I.6Перевод и языковая адаптация

Moonshine Streaming Small — Japanese — это потоковая модель распознавания японской речи из семейства Moonshine, опубликованная moonshine-ai. Она принимает аудио и выдаёт текст по мере поступления речи, что подходит для транскрипции на устройствах с ограниченными ресурсами. В метаданных указано 48,2 млн параметров; README приводит другое значение — 112,9 млн, поэтому размер модели в источниках расходится. Модель использует аудиофронтенд с частотой 50 Гц, скользящий оконный Transformer-энкодер и декодер; задержка упреждения составляет около 80 мс. Для работы в Transformers требуется передавать attention mask. Модель обучена для японского языка на автоматически размеченных корпусах подкастов и YouTube, где транскрипты созданы моделью-учителем семейства Whisper. В оценке используются CER без пробелов: макро-CER составил 17,15 на выборке из FLEURS и ReazonSpeech при пакетном размере 1. Это вариант потокового распознавания для японской речи, включая чтение и спонтанную речь. Возможны ошибки в именах собственных, числах и переключении языков; на коротких фрагментах иногда возникают циклы повторения, поэтому следует ограничивать длину вывода. Качество не оценивалось на телефонной речи, детской речи, тяжёлых диалектах и шумной речи с большого расстояния. Модель выпущена под лицензией MIT; README исключает применение для слежки без согласия, идентификации говорящего и решений с высокими ставками.

Nanbeige4-3B-Thinking-2511-GGUF — это квантованные версии текстовой генеративной модели Nanbeige4-3B-Thinking-2511, разработанной Nanbeige. Квантование выполнено bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска в LM Studio, llama.cpp и других совместимых приложениях. Модель имеет около 3 миллиардов параметров и поддерживает английский и китайский языки. В README не указаны точная архитектура, размер контекста, дополнительные модальности и результаты тестирования. Доступны варианты от BF16 и Q8_0 до более компактных Q2 и Q3, что позволяет выбирать между качеством вывода, требованиями к памяти и скоростью работы; наиболее сбалансированными указаны варианты Q4 и Q5. Для взаимодействия используется формат prompt с ролями system, user и assistant. К сильным сторонам относятся небольшой размер, возможность автономного запуска на совместимом оборудовании и широкий выбор уровней квантования. Ограничения связаны с потерей качества в более сильных вариантах квантования, а также с отсутствием в предоставленных данных сведений о производительности, безопасности и максимальной длине контекста. Указанная лицензия — Apache-2.0.

Neuron-V1-14B-Instruct-i1-GGUF — квантизированная версия инструкционной языковой модели Neuron-V1-14B-Instruct, разработанной Neura-Tech-AI и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена для генерации текста и выполнения инструкций в локальных приложениях, поддерживающих GGUF, включая сценарии с ограниченными ресурсами и различными уровнями квантования. Модель содержит 14 миллиардов параметров, относится к текстовым моделям и, судя по указанным тегам, использует архитектуру Qwen2. Заявлена поддержка английского и хинди. Длина контекста и дополнительные модальности не указаны. Репозиторий предлагает варианты квантования от сверхкомпактных IQ1 до более качественного Q6_K; наиболее сбалансированным автор считает i1-Q4_K_S, а i1-Q4_K_M отмечен как быстрый и рекомендуемый. Более сильная квантовка требует больше памяти, тогда как низкие уровни могут заметно снижать качество. Преимущество модели — широкий выбор GGUF-вариантов для подбора компромисса между размером, скоростью и качеством, а также наличие imatrix-файла для создания собственных квантов. Ограничения — отсутствие в README результатов тестирования, данных о длине контекста и подробностей обучения, поэтому качество в конкретных задачах оценить нельзя. Указана лицензия Apache-2.0.

