I.6Перевод и языковая адаптация

MiniMax-M2-MLX-4bit — 4-битно квантованная версия языковой модели MiniMax-M2, разработанной MiniMaxAI. Квантование выполнено командой LM Studio с использованием mlx_lm и формата MLX; модель оптимизирована для запуска на устройствах Apple Silicon. Она предназначена для генерации текста и локального использования через LM Studio. Модель подходит для сценариев, требующих локального текстового вывода при сниженных требованиях к памяти по сравнению с полной версией модели. README не содержит сведений о точном размере модели, поддерживаемых языках, максимальной длине контекста, архитектуре или дополнительных модальностях, поэтому эти характеристики нельзя достоверно указать. Квантование в 4 бита может уменьшать потребление ресурсов, но потенциально снижать точность по сравнению с исходной моделью. Модель распространяется по лицензии MIT.

bartowski/Mixtral-8x22B-v0.1-GGUF — набор GGUF-квантизаций базовой текстовой генеративной модели Mixtral-8x22B-v0.1, исходная версия которой опубликована в репозитории mistral-community. Квантизацию выполнил bartowski с использованием llama.cpp. Модель предназначена для локального запуска и генерации текста, включая задачи продолжения текста и другие сценарии, поддерживаемые базовой языковой моделью. Модель использует архитектуру Mixture of Experts (MoE) и обозначение 8x22B; точное число активных параметров и размер контекста в README не указаны. Заявлена поддержка английского, французского, итальянского, немецкого и испанского языков. Это базовая модель без заданного формата промпта, поэтому форматирование запросов должен определять пользователь или приложение. Репозиторий предлагает варианты квантизации Q2_K, Q3, Q4, Q5 и IQ, размером примерно от 52 до 100 ГБ. Более высокие уровни обычно обеспечивают лучшее качество, но требуют больше памяти; низкие уровни позволяют запускать модель на системах с ограниченными ресурсами ценой качества. I-квантизации могут быть выгоднее по соотношению размера и производительности на некоторых конфигурациях, но имеют ограничения совместимости, в частности не поддерживаются Vulkan. Для работы требуется значительный объём RAM и/или VRAM, а модель разделена на несколько файлов. Лицензия — Apache-2.0.

NeuralSpanish-7B-Stock — языковая модель для генерации текста, созданная слиянием нескольких моделей на базе Mistral-7B-v0.2-hf с помощью LazyMergekit и метода model_stock. В состав слияния вошли ecastera/ecastera-eva-westlake-7b-spanish, Kukedlc/SpanishChat-7b и Kukedlc/NeuralSirKrishna-Spanish-FT. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель ориентирована на генерацию текста на испанском языке и диалоговые сценарии. Веса опубликованы в формате safetensors; в README указан тип bfloat16. Сведения о лицензии и конкретных ограничениях качества в предоставленных данных отсутствуют.

PhoWhisper-large-ct2 — конвертированная в формат CTranslate2 модель PhoWhisper-large, первоначально разработанной VinAI для распознавания вьетнамской речи. Репозиторий представляет собой форк kiendt/PhoWhisper-large-ct2; согласно карточке, веса совпадают с исходным репозиторием и не изменялись. Конвертация предназначена для ускорения инференса, в том числе на CPU. Модель принимает аудио и транскрибирует вьетнамскую речь в текст. Она основана на Whisper и распространяется по лицензии MIT. Карточка не приводит сравнительных показателей качества или подробностей о поддержке других языков.

Модель ehristoforu/Qwen2-1.5b-it-chat-sp-ru-bel-arm-ger-fin-tur-per — дообученная автором ehristoforu разговорная модель семейства Qwen2 с архитектурой плотной авторегрессионной языковой модели. Она предназначена для генерации текста в диалоге. Модель содержит 1,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Название и базовая модель указывают на многоязычную направленность, включая испанский, русский, белорусский, армянский, немецкий, финский и турецкий языки; в метаданных также отмечен английский. Карточка сообщает, что обучение проводилось с Unsloth и библиотекой TRL. Модель распространяется по лицензии Apache-2.0. Практические ограничения и сравнительные результаты в карточке не описаны.

