I.6Перевод и языковая адаптация

istupakov/whisper-base-onnx — это версия модели Whisper base, разработанной OpenAI и преобразованной в формат ONNX для использования с библиотекой onnx-asr. Модель предназначена для автоматического распознавания речи в аудиофайлах, включая транскрибацию WAV, с возможностью автоматического определения языка или его явного указания. Ключевые характеристики включают архитектуру Whisper base в формате ONNX, поддержку обработки аудио и генерацию текстовой расшифровки. В карточке модели указаны английский и русский языки. Экспорт выполнен с использованием beam search, forced decoder input IDs, оптимизации ONNX и точности FP32. Количество параметров и максимальная длина контекста не указаны. Формат ONNX ориентирован на запуск через onnx-asr и ONNX Runtime, в том числе на CPU. Автоматическое определение языка может работать медленнее, чем распознавание с заранее заданным языком. Данные о точности, производительности, устойчивости к шуму и других ограничениях отсутствуют, поэтому оценить сильные стороны модели по сравнению с альтернативами нельзя. Модель распространяется по лицензии Apache-2.0.

DictionLabs/whisperkit-coreml — набор моделей OpenAI Whisper, преобразованных компанией Diction Labs в формат CoreML для распознавания речи на устройствах Apple. Сборка создана с помощью whisperkittools на основе MIT-лицензированных контрольных точек Whisper и предназначена для использования через WhisperKit и argmax-oss-swift. В набор входят варианты на базе whisper-base, whisper-small и whisper-large-v3-turbo, включая полноточные версии и сжатую версию dictionlabs_whisper-large-v3-turbo-q6q8 размером 737 МБ. Сжатая модель использует 6-битное представление encoder и 8-битное представление decoder, занимая около 45% размера полноточной версии large-v3-turbo, размер которой составляет 1,63 ГБ. Модели предназначены для задач automatic speech recognition и поддерживают многоязычную транскрипцию; в приведённых проверках оценивались английский, немецкий, французский, японский, корейский и китайский языки. Ключевое преимущество набора — выполнение распознавания непосредственно на Apple hardware, включая использование Neural Engine. По данным разработчика, сжатая версия на M1 Mac mini работает примерно в 9,6 раза быстрее реального времени и по качеству близка к полноточной: на 150 фрагментах спонтанной речи WER составил 11,14% против 10,96%, а результаты совпали на 141 фрагменте. Показатели зависят от языка, качества речи и уровня шума; приведённые тесты имеют ограниченный объём и не заменяют полноценную оценку для конкретного сценария. Модели распространяются по лицензии MIT. Для первого запуска токенизаторы загружаются отдельно из соответствующих репозиториев openai/whisper-*, поэтому даже при наличии весов на диске требуется доступ к сети.

Whisper Large-v2 Czech CV11 v2 — модель распознавания речи, созданная дообучением openai/whisper-large-v2 на чешской части набора Mozilla Common Voice 11.0. Она предназначена для преобразования чешской речи в текст. Модель основана на архитектуре Whisper и содержит 905,2 млн параметров. На оценочной выборке указана WER 9,0459 и loss 0,2120. Обучение проводилось с оптимизацией DeepSpeed и размером пакета 32. Модель распространяется по лицензии Apache-2.0. Подробности о дополнительных сценариях применения и ограничениях в карточке не приведены.

Это модель ivrit.ai для автоматического распознавания речи на иврите. Она основана на Whisper large-v3-turbo, дообучена на 295 часах речи с волонтёрскими транскрипциями из ivrit-ai/crowd-transcribe-v5 и 93 часах профессионально расшифрованной речи, а веса представлены в формате CTranslate2 для использования через faster-whisper. Модель принимает аудио и преобразует речь в текст; пример использования в карточке задаёт язык распознавания как иврит. Она предназначена для расшифровки аудиозаписей на иврите. Лицензия — Apache-2.0. Количественные оценки качества и ограничения в карточке не приведены.

Это версия Whisper Large v3 Turbo, дообученная для распознавания немецкой речи. Модель разработана на основе primeline/whisper-large-v3-german; автор карточки — Florian Zimmermeister. Репозиторий содержит конверсию CTranslate2 для использования в совместимых системах, например faster-whisper. В метаданных указана библиотека Transformers, а README описывает формат CTranslate2. Модель преобразует немецкую речь в текст и подходит для транскрибации, создания субтитров, голосового управления, голосового поиска и диктовки. В README для варианта Turbo указано 809 млн параметров. Приведены оценки WER на немецких наборах данных: модель показывает результаты, близкие к базовой дообученной модели, но уступает ей на некоторых тестах. Лицензия — Apache-2.0.