gwonny/nox-solar-10.7b-v4-kolon-all-5 — разговорная языковая модель на архитектуре Llama, созданная для Kolon на основе davidkim205/nox-solar-10.7b-v4. Разработчик дообучил базовую модель на собственных закрытых данных в течение пяти эпох, применив QLoRA с параметрами 64 и 16 и NEFTune. Модель предназначена для диалогового взаимодействия и генерации текста. Она содержит 10,6 млрд параметров, принимает текст и рассчитана на контекст до 4096 токенов. В карточке указаны корейский и английский языки. Репозиторий распространяется в формате PyTorch по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

omniASR-CTC-300M-v2-Zulu-All-v2 — модель распознавания речи на базе Wav2Vec2 с архитектурой CTC, преобразованная из чекпойнта OmniLingual fairseq2 omniASR_CTC_300M_v2. Она принимает аудио и выдаёт распознанную речь в виде текста; выходной слой формирует CTC-логиты по словарю SentencePiece. Модель предназначена для многоязычной транскрибации речи. В конфигурации указаны 24 слоя энкодера и размер скрытого представления 1024; число параметров по метаданным — 413,2 млн. Совпадение численных выходов с исходным чекпойнтом fairseq2 подтверждено на одном отложенном аудиопримере с допуском atol=1e-4. Репозиторий использует формат safetensors и библиотеку Transformers. В карточке не названы конкретные поддерживаемые языки, поэтому их нельзя перечислить. Лицензия в предоставленных данных не указана.

Reza2kn/openai_whisper-large-v3-turbo-NVFP4 — это квантованная версия модели openai/whisper-large-v3-turbo, разработанная Reza2kn на базе архитектуры Whisper. Модель предназначена для автоматического распознавания речи и ориентирована прежде всего на транскрибацию персидской речи. Она интегрируется с библиотекой Transformers и рассчитана на использование в сценариях ASR, где важны снижение требований к памяти и ускорение инференса на совместимом оборудовании. Модель использует посттренировочную NVFP4-квантизацию в формате W4A4: веса Linear-модулей энкодера и декодера представлены в 4-битном формате FP4, масштабирование выполняется с использованием FP8 и FP32, а активации динамически квантуются до FP4. Голова CTC lm_head или proj_out оставлена в полной точности. Калибровка выполнена на 32 персидских аудиофрагментах из Reza2kn/persian-asr-eval-v0. Целевое оборудование — тензорные ядра NVIDIA Blackwell с архитектурой sm_100 и выше; квантизация проводилась на RTX 5080 Laptop. В тесте на 200 фрагментах FLEURS-fa модель показала WER 24,18%, CER 8,30%, задержку 652 мс на фрагмент и пиковое использование видеопамяти 2156 MiB. Сильной стороной модели является существенное уменьшение представления весов и возможность эффективного запуска на совместимых GPU Blackwell при сохранении функциональности базовой Whisper-модели. Ограничения включают зависимость от поддержки NVFP4 и оборудования NVIDIA Blackwell, а также отсутствие в карточке подробных сведений о размере модели, максимальной длине контекста и качестве для других языков или модальностей. Модель наследует лицензию базовой модели; в README указана лицензия Apache-2.0.

Qwen3.5-0.8B Pure Text ZH-EN — производная текстовая модель, созданная автором репозитория на основе Qwen/Qwen3.5-0.8B. Из неё удалены компоненты для обработки изображений, аудио и видео, а также веса MTP; архитектура преобразована в Qwen3_5ForCausalLM. Словарь сокращён с 248 320 до 182 684 токенов, сохранённые веса не дообучались. Модель содержит около 685 млн параметров и распространяется в формате BF16 safetensors; заявленный контекст — до 262 144 токенов. Модель рассчитана на генерацию текста и диалоги преимущественно на китайском и английском языках. В README приведён пример классификации поисковых запросов китайской электронной торговли: точность составила 81%, а совпадение ответов с исходной моделью — 97 из 100 случаев. Для уже токенизированных наборов данных требуется перенумерация токенов с помощью old2new.json. Другие языки декодируются, но могут требовать больше токенов; перед производственным использованием автор рекомендует короткий этап дополнительного предобучения или SFT. Поддержка предусмотрена в Transformers с реализацией Qwen3_5ForCausalLM; лицензия — Apache-2.0.

