I.6Перевод и языковая адаптация

Это дообученная модель Whisper на 455,8 млн параметров, созданная на основе parthiv11/indic_whisper_hi_multi_gpu. Она предназначена для автоматического распознавания речи и транскрибирования аудио; в README приведены результаты оценки: loss 0,6319 и Global WER 14,3953. Базовая модель ориентирована на индийские языки, с подтверждённой поддержкой хинди. Модель принимает аудио и выдаёт текстовую транскрипцию. Она распространяется в формате safetensors и имеет лицензию MIT. Данные обучения в карточке не раскрыты, поэтому результаты и пригодность для конкретных акцентов, условий записи или других языков следует проверять на собственных аудио.

ERCDiDip/langdetect — модель обнаружения языка текста, разработанная на основе XLM-RoBERTa base и дообученная на данных Monasterium и Wikipedia. Она предназначена для классификации текстовых последовательностей по языку, включая современные и средневековые языки. Модель использует архитектуру XLM-RoBERTa с классификационной головой, содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Поддерживает 41 язык; в тестировании на сбалансированном наборе указана средняя точность 99,59%. Репозиторий содержит веса PyTorch и safetensors. Лицензия — MIT. Модель подходит для автоматической сортировки и предварительной разметки исторических и современных текстов. Результат зависит от того, представлен ли язык в поддерживаемом наборе; качество для коротких, смешанных или сильно повреждённых фрагментов в карточке отдельно не оценено.

lemura-arabic-asr-qwen3 — модель распознавания арабской речи от Lemura Labs, дообученная на базе Qwen/Qwen3-ASR-1.7B. Это генеративная ASR-модель: аудиоэнкодер передаёт аудиоконтекст декодеру на основе Qwen3, который выдаёт транскрипцию как текст. Модель предназначена для современного литературного арабского языка и диалектов Персидского залива, Египта, Леванта, Ирака и Магриба, включая марокканскую дариджу; поддерживает переключение между арабским и английским. Модель рассчитана на расшифровку голосовых сообщений, звонков, медиаматериалов и аудио для голосовых агентов. Список направляющих слов можно использовать для распознавания имён, брендов и специальной терминологии. Веса bf16 опубликованы в формате safetensors; для вывода подходят Transformers и ms-swift. Входное аудио должно быть монофоническим с частотой 16 кГц; базовое окно обработки — 30 секунд, поэтому длинные записи нужно делить на фрагменты. Рекомендуется жадное декодирование. Лицензия — Apache-2.0. Качество может снижаться на незнакомых акцентах, в новых предметных областях и при сильном шуме или удалённой записи; марокканская дариджа остаётся особенно сложным случаем. Модель не оценивалась для скрытой идентификации говорящих и не предназначена для такого применения; возможны смещения из обучающих корпусов.

LFM2.5-2.6B-MLX-bf16 — экспорт модели Liquid AI LFM2.5-2.6B в формате MLX для инференса на устройствах Apple Silicon. Это плотная языковая модель с 2,6 млрд параметров и гибридной архитектурой, объединяющей свёрточные и attention-слои. Версия использует точность bf16, занимает около 5,02 ГБ и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, включая локальный запуск на компьютерах Apple с длинными текстовыми последовательностями. Она поддерживает 17 языков, в том числе русский, английский, китайский, арабский, хинди и японский. Карточка указывает лицензию other, поэтому условия использования следует сверять с лицензией репозитория базовой модели.

