I.6Перевод и языковая адаптация

Sakalti/ultiima-125B — плотная авторегрессионная языковая модель семейства Qwen2, созданная Sakalti на основе Sakalti/ultiima-72B. Веса объединены методом passthrough с помощью mergekit; в README указано, что число слоёв увеличено с 80 до 140. Модель содержит 124,1 млрд параметров, использует формат safetensors и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов на нескольких языках. Разработчик отмечает снижение качества после изменения архитектуры и предполагает дальнейшее дообучение для его улучшения; поэтому модель подходит для экспериментов с длинным контекстом и дообучением, но качество ответов может быть нестабильным. В метаданных заявлены интерфейс вызова инструментов и поддержка английского, корейского, японского, русского, французского, немецкого, итальянского, румынского и китайского языков. Лицензия указана как other; конкретные условия следует сверить с карточкой модели.

Модель GaborMadarasz/w2v-bert-2.0-hungarian-CV24.0 разработана как дообученная версия facebook/w2v-bert-2.0 для автоматического распознавания венгерской речи. Это акустическая модель архитектуры Wav2Vec2-BERT на 402,7 млн параметров, принимающая аудио и преобразующая его в текст. Она обучена на венгерской части набора Common Voice Scripted Speech 24.0 и предназначена для транскрибации записанной речи. В карточке приведены результаты оценки на тестовых данных Common Voice: WER 5,65%, CER 1,47% и SER 32,26% для 12 066 примеров. Результаты показывают пригодность для распознавания венгерской речи в условиях, похожих на тестовый набор, но ошибки на отдельных примерах могут быть значительными. Для загрузки README рекомендует скачать репозиторий и выполнять инференс локально из-за проблем с разрешением метаданных токенизатора в загрузчике Hugging Face. Модель распространяется по лицензии MIT.

Модель Gabor Madarasz — система автоматического распознавания речи на венгерском языке, дообученная на базе facebook/mms-1b-all. Она использует архитектуру Wav2Vec2ForCTC с 1,3 млрд параметров и предназначена для преобразования венгерской речи в текст. Модель рассчитана на запись речи одного говорящего, например подкасты, аудиокниги и другие чёткие аудиозаписи. В карточке приведены результаты тестирования: WER 19,93% и CER 5,19% на тестовой части FLEURS для венгерского языка, а также WER 16% на 500 отложенных примерах Common Voice. Для уменьшения ошибок распознавания похожих по звучанию слов рекомендуется декодирование с языковой моделью, например KenLM через beam search. Лицензия — CC0-1.0.

Модель ravirajoshi/wav2vec2-large-xls-r-300m-marathi — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на маратхи. Она принимает аудио и преобразует речь в текст; в карточке приведены результаты оценки: WER 0,2156 и loss 0,5656. Модель построена на архитектуре wav2vec2 с CTC-выходом, содержит 402,7 млн параметров и распространяется в формате PyTorch. Модель подходит для расшифровки записей и речи на маратхи. Лицензия Apache-2.0 разрешает использование, изменение и распространение с соблюдением её условий. Результаты распознавания могут содержать ошибки, особенно на аудио, отличающемся от условий оценки.

jonatasgrosman/wav2vec2-large-xlsr-53-hungarian — модель распознавания венгерской речи, созданная Jonatas Grosman дообучением facebook/wav2vec2-large-xlsr-53. Это архитектура Wav2Vec2ForCTC примерно с 402,7 млн параметров; обучение проводилось на обучающей и проверочной выборках Common Voice 6.1 и CSS10. Модель принимает аудио и выдаёт текстовую транскрипцию. Для распознавания входное аудио следует подавать с частотой дискретизации 16 кГц. В README приведены результаты оценки на венгерской тестовой выборке Common Voice: WER 31,40% и CER 6,20%; автор предупреждает, что результаты могут отличаться в зависимости от особенностей сценария оценки. Репозиторий содержит веса PyTorch и Flax. Лицензия — Apache-2.0.