Qwen3.6-12B-IQ-Ultra-Heretic-Uncensored-Thinking-V2-Hightop-GGUF — набор GGUF-квантизаций модели, опубликованный KevinJK51 на основе модели DavidAU/Qwen3.6-12B-IQ-Ultra-Heretic-Uncensored-Thinking-V2-Hightop. Модель относится к семейству Qwen, имеет размер 12B и предназначена для генерации текста и рассуждений в локальных и совместимых с GGUF системах инференса. Указанные языки — английский и китайский. Доступны варианты квантизации от Q8_0 размером 11,57 ГБ до Q2_K размером 4,60 ГБ; Q4_K_M обозначен как оптимальный баланс качества и размера. Модель можно использовать через LM Studio, llama.cpp, Ollama и другие GGUF-совместимые движки. Квантизация снижает требования к памяти, но варианты с меньшим размером могут уступать исходной модели по качеству. Сведения о длине контекста, точной архитектуре, поддержке дополнительных модальностей и результатах независимого тестирования не указаны. Лицензия модели — Apache-2.0.

Qwen3.6-27B-ABLITERATED-UNCENSORED-PHILADELPHIA-CLASS-i1-GGUF — квантизированная GGUF-версия модели KridgeDookie/Qwen3.6-27B-ABLITERATED-UNCENSORED-PHILADELPHIA-CLASS, подготовленная mradermacher. Модель относится к семейству Qwen3.6, имеет около 27 миллиардов параметров и предназначена для генерации текста и работы с изображениями и текстом. В метаданных указана многоязычная поддержка, однако конкретный перечень языков и размер контекстного окна не приведены. Модель ориентирована на текстовую генерацию, мультимодальные сценарии image-text-to-text и задачи, где требуется сниженный уровень отказов от ответов; пометка abliterated/uncensored отражает изменение поведения исходной модели в этой области. Для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Доступны варианты квантизации i1 с разными форматами и объёмом примерно от 7,2 до 15,6 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Сильными сторонами являются мультимодальность, многоязычность и широкий выбор квантизированных вариантов, включая imatrix-квантизации. Ограничения связаны с потерей качества у наиболее компактных вариантов; README прямо отмечает низкое качество некоторых из них. Архитектурные детали, точный контекст и результаты оценивания не указаны. Модель распространяется по лицензии Apache-2.0.

Это производная GGUF-сборка Qwen3.6-27B, подготовленная Уилсоном Чжаном (Wilson Zhang) на основе конвертированной NVIDIA NVFP4-сборки. Из файла удалён встроенный слой MTP для предсказания следующего токена; остальные тензоры и квантование сохранены без повторного квантования. Сборка предназначена для текстового вывода через llama.cpp и экономии видеопамяти, в частности для запуска на видеокарте с 16 ГБ VRAM. В README описан проверенный запуск с контекстом 65 536 токенов на RTX 5060 Ti 16 ГБ с квантованным KV-кэшем. Модель поддерживает диалоговый режим; в метаданных указаны английский и китайский языки. Лицензия — Apache-2.0. Удаление слоя MTP экономит около 251 МиБ, что помогло разместить модель целиком на проверенной конфигурации GPU. README отмечает, что на видеокартах с большим объёмом памяти исходная сборка с MTP может работать быстрее. Проверка подтверждает загрузку и обработку запросов на указанной конфигурации, но не гарантирует работу на всех 16-ГБ видеокартах и не является стандартизированной оценкой качества. Мультимодальный вывод не проверялся; работа на 64K контексте может исчерпать память при других настройках. Модель не является официальным релизом Qwen, NVIDIA, автора исходного GGUF или llama.cpp.