Qwen3.5-0.8B-H128-Q4-G32-DOT4 — квантизированная текстовая модель на базе Qwen/Qwen3.5-0.8B, подготовленная Danmoreng для CPU-движка Qwen3.5 CPU. Она предназначена для локальной генерации текста и работы через серверный API совместимых CPU-систем. Артефакт хранится в специальном формате H128/Q4-G32-DOT4 .q35h и не является GGUF-файлом или checkpoint, загружаемым через Transformers. Модель содержит только веса текстового вывода, без vision- и MTP-компонентов. В крупных проекциях используются знаковые Hadamard-преобразования по 128 каналам, группы из 32 четырёхбитных кодов с FP16-масштабами и упаковка под CPU DOT4; KV-кэш работает в FP16, рекуррентное состояние — в FP32. Размер тензорного payload составляет около 424,9 МБ. Квантизация выполнена методом activation-weighted MSE16 с компенсацией ошибок и калибровкой на 256 документах объёмом 262 144 токена, включавших немецкий и английский языки, Python-код, диалоги и математику. Сильные стороны модели — небольшой размер, готовность к CPU-инференсу, отсутствие необходимости в CUDA, Python и BF16-весах во время запуска, а также высокая скорость на поддерживаемом оборудовании. Ограничения включают зависимость от специального Qwen3.5 CPU engine, отсутствие встроенных потокового режима и chat completions endpoint, необходимость предварительно формировать chat-промпты и отсутствие мультимодальных возможностей. Модель распространяется по лицензии Apache-2.0.

lukey03/Qwen3.5-9B-abliterated-GGUF — это GGUF-квантизированные версии модели Qwen3.5-9B, разработанные пользователем lukey03 на основе официальной Qwen/Qwen3.5-9B. Модель предназначена для локального запуска через Ollama, llama.cpp и другие совместимые движки. Доступны текстовые варианты, а также мультимодальная версия для анализа изображений и текста. Архитектура Qwen3.5 нативно поддерживает мультимодальность благодаря встроенному vision-энкодеру. В vision-варианте сохранены компоненты обработки изображений и MTP-тензоры официальной модели, а текстовые веса заменены на abliterated-версию. Доступны варианты Q4_K_M размером около 5,2 ГБ для текста и 6,1 ГБ для текста и изображений, а также текстовая версия F16 размером около 17 ГБ. Поддерживаются английский, китайский, японский, корейский, французский, немецкий и испанский языки. Для vision-варианта требуется Ollama версии 0.17.1 или новее. Ключевая особенность — удаление поведения отказа с помощью ортогональной проекции весов и последующей QLoRA-донастройки; автор заявляет успешные ответы на 18 из 18 тестовых запросов, на которые базовая модель не отвечала. Это может быть полезно для исследовательских и образовательных сценариев, требующих более прямых ответов, однако одновременно снижает встроенные защитные ограничения и повышает риски небезопасного применения. Контекстное окно в README не указано, поэтому его характеристики нельзя оценить по предоставленным данным. Модель распространяется по лицензии Apache-2.0. Автор также указывает, что пользователи самостоятельно отвечают за соблюдение законодательства и этических норм.

ReAligned-Qwen3.5-27B-GGUF — это набор GGUF-квантизаций языковой модели ReAligned-Qwen3.5-27B на базе Qwen3.5. Модель разработана Eric Hartford, главным научным сотрудником LazarusAI, создателем Dolphin и Samantha и основателем QuixiAI; квантизацию выполнила QuixiAI. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на чувствительные исторические и политические вопросы, с уменьшенным отказным поведением, идеологической цензурой и фреймингом, связанным с государственными нарративами Китая, при сохранении общих возможностей исходной модели. Указаны английский и китайский языки, а формат рассчитан на запуск через llama.cpp и совместимые приложения, включая LM Studio, KoboldCpp, Jan AI и Text Generation Web UI. Размер исходной модели составляет 27 млрд параметров. Доступны варианты квантизации от Q3_K_L до Q8_0, с размером файлов примерно от 14 до 28,6 ГБ; Q4_K, Q5_K и Q6_K обозначены как рекомендуемые варианты с разным компромиссом между качеством и требованиями к памяти. Для работы следует использовать встроенный шаблон чата Qwen и внимательно задавать системный промпт, поскольку модель поддерживает настройку тона, предметной области, границ отказов и требований к цитированию. Длина контекста, мультимодальные возможности и результаты формальных тестов в README не указаны. Сильными сторонами являются локальный запуск в экосистеме GGUF, несколько уровней квантизации и ориентация на более прямые ответы по чувствительным темам. Ограничения включают зависимость качества и потребления памяти от выбранной квантизации, возможные требования к обновлению runtime для новых форматов, а также отсутствие в предоставленных данных подробных бенчмарков и оценки фактической точности или устойчивости к смещениям. Модель распространяется по лицензии Apache-2.0.