Nhut/wav2vec2-large-xlsr-vietnamese — модель автоматического распознавания речи, дообученная на основе facebook/wav2vec2-large-xlsr-53 для вьетнамского языка. Принимает аудио и выдаёт распознанный текст; для работы входную речь следует подавать с частотой дискретизации 16 кГц. Модель основана на архитектуре Wav2Vec2ForCTC и содержит 402,8 млн параметров. Для дообучения использовались Common Voice, FOSD и VIVOS. В карточке приведён результат 49,59% на тестовых данных Common Voice для вьетнамского языка; метрика не уточнена, поэтому результат следует интерпретировать с осторожностью. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0.

Andrew McDowell дообучил модель facebook/wav2vec2-xls-r-300m для автоматического распознавания немецкой речи на датасете Mozilla Common Voice 7.0 (немецкая конфигурация). Это модель семейства wav2vec2 с архитектурой Wav2Vec2ForCTC; в метаданных указано около 402,8 млн параметров. Она принимает аудио и выдаёт распознанный текст на немецком языке. На оценочной выборке автор сообщает значение WER 0,2016 и loss 0,1768. Модель распространяется по лицензии Apache-2.0.

whisper-base-mlx — модель автоматического распознавания речи, конвертированная в формат MLX из базовой версии Whisper. В README не указан разработчик исходной модели или конвертации. Модель предназначена для преобразования аудиозаписей в текст и запуска через библиотеку MLX, в том числе с примером использования функции whisper.transcribe. Из доступных данных известно, что модель совместима с MLX и относится к задаче automatic-speech-recognition. Архитектура, количество параметров, поддерживаемые языки, модальности, размер контекста, точность и производительность не указаны. Лицензия и ограничения на использование также не приведены, поэтому их необходимо уточнить по исходной модели и репозиторию.

itayinbar/whisper-he-100m — модель распознавания речи на иврите, созданная на основе OpenAI Whisper Base. Она предназначена для преобразования ивритской речи в текст и протестирована на наборах eval-d1, he_speech_kan и eval-whatsapp. В карточке указаны показатели WER 12,99%, 16,62% и 21,67% соответственно. Модель содержит 94,36 млн параметров; её архитектура Whisper расширена до 12 слоёв энкодера и 12 слоёв декодера. Вместо многоязычного словаря Whisper используется байтовый BPE-токенизатор на 8 192 токена для иврита. Модель обучена на 3 112,7 часах вручную транскрибированной речи. Метаданные указывают форматы ONNX и Safetensors и лицензию Apache-2.0. Модель подходит для расшифровки ивритской речи, в том числе записей заседаний, краудсорсинговых аудиозаписей и сообщений. По приведённым результатам она уступает ivrit.ai на перечисленных тестах; показатели относятся к конкретным наборам оценки и не гарантируют аналогичное качество на других аудиоисточниках.

anuragshas/whisper-large-v2-bg — модель распознавания речи, дообученная на базе Whisper Large-v2 на болгарской части набора Mozilla Common Voice 11.0. Она преобразует болгарскую речь в текст и подходит для транскрибирования аудиозаписей. Архитектура — WhisperForConditionalGeneration, число параметров — около 905,2 млн; для обучения использована библиотека Transformers, веса представлены в формате PyTorch. На тестовой выборке указана WER 13,404 и loss 0,3208. Модель распространяется по лицензии Apache-2.0.

bardsai/whisper-large-v2-pl-v2 — дообученная BardsAI версия Whisper Large v2 для автоматического распознавания польской речи. Модель построена на архитектуре Whisper и содержит 905,2 млн параметров; она принимает аудио и выдаёт распознанный текст. Модель дообучена на Common Voice 11.0 и FLEURS. В карточке приведены результаты оценки: loss 0,3684 и WER 7,2802. Она подходит для транскрибирования польской речи, в том числе записей, похожих на данные этих наборов. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