Shiftedx/qwen3.8-27b-aeon-ultimate-uncensored-mxfp4-vision-mtplx — независимая community-конверсия модели AEON-7/Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16 в формат MLX, выполненная Shiftedx. Это неофициальный релиз AEON-7 или Qwen. Модель предназначена для генерации текста и обработки изображений, включая сценарии image-text-to-text, локальный запуск на устройствах Apple через MLX и ускоренное декодирование с помощью MTPLX. Модель использует плотную архитектуру семейства Qwen3.5 с гибридными механизмами attention/GDN и 64 языковыми слоями. Языковая часть квантизирована в MXFP4, 4 бита, group size 32; 333 исходных BF16-тензора vision-компонента сохранены, а patch embedding адаптирован к осям MLX. Заявленный размер индексированного артефакта — 14,98 GiB, настроенный контекст — до 262 144 токенов. Сохраняются токенизатор, chat template, processor metadata и происхождение лицензии Apache-2.0. В состав также входят 15 BF16-тензоров для multi-token prediction; на эталонном Apple M4 Max с 64 ГБ unified memory выбранная конфигурация D2 показала медианную скорость декодирования 45,61 токена в секунду, однако результаты зависят от оборудования, промпта, контекста и версии MTPLX. К сильным сторонам относятся поддержка текста и изображений, большой контекст, компактное 4-битное представление и возможность ускоренного инференса с MTPLX. Ограничения включают экспериментальный статус, неполную квалификацию заявленного контекста и зависимость производительности от локальной конфигурации. Это аблированный, намеренно несогласованный checkpoint: он может генерировать небезопасные или незаконные материалы, поэтому операторы несут ответственность за модерацию, контроль доступа, журналирование и человеческую проверку. Модель распространяется по лицензии Apache-2.0, при этом перед использованием следует учитывать предупреждения исходной модели.

vadimbelsky выпустил дообученную версию Qwen3-ASR-1.7B для распознавания речи на саудовском диалекте арабского языка (KSA). Модель основана на последовательном дообучении базовой Qwen3-ASR-1.7B через версию для диалекта ОАЭ и предназначена для транскрибации аудио с речью из Саудовской Аравии. По оценке на 849 примерах валидационной выборки модель показала WER 11,49% и CER 5,78%, улучшив результаты базовой версии на этом наборе. Она лучше обрабатывает местные выражения и лексику, придерживается неформального написания и реже добавляет лишнюю пунктуацию. Модель принимает аудио и выдаёт текст; репозиторий использует архитектуру Qwen3-ASR и формат safetensors. Лицензия — Apache-2.0.

SauerkrautLM-v2-14b-DPO — плотная языковая модель семейства Qwen2 от VAGO solutions, полученная DPO-дообучением SauerkrautLM-v2-14b-SFT в рамках трёхэтапного процесса обучения с SFT и DPO. Модель содержит 14 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов; репозиторий содержит веса в формате safetensors. Модель предназначена для диалоговой генерации текста на английском и немецком языках. Авторы нацеливали её на улучшение ответов на английском при сохранении возможностей немецкого языка, а также на более точную обработку нерелевантных запросов к вызову функций на немецком. Лицензия — Apache 2.0. Карточка предупреждает, что после очистки данных в модели всё ещё может встречаться неподходящий или некорректный контент и что её поведение не гарантированно остаётся уместным во всех случаях. В карточке приведены результаты отдельных бенчмарков, но авторы отмечают, что абсолютные значения могут различаться в зависимости от процедуры оценки.

Shenava-Koochik v1.5 — модель распознавания персидской (фарси) речи в текст, разработанная Reza2kn. Это дообученная 114-миллионная FastConformer-модель NeMo с гибридной архитектурой RNNT и CTC: CTC-голова сохранена от v1.0, а RNNT-голова исправлена и заново обучена. Для распознавания можно выбрать любую из двух голов; автор рекомендует CTC для развёртывания. В приведённом автором тесте на golden-6669 обе головы показывают WER 8,12% для CTC и 9,50% для RNNT, а CER составляет около 2,6%. RNNT-вывод может быть разговорным, поскольку модель обучалась на расшифровках, сохраняющих особенности речи. Для загрузки и распознавания автор приводит пример с библиотекой NeMo. Модель распространяется по лицензии Apache-2.0.