LFM2-24B-A2B-GGUF — это квантизированная версия языковой модели LFM2-24B-A2B, разработанной LiquidAI и подготовленной в формате GGUF пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального инференса через llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Модель поддерживает текстовую модальность и заявлена для английского, арабского, китайского, французского, немецкого, японского, корейского, испанского и португальского языков. Обозначение 24B-A2B указывает на конфигурацию модели, однако в README не приведены подробности её архитектуры, размер контекста или точная интерпретация компонентов. Доступны варианты от BF16 до различных уровней квантования, примерно от 9,78 до 47,70 ГБ; более высокие уровни обычно сохраняют лучшее качество, а варианты Q3 и IQ3 требуют меньше памяти, но уступают по качеству. Сильная сторона этой версии — широкий выбор квантований для запуска на локальном оборудовании с различными ограничениями по памяти, включая варианты, рекомендованные автором как обеспечивающие высокое или хорошее качество. Ограничения связаны с потерями качества при сильном квантовании, необходимостью совместимого обновлённого программного обеспечения и отсутствием в README данных о производительности, результатах тестов, точном контексте и специализированных сценариях применения. Лицензия указана как lfm1.0; конкретные условия следует уточнять в файле LICENSE.

LFM2.5-1.2B-Instruct-GGUF — квантизированная версия инструкционной языковой модели LFM2.5-1.2B-Instruct, разработанной Liquid AI. Квантизацию выполнил bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, включая запуск локально через llama.cpp, LM Studio, KoboldCpp, Jan AI и другие совместимые приложения. Модель имеет размер 1,2 млрд параметров и поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. В поставке доступны варианты от BF16 до низкобитных форматов Q8, Q6, Q5, Q4 и Q3, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Рекомендуемыми указаны варианты Q4–Q6; наиболее компактные варианты подходят для систем с ограниченной памятью, но могут заметно уступать по качеству. Это текстовая модель: сведения о поддержке изображений, аудио, архитектуре и размере контекстного окна в README не указаны. Модель распространяется по лицензии lfm1.0; подробные условия следует уточнять в файле LICENSE исходного репозитория.

Lite-Whisper large-v3-turbo — сжатая версия мультиязычной модели OpenAI Whisper, разработанная с использованием LiteASR. Модель предназначена для автоматического распознавания речи и преобразования аудио в текст. По метаданным, она основана на openai/whisper-large-v3-turbo, содержит 905,2 млн параметров и использует архитектуру LiteWhisperForConditionalGeneration; опубликована в формате safetensors и работает через Transformers. В карточке приведены результаты оценки на наборах ESB: варианты Lite-Whisper показывают средний WER 10,1–10,2. Метаданные указывают лицензию Apache-2.0. Поддерживаемые языки и длина контекста в предоставленных источниках не перечислены.

win10/Llama-3-Taiwan-13.3B-Instruct — диалоговая языковая модель на архитектуре Llama 3, созданная с помощью mergekit на основе yentinglin/Llama-3-Taiwan-8B-Instruct. Репозиторий содержит веса Safetensors, модель насчитывает 12,7 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Базовая модель ориентирована на традиционный китайский и английский языки, диалог и прикладные задачи понимания языка; метаданные этой модели подтверждают задачу text-generation и возможность чата. Модель опубликована под лицензией, сведения о которой в предоставленных источниках отсутствуют.

Это инструктивная языковая модель LLM-jp — совместного проекта, запущенного в Японии. Модель построена на архитектуре LlamaForCausalLM и содержит 13,2 млрд параметров; контекст — до 4096 токенов. Репозиторий предоставляет веса в формате Safetensors для Transformers. Модель предназначена для диалогов и выполнения инструкций: она генерирует ответы на запросы, вопросы и задания на японском и английском языках. Для настройки использовались японские и английские примеры Dolly и OpenAssistant, а также японские наборы инструкций, включая ichikara-instruction-004-001. Токенизатор сочетает японский, английский и исходный код. Разработчики отмечают, что модель находится на ранней стадии исследований и разработки и не настроена для гарантированного соответствия намерениям человека или требованиям безопасности. Лицензия — Apache-2.0.