whisper-large-v3-ca-punctuated-3370h — акустическая модель распознавания каталонской речи, дообученная Лабораторией языковых технологий Барселонского суперкомпьютерного центра в рамках проекта AINA. Она основана на openai/whisper-large-v3 и предназначена для преобразования каталонских аудиозаписей в текст с пунктуацией и заглавными буквами. Модель с архитектурой Whisper содержит 905,2 млн параметров и обучалась на 3369 часах и 53 минутах каталогских аудиоданных из Common Voice 17.0 и набора 3CatParla. Обучение на тщательно расшифрованных данных помогает сохранять пунктуацию и регистр в транскрипциях. Для работы доступны веса PyTorch и библиотека Transformers; модель принимает аудио и выдаёт текст. Модель рассчитана на распознавание каталонской речи и может уступать при работе с другими языками или акустическими условиями, не представленными в обучающих данных. Лицензия — Apache-2.0.

primeline/whisper-large-v3-german — модель распознавания речи на основе Whisper Large v3, дообученная Флорианом Циммермайстером для немецкой речи. Она преобразует аудио на немецком языке в текст и рассчитана на транскрибирование речи, создание субтитров, голосовой поиск, голосовые команды и диктовку. Модель использует архитектуру WhisperForConditionalGeneration; в метаданных указано 905,2 млн параметров. Репозиторий содержит веса safetensors, для работы используется Transformers. Данные README указывают на обучение на отобранных аудиозаписях немецкой речи в течение двух эпох. Модель распространяется по лицензии Apache-2.0. Описание не приводит результатов оценки качества или подробностей о происхождении и лицензировании обучающих данных, поэтому качество на разных акцентах, в шуме и в специализированных сценариях по этим сведениям оценить нельзя.

inesc-id/WhisperLv3-FT — дообученная модель распознавания речи на основе OpenAI Whisper large-v3, созданная на датасете 425. Это мультиязычная архитектура Whisper с 905,2 млн параметров, предназначенная для преобразования аудио в текст. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. В карточке приведён результат оценки на тестовом наборе: loss 0,1162 и WER 3,9720; единицы измерения и условия оценки не описаны. Базовая модель поддерживает транскрибацию и перевод аудио в текст, однако для этой версии README не уточняет конкретные языки, сценарии применения или ограничения. Лицензия — Apache-2.0.

Whisper-Medium-MLA — мультиязычная модель распознавания речи, созданная на основе OpenAI Whisper Medium. Разработчик преобразовал декодерное self-attention из MHA в MLA и дообучил модель для восстановления качества на 11 языках корпуса Whispered. В модели 455,8 млн параметров; она принимает аудио и выдаёт текст. По данным карточки, преобразование сокращает KV-кэш декодера на 62,5%, особенно полезно при длинной генерации и одновременной обработке нескольких потоков. Модель предназначена для транскрибации речи, в том числе записей с потребительских микрофонов и речи с фоновым шумом. В README приведены оценки на CommonVoice-17 и FLEURS для английского, немецкого, испанского, французского, русского, турецкого, валлийского, арабского, грузинского, тайского и китайского языков. Качество зависит от языка: для грузинского автор отмечает очень высокий WER и ограничение ёмкости модели. Для загрузки требуются transformers версии 4.46.x и trust_remote_code=True из-за пользовательских модулей MLA; модель не поддерживается whisper.cpp, faster-whisper и CTranslate2. Сжатие касается KV-кэша декодерного self-attention, а не памяти энкодера и cross-attention, поэтому выигрыш в общей памяти при одном потоке может быть небольшим. Лицензия — Apache-2.0.

mitchelldehaven/whisper-medium-ru — модель распознавания речи на базе Whisper, дообученная на аудиоданных из набора Open STT Russian Dataset. Она предназначена для преобразования русской речи в текст и может применяться для транскрибации записей и аудио с речью. Модель имеет архитектуру Whisper и содержит около 455,8 млн параметров; репозиторий распространяет веса в формате PyTorch. При нормализации обучающих данных пунктуацию удаляли, тогда как исходная токенизация Whisper заменяет её пробелом. По данным карточки, это расхождение немного ухудшает результаты на Common Voice. Лицензия в предоставленных сведениях не указана.