Whisper-large-v3-turbo Russian Stage AW — это дообученная Coriollon модель распознавания речи на базе openai/whisper-large-v3-turbo. Она специализируется на русском языке, сохраняя поддержку английского, и предназначена для преобразования аудио в текст с пунктуацией и заглавными буквами. Архитектура — WhisperForConditionalGeneration, размер — 905,2 млн параметров. Модель особенно нацелена на длинные разговорные фрагменты: дообучение уменьшает потерю пунктуации во второй половине длинных реплик и встреч. Для Stage AW указаны совокупный WER 9,07% и рост плотности пунктуации в длинных репликах примерно в 2,7–2,9 раза относительно предыдущей версии. Репозиторий также содержит вариант faster-whisper с квантизацией int8 и вычислениями fp16. Модель распространяется по лицензии Apache-2.0. Ограничения: на короткой чистой речи качество пунктуации может быть ниже, чем у предыдущей версии, а на очень коротких фрагментах короче трёх секунд возможна избыточная пунктуация. Качество распознавания английской речи унаследовано от предыдущей версии и уступает исходной Whisper Turbo.

mlx-community/whisper-medium-mlx — модель автоматического распознавания речи, конвертированная в формат MLX из версии Whisper medium. Репозиторий предназначен для использования с библиотекой MLX и примерами MLX от ml-explore. Модель подходит для преобразования аудиозаписей в текст через функцию whisper.transcribe, поэтому может применяться в сценариях транскрибации локальных аудиофайлов. README не содержит сведений о точной архитектуре, количестве параметров, поддерживаемых языках, модальностях, размере контекста, производительности или ограничениях. Лицензия также не указана, поэтому условия использования по представленным данным определить нельзя.

Whisper Medium TR — дообученная модель emre на базе мультиязычной OpenAI Whisper Medium для распознавания турецкой речи в текст. Она использует трансформерную архитектуру Whisper и содержит 455,8 млн параметров; обучение проводилось на начальных 10% обучающей и валидационной частей турецкого Common Voice 11.0 от Mozilla Foundation. Модель предназначена для транскрибирования турецких аудиозаписей; в README для оценочного набора указана WER 18,51. Модель принимает аудио и выдаёт текст. В обучении использовался weight decay 0,1 для снижения переобучения. Лицензия — Apache-2.0.

Это дообученная модель OpenAI Whisper Medium с архитектурой WhisperForConditionalGeneration и 455,8 млн параметров. Она предназначена для автоматического распознавания речи и преобразования аудио в текст. В README приведены результаты на наборе оценки: loss 0,5381 и глобальный WER 13,3026; обучающий набор данных не описан. Модель принимает аудио и выдаёт текст; семейство Whisper также поддерживает многоязычную транскрибацию и перевод речи, однако язык и режимы, проверенные именно для этой версии, в карточке не уточнены. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Whisper Small Czech CV11 — модель распознавания речи, созданная дообучением openai/whisper-small на чешской части набора Mozilla Common Voice 11.0. Она преобразует чешскую речь в текст и подходит для транскрибирования записей и голосовых фрагментов. Архитектура — WhisperForConditionalGeneration, размер — 153,1 млн параметров; базовая модель Whisper мультиязычная. На тестовой выборке указана WER 18,5557 и loss 0,3587. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Оценка приведена для указанного набора данных; README не описывает ограничения качества в других условиях записи.

gausshen/whisper-small-indonesian — это модель распознавания речи на базе Whisper Small от OpenAI, дообученная для индонезийского языка. Она принимает аудио и преобразует речь в текст; модель подходит для транскрибирования индонезийских записей. В карточке приведён результат оценки: loss 0,7176, но сведения о наборе данных и подробная оценка качества отсутствуют. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Это мультиязычная модель распознавания речи Whisper Small, разработанная OpenAI и упакованная loom-ai-org в формат GGUF для запуска через loom.cpp. Веса не изменены относительно openai/whisper-small; репозиторий содержит экспорт модели, а не новое дообучение. Модель принимает аудио и преобразует речь в текст. Она поддерживает распознавание на множестве языков, включая русский, английский, китайский, немецкий, испанский, французский и японский; список языков включает также другие языки. Для запуска предлагается библиотека loom-py-rt, которая обрабатывает необходимые для модели разбиение аудио и сборку результата. Файлы предоставлены в формате GGUF и рассчитаны на выполнение в loom.cpp. Репозиторий распространяется по лицензии Apache-2.0. Характеристики точности и ограничения применения в карточке не приведены.

