I.6Перевод и языковая адаптация

kfkas/t5-large-korean-P2G — дообученная модель семейства T5 для восстановления исходного корейского текста из данных, преобразованных методом G2P. Автор описывает обучение на 500 тысячах предложений из газетного корпуса Национального института корейского языка 2021 года; в примере модель исправляет фонетически записанный текст, возвращая исходное написание. Модель имеет архитектуру T5ForConditionalGeneration и около 403,9 млн параметров. Она принимает текст и генерирует восстановленный текст на корейском языке; веса опубликованы в формате PyTorch. Лицензия в доступных данных не указана.

Tarbiyah AI Whisper Medium Merged — модель автоматического распознавания речи, разработанная для проекта Tilawah AI на основе openai/whisper-medium. Это дообученная модель семейства Whisper с архитектурой encoder-decoder Transformer и 455,8 млн параметров; репозиторий содержит веса safetensors. Модель предназначена прежде всего для расшифровки чтения Корана на арабском языке, включая различные стили рецитации, а также показывает применимость к общей арабской речи. В карточке указаны результаты WER 5,8% на пользовательском наборе чтения Корана, 14,2% на Common Voice 11 Arabic и 11,5% в тесте с шумом. Модель может использоваться для транскрибации аятов и поддержки анализа рецитации в образовательных приложениях. Авторы отмечают, что обучающие данные преимущественно включали мужские голоса, поэтому качество для женских и детских голосов может отличаться; возможен перекос в пользу распространённых стилей, например Хафс ан Асым. Расшифровка не заменяет обучение у квалифицированного преподавателя и не предназначена для религиозных заключений. Лицензия — MIT.

Модель Prince Nasamu Alhassan — дообученная версия VITS для синтеза речи на языке эве из текста. Она создана на основе facebook/mms-tts-ewe и обучена в течение 20 тысяч шагов на корпусах bibletts_ewe_hifi и waxal_ewe_tts. Модель предназначена для озвучивания фраз и коротких сообщений на эве; размер по метаданным — 3,6 млн параметров. Для запуска в README описано использование Transformers и VitsModel. Обучающие данные преимущественно состоят из библейских текстов, поэтому голос и формулировки могут лучше соответствовать этому регистру, чем повседневной речи. Токенизатор посимвольный: символы вне его словаря молча удаляются. Перед синтезом следует переводить текст в нижний регистр и записывать числа словами; для эве в README указано отсутствие потери символов на проверенной выборке после такой нормализации. Модель заявлена как исследовательская работа с хакатона, а не поддерживаемый продукт. Лицензия — CC BY-NC 4.0, использование ограничено её условиями, включая некоммерческое применение.

TalhaAhmed/Urdu_kaani_TTS — модель синтеза речи на урду, разработанная TalhaAhmed на основе KaniTTS 450M. Модель дообучена с помощью LoRA ранга 8 на наборе данных с парами урду-текста и речи; в метаданных указан набор mahwizzzz/UAT, а в README — TalhaAhmed/urdu-tts-nano-codec. Архитектура — плотная LFM2, около 460 млн параметров; формат весов — Safetensors. Метаданные указывают контекст до 128 000 токенов. Модель предназначена для выразительного озвучивания историй на урду в стиле каани, а также для аудиокниг, учебных материалов, закадрового голоса и разговорных голосовых интерфейсов. Она принимает текст и генерирует аудио; основным языком является урду. Лицензия — MIT. По README, лучше всего модель работает с текстом на урду в арабской графике, а выразительность может снижаться на длинных абзацах. Она не оптимизирована для пения и крайних эмоциональных интонаций.

vitruv/vitruv_2 — Virtruv이 개발한 한국어 수학 문제 풀이에 초점을 맞춰 학습한 텍스트 생성 모델이다. README에 따르면 기반 모델은 vitruv/vitruv1이며, 학습 데이터에는 한국어·영어 번역 자료, 한국어 지시문 데이터, MathPile에서 샘플링해 직접 번역한 자료, 한국어 문화 콘텐츠 대본과 전문 전화 상담 내역이 포함됐다. 모델은 Llama 계열의 밀집형 인과 언어 모델로, 크기는 10.7B 파라미터이고 기본 문맥 길이는 2048 токена. Hugging Face 메타데이터에 указаны Transformers와 safetensors, Apache-2.0 лицензия. Карточка подтверждает упор на корейский язык и математику, однако не приводит результатов оценки качества или подробных инструкций по использованию.