Это языковая модель RWKV-7 World размером 1,5 млрд параметров в формате flash-linear attention, опубликованная проектом RWKV и разработанная Бо Пэном, Ю Чжаном, Сонглином Яном и Жуйчуном Чжаном. Модель предназначена для генерации текста и диалогов; её можно использовать через Transformers при наличии поддержки RWKV и flash-linear attention. Модель обучена на корпусе World v3 объёмом 3,119 трлн токенов, использует токенизатор RWKV World с размером словаря 65 536 и имеет контекст до 2048 токенов. Поддерживаемые языки: английский, китайский, японский, корейский, французский, арабский, испанский и португальский. В README приведены результаты LAMBADA: точность 69,4% до преобразования и 68,8% после него. Модель распространяется по лицензии Apache-2.0. Для запуска README рекомендует установить flash-linear attention и Transformers версии 4.48.0 или новее. Это компактная модель относительно крупных современных LLM; её ограничивают размер контекста и возможная потеря качества при преобразовании весов.

RWKV7-G1j-13.3B-GGUF — базовая языковая модель RWKV-7 «Goose», опубликованная shoumenchougou на основе чекпойнта BlinkDL/rwkv7-g1. Модель предназначена для локальной генерации текста и запуска через Ollama и llama.cpp; она не является дообученным на инструкции или безопасностно выровненным ассистентом, поэтому может непоследовательно выполнять команды. Архитектура RWKV-7 не использует attention и KV-кэш, растущий вместе с длиной последовательности: вместо этого применяется рекуррентное состояние фиксированного размера. Это обеспечивает постоянный объём состояния и постоянную вычислительную работу на генерируемый токен, сохраняя возможность параллелизуемого обучения. Размер модели — 13,3 млрд параметров, заявленный контекст — до 16 384 токенов. Поддерживаются английский, китайский, французский, испанский, немецкий, португальский, русский, итальянский, японский, корейский, вьетнамский и арабский языки. Модель поставляется в формате GGUF с вариантами квантования Q4_K_M, Q5_K_M, Q6_K, Q8_0 и версией FP16. Q4_K_M рекомендован как исходный вариант и используется в официальной конфигурации Ollama; более точные версии требуют больше места и памяти. Фиксированный размер рекуррентного состояния не означает фиксированное общее потребление памяти: оно также зависит от весов, контекста, размера пакета, оборудования и бэкенда. Для Ollama требуется версия 0.33.2 или новее. Лицензия — Apache 2.0.

SahabatAI-Lion-9B-TIES-v1 — объединённая методом TIES языковая модель семейства Gemma 2, опубликованная пользователем gmonsoon. Она объединяет модели GoToCompany/gemma2-9b-cpt-sahabatai-v1-instruct и aisingapore/gemma2-9b-cpt-sea-lionv3-instruct и предназначена для диалогов и генерации текста по инструкциям. Модель имеет плотную архитектуру Gemma2ForCausalLM с 9 млрд параметров и контекстом 8192 токена. Карточка и метаданные указывают на поддержку английского и индонезийского; сведения о базовых моделях также указывают на яванский и сунданский. Файлы опубликованы в формате safetensors. Автор сообщает о результатах оценки на Open LLM Leaderboard, включая средний балл 33,70 и 73,78 на IFEval; это результаты из карточки модели, а не гарантия качества в конкретном сценарии. Модель распространяется по лицензии Gemma. Карточка содержит неоднозначность в конфигурации слияния: в списке компонентов дважды указан один и тот же репозиторий, хотя в описании и метаданных перечислены две разные базовые модели.