morisien-embed — модель эмбеддингов предложений на основе XLM-RoBERTa, разработанная для текста на маврикийском креольском языке (Kreol Morisien, mfe) и поиска между ним, английским и французским. Она дообучена на multilingual-e5-base на 35 064 парах предложений из MorisienMT и маврикийской части Kreyòl-MT; содержит 305,2 млн параметров, принимает текстовые последовательности длиной до 514 токенов и создаёт плотные векторы для семантического поиска, извлечения документов для RAG, кластеризации и поиска параллельных текстов. На тестовых данных MorisienMT модель превзошла проверенные универсальные мультиязычные эмбеддинги в измеренных направлениях поиска. Преимущество над LaBSE относится к этому домену: на более сложной проверке с отвлекающими примерами модель не превосходит нетронутую LaBSE. Неформальный и технический регистры мало проверены; смешение маврикийского и гаитянского креольских текстов ухудшает поиск, а длинные документы нужно делить на части из-за усечения входа. Модель распространяется по лицензии MIT.

NB-Whisper Small (beta) — модель распознавания речи, выпущенная NB AI-Lab Национальной библиотекой Норвегии. Она построена на архитектуре OpenAI Whisper и дообучена на 20 000 часах размеченных аудиоданных; в карточке указано 153,1 млн параметров. Модель предназначена для распознавания речи и транскрибирования аудио, особенно на норвежском языке. Поддерживаются норвежский букмол, норвежский нюношк и английский. Модель подходит для черновой расшифровки речей, парламентских выступлений, телепередач и аудиокниг. Авторы отмечают высокое качество для норвежского языка среди ASR-моделей сопоставимого размера, но предупреждают о галлюцинациях, пропусках фрагментов и расхождении транскрипта с дословной речью: модель может нормализовать устную речь в грамматически правильный письменный текст или опускать части высказывания. Это публичная бета-версия, не предназначенная для производственного применения без оценки рисков. Лицензия — CC BY 4.0.

ziywang50/omniASR-LLM-300M — совместимая с Hugging Face копия модели omniASR-LLM-300M от Meta AI, подготовленная для интеграции с vLLM. Согласно карточке, веса совпадают с оригиналом; изменена упаковка: добавлены конфигурация модели и токенизатора, а также таблица языковых идентификаторов. Модель предназначена для автоматического распознавания речи и поддерживает более 1600 языков. Она принимает аудио и преобразует речь в текст. Репозиторий содержит веса в формате safetensors; в README приведён запуск через vLLM. Модель относится к семейству OmniASR-LLM, архитектура — плотная условная генерация. Лицензия Apache 2.0. В README не указаны точный размер именно этой версии и длина контекста. Для обработки аудио в исходной инструкции также упоминается необходимость libsndfile при использовании справочного пайплайна; требования vLLM могут отличаться.

Карточка модели OpenBuddy/openbuddy-codellama2-34b-v11.1-bf16 на Hugging Face совпадает с карточкой OpenBuddy/openbuddy-llama2-13b-v11.1-bf16, поэтому описание составлено по ней. OpenBuddy — многоязычная чат-модель на базе LLaMA 2, представленная в варианте с 13 млрд параметров и весами bf16. Она предназначена для диалогов и генерации текста; в метаданных указаны языки китайский, английский, французский, немецкий, японский, корейский, итальянский и русский. Модель использует плотную архитектуру LlamaForCausalLM, работает через Transformers и поддерживает контекст до 4096 токенов. Модель подходит для чат-ботов, ответов на вопросы и генерации текста на поддерживаемых языках. README предупреждает, что ответы могут быть ошибочными, вредными или оскорбительными, поэтому модель не следует применять в критически важных сценариях, включая медицинские, финансовые и юридические решения, или для управления потенциально опасными системами. Использование зависит от лицензии Meta на LLaMA: требуется одобрение Meta и соответствие её условиям.

