I.6Перевод и языковая адаптация

agentlans/mdeberta-v3-base-sentiment — многоязычная модель классификации тональности, разработанная на основе microsoft/mdeberta-v3-base и дообученная автором репозитория. Она оценивает текст и возвращает числовую оценку, соответствующую положительной, нейтральной или отрицательной тональности. Модель содержит 306 млн параметров, использует архитектуру DeBERTa V3 для классификации последовательностей и обрабатывает до 512 токенов контекста. Модель предназначена для анализа тональности текстов на языках, поддерживаемых базовой DeBERTa, в том числе для проверки сходства оценок переведённых текстов. При обучении использован датасет из 48 900 размеченных английских переводов; в карточке приведён пример проверки на английском, арабском, китайском, французском, русском и испанском. На отложенной выборке указана RMSE 0,4177. Это числовой показатель ошибки, поэтому его не следует трактовать как точность в процентах. Оценки могут хуже работать на текстах, отличающихся от обучающих данных, и не учитывают культурный контекст или знакомство читателя с темой. Результат может не совпадать с человеческим суждением и отражать смещения данных; модель не рекомендуется использовать как единственный критерий пригодности текста. Лицензия — MIT.

MiMo-V2.5-ASR-FP8 — FP8-квантизированная версия модели Xiaomi MiMo для сквозного распознавания речи. Она основана на XiaomiMiMo/MiMo-V2.5-ASR и использует плотную архитектуру семейства Qwen2 с 7 млрд параметров и контекстом 8192 токена. Модель предназначена для транскрибирования речи на китайском и английском языках, включая переключение между ними, китайские диалекты, шумную и многоголосую речь, а также тексты песен; поддерживает расстановку пунктуации. Веса линейных слоёв представлены в формате FP8 e4m3fn с масштабированием по выходным каналам; эмбеддинги и нормализации оставлены в BF16. По README, объём весов сокращён примерно с 32 до 16–17 ГБ. Для обработки аудио требуется отдельно загрузить MiMo-Audio-Tokenizer, а для загрузки чекпойнта — использовать совместимую реализацию FP8Linear; это не стандартный чекпойнт для обычной загрузки через from_pretrained. Для инференса нужны CUDA GPU с FP8 tensor cores и CUDA 12.0 или новее. Квантизация может немного ухудшить WER относительно BF16. Лицензия — MIT.

MiniCPM5-1B-Rebel-i1-GGUF — GGUF-квантизированная версия модели MiniCPM5-1B-Rebel, опубликованная mradermacher и квантованная им на основе модели XuehangCang/MiniCPM5-1B-Rebel. Базовая модель разработана XuehangCang; в README также указаны связанные с ней наборы данных от XuehangCang и OpenBMB. Модель предназначена для генерации текста, работы с длинным контекстом и вызова инструментов, включая локальные и периферийные сценарии использования. Модель относится к семейству MiniCPM5 и имеет размер 1B параметров. Доступна в формате GGUF с различными вариантами квантования от IQ1_S до Q6_K; размеры файлов составляют примерно 0,5–1,0 ГБ. Указана поддержка английского и китайского языков. Архитектура, точная длина контекста и дополнительные модальности в README не раскрыты, поэтому модель следует рассматривать как текстовую. Для ряда квантов отмечен компромисс между размером, скоростью и качеством; наиболее рекомендуемыми названы i1-Q4_K_M и i1-Q4_K_S, тогда как низкобитные варианты могут заметно снижать качество. Лицензия — Apache-2.0. README характеризует модель как uncensored и связанную с abliteration, однако не приводит подробных результатов оценки, ограничений безопасности или инструкций по ответственному применению. Для запуска требуются совместимые инструменты, поддерживающие формат GGUF.