qanastek/whisper-small-french-uncased — дообученная модель распознавания речи на базе openai/whisper-small, созданная для транскрибирования французской речи. Она использует архитектуру Whisper с 153,1 млн параметров и обучена на французской части набора Mozilla Common Voice 11.0. Модель принимает аудио и выдаёт текст; в README приведены результаты оценки на французских наборах Common Voice 11.0, VoxPopuli и FLEURS: WER 15,38%, 16,29% и 13,98% соответственно, с нормализацией. Модель подходит для транскрибирования французских аудиозаписей и речевых данных. Доступна в формате PyTorch по лицензии Apache-2.0. Оценки WER относятся к указанным наборам и условиям нормализации; README не описывает дополнительные сценарии или ограничения.

LiteRT Community Whisper Tiny — модель для автоматического распознавания речи, основанная на openai/whisper-tiny. Она предназначена для преобразования аудиозаписей в текст в сценариях автоматического распознавания речи. Из доступных данных известно, что модель относится к классу automatic-speech-recognition и распространяется по лицензии Apache 2.0. Сведения об архитектуре, размере, поддерживаемых языках, модальностях, длине контекста, сильных сторонах и ограничениях в карточке модели не указаны.

Компактная модель распознавания речи Whisper Tiny от OpenAI, преобразованная в формат CTranslate2 с точностью float16 и размещённая ctranslate2-4you. Она принимает аудио и преобразует речь в текст, например для транскрибации записей; для запуска в README указана библиотека whisper-s2t-reborn. Базовая модель — openai/whisper-tiny, многоязычная версия Whisper. Репозиторий распространяется по лицензии Apache-2.0.

AlexN/xls-r-300m-fr — модель автоматического распознавания французской речи, дообученная автором на датасете Mozilla Foundation Common Voice 8.0 для французского языка. Она использует архитектуру Wav2Vec2 с CTC-выходом и содержит около 402,9 млн параметров. Модель принимает аудио и преобразует речь в текст; её можно применять для расшифровки французских записей и голосовых сообщений. Модель основана на facebook/wav2vec2-xls-r-300m и распространяется в формате PyTorch. В карточке не приведены сведения об условиях лицензии и оценке качества, поэтому перед использованием следует проверить лицензию репозитория и самостоятельно оценить точность на целевых аудиозаписях.

Afrispeech-Whisper-Medium-All — модель распознавания речи на базе Whisper Medium, дообученная Intron Health на датасете AfriSpeech-200 для лучшей работы с африканскими акцентами. Модель принимает аудио и преобразует речь в текст; пример в карточке описывает автоматическое определение языка вывода и транскрибирование на английском языке. Архитектура — WhisperForConditionalGeneration, плотная модель на 455,8 млн параметров. Для длинных записей README рекомендует сегментировать аудио на фрагменты по 30 секунд с помощью Transformers pipeline; поддерживаются временные метки на уровне последовательности. Модель опубликована в формате safetensors под лицензией Apache-2.0.

bartowski/allura-org_Qwen3.6-35B-A3B-Anko-GGUF — это GGUF-квантизированная версия текстовой генеративной модели Qwen3.6-35B-A3B-Anko, разработанной allura-org. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может использоваться локально в llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и других совместимых инструментах. В репозитории доступны варианты от BF16 до низкобитных форматов Q8_0, Q6, Q5, Q4, Q3 и IQ. Размер файлов варьируется примерно от 16,2 до 69,4 ГБ, что позволяет выбирать между качеством и требованиями к памяти. Заявлены английский и китайский языки. В README не указаны размер контекста, точная архитектура, дополнительные модальности или результаты бенчмарков, поэтому эти характеристики нельзя достоверно оценить по предоставленным данным. Сильной стороной модели является широкий выбор квантизаций, включая варианты, ориентированные на высокое качество или экономию памяти, а также совместимость с популярными средствами локального запуска. Ограничения связаны с потерями качества, возможными при использовании низкобитных вариантов, значительными требованиями к диску и оперативной или видеопамяти, а также с необходимостью поддержки этой модели конкретным программным обеспечением. Модель распространяется по лицензии Apache-2.0.

