от Microsoft для синтеза речи из текста на языке Pangasinan (код pag). Она обучена на наборе sapinsapin/pld: 1000 шагов на 1673 аудиофрагментах; карточка приводит eval_loss 0,4095. Для синтеза использовались векторное обусловливание говорящего через SpeechBrain x-vector и вокодер microsoft/speecht5_hifigan. Модель предназначена для преобразования текста в речь; репозиторий содержит веса safetensors и использует библиотеку Transformers. Базовая модель SpeechT5 была дообучена Microsoft на LibriTTS. Лицензия — MIT.

SpellMtei — M1 (ByT5) — это дообученная модель Google ByT5-small, опубликованная nyobemedoc для исправления орфографии на языке манипури (мейтей) в письменности мейтей-майек. Она использует байтовую архитектуру T5 и обучена преобразовывать испорченный текст в исправленный на синтетических примерах: ошибки моделируются с учётом особенностей письменности и фонологии языка. Модель принимает текст и выдаёт исправленный текст; байтовая токенизация позволяет работать с письменностью без отдельного словаря токенов. На замороженном синтетическом тестовом наборе из 1 012 предложений модель снизила долю символьных ошибок с 6,26% до 2,86%, удалив 54% ошибок. Однако она склонна переписывать уже корректный текст: в тесте были изменены 60% чистых предложений. Обучение проводилось в течение шести эпох; для генерации в README описан beam search с шириной 4 и максимальной длиной 1024 токена. Лицензия указана как other, поэтому конкретные условия использования следует сверить с карточкой репозитория.

stable-twi-tts — модель синтеза речи от Ghana NLP Community, созданная на архитектуре Piper VITS. Это дообученная версия голоса en_US/libritts_r/medium, обученная на 327 часах аудио: примерно поровну на твийском и ганском варианте английского. Модель использует фонемы IPA, общие для обоих языков, и поддерживает переключение между ними внутри фразы. Доступны 12 голосовых профилей, выбранных по измерениям разборчивости; частота дискретизации выходного аудио — 22,05 кГц. Модель предназначена для озвучивания текста на твийском языке и смешанных твийско-английских фраз. Для переключения языков предусмотрен режим mixed, а профили twi-1 и twi-6 показали лучшие результаты соответственно для смешанной речи и текста только на твийском. По оценке на отложенных данных твийская речь заметно точнее английской; английское аудио звучит менее полно из-за исходной записи с частотой 16 кГц. Для работы с моделью требуется соответствующая карта фонем. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

stanfordnlp/stanza-hu — модель Stanza для венгерского языка из набора инструментов лингвистического анализа, разработанного Stanford NLP. Она предназначена для анализа текста и решения задачи классификации токенов; метаданные указывают библиотеку Stanza и формат PyTorch. Лицензия — Apache 2.0. Stanza предлагает инструменты для анализа естественного языка от исходного текста до синтаксического разбора и распознавания сущностей. Карточка этой модели не уточняет конкретные поддерживаемые виды разметки, размер и архитектуру модели или длину контекста.

stanfordnlp/stanza-lt — модель литовского языка из набора инструментов Stanza, разработанного Stanford NLP. Она предназначена для лингвистического анализа текста, в том числе для задач разметки токенов; Stanza также предоставляет инструменты синтаксического анализа и распознавания сущностей. Репозиторий содержит веса PyTorch и опубликован под лицензией Apache 2.0.

Tashkeel Nano 4.5M — компактная модель Ahmadsy для расстановки арабских диакритических знаков в тексте. Она использует двунаправленный символьный Transformer-энкодер и классификационную голову на 15 классов. Модель содержит около 4,49 млн параметров, принимает текст и рассчитана на короткие фрагменты длиной до 128 токенов. Модель предсказывает фатху, дамму, касру, шадду, танвин и сукун для арабских букв. В README приведены результаты на опубликованном тесте SadeedDiac-25, однако модель уступает своему преемнику tashkeel-nano-1p1m по опубликованным сравнениям и помечена как устаревшая. Вывод использует устаревший порядок знаков shadda-first, а не канонический порядок Unicode NFC; для корректной обработки NFC-текста предпочтителен преемник. Для лучших результатов требуется удалять пробелы перед декодированием. В обучающих данных есть пересечение с некоторыми тестовыми корпусами, поэтому соответствующие оценки не являются независимой проверкой. Лицензия указана как research-only; коммерческое использование требует отдельной проверки лицензии.