nikes64/whisper-small-uk — модель распознавания речи, полученная дообучением Whisper Small от OpenAI на наборе Mozilla Common Voice 16.1. Она преобразует украинскую речь в текст и рассчитана на транскрибирование аудио. Архитектура — WhisperForConditionalGeneration с 153,1 млн параметров; веса опубликованы в формате Safetensors. В карточке приведён результат оценки на тестовой выборке: WER 26,357 и loss 0,2744. Модель предназначена для транскрибирования записей и голосовых сообщений на украинском языке. Она распространяется по лицензии Apache-2.0. Карточка не уточняет параметры аудио и дополнительные ограничения; указанная ошибка распознавания означает, что в транскриптах возможны неточности.

mlx-community/whisper-tiny-asr-fp16 — версия Whisper Tiny, преобразованная сообществом mlx-community из openai/whisper-tiny в формат MLX с помощью mlx-audio 0.2.10. Это компактная модель распознавания речи с архитектурой Whisper и примерно 29,4 млн параметров, предназначенная для преобразования аудиозаписей в текст. Репозиторий содержит веса Safetensors; для работы используется библиотека mlx-audio. Модель поддерживает многоязычное распознавание, в том числе русского, английского, китайского, немецкого, испанского, французского и японского языков. Она подходит для транскрибации коротких записей и речи в приложениях на устройствах Apple Silicon, совместимых с MLX. Это конверсия исходной модели, а не отдельное дообучение; для подробностей о качестве и ограничениях следует обращаться к карточке openai/whisper-tiny. Лицензия — Apache-2.0.

deepdml/whisper-tiny-es-mix-norm — дообученная модель распознавания речи на базе openai/whisper-tiny, разработанная deepdml. Она преобразует аудио в текст и обучена на наборах Common Voice 26.0, WorldSpeech, VoxPopuli, Multilingual LibriSpeech, VoxForge, FLEURS и Basque Parliament. В карточке указаны результаты оценки: WER 16,07 и CER 6,04; подробности методики оценки не приведены. Модель представлена в формате safetensors и доступна по лицензии Apache-2.0.

Yi-6B — базовая большая языковая модель семейства Yi, разработанная 01.AI и обученная с нуля. Это плотная авторегрессионная модель на архитектуре Transformer, совместимая с экосистемой Llama, но не являющаяся производной от Llama и не использующая её веса. В репозитории представлены веса PyTorch и Safetensors; размер модели — 5,8 млрд параметров, контекст — до 4096 токенов. Модель предназначена для генерации текста и может служить основой для диалоговых систем, ответов на вопросы, чтения и понимания текста, рассуждений и адаптации под прикладные задачи. Серия Yi ориентирована прежде всего на английский и китайский языки и обучалась на мультиязычном корпусе. Для этой базовой версии доступна лицензия Apache 2.0. Карточка описывает возможности серии Yi в целом, поэтому приведённые в ней сравнительные результаты отдельных моделей серии не следует считать оценкой Yi-6B.

AIArchiveInfo/Yi-6B-Chat — побитово идентичная архивная копия Yi-6B-Chat от 01.AI, созданная AIArchive 18 сентября 2026 года. Согласно README, веса не обучались и не изменялись при копировании; исходную модель обучила с нуля команда 01.AI. Это плотная авторегрессионная языковая модель семейства Yi с архитектурой LlamaForCausalLM и 5,8 млрд параметров; она принимает текст и генерирует текст в диалоговом режиме, с контекстом до 4096 токенов. Модель предназначена для двуязычного общения на китайском и английском языках, ответов на вопросы, понимания текста, чтения с извлечением сведений и рассуждений здравого смысла. Её можно использовать для локального чат-бота и генерации текста; README также описывает варианты запуска через Transformers и llama.cpp. Лицензия — Apache-2.0. Указанные в README сравнительные результаты относятся к другим размерам семейства Yi и не подтверждают показатели именно версии 6B.