Superswallow-70b-v0.3 — объединённая языковая модель от автора nitky, созданная с помощью mergekit на основе Swallow-70b-instruct и параметров allenai/tulu-2-dpo-70b. Это эксперимент слияния моделей, обученных на разных языках: в Swallow добавлена способность следовать намерениям пользователя, унаследованная от Tulu 2 DPO, с целью сохранить японские языковые возможности Swallow. Модель использует плотную архитектуру Llama 2 с 68,8 млрд параметров, принимает текст и генерирует текст. Контекст составляет 4096 токенов; в карточке указаны английский и японский языки. README рекомендует формат запросов Tulu или Swallow и предупреждает, что при температуре около 1,0 ответы могут стать нестабильными; при слабом следовании инструкции советуется снизить температуру до 0,5 или ниже. Модель предназначена для диалоговой генерации и выполнения пользовательских инструкций, в том числе на японском языке. Репозиторий распространяется под лицензией llama2, однако автор отмечает, что использование параметров Tulu 2 DPO может повлечь вопросы о применимости лицензии AI2 ImpACT и возможное изменение условий; перед использованием следует сверить актуальную лицензию.

Teuken 7B-instruct-v0.6 — многоязычная инструкционная языковая модель, разработанная Fraunhofer, Forschungszentrum Jülich, TU Dresden и DFKI в рамках проекта OpenGPT-X. Это декодерная Transformer-модель семейства Llama с 7,5 млрд параметров, дообученная на базе openGPT-X/Teuken-7B-base-v0.6. Контекст модели составляет 4096 токенов. Модель предназначена для выполнения инструкций и генерации ответов на 24 официальных языках Европейского союза, в том числе немецком, английском, французском, польском, испанском и русском она не поддерживает. Её ориентируют на многоязычные сценарии, где важна работа с европейскими языками; заявленные области применения включают частное использование, образование и исследования. Модель не предназначена для математики и программирования. Модель может выдавать предвзятые, токсичные или ошибочные ответы, несмотря на фильтрацию данных. Для использования действует лицензия CC BY-NC 4.0, ограничивающая коммерческое применение.

Typhoon-1.5-72B-instruct — языковая модель с инструкционной настройкой, разработанная командой SCB10X AI. Это декодерная модель архитектуры Qwen, основанная на Qwen1.5-72B, с примерно 71 млрд параметров и контекстом до 32 768 токенов. Она предназначена для диалогов и выполнения инструкций на тайском и английском языках. Модель подходит для ответов на вопросы, многоходовых диалогов и генерации текста, в том числе для тайских образовательных заданий. В карточке приведены результаты сравнительных тестов ThaiExam и MMLU; авторы отмечают, что модель ещё развивается и рекомендуют проверять её ответы с учётом конкретного применения. Указана лицензия Qwen License, обозначенная в метаданных как other.

Это версия Voxtral-Mini-4B-Realtime-2602, преобразованная schroneko в формат MLX с 4-битным представлением для запуска через voxmlx. Базовая модель разработана Mistral AI и предназначена для потокового распознавания речи с низкой задержкой. Модель принимает аудио и выдаёт текстовую транскрипцию; в карточке указана поддержка английского, французского, испанского, немецкого, русского, китайского, японского, итальянского, португальского, нидерландского, арабского, хинди и корейского языков. Репозиторий распространяется по лицензии Apache-2.0. MLX-версия рассчитана на запуск в экосистеме MLX; README предлагает использовать библиотеку voxmlx.