Typhoon2-Qwen2.5-7B — базовая большая языковая модель, разработанная командой Typhoon AI на основе Qwen2.5-7B. Это плотная авторегрессионная модель с архитектурой Qwen2, содержащая 7,1 млрд параметров и работающая с контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors; для работы требуется Transformers версии 4.45.0 или новее. Модель предназначена прежде всего для генерации текста на тайском языке, также заявлена поддержка английского. Её можно использовать как основу для продолжения обучения, предметной адаптации и генерации текста с примерами в запросе. В карточке приведены результаты на тайских экзаменационных и предметных тестах, включая математику, естественные и общественные науки. Это базовая, а не инструкционная модель: без дообучения или примеров в запросе она может плохо следовать инструкциям. В модели нет механизмов модерации, поэтому она может выдавать вредоносные или неуместные ответы. Лицензия — Apache-2.0.

Vi-F5-TTS — модель синтеза речи из текста для вьетнамского языка, созданная на основе F5-TTS и дообученная на датасете vin100h-preprocessed-v2. Она предназначена для преобразования вьетнамского текста в речь; README содержит инструкции по загрузке чекпойнта и раздел с кодом инференса. Модель опубликована в формате PyTorch под лицензией MIT. Подробные сведения об архитектуре, размере модели, контексте и характеристиках сгенерированного голоса в доступных материалах не приведены.

YarnGPT-local — модель синтеза речи, опубликованная Saheed Azeez для генерации речи на йоруба, игбо и хауса. Она использует языковую модель без внешних адаптеров и сложных дополнительных архитектур; для управления голосом можно задавать текстовый голосовой промпт. В карточке перечислены десять вариантов голосов: женские и мужские голоса для этих языков. Модель основана на архитектуре Llama и содержит 365,7 млн параметров. Она загружается через Transformers, использует формат safetensors и имеет контекст длиной 8192 токена. Метаданные указывают на объединение с HuggingFaceTB/SmolLM2-360M и saheedniyi/YarnGPT. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных материалов, но не для коммерческого применения. Модель предназначена для озвучивания текстов и создания голосовых интерфейсов на поддерживаемых нигерийских языках. Автор заявляет о естественном и культурно релевантном звучании, однако независимые оценки качества в карточке не приведены. Результат может зависеть от выбора голосового промпта; модель ориентирована на три указанных языка.

mHossain/bengali_pos_v1_400000 — модель токеновой классификации на базе ELECTRA, дообученная разработчиком на наборе данных pos_tag_100k. Она предназначена для автоматической разметки частей речи в текстах на бенгали. Модель содержит 137,8 млн параметров и обрабатывает последовательности длиной до 512 токенов. На оценочной выборке указаны точность 0,8402 и F1 0,7843. Эти показатели относятся к описанному набору данных и не гарантируют такое же качество на других текстах. Лицензия и подробности об ограничениях в предоставленных данных не приведены.

BERTc-315M-CSC — модель для исправления орфографических ошибок в китайском тексте, дообученная на базе BERTc-315M. Она использует два выхода: один предсказывает замену символа в каждой позиции, второй определяет наличие ошибки и служит вспомогательным сигналом при обучении. При применении исправления используются предсказания первого выхода. Модель рассчитана на замену символов без изменения длины текста: она не исправляет пропуски и лишние символы. В модели 316,4 млн параметров, она принимает китайский текст и выдаёт исправленный текст. В README приведены результаты оценки на 707 примерах SIGHAN-15: F1 на уровне предложений 0,8388, точность 0,8472 и precision 0,9461. Порог коррекции по умолчанию равен 0,7; его снижение повышает полноту, а повышение — точность, но порог не помогает, если правильный вариант не попал в предсказания модели. Модель реализована на PyTorch, веса доступны в формате safetensors. Лицензия — Apache-2.0; лицензии обучающих наборов данных следует проверять отдельно.