Модель ivrit-ai/yi-whisper-large-v3 разработана командой ivrit-ai и представляет собой дообученную версию Whisper Large v3 от OpenAI для распознавания речи на идише. Это плотная модель архитектуры Whisper с 905,2 млн параметров, опубликованная в формате safetensors для Transformers под лицензией Apache-2.0. Модель предназначена прежде всего для транскрибации аудио на идише. При обучении использовались краудсорсинговые записи чтения фрагментов статей и голосовые сообщения с заранее заданными фразами; в части примеров учитывались временные метки и предыдущий текст. Для распознавания следует явно задавать языковой токен идиша. В README отмечено, что обучение ухудшило автоматическое определение языка, поэтому модель рассчитана преимущественно на аудио на иврите. Перевод аудио не обучался и работает ненадёжно. Модель не следует выбирать для перевода речи или распознавания других языков без проверки.

Zefiro base — языковая модель на 7,1 млрд параметров, разработанная giux78 и продолжающая предобучение Mistral-7B-v0.1 для итальянского языка. Это плотная авторегрессионная модель семейства Mistral, предназначенная для генерации текста и диалоговых сценариев; заявленная длина контекста — 32 768 токенов. Для дополнительного обучения использовались подмножества итальянских данных OSCAR и Wikipedia. Модель подходит для генерации и продолжения итальянского текста, а также для экспериментальных диалоговых приложений. Она распространяется в формате Safetensors по лицензии Apache-2.0. В README отмечено, что модель не проходила RLHF-выравнивание по предпочтениям людей и не использует фильтрацию ответов, поэтому может выдавать проблемное содержание; оценки в карточке приведены для другой модели Zefiro-DPO-7B и не подтверждают качество этой базовой версии.

Это предварительно обученная японская модель BERT от hiroshi-matsuda-rit, почти совпадающая с cl-tohoku/bert-base-japanese-char-v2. Она использует посимвольную токенизацию с маскированием целых слов и предназначена для заполнения пропусков в японском тексте. Вариант токенизатора basic не требует установки fugashi или unidic_lite; архитектура — BertForMaskedLM, размер — 118 млн параметров, контекст — до 512 токенов. Модель обучена на японской Википедии и распространяется по лицензии CC BY-SA 4.0.

TheBloke разместил модель Minlik's Chinese Alpaca 33B Merged в формате PyTorch fp16, объединив её с LoRA SuperHOT от Kaio Ken для увеличения контекста. Это плотная авторегрессионная модель семейства Llama с 32,4 млрд параметров; заявленная длина контекста — 8192 токена. Для работы с расширенным контекстом README указывает использовать trust_remote_code=True. Модель предназначена для генерации текста и диалоговых ответов на китайском языке. Базовая Chinese Alpaca получила китайский словарь, продолженное предобучение китайских эмбеддингов и дообучение на инструкционных данных; SuperHOT добавляет возможность использовать контекст до 8K токенов. Репозиторий содержит веса PyTorch fp16 для GPU-инференса и дальнейших конверсий. В карточке лицензия обозначена как other, без конкретных условий. Модель крупная и требует значительных ресурсов GPU; для расширенного контекста необходимо учитывать настройку загрузки, описанную в README. Данные о качестве, поддерживаемых языках помимо китайского и безопасностном поведении в карточке не приведены.

Это дообученная версия Higgs Audio v3 размером 4 млрд параметров для синтеза речи на телугу голосом одного диктора. Модель преобразует текст в выразительную речь и может работать с переключением между телугу и английским; референсный аудиофрагмент для генерации не нужен. Для телугу требуется текст в ISO-15919-транслитерации и тот же frontend.py, который применялся при обучении: без него токенизация может разбивать текст на байтовые фрагменты. В README указано, что это первая исследовательская версия адаптации. Лицензия в метаданных обозначена как other, конкретные условия использования не приведены.

KW5 149M Instruct r2 — небольшая плотная авторегрессионная языковая модель Regnant, дообученная по инструкциям на базе regnant-io/kw5-149M. Она предназначена прежде всего для ответов на суахили по предоставленному тексту, перефразирования и коротких объяснений. Модель содержит 149 млн параметров трансформера (173,6 млн с учётом раздельных входных эмбеддингов и выходной головы) и работает с текстом; контекстное окно в карточке не описано. По оценке авторов, она правильно отвечает на 43% вопросов по предоставленным фрагментам Википедии и примерно в половине случаев отказывается отвечать на вопросы без ответа в контексте. Результаты остаются ненадёжными: модель может выдумывать факты, плохо справляется с арифметикой и продолжениями диалога, а в структурированных ответах иногда использует английские заголовки. Суахили — основной язык модели. Лицензия Apache-2.0.