GLM-4.7-Flash-GGUF — это квантизированная версия текстовой генеративной модели GLM-4.7-Flash, разработанной zai-org и подготовленной пользователем bartowski в формате GGUF. Модель предназначена для генерации текста и может запускаться локально через llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. В README заявлена поддержка английского и китайского языков. Доступны варианты от BF16 до компактных IQ- и Q-квантований размером примерно от 12,71 до 59,91 ГБ. Квантизация выполнена с использованием imatrix; для ряда вариантов рекомендуется Q6_K или Q6_K_L как близкие к исходному качеству, а Q4_K_M описан как стандартный вариант для большинства сценариев с хорошим соотношением качества и размера. Архитектура, число параметров, максимальная длина контекста и мультимодальные возможности в предоставленных данных не указаны. Модель подходит для локального текстового инференса при наличии совместимого оборудования и обновлённой версии llama.cpp. Ограничения зависят от выбранного уровня квантизации: более компактные варианты экономят память, но могут заметно уступать по качеству; некоторые низкобитные варианты отмечены как низкокачественные или нерекомендуемые. Для корректной работы может потребоваться отключить Flash Attention и использовать обновлённую поддержку модели в llama.cpp. Указанная лицензия — MIT.

Mistral-Small-Sisyphus-24b-2503-GGUF — это набор GGUF-квантизаций текстовой генеративной модели allura-org/Mistral-Small-Sisyphus-24b-2503. Исходную модель разработала allura-org, а квантизации подготовил bartowski с использованием llama.cpp и imatrix. Модель ориентирована на генерацию текста и выполнение инструкций; заявлены английский и китайский языки. Доступны варианты с разными уровнями квантизации — от Q8_0 до Q3 и IQ4, объёмом примерно от 12,4 до 25,05 ГБ. Старшие варианты обеспечивают более высокое качество, а младшие снижают требования к оперативной памяти. Модель предназначена для локального запуска в LM Studio, llama.cpp и других совместимых проектах. Архитектура в README дополнительно не описана; размер исходной модели указан как 24B параметров, сведения о контекстном окне и мультимодальности отсутствуют. Главные преимущества — широкий выбор компромиссов между качеством и потреблением памяти, а также совместимость с популярными средствами локального инференса. Ограничения связаны с потерями качества при более агрессивной квантизации и высокими требованиями к памяти для крупных вариантов. Лицензия — Apache-2.0.

Amberlight-Lux-12B — диалоговая языковая модель на архитектуре Mistral, разработанная shrugging-shoulders как дополнительное дообучение Amberlight-12B. Она предназначена для генерации ответов в чате и ролевых диалогов; автор сообщает о повышенной стабильности и меньшей склонности к ошибкам по сравнению с базовой моделью. Модель содержит 12,1 млрд параметров, принимает текст и выдаёт текст, поддерживает контекст до 131 072 токенов и работает с шаблоном ChatML. Заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Рекомендуемые автором начальные настройки генерации: temperature 0,8, repetition penalty 1,05, top-p 0,90 и min-p 0,025; также проверялись значения temperature от 0,6 до 1,0. Модель распространяется под лицензией Apache-2.0. Заявления об устойчивости основаны на описании автора; независимые оценки качества в карточке не приведены.

ArTST ASR v2 — модель распознавания речи от Speech Lab при MBZUAI. Это вариант SpeechT5, дообученный для преобразования арабской речи в текст на наборе данных MGB2; модель доступна для использования через Transformers и хранится в формате safetensors. Модель предназначена для автоматической транскрипции арабской речи. Её можно применять для создания текстовых расшифровок аудиозаписей и построения систем распознавания речи на арабском языке. Карточка указывает, что модель дообучена от предварительно обученной ArTST; базовая модель доступна по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Bielik-11B-v3.0-Instruct — генеративная языковая модель с 11 млрд параметров, разработанная SpeakLeash совместно с центром ACK Cyfronet AGH. Это дообученная для следования инструкциям версия Bielik-11B-v3-Base-20250730 с архитектурой causal decoder-only; формат диалога — ChatML. Модель предназначена для общения, ответов на вопросы и выполнения разнообразных текстовых задач, включая задачи на логику, STEM, математику и работу с инструментами. Модель обучали на текстах и инструкциях на 32 европейских языках, уделяя особое внимание польскому. В обучении использовались многоходовые диалоги, синтетические и проверенные вручную инструкции, а также методы DPO и обучения с подкреплением. В метаданных перечислена поддержка польского и ряда европейских языков, включая русский и английский. Лицензия — Apache 2.0. Разработчики характеризуют модель как демонстрацию возможностей базовой модели после дообучения. Она может выдавать фактически неверные, предвзятые или оскорбительные ответы и не имеет встроенных механизмов модерации; её выводы требуют проверки.