MiniCPM5-2B-heretic-GGUF — это набор GGUF-квантизованных версий языковой модели MiniCPM5-2B-heretic, разработанной Dingdust и опубликованной в формате GGUF пользователем mradermacher. Модель предназначена для генерации текста, работы с длинным контекстом, вызова инструментов и локального запуска на устройствах с ограниченными ресурсами. В карточке указана поддержка английского и китайского языков. Модель относится к семейству MiniCPM и имеет размер 2 млрд параметров. Доступны варианты квантования от Q2_K до Q8_0, IQ4_XS и f16; размер файлов составляет примерно от 1,1 до 5,1 ГБ. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с наилучшим качеством среди перечисленных. Архитектура и максимальная длина контекста в README не указаны; по тегам модель ориентирована на текстовые сценарии, edge AI и on-device deployment. К сильным сторонам относятся компактный размер, возможность локального запуска и выбор между несколькими уровнями компромисса по скорости, качеству и потреблению памяти. Ограничения связаны с потерями качества при низком квантовании, а также с отсутствием в карточке подробных результатов оценки, описания конкретной архитектуры и точного размера контекста. Модель распространяется по лицензии Apache-2.0.

Vkt/model-facebookptbrlarge — модель распознавания речи, дообученная на Common Voice на основе facebook/wav2vec2-large-xlsr-53-portuguese. Она использует архитектуру Wav2Vec2 с CTC-декодированием и содержит около 402,7 млн параметров. Модель принимает аудио и предназначена для преобразования речи в текст на португальском языке. В README приведены результаты на наборе оценки Common Voice: WER 0,1322 и loss 0,2206. Модель загружена в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не описывает дополнительные сценарии применения или ограничения; результаты оценки относятся к указанному набору данных.

Moonshine Streaming Small — German — это модель распознавания немецкой речи от Moonshine AI. Она принимает аудио и выдаёт текстовую расшифровку; потоковая архитектура сочетает временной аудиофронтенд с частотой 50 Гц и Transformer-энкодер со скользящими окнами, поэтому транскрипцию можно получать по мере поступления речи. В README указано 112,9 млн параметров, тогда как метаданные каталога сообщают 48,2 млн; точный размер здесь не приводится из-за расхождения источников. Модель использует немецкий токенизатор на 12 288 токенов и предназначена для локального запуска на устройствах с ограниченными ресурсами. Чекпойнт Stage B дообучен на весах Stage A; репозиторий содержит конвертированный файл safetensors. Обучающие данные включают большой корпус подкастов с автоматическими псевдоаннотациями и меньший набор расшифрованной речи. В тестах на двух наборах немецкой читаемой речи макро-WER составил 7,35 при указанном в README правиле остановки. Лицензия — MIT. Модель может ошибаться в именах собственных, числах и переключениях между языками, поскольку большая часть обучающих расшифровок создана автоматически. Она склонна к повторениям на коротких или зашумлённых записях; в README рекомендуется ограничивать длину вывода. Качество не оценивалось на телефонной речи, детской речи, сильных диалектах и шумных дальних записях.

mT5_multilingual_XLSum — модель семейства mT5, дообученная командой CSE BUET NLP на датасете XL-Sum для суммаризации текстов на 45 языках. Она принимает текст статьи или другого материала и генерирует краткое изложение; модель предназначена для многоязычной суммаризации, в том числе для языков с ограниченными ресурсами. Число параметров — 291,2 млн; архитектура — MT5ForConditionalGeneration, формат весов — PyTorch. Модель подходит для автоматического создания кратких пересказов и обработки многоязычных новостных материалов. В README приведены результаты ROUGE на тестовых наборах XL-Sum для разных языков. Карточка не сообщает об ограничениях на контекст или отдельном основном языке. Лицензия в предоставленных данных не указана.

Nanbeige4.1-3B-bf16 — англо-китайская плотная языковая модель для генерации текста и диалогов, представленная в формате MLX. Репозиторий создан сообществом mlx-community: веса преобразованы из Nanbeige/Nanbeige4.1-3B с помощью mlx-lm 0.30.7; базовая модель разработана Nanbeige. Архитектура — LlamaForCausalLM, размер — 3,5 млрд параметров, нативный контекст — 262 144 токена. Модель подходит для диалоговых приложений и генерации текста на английском и китайском языках. Метаданные базовой модели также указывают на задачи многошаговых рассуждений, программирования и агентных сценариев с инструментами, однако README этой конверсии не описывает их отдельно. Репозиторий распространяется по лицензии Apache-2.0. Формат MLX ориентирован на запуск в экосистеме Apple MLX.