ARK-ASR-0.6B — мультиязычная модель распознавания речи от проекта AutoArk. Она использует авторегрессионный декодер Qwen2 примерно на 0,6 млрд параметров, отдельный аудиоэнкодер в стиле Whisper сопоставимого масштаба и MLP-адаптер для преобразования аудиопризнаков. Модель принимает речь с частотой дискретизации 16 кГц и генерирует текстовую расшифровку; заявленная длина контекста — 32 768 токенов. Модель обучена по схеме адаптации на данных учителя и онлайн-дистилляции политики: её собственные варианты транскрипций сопоставляются с оценками учителя. Она предназначена для распознавания речи на китайском, английском, немецком, японском, французском, корейском, испанском, польском, итальянском, румынском, венгерском, чешском, нидерландском, финском, хорватском, словацком, словенском, эстонском и литовском языках. В приведённых авторами тестах качество сопоставимо с Qwen3-ASR-0.6B на английских и китайских наборах данных, но уступает более крупной Qwen3-ASR-1.7B на части тестов. Веса доступны в формате safetensors и распространяются по лицензии Apache-2.0. Для загрузки требуется Transformers с trust_remote_code=True; авторы рекомендуют официальный скрипт инференса, который обрабатывает аудиопромпт и фильтрацию токенов. Код обучения, инференса и оценки находится в отдельном репозитории open-audio-opd.

Beetle-FineWeb2-24B/beetle-bilingual-b3-fineweb-24b-deu-eng-ewc — языковая модель для генерации текста, опубликованная на Hugging Face и предназначенная для работы через библиотеку Transformers. По идентификатору модели она относится к двуязычному семейству Beetle-FineWeb2 с размером около 24 млрд параметров и поддержкой немецкого и английского языков. В метаданных также указана архитектурная метка pico_decoder. Модель можно применять для продолжения текста, генерации ответов, черновиков и других сценариев, основанных на text-generation. README не содержит сведений о разработчике, обучающих данных, результатах оценки, длине контекста, лицензии, рекомендуемых параметрах запуска или специальных ограничениях использования. Из-за неполноты документации качество, языковые возможности, безопасность и пригодность модели для конкретных прикладных областей требуют самостоятельной проверки.

ChatGLM-6B — двуязычная диалоговая языковая модель от команды THUDM, основанная на архитектуре General Language Model (GLM). В репозитории указано 6,2 млрд параметров, а метаданные каталога оценивают размер в 8,1 млрд; модель предназначена для генерации ответов и диалога на китайском и английском языках. Модель обучалась примерно на 1 трлн токенов китайского и английского текста и дополнительно настраивалась с помощью контролируемого дообучения, feedback bootstrap и обучения с подкреплением на основе обратной связи людей. Она ориентирована на вопросы и диалоги, а квантование INT4 позволяет запускать её на потребительской видеокарте с 6 ГБ памяти. Для исследовательского использования веса открыты; бесплатное коммерческое использование разрешено после заполнения анкеты. Код распространяется по Apache-2.0, а для весов действует отдельная лицензия Model License.

Это порт модели Cohere Transcribe Arabic от CohereLabs в формат OpenVINO, подготовленный для запуска распознавания речи на Intel NPU. Базовая модель содержит 2 млрд параметров и предназначена для транскрибации арабской, диалектной и английской речи. В комплект входят варианты FP16 и INT8 для Conformer-энкодера и декодера, декодер с кэшем KV и NumPy-раннер для инференса без PyTorch. Для INT8-пайплайна с кэшем KV автор приводит результат 9,03% WER на 150 арабских аудиозаписях FLEURS; разница с исходной моделью на GPU составила 0,07 процентного пункта. На Intel Core Ultra 7 255H указана скорость обработки примерно в 3,5 раза выше реального времени. Порт также поддерживает запуск на других устройствах OpenVINO, но INT8-энкодер не компилируется CPU-плагином; для CPU рекомендуется FP16. Лицензия — Apache 2.0, как у базовой модели.