Smoothie-Qwen3-32B — производная модель на базе Qwen/Qwen3-32B, опубликованная dnotitia. В карточке описан подход к сглаживанию вероятностей токенов в Qwen и подобных моделях: он предназначен для более сбалансированной многоязычной генерации. Репозиторий содержит плотную архитектуру Qwen3 с 29,7 млрд параметров в формате safetensors; заявленная длина контекста — 40 960 токенов. Настройки описанного метода включают коэффициент сглаживания 10, размер окна 4 и веса n-грамм [0,5; 0,3; 0,2]. README перечисляет диапазоны Unicode для обработки, преимущественно связанные с иероглифами CJK. Модель может применяться для диалога и генерации текста; метаданные также указывают интерфейс вызова инструментов. Карточка не приводит результатов оценки качества или подробных инструкций по применению сглаживания. Лицензия — Apache-2.0.

steiner-32b-preview-GGUF — это набор квантизированных GGUF-версий языковой модели steiner-32b-preview, разработанной peakji и подготовленной пользователем bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp и совместимые приложения, включая LM Studio. В README указана поддержка английского и китайского языков, однако сведения о точной архитектуре, размере контекста, мультимодальности и результатах тестирования отсутствуют. Доступны варианты от BF16 и Q8_0 до низкобитных Q2 и Q3, поэтому можно выбирать между качеством ответов, требованиями к памяти и скоростью инференса. Для квантования использовался imatrix в llama.cpp; автор рекомендует варианты Q4_K_M, Q5, Q6 и некоторые IQ-версии, тогда как низкобитные варианты имеют заметно более низкое качество. Модель использует формат диалога с маркерами <|im_start|> и <|im_end|>. Распространяется по лицензии Apache-2.0.

Модель mouseyy/uk_wav2vec2_with_stress_mark — дообученная разработчиком mouseyy модель Wav2Vec2ForCTC для распознавания украинской речи с транскрипцией и обозначением лексического ударения. Она принимает аудио и выдаёт текст; обучалась на Common Voice 17.0. В README приведены результаты на оценочной выборке: WER 0,2984 и CER 0,1512. Модель содержит около 402,7 млн параметров и распространяется в формате Safetensors. Лицензия — Apache-2.0. Она предназначена для автоматической транскрипции украинской речи, включая вывод ударений; качество может различаться на других типах аудио и данных, поскольку сведения об обучении и ограничениях в карточке не раскрыты.

featherless-ai-quants/v2ray-Llama-3-70B-GGUF — набор GGUF-квантизаций модели v2ray/Llama-3-70B, подготовленный featherless-ai-quants. Модель предназначена для генерации текста и может применяться в сценариях локального или серверного запуска языковой модели, включая диалоговые приложения, создание и преобразование текста, а также другие задачи text-generation. В репозитории доступны варианты IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0. Размеры указанных наборов составляют примерно от 25 до 72 ГБ. GGUF обеспечивает выбор компромисса между требованиями к памяти, скоростью работы и сохранением качества, однако конкретные характеристики зависят от выбранного варианта. README не указывает архитектурные детали, размер контекста, поддерживаемые языки и модальности; из названия и pipeline_tag следует, что это текстовая модель. Сильная сторона набора — наличие множества уровней квантизации для разного оборудования и требований к качеству. Ограничения включают значительные требования к памяти даже для наиболее компактных вариантов, а также отсутствие в README данных о сравнительных результатах, качестве, тонкой настройке и рекомендуемых параметрах запуска. Лицензия в предоставленных материалах не указана.

Viking 33B — базовая авторегрессионная языковая модель LumiOpen, созданная совместно группой TurkuNLP Университета Турку, SiloGen и High Performance Language Technologies. Это плотный decoder-only трансформер семейства LLaMA с 32,2 млрд параметров, rotary positional embeddings и FlashAttention; в карточке указан контекст 4096 токенов. Модель опубликована в формате Safetensors под лицензией Apache 2.0. Модель предварительно обучена на многоязычном корпусе, включающем финский, английский, шведский, датский, норвежский, исландский языки и код. Она предназначена для генерации текста, базового перевода между этими языками, а также понимания и генерации кода. Viking — базовая модель, поэтому для большинства прикладных сценариев ей требуется дополнительная настройка. Это частично обученный чекпойнт: указан прогресс обучения на 1,3 трлн токенов из запланированных 2 трлн, а карточка приводит доступные промежуточные этапы. Полные результаты оценки не опубликованы. Модель может выдавать неточные, предвзятые или спорные ответы; авторы указывают на отсутствие значимой компетенции в языках за пределами перечисленных.

Viviana_V2 — языковая модель, созданная автором domie путём слияния моделей mymaia/Magiq-M0 и galatolo/cerbero-7b с помощью mergekit и метода slerp. Это плотная авторегрессионная архитектура Mistral объёмом 7,1 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие. Модель принимает текст и выдаёт текст; заявлены английский и итальянский языки, а длина контекста составляет 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка описывает состав и параметры слияния, но не приводит оценок качества или подробных рекомендаций по сценариям использования.