OndeviceAI-T5-v1 — модель для генерации и преобразования текста, разработанная как дообученная версия paust/pko-t5-large. Она построена на архитектуре T5 с 403,9 млн параметров и предназначена для задач формата text-to-text. Модель сохраняется в формате safetensors и распространяется по лицензии CC BY 4.0. Карточка не описывает конкретную прикладную задачу, языковые возможности или результаты оценки качества.

Модель gradients-io-tournaments/qwen2.5-3b-en-ja-finetune-upwork2 — объединённый чекпойнт Qwen2.5-3B-Instruct, дообученный для сценариев на английском и японском языках. Это плотная авторегрессионная языковая модель с архитектурой Qwen2ForCausalLM и примерно 3,1 млрд параметров; работает через Transformers и распространяется в формате sharded safetensors с точностью bfloat16. Модель предназначена для диалогов и генерации текста по инструкциям на английском и японском. Контекстное окно составляет 32 768 токенов. Карточка не описывает специализацию дообучения подробнее, поэтому пригодность для отдельных предметных областей не установлена. Базовая модель — Qwen/Qwen2.5-3B-Instruct; лицензия в предоставленных данных не указана.

Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive-MTP-GGUF — это GGUF-квантизация модели Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive, основанной на Qwen3 и разработанной сообществом на базе моделей Qwen. Модель предназначена для генерации текста на английском и китайском языках, включая локальный запуск через llama.cpp. Это uncensored fine-tune со сниженным количеством отказов, поэтому модель не подходит для всех аудиторий и требует ответственного использования. Архитектура — qwen35moe: 35 млрд параметров всего, около 3 млрд активных параметров, 256 экспертов, из которых используется 8. Квантование выполнено в формате Q6_K; для ускорения генерации добавлена одна MTP-слой Multi-Token Prediction, позволяющая использовать speculative decoding через draft-mtp в llama.cpp. Указанный контекст составляет 8192 токена в примере запуска. Модель поддерживает обычную авторегрессионную генерацию и MTP-декодирование; на Apple M3 Max заявлено ускорение генерации примерно на 27% при подходящих настройках, однако результат зависит от оборудования и реального контекста. Сильные стороны модели — относительно высокая скорость генерации, эффективное MoE-устройство и высокая доля принятых черновых токенов MTP при использовании репрезентативного промпта. Ограничения включают uncensored-поведение, чувствительность производительности к содержимому контекста и необходимость сборки llama.cpp с поддержкой draft-mtp для speculative decoding. Лицензия указана как Apache-2.0; при этом необходимо учитывать условия исходной модели Qwen и условия авторов fine-tune и квантования.

tempesthenno-icy-0130 — созданная автором модели Sthenno слитая диалоговая языковая модель на архитектуре Qwen2 с 14 млрд параметров. Она предназначена для генерации текста и общения в формате ChatML; в слиянии методом SCE использованы три модели tempesthenno-icy-0130-01, -02 и -03, а базой указан tempesthenno-nuslerp-0124. Метаданные также связывают модель с miscii-14b-1225. Модель принимает текст и генерирует текст. В карточке указана длина контекста 131 072 токена, поддерживаемые языки — английский и китайский. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает отдельные специализированные области применения или сравнительные результаты; качество ответов может зависеть от запроса и сценария использования.

Violet_Twilight-v0.1 — разговорная модель для генерации текста, созданная Epiculous с помощью слияния SLERP моделей Azure_Dusk и Crimson_Dawn. Она основана на плотной архитектуре Mistral и содержит 12,1 млрд параметров. Модель предназначена для общения, ролевых диалогов и генерации ответов в стиле помощника; для неё рекомендуются шаблон Mistral Instruct и формат запроса [INST] Prompt goes here [/INST]. В метаданных заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков, а длина контекста указана как 1 024 000 токенов. Модель распространяется под лицензией Apache-2.0. README предупреждает, что некоторые квантованные варианты могут некорректно работать с шаблоном Mistral; для GGUF автор рекомендует попробовать ChatML. Репозиторий содержит веса safetensors, а README также упоминает варианты full, EXL2 и GGUF.