OpenBuddy-R1-0528-Distill-Qwen3-32B-Preview0-QAT — диалоговая языковая модель OpenBuddy на архитектуре Qwen3, дообученная на Qwen/Qwen3-32B с использованием дистилляции DeepSeek-R1-0528. Модель содержит 29,7 млрд параметров, принимает текстовые запросы и генерирует текстовые ответы; длина контекста — до 40 960 токенов. Модель предназначена для многоязычного диалога и генерации ответов в чат-приложениях. В карточке заявлены китайский, английский, французский, немецкий, японский, корейский, итальянский и финский языки. Для развертывания рекомендуется использовать быстрый токенизатор Transformers; шаблон чата задан в tokenizer_config.json, также упоминается совместимость с vLLM. Модель распространяется по лицензии Apache 2.0. Она может выдавать ошибочные, вредные или оскорбительные ответы; разработчики предостерегают от использования в критических ситуациях, включая медицинские, юридические и финансовые решения, а также управление системами, где ошибка может причинить вред.

paprika-whisper-lt-v3 — третье поколение модели распознавания литовской речи, созданное для kalamo.ai и дообученное на базе kristijonas/paprika-whisper-lt. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration; в README указано, что она основана на whisper-large-v3-turbo и обучена на примерно 3 281 часе данных LIEPA-3. Модель принимает монофоническое аудио с частотой 16 кГц и преобразует речь в текст на литовском языке. Модель предназначена для транскрибации аудиозаписей и создания субтитров, в том числе для длинных файлов. Она рассчитана на высокую скорость работы: авторы указывают примерно 83-кратную скорость относительно реального времени и отмечают, что качество уступает некоторым более крупным литовским моделям. Вывод сохраняет разговорные формы речи, но по умолчанию содержит только строчные буквы и не содержит пунктуации; README рекомендует добавлять пунктуацию отдельным теггером. Для длинных записей README рекомендует длинноформатное декодирование и предупреждает, что сегментация фиксированными окнами может терять фрагменты речи или порождать текст на тишине. Доступ к весам предоставляется по лицензии CC BY 4.0.

Pathumma-llm-text-4.0.0 — тайско-английская причинная языковая модель семейства Qwen3.5, разработанная в рамках национальной инициативы ThaiLLM. В README указана версия Pathumma-llm-4b-think-4.0.0: модель содержит 4 млрд параметров и проходит постобучение в два этапа — SFT и DPO. Репозиторий использует Transformers и формат Safetensors; лицензия — Apache-2.0. Модель предназначена для генерации текста в диалогах, следования инструкциям, математических рассуждений и структурированного вызова инструментов на тайском и английском языках. Она может выводить явную цепочку рассуждений перед ответом. Архитектура поддерживает контекст до 262 144 токенов, однако поведение на контекстах существенно длиннее 8 192 токенов в постобучении не проверено.

Это уменьшенная версия модели для восстановления пунктуации и заглавных букв в португальском тексте, разработанная VÓCALI в рамках проекта SANIVERT. Модель основана на neuralmind/bert-base-portuguese-cased и дообучена для токенной классификации на корпусе из примерно 2,97 млн текстовых примеров и 49,7 млн токенов на португальском языке. Модель предназначена для автоматической расстановки знаков препинания и восстановления регистра в текстах. Архитектура — BERT с классификационной головой для токенов, размер — 136,1 млн параметров, максимальный контекст — 512 токенов. Для оценки использовались Macro F1 и Weighted F1; численные результаты в карточке не приведены. Файлы модели опубликованы в формате safetensors. Условия лицензии в предоставленных источниках не описаны.