W2V2-BERT-Malayalam — модель распознавания речи на малаяламском языке, разработанная автором репозитория vrclc путём дообучения facebook/w2v-bert-2.0. Это плотная архитектура Wav2Vec2-BERT с примерно 402,7 млн параметров, настроенная для automatic speech recognition на наборах IMaSC, MSC, OpenSLR Malayalam Train split, Festvox Malayalam и Common Voice 16.1. Модель принимает аудио и выдаёт текстовую транскрипцию; в карточке указаны значение WER 0,1299 и loss 0,1722 на оценочной выборке. Модель подходит для транскрибирования записей и аудиоматериалов на малаяламском языке. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Оценка качества относится к указанной в карточке оценочной выборке; других условий тестирования README не приводит.

keystats/w2v-bert-2.0-shona-main-best — модель автоматического распознавания речи на языке шона, разработанная Keystats на основе facebook/w2v-bert-2.0. Многоязычный речевой энкодер Wav2Vec2-BERT дообучен с символьной CTC-головой; модель содержит 402,8 млн параметров и сохраняет регистр букв и пунктуацию из обучающих транскрипций. Модель предназначена для преобразования аудио на шона в текст с регистром и пунктуацией. Она обучена на объединённом корпусе из пяти источников, включая WAXAL, и может использоваться самостоятельно с жадным декодированием или совместно с рекомендованной KenLM языковой моделью keystats/waxal-kenlm-models-best для повышения точности. Для совместного декодирования нужно использовать соответствующую варианту модели языковую модель. CTC-модель рассчитана на однонаправленную речь одного говорящего и не обрабатывает перекрывающуюся речь нескольких говорящих. Акустические условия, качество записей и диалектное покрытие отражают состав обучающих данных. Лицензия — Apache-2.0.

w2vbert-lingala-sd3 — модель автоматического распознавания речи, разработанная как дообученная версия sulaimank/w2vbert-lingala-waxal-punct-v2. Она построена на архитектуре Wav2Vec2-BERT с CTC-выходом, содержит 402,8 млн параметров и принимает аудио, выдавая распознанный текст. По названию и базовой модели предназначена для распознавания речи на языке лингала; README приводит метрики оценки, включая WER 0,1038 с сохранением пунктуации и 0,0530 после её удаления. Модель подходит для транскрибации аудиозаписей на лингала. Данных о контекстном окне, составе обучающего набора, лицензии и конкретных ограничениях в предоставленных источниках нет.

Модель infinitejoy/wav2vec2-large-xls-r-300m-marathi-cv8 — версия wav2vec2-XLS-R-300M, дообученная разработчиком на наборе Mozilla Common Voice 8.0 для распознавания речи на маратхи. Она принимает аудио и преобразует речь в текст; архитектура реализована как Wav2Vec2ForCTC. В репозитории указано 402,7 млн параметров. Модель предназначена для автоматической транскрибации аудиозаписей на маратхи, например записей речи и голосовых сообщений. На оценочном наборе Common Voice 8.0 для маратхи указаны loss 0,6483 и WER 0,6049; последнее значение указывает на заметное число ошибок распознавания. Распространяется по лицензии Apache-2.0.

Wav2Vec2-Large-XLSR-53-Georgian — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на грузинском языке с использованием Common Voice. Она принимает аудио и преобразует речь в текст; входные записи должны иметь частоту дискретизации 16 кГц. Модель основана на архитектуре Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель подходит для транскрибации грузинской речи и оценки распознавания на тестовых данных Common Voice. В README указана оценка WER 43,86% на грузинском тестовом наборе Common Voice. Репозиторий содержит веса PyTorch и Flax. Лицензия — Apache-2.0.

aismlv/wav2vec2-large-xlsr-kazakh — модель распознавания казахской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на обучающей части Kazakh Speech Corpus v1.1. Она построена на архитектуре Wav2Vec2 с CTC-выходом и содержит 402,7 млн параметров. Модель предназначена для преобразования аудиозаписей на казахском языке в текст. Для работы входную речь следует подавать с частотой дискретизации 16 кГц; распознавание возможно без отдельной языковой модели. В README указан результат оценки 19,65% на тестовом наборе Kazakh Speech Corpus v1.1, но метрика не уточнена. Модель распространяется по лицензии Apache-2.0. Она специализирована на казахской речи; качество на других языках и аудио с иными характеристиками в предоставленных материалах не описано.