Mechanism 24B V.1 — объединённая языковая модель на архитектуре Mistral, созданная OddTheGreat для ролевых диалогов и творческого письма. В её основе объединение Gryphe/Codex-24B-Small-3.2, OddTheGreat/Apparatus_24B и zerofata/MS3.2-PaintedFantasy-24B. Модель содержит 23,4 млрд параметров, принимает текст и генерирует текст. Метаданные указывают контекстное окно до 131 072 токенов, хотя в README автор сообщает о проверке до 16 тысяч токенов. Поддерживаются английский и русский языки; автор отдельно отмечает поддержку русского. Модель доступна в формате safetensors для Transformers и распространяется по лицензии, указанной в карточке Hugging Face.

mitra-qwen35-2b-embedder — компактная модель эмбеддингов из семейства Dharmamitra Qwen3.5, разработанная для поиска семантически близких текстов в классических буддийских корпусах. Она преобразует запросы и фрагменты текста в L2-нормализованные векторы размерности 2048; для запроса используется инструкция «Please find the semantically most similar text.» перед текстом запроса, а фрагменты передаются без инструкции. Модель основана на Qwen3.5-2B, дообученной на буддийских текстах и затем настроенной для контрастивного поиска с LoRA. Модель предназначена для многоязычного поиска параллельных фрагментов и асимметричного поиска, например по запросу-предложению среди более длинных окон текста, а также для поиска классических текстов по английскому запросу. Поддерживаются санскрит и пали в IAST, тибетский в родном письме и китайский в китайском письме; метаданные также отмечают английский. Контекст составляет 262 144 токена, число параметров — 1,7 млрд. В тестах на специализированном бенчмарке модель превосходит универсальные эмбеддеры в задачах буддийского поиска, но уступает более крупному gemma-2-mitra-e по приведённым метрикам. Лицензия — Apache-2.0.

facebook/mms-tts-aia — модель синтеза речи на языке ароси (Arosi, aia), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст на ароси в речевую волну и предназначена для озвучивания текстов на этом языке. Модель использует архитектуру VITS — сквозную систему синтеза речи на основе вариационного автоэнкодера, потоковых слоёв и декодера, подобного HiFi-GAN. Для одного и того же текста она может создавать речь с разным ритмом; генерация недетерминирована и для повторения результата требуется фиксированный seed. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors. Модель рассчитана на язык ароси и не заявлена как многоязычная: для каждого языка MMS обучается отдельный VITS-чекпойнт. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-cya — модель синтеза речи на языке Chatino, вариант Nopala (код языка cya), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. Это сквозная система синтеза речи с вариационным автоэнкодером, потоковым модулем, декодером на основе свёрточных слоёв и стохастическим предсказателем длительности. Поэтому один и тот же текст может звучать с разным ритмом; для повторяемого результата требуется фиксированное случайное зерно. Для каждого языка MMS обучается отдельный чекпойнт. Модель доступна через Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей.

facebook/mms-tts-dnt — модель синтеза речи на языке Dani, Mid Grand Valley (код dnt), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на этом языке в речевой сигнал и предназначена для озвучивания текстов и создания синтетической речи. Для каждого языка MMS обучается отдельный чекпойнт. Модель использует архитектуру VITS — сквозную систему синтеза речи на основе вариационного автоэнкодера с Transformer-энкодером текста, потоковым модулем и декодером, похожим на HiFi-GAN. Размер модели — 3,5 млн параметров. Из-за стохастического предсказателя длительности результаты синтеза могут различаться; для воспроизводимости требуется фиксировать seed. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-ikk — модель синтеза речи на языке ика (Ika, ikk), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текста на языке ика. Модель использует архитектуру VITS: это сквозная система синтеза речи с вариационным автоэнкодером, потоковым модулем, декодером на основе HiFi-GAN и стохастическим предсказателем длительности. В репозитории указано 3,5 млн параметров; веса доступны в форматах PyTorch и Safetensors. Чекпойнт предназначен для одного языка — ика; фиксированный seed нужен, чтобы повторно получить ту же аудиозапись. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не приводит оценок качества и подробностей о голосе или условиях записи, поэтому пригодность для конкретного произношения и сценария следует проверять отдельно.