ibrahimkettaneh/Qwen2.5-14B-Instruct-abliterated-v2-AWQ — это квантованная в формате AWQ версия производной модели Qwen2.5-14B-Instruct-abliterated-v2. Репозиторий опубликован пользователем ibrahimkettaneh; исходная базовая модель разработана командой Qwen компании Alibaba. Производная модель создана методом abliteration, направленным на ослабление отказов отвечать на запросы, а её назначение — локальная генерация текста и диалоговое использование. Модель основана на Qwen2.5-14B-Instruct: это causal language model примерно с 14,7 млрд параметров, архитектурой Qwen2 с RoPE, SwiGLU, RMSNorm и grouped-query attention. Базовая модель поддерживает текстовые задачи, следование инструкциям, программирование, математику, структурированные данные и JSON; заявлена поддержка более 29 языков, включая русский, английский и китайский. Полное контекстное окно базовой модели составляет до 131 072 токенов, а генерация — до 8192 токенов, однако параметры контекста именно этой AWQ-сборки отдельно не документированы. Ключевое преимущество — существенно меньшие требования к памяти благодаря 4-битной AWQ-квантизации; размер опубликованных весов составляет около 10 ГБ. Ограничения включают отсутствие собственной карточки модели и подробных официальных сведений о качестве, области abliteration и фактическом поведении; ослабление защит может повысить риск небезопасных или нежелательных ответов. Для базовой Qwen2.5-14B-Instruct указана лицензия Apache 2.0, но отдельная лицензия данного производного репозитория в доступной карточке не указана.

litert-community/Qwen3.5-4B — это конвертированная версия текстовой части модели Qwen3.5-4B, разработанной Alibaba, в формат LiteRT-LM для локального вывода на устройствах через runtime Google LiteRT. Модель предназначена для генерации текста, диалогов и других сценариев on-device inference на мобильных и периферийных устройствах. В поставляемый пакет не входят vision tower и MTP-головы, поэтому данная версия работает только с текстом; функции tool calling и обработки изображений не включены. Архитектура гибридная: 24 слоя GatedDeltaNet с линейным вниманием и 8 слоёв полного внимания. Линейные слои используют постоянное по размеру свёрточное и рекуррентное состояние, благодаря чему потребление памяти слабо растёт с длиной контекста; KV-кэш сохраняется только для слоёв полного внимания, с бюджетом 4096 токенов. Доступны варианты int8 размером 4,10 ГБ и Mixed INT4 размером 2,57 ГБ. INT4 рассчитан на устройства с ограниченной оперативной памятью, но немного уступает int8 на математических задачах GSM8K. Модель демонстрирует проверенную совместимость с PyTorch-оригиналом, корректную работу на CPU и GPU, включая Metal, а также поддержку многоходовых диалогов. Для использования требуется LiteRT-LM версии не ниже 0.15.0. Поставляемый пакет использует упрощённый ChatML-шаблон без визуальных и инструментальных секций, поэтому совместимость со стандартным шаблоном Qwen3.5 ограничена. Модель распространяется по лицензии Apache-2.0.

Карточка модели jdoksjiksdjdf/Qwen3-ASR-1.7B на Hugging Face совпадает с карточкой Qwen/Qwen3-ASR-1.7B, поэтому описание составлено по ней. Qwen3-ASR-1.7B — плотная аудиоречевая модель семейства Qwen3-ASR, разработанная командой Qwen. Она распознаёт речь и определяет язык аудио; модель поддерживает 30 естественных языков и 22 китайских диалекта, включая русский, английский, китайский и кантонский. Основана на возможностях аудиопонимания Qwen3-Omni и содержит 1,7 млрд параметров согласно названию модели. Модель предназначена для транскрибации речи в потоковом и офлайн-режимах, в том числе длинных записей, аудио в сложных акустических условиях, пения и песен с фоновой музыкой. В README заявлены сильные результаты на открытых и внутренних тестах; отдельные сравнительные показатели в карточке не приведены. Для потокового распознавания требуется backend vLLM; доступны также интеграции через Transformers и пакет qwen-asr. Веса опубликованы в формате safetensors под лицензией Apache-2.0. Модель принимает аудио и выдаёт распознанный текст. Описанный в README Qwen3-ForcedAligner-0.6B — отдельная модель для временных меток, а не функция данного чекпойнта.