Erik Mkrtchyan разработал модель w2v-bert-2.0-armenian-CV20.0 — дообученную на базе facebook/w2v-bert-2.0 модель распознавания речи с архитектурой Wav2Vec2-BERT и выходной головой CTC. Она принимает аудио и предназначена для преобразования армянской речи в текст. В оценке модели указаны loss 0,1436 и WER 0,1106. Модель содержит 402,7 млн параметров, опубликована в формате Safetensors и рассчитана на работу через Transformers. Лицензия — MIT. README не сообщает подробностей о наборе данных, условиях записи речи или ограничениях применимости, поэтому качество на других типах аудио и за пределами армянского языка по приведённой оценке определить нельзя.

GroNLP/wav2vec2-dutch-large-ft-cgn — модель распознавания нидерландской речи, разработанная на основе архитектуры Wav2Vec2. Исходную англоязычную facebook/wav2vec2-large дополнительно предварительно обучили на нидерландской речи из корпуса Het Corpus Gesproken Nederlands, а затем дообучили с помощью CTC. Модель содержит около 402,7 млн параметров и принимает аудио, выдавая распознанный текст. Модель предназначена для автоматической транскрипции нидерландской речи. В карточке указаны форматы PyTorch и Safetensors; лицензия и ограничения по применению в предоставленных данных не описаны.

Umong/wav2vec2-large-mms-1b-bengali — модель распознавания речи, созданная дообучением facebook/mms-1b-all на датасете Common Voice 13.0. Она принимает аудио и преобразует речь на бенгали в текст; архитектура — Wav2Vec2ForCTC, размер — 1,3 млрд параметров. На оценочной выборке указаны loss 0,2591 и WER 0,3256. Модель подходит для транскрибирования речи на бенгали. Распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства, но запрещающей коммерческое применение.

prajin/wav2vec2-large-xlsr-300m-nepali — модель автоматического распознавания речи на основе архитектуры Wav2Vec2ForCTC, дообученная разработчиком на базе facebook/wav2vec2-xls-r-300m. Для обучения использовались корпус OpenSLR-54 и дополнительные данные. Модель предназначена для преобразования непальской речи в текст. В оценке на выделенных 10 000 примерах обучающих данных указана WER 34,26% без языковой модели и 25,02% с 5-граммовой языковой моделью. На OpenSLR-43, который не использовался при обучении, автор сообщает WER 27% и CER 8,3% с 5-граммовой языковой моделью. Модель содержит 402,7 млн параметров и опубликована в формате PyTorch. Лицензия — Apache-2.0. Карточка не описывает дополнительные ограничения или условия применения.

Модель MehdiHosseiniMoghadam/wav2vec2-large-xlsr-53-Czech — версия wav2vec 2.0, дообученная на чешском языке на данных Common Voice. Она преобразует аудиозаписи речи в текст и подходит для автоматической транскрибации чешской речи. Для входного аудио требуется частота дискретизации 16 кГц. Модель содержит около 402,7 млн параметров и использует архитектуру Wav2Vec2ForCTC. В карточке приведён результат 27,05 % на тестовых данных Common Voice, но метрика и способ её расчёта не уточнены. Модель распространяется по лицензии Apache-2.0.

kingabzpro/wav2vec2-large-xlsr-53-punjabi — модель распознавания речи на основе архитектуры Wav2Vec2ForCTC, дообученная на базе Harveenchadha/vakyansh-wav2vec2-punjabi-pam-10 на датасете Common Voice. Она преобразует аудиозаписи на панджаби в текст и подходит для транскрибирования речи, в том числе записей из Common Voice. Модель содержит 113,3 млн параметров и распространяется в форматах PyTorch и safetensors. На тестовой выборке Common Voice 8.0 указаны WER 0,4939 и CER 0,2238. Лицензия — Apache-2.0.