facebook/mms-tts-kyu — модель синтеза речи на западном кая (kyu), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и подходит для озвучивания фраз и создания голосовых сообщений. Модель построена на архитектуре VITS: текстовый энкодер, flow-модуль и HiFi-GAN-подобный декодер формируют речь сквозным образом. Размер чекпойнта — около 3,5 млн параметров; для работы доступна через Transformers версии 4.33 и новее. Генерация стохастическая: одинаковый текст может звучать с разным ритмом, а для воспроизводимого результата нужен фиксированный seed. Модель предназначена для западного кая и не является универсальным многоязычным синтезатором. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-mbu — модель синтеза речи на языке Mbula-Bwazza, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на языке mbu в речевую аудиоволну и подходит для озвучивания фраз и создания голосового вывода на этом языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, потоковый модуль, стохастический предсказатель длительности и декодер, формирующий аудиоволну. Это отдельный чекпойнт для одного языка; в репозитории указано 3,6 млн параметров. Модель доступна через Transformers версии 4.33 и новее. Из-за стохастического предсказателя длительности для повторения того же результата требуется фиксированный seed. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование. Описание и метаданные не сообщают о дополнительных ограничениях качества или поддержке других языков.

facebook/mms-tts-naw — модель синтеза речи на языке навури (Nawuri), разработанная Facebook в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт семейства MMS-TTS, обученный для преобразования текста на навури в речевую форму. Модель использует архитектуру VITS — сквозную систему text-to-speech на основе вариационного автоэнкодера, поточных слоёв и декодера, подобного HiFi-GAN. Она генерирует аудиоволну по входному тексту; стохастический предсказатель длительности позволяет получать разные ритмические варианты произношения. Размер модели — 3,5 млн параметров. Для повторяемого результата требуется фиксировать seed. Чекпойнт предназначен для озвучивания текста на навури и исследовательских либо прикладных сценариев синтеза речи для этого языка. Доступен через библиотеку Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

Monh38348/my_arabic_dialects_model — дообученная автором модель Qwen2.5-1.5B-Instruct, обученная с помощью TRL и предназначенная для генерации текста в диалоговом формате. Пример в карточке показывает запрос на английском языке и использование через Transformers pipeline с задачей text-generation. Модель имеет плотную архитектуру Qwen2, содержит 1,5 млрд параметров и поддерживает контекст длиной до 32 768 токенов. В метаданных указана возможность чата; сведения о специальной настройке на арабские диалекты, целевых диалектах, обучающих данных и лицензии в предоставленной карточке отсутствуют.

Nepali LLaMA 590M — причинная языковая модель на архитектуре LLaMA, предназначенная для генерации текста на непальском языке. Модель разработана Anurag9817 и прошла continued pretraining примерно на 200 млн токенов; в README указано около 590 млн параметров, а метаданные каталога — 528,6 млн. Используются SentencePiece-токенизатор с размером словаря 40 000 и формат safetensors. Длина контекста в источниках различается: README сообщает 1 024 токена, метаданные — 2 048. Модель может служить основой для генерации и продолжения непальского текста. README описывает обучение с FP16, 8-битным AdamW и SDPA. Лицензия в предоставленных данных не указана, поэтому условия использования определить нельзя.

Phibode-3-mini-4k-ultraalpaca — языковая модель для общения на португальском языке, созданная разработчиком recogna-nlp на основе Phi-3-mini-4k-instruct от Microsoft. Модель дообучена методом LoRA на датасете UltraAlpaca, переведённом на португальский. Она предназначена для запуска пользователями с ограниченными вычислительными ресурсами и генерации ответов в диалоговом формате. Модель использует плотную архитектуру Phi-3 с примерно 3,7 млрд параметров и контекстом до 4096 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. README отмечает, что работа продолжается и при генерации на португальском языке остаются проблемы с качеством.

usermma/Quark-270m-Base-i1-GGUF — это текстовая авторегрессионная языковая модель для генерации текста, преобразованная в формат GGUF из базовой модели ThingAI/Quark-270m-Base с использованием llama.cpp. Репозиторий подготовлен usermma. Модель предназначена для двуязычных сценариев на итальянском и английском языках и может использоваться для локального запуска генерации текста через llama.cpp, включая командный интерфейс и серверный режим. Размер исходной модели составляет около 270 миллионов параметров. Доступный файл использует крайне компактное квантование IQ1_S в формате GGUF, что снижает требования к памяти, но может ограничивать качество по сравнению с полноразмерными или менее квантованными версиями. В README указана работа с контекстом длиной 2048 токенов. Модель относится к классу causal language models, работает только с текстом и не является инструкционной или диалоговой моделью, поэтому для получения нужного поведения может потребоваться тщательно сформулированный промпт. К сильным сторонам относятся небольшой размер, возможность локального запуска и поддержка llama.cpp. Ограничения включают отсутствие заявленных результатов тестирования, неизвестные подробности архитектуры и обучения, а также возможную потерю качества из-за сверхкомпактного квантования. Модель распространяется по лицензии Apache-2.0.