Swallow-MS-7b-instruct-v0.1 — разговорная языковая модель TokyoTech-LLM, созданная на базе Mistral-7B-v0.1 с продолженным предобучением на данных, в основном добавлявших японский язык, и последующей настройкой на выполнение инструкций. Репозиторий также меняет chat template токенизатора базовой модели. Модель с архитектурой Mistral, 7,2 млрд параметров, рассчитана на генерацию текста в диалоговом формате; родной контекст — 4096 токенов. Модель предназначена для ответов на инструкции, написания и извлечения текста, ролевого диалога, рассуждений, задач STEM и гуманитарных вопросов на японском и английском языках. Расширенный японский словарь токенизатора позволяет эффективнее представлять японский текст. В README приведены результаты оценки на японском MT-Bench и других бенчмарках; показатели по математике сравнительно низкие. Модель разработана TokyoTech-LLM. Выпускается по лицензии Apache-2.0. Авторы предупреждают, что модель находится на ранней стадии разработки и не настроена для надёжного следования человеческим намерениям и требованиям безопасности. Для instruct-варианта рекомендуется использовать указанный в карточке формат инструкций, иначе качество ответов может снизиться.

Sybyrla — модель распознавания речи на основе Whisper Large V3, дообученная Inflexion Lab для казахской речи. Она преобразует аудио в текст и рассчитана на транскрибацию казахской речи, в том числе записанной в региональных акустических условиях. Модель обучалась на смеси данных KSC2 и русскоязычного Common Voice: русская речь помогает распознавать заимствования и переключение между казахским и русским языками. Для текстов KSC2 применялась автоматическая обработка с восстановлением заглавных букв и пунктуации. На тестовой части KSC2 заявлен WER около 17,7%. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и опубликована в формате safetensors. Лицензия — Apache 2.0. Показатель WER относится к тесту KSC2; качество на других языках, аудиосредах и типах записей может отличаться.

VARCO-VISION-2.0-1.7B — разработанная NCSOFT мультимодальная модель для диалогов по изображениям и тексту. Она построена на архитектуре LLaVA-OneVision и объединяет визуальную основу SigLIP2-so400m-patch16-384 с языковой моделью Qwen3-1.7B; размер языковой модели — 1,7 млрд параметров. Модель принимает несколько изображений в одном запросе и отвечает на вопросы о документах, таблицах, диаграммах и других визуальных материалах. Модель ориентирована прежде всего на корейский и английский языки, с особым вниманием к корейскому языку и культурному контексту. Она подходит для повседневных вопросов и ответов, суммаризации визуальной информации, распознавания текста на изображениях и локализации текстовых областей с помощью рамок. Компактная версия предназначена в том числе для запуска на смартфонах и ПК. В репозитории указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Для работы рекомендуется Transformers версии 4.53.1 или новее, особенно для поддержки нескольких изображений.

kingabzpro/wav2vec2-large-xls-r-1b-Swedish — дообученная на шведской части Common Voice модель распознавания речи на базе facebook/wav2vec2-xls-r-1b. Это плотная архитектура Wav2Vec2ForCTC с 1,3 млрд параметров, принимающая аудио и выдающая распознанный текст на шведском языке. Модель предназначена для автоматической транскрипции шведской речи. В оценке на тестовой выборке Common Voice 8.0 показатель WER составил 18,44 без языковой модели и 14,04 с языковой моделью; CER — соответственно 5,75 и 4,86. Для использования языковой модели требуется соответствующая внешняя языковая модель. Модель распространяется под лицензией Apache-2.0. Оценка приведена для Common Voice 8.0; качество на других наборах данных и в реальных акустических условиях может отличаться.

Это дообученная модель распознавания речи tomascufaro/wav2vec2-large-xls-r-300m-spanish-custom, созданная на основе facebook/wav2vec2-xls-r-300m и обученная на Common Voice. Модель использует архитектуру wav2vec2 с CTC-декодером и принимает аудио, преобразуя речь в текст; заявленная задача — автоматическое распознавание речи. На оценочной выборке указаны loss 0,4426 и WER 0,2117. Модель предназначена для распознавания испанской речи, однако подробности о варианте испанского, настройках аудио и качестве в разных условиях не приведены. Веса опубликованы в формате PyTorch, лицензия — Apache-2.0.