Модель GetmanY1/wav2vec2-base-fi-150k-finetuned разработана Ярославом Гетманом и Тамашем Гросом и предназначена для автоматического распознавания финской речи. Это акустическая модель на архитектуре Wav2Vec2 с CTC-выходом, содержащая 113,3 млн параметров и доступная в формате safetensors. Она дообучена на 4600 часах финской речи: разговорной речи из Lahjoita puhetta и материалах парламента Финляндии. Модель принимает аудио с частотой дискретизации 16 кГц и преобразует его в текст. Она подходит для транскрибации финской речи, включая разговорную речь и выступления в парламенте. Базовая модель предварительно обучалась на большом корпусе неразмеченной финской речи. Модель распространяется по лицензии Apache-2.0. Она рассчитана на финский язык; качество распознавания для других языков не заявлено. Для корректной работы входное аудио должно иметь частоту дискретизации 16 кГц.

Модель KBLab на архитектуре wav2vec 2.0 Large предназначена для автоматического распознавания шведской речи. Она расширяет акустическую модель VoxRex-C социальным 4-граммным языковым моделированием, обученным на подмножестве шведского корпуса The Swedish Culturomics Gigaword Corpus: 40 млн слов из текстов социальных сетей за 2010–2015 годы. Модель содержит около 402,7 млн параметров и реализована как Wav2Vec2ForCTC в формате PyTorch. Модель принимает аудио и выдаёт текстовую расшифровку. Для обработки ожидается аудио с частотой дискретизации 16 кГц; аудио с другой частотой нужно предварительно пересчитать. На полном тестовом наборе Common Voice 6.1 VoxRex-C показала WER 9,03% без языковой модели и 6,47% с ней. Репозиторий распространяется по лицензии CC0-1.0.

jayashreedevi2020/wav2vec2-large-xls-r-300m-assamese — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на наборе Common Voice 11.0. Она принимает аудио и преобразует речь на ассамском языке в текст; архитектура основана на Wav2Vec2 с CTC-выходом и содержит около 402,7 млн параметров. Модель подходит для транскрибирования записей и оценки распознавания ассамской речи. В README приведены результаты на оценочной выборке: WER 0,6470 и loss 0,9825; качество может зависеть от условий записи и соответствия аудио данным обучения. Лицензия — Apache-2.0.

jonatasgrosman/wav2vec2-large-xlsr-53-german — модель распознавания речи на немецком языке, созданная Jonatas Grosman путём дообучения facebook/wav2vec2-large-xlsr-53 на обучающей и валидационной выборках Common Voice 6.1. Это архитектура Wav2Vec2 с CTC-декодированием, содержащая 402,7 млн параметров. Модель преобразует аудиозапись немецкой речи в текст и рассчитана на сценарии автоматической транскрипции. Для входной речи требуется частота дискретизации 16 кГц; README описывает использование без языковой модели. Репозиторий содержит веса PyTorch и Flax. Модель распространяется по лицензии Apache-2.0. Карточка не приводит сведений о точности или подробных ограничениях распознавания, поэтому качество на шумной речи и за пределами немецкого языка не следует считать установленным.

Это модель автоматического распознавания испанской речи на базе Wav2Vec2-Large-XLSR-53 с поддержкой языковой модели. Её подготовил Patrick von Platen как демонстрацию интеграции pyctcdecode с Transformers; в README описана замена стандартного Wav2Vec2Processor на Wav2Vec2WithLMProcessor. Модель предназначена для преобразования аудиозаписей на испанском языке в текст. В сравнении на 512 образцах тестовой части Spanish Common Voice она показала WER 8,44% и CER 2,93%, против 10,20% и 3,24% у указанной базовой модели без языковой модели. Доступны веса PyTorch, TensorFlow и Flax; размер модели — около 402,7 млн параметров. Репозиторий распространяется по лицензии Apache-2.0. Результаты оценки относятся к указанной выборке Common Voice; качество на других типах речи и в иных акустических условиях в карточке не измеряется.