Borealis 4B Instruct Preview — экспериментальная предварительная версия ассистента от NbAiLab, дообученная методом supervised fine-tuning на текстовых инструкциях на базе google/gemma-3-4b-it. Модель содержит 4 млрд параметров и рассчитана на раннее тестирование и сбор отзывов; исходные веса доступны в BF16 в формате Transformers и safetensors. Модель предназначена прежде всего для задач на норвежском языке: составления и редактирования текстов, суммаризации, ответов на вопросы и несложных рассуждений. Её также можно применять для оценки качества письма на букмоле и нюнорске и для ранней проверки языкового охвата. Хотя базовая Gemma 3 поддерживает работу с изображениями, Borealis дообучали только на текстовых инструкциях. Качество предварительное: ответы могут быть нестабильными и содержать ошибки или галлюцинации. Модель не прошла выравнивание по безопасности и может выдавать вредный, предвзятый или оскорбительный контент; её не следует использовать в критически важных сценариях без собственных мер защиты. Лицензия — Gemma.

minlik/chinese-llama-plus-7b-merged — китайская модель генерации текста на архитектуре LLaMA, созданная с добавлением китайского словаря и продолжением предобучения китайских эмбеддингов. В карточке указаны 6,7 млрд параметров и контекст до 2048 токенов; доступны веса PyTorch и safetensors. Модель предназначена для генерации текста на китайском языке. README приводит пример использования через Transformers и SentencePiece. Лицензия в предоставленных данных не указана.

Edentns/DataVortexM-7B-Instruct-v0.1 — корейская диалоговая модель, созданная командой, в которой указаны Kwangseok Yang, Jeongwon Choi, Seunghyun Choi и Hyoseok Choi. Это дообучение Mistral-7B-Instruct-v0.2 на наборе beomi/KoAlpaca-v1.1a для ответов на инструкции и вопросов на корейском языке. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Модель принимает текстовые инструкции в формате Alpaca и генерирует текстовые ответы; в репозитории также указан chat_template. В README приведены результаты Ko-LLM-Leaderboard со средним баллом 39,81, однако таблица Ko LM Eval Harness показывает нулевые результаты по перечисленным задачам, поэтому оценка качества неоднозначна. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных работ.

ENERGY-DRINK-LOVE/DataVortexS_dpov3 — корейская языковая модель для генерации текста, дообученная командой Youjin Chung и Jingyeom Kim методом DPO на базе Edentns/DataVortexS-10.7B-dpo-v1.11. Для обучения использовались собственный DPO-датасет на основе данных AI Hub и переведённые англоязычные данные, включая OpenOrca DPO. Модель построена на архитектуре Llama, содержит 10,7 млрд параметров и поддерживает контекст до 4096 токенов. Модель предназначена для генерации корейского текста и диалоговых ответов. В README приведены результаты оценки на Ko-LLM-Leaderboard по корейским версиям ARC, HellaSwag, MMLU, TruthfulQA и CommonGen V2; на дату оценки модель занимала 7-е место. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Koichi Yasuoka выпустил модель на базе DeBERTa V2, дообученную на текстах японской библиотеки Аозора Бунко для разметки частей речи и морфологических признаков. Модель обрабатывает японский текст и присваивает каждому длинному слову метки UPOS и FEATS из схемы Universal Dependencies. В метаданных указаны 137,8 млн параметров, контекст до 512 токенов и формат PyTorch. Модель предназначена для токенной разметки японских текстов и может использоваться в лингвистическом анализе и подготовке данных для дальнейшей обработки. В README также указана задача синтаксического анализа зависимостей, однако в метаданных основной pipeline-тег — token-classification. Лицензия — CC BY-SA 4.0.