Модель boumehdi/wav2vec2-large-xlsr-moroccan-darija — акустическая модель распознавания речи на базе wav2vec2-large-xlsr-53, дообученная разработчиком на размеченных аудиозаписях марокканской дариджи. В карточке указано, что обучение проводилось на 57 часах аудио из корпуса MDVC; разработчик постепенно добавлял данные, чтобы унифицировать запись дариджи. Модель предназначена для преобразования речи на марокканской даридже в текст. Она использует архитектуру Wav2Vec2ForCTC, содержит около 402,7 млн параметров и принимает аудио. Репозиторий опубликован в формате PyTorch. Точность может зависеть от вариаций произношения и принятого способа записи дариджи: разработчик отмечает, что продолжает дообучение и стандартизацию текстовых транскрипций. Лицензия — Apache-2.0.

smutuvi/wav2vec2-large-xlsr-sw-common-voice-16 — модель автоматического распознавания речи на архитектуре Wav2Vec2ForCTC. Она дообучена на facebook/wav2vec2-large-xlsr-53 с использованием Common Voice 16.0 и предназначена для преобразования речи в текст. Размер модели — 402,7 млн параметров; веса опубликованы в формате safetensors. Модель подходит для транскрибации аудиозаписей на суахили. В README приведён показатель WER 0,3082 на оценочной выборке; также указано значение loss inf, поэтому результат оценки следует интерпретировать с осторожностью. Лицензия — Apache-2.0.

aware-ai/wav2vec2-xls-r-1b-german — модель автоматического распознавания речи, созданная дообучением архитектуры wav2vec2 XLS-R с 1,3 млрд параметров на немецкой части датасета Mozilla Common Voice 10.0. Она принимает аудио и выдаёт распознанный текст на немецком языке. Модель подходит для транскрибации немецкой речи, в том числе записей, похожих по условиям на данные Common Voice. В README приведены результаты оценки на тестовой выборке: WER 0,2931 и loss 0,3513. Используются веса PyTorch и Safetensors. В карточке не описаны ограничения, лицензия и подробности обучения; поэтому условия использования и пригодность для конкретных акустических условий по доступным данным оценить нельзя.

Модель PereLluis13/wav2vec2-xls-r-300m-ca — версия wav2vec 2.0 XLS-R, дообученная на распознавание каталанской речи. Её подготовил PereLluis13 на основе facebook/wav2vec2-xls-r-300m с использованием данных Common Voice 8.0 для каталанского языка, tv3_parla и parlament_parla. Архитектура — Wav2Vec2ForCTC; в репозитории указано около 402,7 млн параметров, веса представлены в формате PyTorch. Модель принимает аудио и преобразует речь в текст. В README приведён результат оценки WER 0,1499 на тестовых наборах трёх использованных корпусов. Она предназначена прежде всего для распознавания каталанской речи; на диалектах с меньшим объёмом обучающих данных может работать хуже. Также возможны смещения и особенности, унаследованные от краудсорсинговых и парламентских данных. Лицензия — Apache-2.0.

Модель dnikolic/wav2vec2-xlsr-530-serbian-colab — дообученная версия facebook/wav2vec2-xls-r-300m на неизвестном наборе данных для автоматического распознавания речи. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров; репозиторий включает веса PyTorch. Модель предназначена для преобразования сербской речи в текст. Лицензия — Apache-2.0. Карточка не приводит сведений о составе обучающих данных, качестве распознавания и ограничениях применения, поэтому эти характеристики оценить нельзя.

Это модель распознавания речи на основе Whisper Large V3, дообученная разработчиком vignesh-trustt для каннада и телугу. Она использует архитектуру encoder-decoder и предназначена для преобразования аудиозаписей в текст; в метаданных указано 905,2 млн параметров, а веса опубликованы в формате safetensors. Модель ориентирована на распознавание разговорной речи на каннада и телугу. В карточке приведены значения WER 43,12% для каннада, 55,47% для телугу и 48,18% в целом. Лицензия — Apache 2.0. По описанию авторов, модель лучше работает с чистым аудио, одним говорящим и ясным произношением. Возможны ошибки при сильных акцентах и диалектах, шуме, профессиональной терминологии и смешанной речи. Для запуска требуются значительные вычислительные ресурсы; README рекомендует GPU с 16 ГБ памяти или больше.