Bielik-11B-v3.0-Instruct-heretic-MPOA — разговорная текстовая модель на 11 млрд параметров, опубликованная gepardzik и основанная на дообученной SpeakLeash и ACK Cyfronet AGH модели Bielik-11B-v3.0-Instruct. Это плотная причинная декодерная модель архитектуры Llama, предназначенная для диалогов, ответов на вопросы и выполнения инструкций. Поддерживает многоязычную генерацию текста; исходная модель обучалась на 32 европейских языках с особым акцентом на польский. Контекст — до 32 768 токенов. В README приведено сравнение с исходной моделью: KL-дивергенция 0,0356 и 5 отказов из 100 против 36 у оригинала. Это указывает на заметное изменение поведения и меньше отказов, но не подтверждает точность или безопасность ответов. README исходной модели предупреждает, что она может выдавать фактические ошибки, предвзятый, оскорбительный или откровенный контент и не имеет встроенных механизмов модерации; эти ограничения следует учитывать и для производной модели. Репозиторий указывает лицензию Apache 2.0; в README исходной модели также упомянуты условия использования.

BitCPM-CANN-8B-gguf — языковая модель семейства BitCPM-CANN, разработанная OpenBMB. Это GGUF-версия модели BitCPM-CANN-8B для генерации текста и диалогового взаимодействия на китайском и английском языках; репозиторий ориентирован на использование с llama.cpp и совместимыми инструментами, а в метаданных указана библиотека Transformers. Модель основана на системе обучения с квантизацией с учётом обучения и использует тернарные значения весов {-1, 0, 1} с эффективной разрядностью 1,58 бита. Для семейства заявлены примерно шестикратное снижение памяти при инференсе и сохранение 95,7–97,2% производительности полноточных аналогов для моделей размером 1B–8B. В README также указано, что веса представлены в формате псевдоквантизации и могут запускаться как обычные модели с плавающей точкой без специальных квантизационных библиотек или ядер. Модель подходит для генерации ответов, диалоговых приложений, написания текстов, рассуждений и вопросов-ответов на китайском и английском языках, особенно при ограниченных ресурсах памяти. Ограничения включают возможное снижение качества по сравнению с полноточной версией, зависящее от задачи и языка, а также необходимость учитывать совместимость конкретного GGUF-файла с используемым рантаймом. Модель распространяется по лицензии Apache-2.0.

BLOOM-3B — мультиязычная авторегрессионная языковая модель BigScience для генерации текста и исследований больших языковых моделей. Она также предназначена для дальнейшего дообучения под конкретные задачи. Модель основана на модифицированной архитектуре Megatron-LM GPT-2: декодер с 30 слоями, 32 головами внимания, скрытым размером 2560 и примерно 3 млрд параметров. Для позиционного кодирования используется ALiBi; длина последовательности при обучении составляла 2048 токенов. Модель обучалась на многих естественных языках, включая английский, французский, испанский, китайский, хинди, арабский и бенгали, а также на данных с кодом. Её можно применять для продолжения текста, черновой генерации и экспериментов с мультиязычными LLM. Лицензия — BigScience RAIL License v1.0. BLOOM-3B может выдавать правдоподобную, но фактически неверную информацию, а также стереотипный, предвзятый, оскорбительный или повторяющийся текст. Карточка исключает применение в высокорисковых сценариях, включая медицинские, юридические, политические и финансовые решения, оценку людей и задачи, где необходима достоверность.

Это перепакованная для vLLM модель распознавания речи reson8/canary-1b-v2-vllm на основе NVIDIA Canary-1B-v2. Репозиторий содержит веса исходной модели в формате safetensors, приведённые к bfloat16, и конфигурацию для загрузки через архитектуру cohere_asr в vLLM 0.19.0. Архитектура включает энкодер Conformer и 8-слойный декодер Transformer; в README указано около 1 млрд параметров, тогда как метаданные репозитория содержат значение 151 млн. Модель предназначена для транскрибации речи и развёртывания за OpenAI-совместимым API vLLM, включая endpoint /v1/audio/transcriptions. Базовая Canary-1B-v2 поддерживает распознавание на 25 европейских языках и перевод речи между английским и другими языками из этого набора; конкретно для этой перепаковки метаданные перечисляют 21 язык. Лицензия — CC BY 4.0, унаследованная от исходного релиза NVIDIA. Это преобразованная упаковка исходных весов, а не новая обученная модель. Репозиторий не загружается напрямую через Transformers AutoModelForSpeechSeq2Seq: для него нужны веса с исходными ключами NeMo и совместимая реализация vLLM. Поведение, точность и ограничения наследуются от NVIDIA Canary-1B-v2.