AndrewMcDowell/wav2vec2-xls-r-1b-arabic — модель распознавания арабской речи, дообученная на базе facebook/wav2vec2-xls-r-1b на арабской части набора Mozilla Common Voice 8.0. Это плотная архитектура wav2vec2 с головой CTC, содержащая 1,3 млрд параметров и распространяемая в формате PyTorch. Модель принимает аудио и предназначена для преобразования арабской речи в текст. В карточке указаны результаты оценки на тестовой выборке: loss 1,1373 и WER 0,8607; высокий WER указывает на существенные ошибки распознавания. Лицензия — Apache-2.0.

shivam/wav2vec2-xls-r-300m-hindi — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на наборе Mozilla Foundation Common Voice 7.0 для хинди. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, преобразуя его в текст на хинди. В карточке указаны результаты на тестовой выборке: loss 1,4031 и WER 0,6827; высокий WER указывает на заметную долю ошибок распознавания. Модель подходит для транскрибирования записей речи на хинди, в том числе материалов, похожих на записи Common Voice. Она распространяется в формате PyTorch по лицензии Apache-2.0.

Whispeer — дообученная модель семейства Whisper от автора HariprasathSB, основанная на vasista22/whisper-tamil-medium. Она предназначена для автоматического распознавания речи: принимает аудио и преобразует его в текст. Модель содержит около 455,8 млн параметров и опубликована в формате safetensors. Модель ориентирована на распознавание тамильской речи. Базовая карточка указывает Apache License 2.0. В README не приведены сведения о датасете обучения и результатах оценки, поэтому качество на конкретных записях и сценариях по имеющимся данным оценить нельзя.

Модель speech-transformer/whisper-large-processed_dataset-20250627-100p — дообученная версия Whisper large-v3 от OpenAI для автоматического распознавания речи и преобразования аудио в текст. Она содержит около 905,2 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors для библиотеки Transformers. На оценочном наборе указаны Loss 0,1988 и WER 9,8178; состав этого набора и условия оценки не описаны. Модель принимает аудио и выдаёт текст. README не сообщает, на каких данных и языках проводилось дообучение, поэтому нельзя определить её специализацию или качество на конкретных языках и типах записей. Базовая модель Whisper large-v3 мультиязычная, однако переносить все её языковые возможности на эту дообученную версию без данных о тренировке нельзя. Лицензия — Apache-2.0.

Это дообученная модель OpenAI Whisper medium, опубликованная пользователем dianavdavidson. Она предназначена для автоматического распознавания речи: принимает аудио и генерирует текстовую расшифровку. Модель содержит около 455,8 млн параметров, использует архитектуру WhisperForConditionalGeneration и доступна в формате safetensors для библиотеки Transformers. Название репозитория указывает на дообучение для хинди на данных Vaani, однако README не раскрывает состав обучающей выборки и сообщает, что набор данных не определён. На оценочном наборе указаны Loss 0,3625 и Global WER 28,6064; условия оценки и сопоставимость результата с другими моделями не описаны. Лицензия — Apache-2.0.

Модель dianavdavidson/whisper-medium_mucs_62901_ratio_alldata_lr_1e-4_lgid_hi_hinglish_mixed_scripts_FT — дообученная версия Whisper-medium от OpenAI с архитектурой WhisperForConditionalGeneration и 455,8 млн параметров. Она принимает аудио и предназначена для автоматического распознавания речи с выводом текстовой расшифровки. Название модели указывает на настройку для хинглишской речи и смешанного письма, однако README не раскрывает обучающие данные и не описывает конкретные сценарии применения. На оценочном наборе указаны Loss 0,4527 и Global WER 29,0941; результаты относятся только к этому набору. Модель распространяется под лицензией Apache-2.0.

HHoofs разработал whisper-nl-noise — модель распознавания речи, дообученную на базе OpenAI Whisper medium. Она содержит 455,8 млн параметров и предназначена для транскрибации нидерландской речи в аудио с фоновым шумом. Для обучения использовался нидерландский раздел Mozilla Common Voice 11.0, дополненный шумами из записей Pixabay и фрагментов музыкальных треков. Модель рассчитана на шумные записи и может хуже работать на чистом аудио. Устойчивость к шуму зависит от его типа и контекста: модель не гарантирует одинакового качества при любых автомобильных и других фоновых шумах. Доступна по лицензии Apache-2.0.