addy88/wav2vec2-malayalam-stt — модель автоматического распознавания речи на основе архитектуры Wav2Vec2 с 113,3 млн параметров. Она принимает аудио и преобразует речь на малаялам в текст; модель можно использовать напрямую, без языковой модели. Модель опубликована в формате PyTorch и предназначена для сценариев распознавания речи на малаялам. В карточке не указаны сведения о лицензии, поэтому условия использования по имеющимся данным определить нельзя.

Wav2Vec2-XLS-R-1B — разработанная Facebook AI многоязычная модель для предварительного обучения речевых представлений на архитектуре wav2vec 2.0. Она содержит 1,3 млрд параметров и обучена на 436 тысячах часов немаркированной речи из нескольких корпусов, включая VoxPopuli, MLS, Common Voice, BABEL и VoxLingua107; заявлена поддержка 128 языков. Для подачи аудио требуется частота дискретизации 16 кГц. Модель предназначена для дообучения под конкретную задачу: распознавание речи, перевод речи или классификацию, в том числе идентификацию языка. Это базовый речевой энкодер, а не готовая универсальная система распознавания или перевода; для прикладного использования нужны подходящая выходная голова и дообучение. Распространяется по лицензии Apache 2.0.

Модель edugp/wav2vec2-xls-r-300m-cv8-es — дообученная на Common Voice версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи. Она принимает аудио и выдаёт текст; архитектура основана на Wav2Vec2ForCTC, число параметров — 402,7 млн. В оценке на наборе Common Voice модель показала WER 0,1931. Модель подходит для транскрибирования аудиозаписей на испанском языке. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. README не сообщает дополнительных сведений о режимах использования и ограничениях качества.

NbAiLab/wav2vec2-xls-r-300m-npsc-bokmaal — модель распознавания речи на базе архитектуры wav2vec2 с выходной головой CTC. В метаданных указано около 402,7 млн параметров; модель опубликована в формате PyTorch и предназначена для преобразования аудио в текст на норвежском букмоле. Она связана с датасетом NbAiLab/NPSC, а в карточке приведены результаты оценки: WER 0,0932 и loss 0,1663. Модель подходит для транскрибирования речи на букмоле. Репозиторий использует лицензию Apache-2.0. Карточка не содержит подробностей о составе обучающих данных, условиях оценки или ограничениях применения, поэтому приведённые метрики не следует считать гарантией качества на других аудиозаписях.

zuazo/whisper-large-v2-es — дообученная модель распознавания речи на базе openai/whisper-large-v2, опубликованная пользователем zuazo. Она адаптирована для транскрибации испанской речи на наборе mozilla-foundation/common_voice_13_0. Архитектура — WhisperForConditionalGeneration; модель содержит 905,2 млн параметров и принимает аудио, выдавая текст. В оценке на тестовом наборе указаны WER 4,8949 и loss 0,2544. Модель подходит для преобразования записанной испанской речи в текст. Карточка не описывает дополнительные сценарии или ограничения качества. Лицензия Apache-2.0 разрешает использование, изменение и распространение с указанием авторов.

yuriyvnv/whisper-large-v3-high-mixed-nl — модель распознавания нидерландской речи, созданная разработчиком yuriyvnv дообучением openai/whisper-large-v3. Она построена на архитектуре Whisper и содержит 905,2 млн параметров; принимает аудио и преобразует речь в текст. Модель обучена на нидерландских записях Common Voice 17.0 и синтетической речи, отфильтрованной по качеству с помощью WAVe. Карточка приводит WER 4,43% на тесте Common Voice и 20,29% на бенчмарке MLS. Модель предназначена для транскрибации чистой нидерландской речи общего назначения. Она может быть полезна для подготовки текстовых расшифровок аудиозаписей и сравнения качества ASR-систем. По карточке, обучающие данные преимущественно включали чистую речь; качество на технической лексике, шумных записях и региональных вариантах нидерландского может быть ниже. Модель распространяется по лицензии Apache-2.0.