jonatasgrosman/wav2vec2-large-xlsr-53-french — модель распознавания французской речи от Jonatas Grosman, дообученная на базе facebook/wav2vec2-large-xlsr-53 на обучающей и валидационной выборках Common Voice 6.1. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель преобразует аудиозаписи французской речи в текст и рассчитана на распознавание речи с частотой дискретизации 16 кГц. В карточке описана прямая расшифровка без языковой модели; также приведены сценарии оценки на тестовой выборке Common Voice 6.0 и наборе speech-recognition-community-v2. Модель распространяется по лицензии Apache-2.0. Точность может зависеть от качества записи и отличий речи от данных Common Voice, на которых модель дообучалась.

masoudmzb/wav2vec2-xlsr-multilingual-53-fa — модель распознавания персидской (фарси) речи, созданная дообучением masoudmzb базовой модели facebook/wav2vec2-large-xlsr-53. Это аудиомодель архитектуры wav2vec 2.0 XLSR с CTC-декодированием и примерно 402,7 млн параметров; на вход принимает речь, дискретизированную с частотой 16 кГц, и выдаёт текстовую расшифровку. Модель предназначена для автоматического распознавания речи на фарси. По описанию, при дообучении использовались Common Voice и собственный набор данных разработчика. В README приведён результат WER 0,40815 на частном тестовом наборе, который недоступен публично, поэтому это значение нельзя независимо проверить или напрямую сравнить с другими наборами. В README не указана лицензия, поэтому условия использования по имеющимся данным определить нельзя. Практическое ограничение — требование аудио 16 кГц; качество может зависеть от условий записи и соответствия речи обучающим данным.

Phonepadith дообучил модель Whisper для автоматического распознавания речи на лаосском языке. Модель принимает аудио и преобразует его в текст; она предназначена для транскрибации лаосской речи, голосового управления, создания субтитров и расшифровок, языковых приложений и лингвистических исследований. В карточке указана архитектура Whisper, а в метаданных — 905,2 млн параметров и формат safetensors. README называет базой Whisper Large V3 Turbo, тогда как метаданные связывают модель с openai/whisper-large-v3; поэтому точную базовую версию следует считать неоднозначной. Для распознавания речи модель дообучена на наборе Phonepadith/laos-speech-dataset. Лицензия указана как other. Модель может хуже распознавать смешение лаосского и английского, шумную речь и сильные диалектные акценты; токенизатор Whisper иногда нормализует тоновые знаки и пробелы в лаосском тексте.

Whisper base.en — англоязычная модель автоматического распознавания речи, разработанная OpenAI. Это плотная модель Transformer типа encoder-decoder с архитектурой WhisperForConditionalGeneration; в репозитории указано 51,7 млн параметров. Она преобразует английскую речь в текст и предназначена для расшифровки аудио, в том числе длинных записей: базовая обработка рассчитана на фрагменты до 30 секунд, а конвейер Transformers с разбиением на фрагменты позволяет работать с более длинными записями и получать временные метки. Модель обучена на больших массивах аудио с транскрипциями и рассчитана на распознавание английской речи. Она показывает устойчивость к акцентам, шуму и специализированной лексике, но может добавлять слова, которых нет в аудио, повторять фрагменты и ошибаться на отдельных голосах и условиях записи. Лицензия — Apache 2.0.

arampacha/whisper-large-uk-2 — дообученная версия Whisper Large v2 от OpenAI, созданная для распознавания украинской речи. Модель основана на архитектуре Whisper и содержит 905,2 млн параметров; она принимает аудио и выдаёт текстовую транскрипцию. Для дообучения использован Common Voice 11.0, а среди указанных в метаданных датасетов также есть Google FLEURS. В README приведён результат оценки на тестовой выборке: WER 10,0226. Модель подходит для транскрибации украинской речи, в том числе записей и голосовых сообщений. Вес опубликован в формате PyTorch; лицензия — Apache-2.0. Подробности о других ограничениях и условиях оценки в карточке не раскрыты.