Falcon-H1-1.5B-Base — базовая языковая модель семейства Falcon-H1, представленная на Hugging Face аккаунтом TII. Это плотная авторегрессионная модель с архитектурой, сочетающей Transformer и Mamba, предназначенная для генерации текста и дальнейшей адаптации под прикладные задачи. Метаданные указывают 1,1 млрд параметров и контекст до 131 072 токенов. Модель рассчитана на английский и многоязычные сценарии; в тегах перечислены арабский, чешский, немецкий, английский, испанский, французский, хинди, итальянский, японский, корейский, нидерландский, польский, португальский, румынский, русский, шведский, урду и китайский. Для запуска заявлена поддержка Transformers, vLLM и llama.cpp; опубликованный репозиторий использует safetensors. В таблице оценки Falcon-H1-1.5B показывает конкурентные результаты на общих тестах, включая BBH и MMLU, однако это не гарантирует качество на конкретных пользовательских задачах. Лицензия — Falcon-LLM License; перед использованием следует свериться с её условиями.

Falcon-H1-7B-Base — базовая авторегрессионная языковая модель семейства Falcon-H1 от TII (Technology Innovation Institute). Она использует гибридную архитектуру Transformer и Mamba с декодером только для причинной генерации текста и содержит 6,4 млрд параметров. Модель предназначена для генерации и продолжения текста, а также для широкого круга языковых задач, включая рассуждения. Заявлена поддержка английского и многоязычного ввода; теги карточки перечисляют арабский, чешский, немецкий, английский, испанский, французский, хинди, итальянский, японский, корейский, нидерландский, польский, португальский, румынский, русский, шведский, урду и китайский. Родная длина контекста — 262 144 токена. Для запуска предлагаются Transformers, vLLM и llama.cpp. В README приведены результаты сравнительных оценок, включая BBH и MMLU. Модель распространяется по лицензии Falcon-LLM License; метаданные Hugging Face обозначают лицензию как other, поэтому перед использованием следует ознакомиться с условиями Falcon-LLM License. Это базовая модель, а не специализированный чат-ассистент; качество ответов в конкретных приложениях зависит от настройки и сценария использования.

google/flan-t5-small — небольшая языковая модель семейства T5, выпущенная Google и дообученная следованию инструкциям на более чем тысяче задач. Она преобразует текстовый ввод в текстовый вывод и предназначена для генерации и понимания языка, включая ответы на вопросы, рассуждения и выполнение разнообразных NLP-задач в режиме zero-shot и few-shot. Модель насчитывает 45,8 млн параметров, имеет контекст до 512 токенов и доступна в форматах PyTorch, TensorFlow, Flax и Safetensors. Модель поддерживает множество языков, включая английский, французский, немецкий, румынский, русский, испанский, японский, китайский и другие. Лицензия Apache 2.0 разрешает использование и распространение на её условиях. Небольшой размер делает её удобной для экспериментов и запуска с ограниченными ресурсами, но качество может уступать более крупным моделям, а результат требует проверки: модель может воспроизводить смещения и генерировать неподходящий контент. В карточке также отмечено, что модель не тестировалась в реальных приложениях.

Fun-ASR-MLT-Nano-2512 — мультиязычная модель распознавания речи из семейства Fun-ASR, разработанного командой FunASR. Чекпойнт содержит около 800 млн параметров и обучен на сотнях тысяч часов многоязычной речи. Он предназначен для преобразования аудио в текст на 31 языке, с особым вниманием к языкам Восточной и Юго-Восточной Азии. Модель поддерживает управление языком распознавания; интерфейс FunASR также предоставляет настройку горячих слов и обратную текстовую нормализацию (ITN). В README приведены результаты для семейства Fun-ASR, но они не относятся непосредственно к этому чекпойнту. Возврат временных меток, диаризация говорящих и обучение модели отмечены как пока не поддерживаемые функции. Для запуска используется библиотека FunASR. Модель распространяется по лицензии Apache-2.0.