Модель sitwala/whisper-large-v3-turbo-anv-zul-50h — дообученная версия Whisper large-v3-turbo от OpenAI, созданная на наборе данных dsfsi-anv/za-african-next-voices. Она предназначена для автоматического распознавания речи и преобразования аудио в текст; архитектура — WhisperForConditionalGeneration, размер — 905,2 млн параметров. В оценке на указанном в карточке наборе получен WER 32,6072 и loss 0,4603. Модель принимает аудио и выдаёт текст. Суффикс «zul» в названии указывает на фокус на языке зулу, однако карточка не приводит явного списка поддерживаемых языков. Репозиторий использует Transformers и формат safetensors. Лицензия — MIT.

GeoffVdr/whisper-medium-nlcv11 — дообученная модель распознавания речи на базе OpenAI Whisper Medium. Она обучена на обучающей и валидационной частях нидерландского набора Mozilla Common Voice 11.0 и предназначена для преобразования нидерландской речи в текст. Модель использует архитектуру WhisperForConditionalGeneration и содержит 455,8 млн параметров. Для оценки использовалась тестовая часть Common Voice 11.0 на нидерландском языке. Модель принимает аудио и выдаёт текст; карточка не сообщает метрики качества или подробные ограничения. Веса доступны в формате PyTorch по лицензии Apache-2.0.

whisper-small-alif — дообученная на датасете audiofolder модель распознавания речи на основе openai/whisper-small. Она предназначена для преобразования аудио в текст; карточка сообщает о результате WER 0,0 на оценочном наборе, но не описывает его состав, поэтому этот показатель нельзя переносить на другие данные. Модель построена на архитектуре WhisperForConditionalGeneration и распространяется в формате safetensors через библиотеку Transformers. Базовая Whisper поддерживает несколько языков и перевод аудио на английский, однако карточка этой версии не уточняет языки и сценарии дообучения. Модель распространяется по лицензии Apache-2.0. Состав обучающих данных и ограничения применения в карточке подробно не раскрыты.

crossdelenna/whisper-small.en — дообученная версия Whisper Small English, опубликованная на Hugging Face. Модель с архитектурой WhisperForConditionalGeneration содержит 153,1 млн параметров и предназначена для автоматического распознавания речи и преобразования аудио в текст. Репозиторий содержит веса PyTorch и SafeTensors; лицензия — Apache 2.0. Модель рассчитана на англоязычное распознавание речи. В карточке приведена оценка WER 0,7672 на наборе оценки, но набор данных и условия тестирования не описаны; поэтому результат не позволяет надёжно судить о качестве в конкретном сценарии.

Whisper Small Hi — модель распознавания речи, созданная Sanchit Gandhi дообучением openai/whisper-small на наборе Common Voice 11.0. Она предназначена для преобразования аудиозаписей на хинди в текст; архитектура — Whisper с примерно 153,1 млн параметров. В метаданных указаны реализации PyTorch, TensorFlow и формат safetensors, а лицензия — Apache-2.0. На тестовой выборке модели указаны loss 0,4519 и WER 32,0113. Эти результаты относятся к оценке на Common Voice 11.0 и не гарантируют такое же качество на других источниках аудио. Карточка не приводит сведения о длине контекста и подробных ограничениях применения.

ElderlyDed/whisper-small-ru — дообученная модель распознавания речи на основе Whisper Small от OpenAI, созданная сообществом и обученная на Common Voice 11.0. Она предназначена для преобразования аудиозаписей в текст; название модели указывает на ориентацию на русский язык, однако метаданные карточки отмечают язык хинди, поэтому языковую специализацию следует считать неоднозначной. В оценке на наборе разработчика указаны Loss 0,1877 и WER 14,9519. Модель содержит 153,1 млн параметров и использует архитектуру WhisperForConditionalGeneration. Доступны веса в форматах PyTorch, safetensors и Flax. Лицензия — Apache-2.0. Карточка не описывает условия записи аудио, ограничения качества или подробности оценки.