daje разработал корейскую версию Qwen3-TTS-12Hz-0.6B, дообучив базовую модель Qwen/Qwen3-TTS-12Hz-0.6B-Base на датасете daje/korean-tts-training для голоса korean_tts. Модель преобразует текст на корейском языке в речь; пример использования в карточке показывает генерацию аудио с выбором этого говорящего и сохранением результата в WAV. Это плотная модель семейства Qwen3-TTS с архитектурой Qwen3TTSForConditionalGeneration, опубликованная в формате safetensors. В каталоге она описана как версия базовой мультиязычной модели Qwen для синтеза речи и клонирования голоса, однако README демонстрирует только генерацию речи фиксированным голосом korean_tts. Лицензия и размер контекста в предоставленных данных не указаны.

Koichi Yasuoka разработал англоязычную модель RoBERTa для разметки частей речи. Это дообученная на UD_English модель FacebookAI/roberta-base с архитектурой RobertaForTokenClassification, примерно 151,8 млн параметров и контекстом до 514 токенов. Она присваивает каждому слову тег UPOS из универсального набора частей речи и предназначена для POS-разметки и анализа английского текста; в карточке также заявлен dependency parsing, но отдельный выход для зависимостей не описан. Модель принимает текст и выдаёт метки токенов; для загрузки используются Transformers и PyTorch. Лицензия — CC BY-SA 4.0. Модель ориентирована на английский язык, поэтому качество на других языках не подтверждено.

sapinsapin/speecht5_tts-fsc — дообученная модель Microsoft SpeechT5 для синтеза речи из текста на филиппинском языке, включая тагальский и смешанную речь Taglish. Модель обучена на датасете FilipinoSpeechCorpus: 1867 записей прочитанной речи; обучение продолжалось 1000 шагов. Для генерации использовались обусловливание голосом через SpeechBrain x-vector и вокодер microsoft/speecht5_hifigan. Модель предназначена для озвучивания филиппинских текстов и экспериментов с синтезом речи для тагальской и Taglish-речи. В карточке приведено значение eval_loss 0.4432 и упомянуты аудиопримеры для прослушивания. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT. Это дообучение microsoft/speecht5_tts, которая сама основана на SpeechT5 и была дообучена на LibriTTS. Оценка качества ограничена описанным экспериментом на небольшом корпусе прочитанной речи; сведения о переносе на другие голоса, типы речи и широкие сценарии использования не приведены.

Tadabur-Whisper-Small — модель распознавания речи, созданная дообучением Whisper Small на датасете Tadabur с записями чтения Корана. Она предназначена для транскрибирования коранической рецитации на арабском языке; в примере использования для Transformers явно задан язык Arabic. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. В карточке приведены значения WER для нескольких этапов обучения: 13,78% на 2 500 шаге и 11,20% на 5 000 шаге. Модель не предназначена для идентификации говорящих или диаризации и может хуже распознавать шумные записи и аудио низкого качества; ошибки транскрипции возможны. Распространяется по лицензии CC-BY-NC-4.0, а авторы указывают исследовательское и образовательное применение.

TeluguIndicF5 — дообученная на базе ai4bharat/IndicF5 модель синтеза речи из текста, опубликованная пользователем hareeshbabu82. Базовая модель предназначена для синтеза на 11 индийских языках и использует аудиообразец вместе с его расшифровкой, чтобы задать голос и просодию; карточка этой версии отдельно не описывает её особенности или языковое покрытие. Модель подходит для создания озвучки на поддерживаемых индийских языках. Для клонирования голоса требуется явное разрешение его владельца. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0.

Vigogne-7B-Chat — французская чат-модель, разработанная на основе LLaMA-7B и дообученная для многоходовых диалогов между пользователем и ИИ-ассистентом. Она предназначена для общения на французском языке и генерации ответов в диалоговом формате. Модель использует плотную архитектуру LLaMA с примерно 6,6 млрд параметров и принимает текст, выдавая текст. Родной размер контекста — 2048 токенов. Модель работает через Transformers в формате PyTorch и распространяется по лицензии OpenRAIL; README указывает на исследовательское и некоммерческое использование, связанное с лицензией обучающих данных CC BY-NC 4.0. Карточка отмечает, что модель находится в разработке и может выдавать вредные или предвзятые ответы, неверную информацию либо бесполезные рекомендации. Она подходит для экспериментов с французскими диалоговыми системами, но ответы требуют проверки.