combined_whisper_sanlish_lr2e5_newsplit — модель распознавания речи, полученная дообучением мультиязычной openai/whisper-small. Она предназначена для преобразования аудиозаписей в текст; в карточке приведены результаты оценки: WER 34,7012, CER 8,4391 и loss 0,6368. Подробности о целевом языке и наборе данных не раскрыты. Модель распространяется в формате safetensors по лицензии Apache-2.0.

DeepSeek-V4-Flash-162B-REAP-GGUF — это набор GGUF-квантизаций модели DeepSeek-V4-Flash-162B, подготовленный сообществом на основе модели 0xSero/DeepSeek-V4-Flash-162B. Модель предназначена для генерации текста и локального инференса через llama.cpp на конфигурациях с несколькими GPU. Указаны варианты Q2_K размером 56 ГБ и Q3_K_M размером 73 ГБ; для них заявлены контекст до 200K и 128K токенов соответственно при использовании Q4 KV-cache. Поддерживаемые языки — английский и китайский. Архитектура основана на DeepSeek-V4 с pruning REAP, уменьшившим исходный размер с 284B до 162B параметров. Модель использует MoE со 144 экспертами, веса экспертов в формате MXFP4 и MHC (Manifold Hyper-Connections). Вариант Q2_K на двух GPU с суммарно 96 ГБ VRAM показывает около 28–29 токенов в секунду, тогда как Q3_K_M — около 13 токенов в секунду. Для работы требуется многопроцессорная конфигурация с двумя GPU по 48 ГБ VRAM, не менее 112 ГБ оперативной памяти и дисковое пространство 56–73 ГБ. Необходима пропатченная версия llama.cpp: стандартная версия может аварийно завершаться из-за нестандартной маршрутизации экспертов REAP. В README также отмечена нестабильность варианта Q3_K_M. Модель и связанные патчи распространяются по лицензии MIT.

BuzzASR/dutch — одноязычная модель автоматического распознавания речи на нидерландском языке, разработанная как часть набора BuzzASR из 102 специализированных ASR-моделей. Это дообученная версия Whisper large-v3 от OpenAI: модель использует архитектуру Whisper и токенизатор исходной модели, а настройка выполнена для распознавания речи. Веса доступны в формате Safetensors; размер модели — около 905,2 млн параметров. Модель предназначена для транскрибации нидерландской речи. В README приведены результаты на тестовых наборах FLEURS и Common Voice 25; авторы сообщают о снижении CER относительно Whisper large-v3 без дообучения на объединённом тесте. Модель поддерживает только нидерландский язык. Качество на других доменах и диалектах может отличаться от результатов на указанных тестовых наборах. Модель распространяется по лицензии MIT.

GaMS-9B — языковая модель семейства GaMS (Generative Model for Slovene), разработанная исследовательской командой факультета компьютерных и информационных наук Люблянского университета. Она основана на Google Gemma 2 9B и прошла продолжительное предобучение на корпусах текстов на словенском, английском, хорватском, сербском и боснийском языках. Это плотная авторегрессионная модель на 9 млрд параметров с контекстом до 8192 токенов, предназначенная для генерации текста и диалоговых сценариев. Модель подходит для создания и редактирования текстов, суммаризации, ответов на вопросы, чат-ботов и языковых учебных инструментов, особенно для работы со словенским языком. Английский также относится к основным языкам обучения; хорватский, сербский и боснийский представлены в меньшем объёме. Хотя Gemma 2 может поддерживать и другие языки, они не входили в указанное продолжительное предобучение GaMS-9B. Модель может ошибаться в фактах, испытывать трудности с неоднозначностью, тонкими языковыми нюансами и сложными открытыми задачами, а также воспроизводить смещения из обучающих данных. Для использования действует лицензия Gemma.