Fietje 2 — компактная языковая модель для генерации текста на нидерландском языке, созданная Bram Vanroy на основе Microsoft Phi-2. Модель продолжительно обучали на 28 млрд нидерландских токенов, включая нидерландскую Википедию и материалы CulturaX. В метаданных указаны 3,5 млрд параметров, архитектура Phi с плотной сетью и контекст до 2048 токенов; README приводит размер 2,7 млрд параметров. Модель предназначена для генерации нидерландского текста и может служить основой для приложений, которым нужна небольшая языковая модель этого языка. В карточке также указано, что она показывает результаты, близкие к более крупным нидерландским моделям, однако оценка относится к авторскому описанию. Fietje 2 распространяется по лицензии MIT. Как и другие LLM, она может галлюцинировать и ошибаться; ответы не следует считать достоверными без проверки. README указывает, что применимы также ограничения Phi-2.

mlx-community/fish-audio-s2-pro-bf16 — конвертированная в формат MLX версия Fish Audio S2 Pro, подготовленная сообществом mlx-community на основе fishaudio/s2-pro. Это модель синтеза речи с архитектурой Dual-Autoregressive и 5 млрд параметров: медленный авторегрессионный блок отвечает за основное семантическое представление, а быстрый — за остаточные кодовые книги. Модель рассчитана на генерацию речи из текста на множестве языков; в карточке выделены английский, японский и китайский как языки с полной поддержкой, а русский, корейский, испанский, португальский, арабский, французский и немецкий — с сильной поддержкой. Модель поддерживает управление просодией и эмоциями с помощью встроенных текстовых тегов, например для шёпота, пауз, ударения, смеха, пения или изменения высоты голоса. Это позволяет настраивать манеру произношения внутри текста и использовать синтез для озвучивания, выразительной речи и клонирования голоса. Веса представлены в формате safetensors для MLX; README указывает конверсию с помощью mlx-audio 0.4.0. Лицензия обозначена как other, поэтому перед использованием следует проверить условия исходной карточки модели.

FormosanBank/formosan-asr-amis — модель автоматического распознавания речи на языке ами. Это дообученный вариант XLS-R 53 на базе facebook/wav2vec2-large-xlsr-53 с 402,7 млн параметров. Обучение включало продолженное самообучение на пан-формозских аудиоданных, supervised-обучение распознаванию речи и адаптацию к ами. Модель принимает аудио и выдаёт текстовую транскрипцию. Она предназначена для исследования, обучения, документирования и поддержки возрождения языка ами. В описанном протоколе оценки на шести тестовых корпусах получены нормализованные micro WER 7,67% и CER 1,89%; результаты зависят от корпуса и условий записи. Для использования Transformers доступен pipeline automatic-speech-recognition. Лицензия — CC BY 4.0.

Это GGUF-квантизированная версия модели Gemma-4-E4B-it-Minecraft-MT-en-zh-v0.1, разработанной Q1ngMang и подготовленной к публикации в формате GGUF пользователем mradermacher. Модель ориентирована на задачи, связанные с Minecraft, и перевод между английским и китайским языками. README не содержит подробностей об исходной архитектуре, точном числе параметров или длине контекста. Доступны текстовые варианты с разными уровнями квантования — от Q2_K до Q8_0, а также f16; размеры файлов составляют примерно от 4,5 до 15,2 ГБ. Для мультимодального режима предоставляются дополнительные файлы mmproj в форматах Q8_0 и f16, поэтому модель, вероятно, поддерживает работу с мультимодальными входными данными, однако конкретные возможности не описаны. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством среди быстрых. Лицензия модели — CC BY-NC-SA 4.0, предусматривающая указание авторства, некоммерческое использование и распространение производных работ на тех же условиях. Ограничения и фактическое качество переводов или мультимодальной обработки в README не приведены.

gpt2-orao — генеративная языковая модель, разработанная Михайло Шкоричем (@procesaur) при участии JeRTeh и Национальной AI-платформы Сербии. Она основана на архитектуре GPT-2 Large и содержит 810 млн параметров. Модель продолжает заданный текст или генерирует новый на сербском языке; она поддерживает ввод как кириллицей, так и латиницей. Модель обучалась на сербскоязычном корпусе объёмом 4 млрд токенов, включая данные CC-100, сербскую Википедию, SrpELTeC, srwac и корпуса современного сербского языка. Контекст ограничен 1024 токенами. Подходит для генерации сербского текста и продолжения фрагментов на обеих письменностях. Лицензия — CC BY-SA 4.0.

ChangeIsKey/graded-wsd — англоязычная модель RoBERTa-Large, дообученная для градуированной семантической дизамбигуации слов. Она оценивает по шкале от 1 до 4, насколько заданное словарное значение подходит целевому слову в контексте. На вход подаются контекстное предложение, целевое слово и определение; модель выдаёт непрерывную оценку соответствия. Для обучения использован размеченный корпус значений Oxford English Dictionary, а целевое слово отмечается специальными токенами. Модель подходит для лексикографии, компьютерной лингвистики и анализа исторических текстов. В основе — RoBERTa-Large с 454,1 млн параметров и контекстом до 514 токенов; веса представлены в формате safetensors. Карточка описывает дообучение на одном корпусе и оценку по RMSE, поэтому качество на других словарях и жанрах может отличаться. Лицензия в предоставленных данных не указана.

Это односпикерная модель синтеза речи на телугу, созданная B. Narayana Reddy как дообучение Higgs Audio v3 (4B). Она преобразует текст в выразительную речь голосом одного диктора без референсной аудиозаписи и поддерживает переключение между телугу и английским языками. Для телугу входной текст нужно предварительно романизировать по ISO 15919 с помощью того же frontend.py, который использовался при обучении; без этого токенизация может нарушаться. Модель основана на плотной мультимодальной архитектуре Higgs с Qwen3 и распространяется в формате safetensors. Лицензия указана как other, конкретные условия в доступных данных не раскрыты.

ICE-012 Audio — мультиязычная модель синтеза речи, разработанная DarkPs, организацией FanuonAI. Она генерирует речь из текста, поддерживает потоковую выдачу аудио и клонирование голоса по образцу записи. Архитектура включает активный акустический адаптер: он обрабатывает эмбеддинги аудиокодека перед основной моделью и уточняет скрытые состояния после неё. Для управления синтезом доступны настройки пола и возраста голоса, высоты тона, акцента, стиля и скорости речи. Модель принимает название языка или его короткий код; карточка заявляет поддержку 590 названий и вариантов языков. Для клонирования требуется референсная WAV-запись. Репозиторий использует формат safetensors и библиотеку iceAudio. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

IndexTTS-2.5 — модель синтеза речи с нуля и клонирования голоса, разработанная IndexTeam и Bilibili. Она создаёт речь по тексту, используя один аудиофрагмент как образец голоса; поддерживает перенос голоса между языками и управление эмоцией отдельно от тембра. Модель построена на авторегрессионной архитектуре: GPT-backbone примерно на 0,8 млрд параметров формирует представление для декодера речи в мел-спектрограмму на основе flow matching, а BigVGAN преобразует его в аудиоволну с частотой 22,05 кГц. Поддерживаются китайский, английский, японский, испанский и арабский языки. По сравнению с IndexTTS-2 добавлены японский, испанский и арабский, ускорен вывод и добавлено управление скоростью речи. Модель подходит для озвучивания текстов, создания речи заданным голосом и многоязычного переноса голоса. Для инференса требуются Python 3.10–3.11, NVIDIA GPU и около 6 ГБ видеопамяти. Длинные тексты разбиваются на сегменты, поэтому просодия может нарушаться на их границах; управление эмоцией по текстовому описанию требует отдельной модели QwenEmotion, а случайная генерация эмоций снижает точность клонирования. Модель не проверяет согласие говорящего на клонирование. Условия использования регулируются bilibili Model Use License Agreement.