I.6Перевод и языковая адаптация

Это GGUF-квантизация модели Dumpling-Qwen2.5-72B, разработанной nbeerbower и подготовленной quantized_by bartowski с использованием imatrix и llama.cpp. Модель предназначена для генерации текста и запуска в локальных приложениях, совместимых с llama.cpp, включая LM Studio. Указанный формат prompt использует шаблон ChatML с ролями system, user и assistant. Модель основана на Qwen2.5-72B и имеет размер 72B параметров; README не сообщает точные языки, длину контекста, модальности или архитектурные детали базовой модели. Доступно множество вариантов квантизации GGUF: от Q8_0 размером 77,26 ГБ до более компактных Q2- и Q3-вариантов. Q6_K, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS отмечены как рекомендуемые; более сильная квантизация уменьшает требования к памяти, но может снижать качество. Сильными сторонами являются большое количество параметров, выбор вариантов квантизации и поддержка локального запуска на CPU или совместимом ускорителе через llama.cpp. Ограничения включают значительные требования к оперативной памяти даже для компактных вариантов и потенциальную потерю качества у низкобитных квантов. Модель распространяется под лицензией Apache-2.0.

Nemotron-4-Mini-Hindi-4B-Instruct — языковая модель NVIDIA для генерации ответов на вопросы с учётом индийского контекста. Она принимает запросы на хинди, английском и Hinglish и подходит для диалоговых сценариев, включая ответы на вопросы и интерфейсы с вызовом инструментов. Модель представляет собой авторегрессионный декодер Transformer семейства Nemotron с плотной архитектурой и 4,3 млрд параметров. Она дообучена и выровнена на основе nvidia/Nemotron-4-Mini-Hindi-4B-Base с использованием реальных и синтетических данных для выравнивания. Контекст составляет 4096 токенов; архитектура использует Grouped-Query Attention и RoPE. Для лучшего качества рекомендуется формат промпта из карточки модели. NVIDIA сообщает о готовности модели к коммерческому использованию; лицензия в метаданных обозначена как other, поэтому условия следует сверить с лицензией и условиями NVIDIA. Модель может выдавать неточные, неполные или нерелевантные ответы, а также воспроизводить токсичность и социальные предубеждения из обучающих данных.

NigerianAccentedEnglish — модель автоматического распознавания речи, разработанная Awarri Technologies при поддержке инициативы Федерального министерства коммуникаций, инноваций и цифровой экономики Нигерии. Это дообученная версия Whisper Small с архитектурой Transformer и примерно 244 млн параметров; она принимает аудио и преобразует речь на нигерийском варианте английского в текст. В README указано, что рекомендуемая частота аудио — 16 кГц, а максимальная длительность контекста при одном запуске — 30 секунд. Модель предназначена для транскрибирования нигерийской английской речи в службах поддержки, образовательных и доступных приложениях, медиа, гражданских сервисах и лингвистических исследованиях. Она нацелена на региональные особенности английского в Нигерии, но точность может различаться между акцентами и снижаться при детской речи, переключении на местные языки, шуме и плохом качестве аудио; для специализированных областей может понадобиться дополнительная настройка. README описывает исследовательскую лицензию с ограничениями: коммерческое или крупномасштабное корпоративное применение требует отдельного соглашения, а также запрещены, среди прочего, слежка, дискриминационное профилирование, военное применение и мошенничество.

OpenBA-V1-Based — языковая модель семейства OpenBA, разработанная авторами проекта OpenBA. Это плотная модель типа encoder-decoder для генерации текста; репозиторий содержит веса PyTorch. В карточке Hugging Face указано 3,8 млрд параметров, а описание семейства в README сообщает о предварительном обучении OpenBA-LM с нуля на англоязычных, китайских и программных текстах. README также упоминает отдельную версию OpenBA-Flan, дообученную на наборе BiFlan, но не связывает её с этим репозиторием. Модель предназначена для генерации текста на китайском и английском языках. Её можно применять для продолжения текста и разработки двуязычных NLP-сценариев; метаданные также содержат тег feature-extraction, однако pipeline_tag и поддерживаемая задача каталога указывают на text-generation. Модель распространяется по лицензии Apache 2.0. Длина контекста и практические ограничения качества для конкретного чекпойнта в доступных сведениях не описаны.

PLaMo 3 12B Self-Merged Base — базовая языковая модель с архитектурой причинного декодера, созданная Preferred Networks путём слияния моделей pfnet/plamo-3-nict-8b-base и масштабирования до 11,9 млрд параметров. Она предназначена для генерации текста и дальнейшей адаптации под прикладные задачи; модель не проходила настройку для диалогов и не обучалась на продолжение предобучения после слияния. Модель принимает текст и генерирует текст на английском и японском языках. Заявленная длина контекста — 4096 токенов. В README отмечены нестабильность отдельных компонентов и планы исправить её в будущей версии. Модель опубликована по лицензии PLaMo Community License; для коммерческого использования необходимо ознакомиться с её условиями и связаться с разработчиком.

Polyglot-Lion-1.7B — модель распознавания речи, разработанная Quy-Anh Dang и Chris Ngo из Knovel Engineering. Она получена дообучением Qwen3-ASR-1.7B на общедоступных речевых корпусах четырёх официальных языков Сингапура: английском, китайском мандаринском, тамильском и малайском. Сбалансированная выборка уравнивает число обучающих высказываний по языкам, а модель учится определять язык по аудио без языковых меток в запросе. Модель предназначена для транскрибации речи, в том числе аудио на сингапурских вариантах этих языков. В версии 1.5 обучение повторено без удаления пунктуации, чтобы улучшить распознавание пауз и границ предложений. В карточке сообщается средняя ошибка 14,85 на приведённых тестах; результаты зависят от языка и набора данных. Для работы используется пакет qwen-asr; упомянуты сценарии пакетной обработки, временных меток, потоковой обработки и развёртывания сервера. Модель содержит 1,7 млрд параметров, использует плотную архитектуру Qwen3-ASR и распространяется в формате safetensors. Лицензия — MIT. Она специализирована на четырёх указанных языках и может уступать моделям, обученным на более широком наборе языков или иных речевых доменах; приведённые метрики не гарантируют качество на произвольных записях.

loom-ai-org выпустила экспорт модели kredor/punctuate-all в формате GGUF для запуска через loom.cpp и библиотеку loom-py-rt. Это XLM-RoBERTa-base, дообученная на Europarl для восстановления знаков препинания: модель присваивает класс каждому токену, указывая знак после него. Поддерживаются английский, немецкий, французский, испанский, болгарский, итальянский, польский, нидерландский, чешский, португальский, словацкий и словенский языки. Модель рассчитана на восстановление точки, запятой, вопросительного знака, дефиса, двоеточия или отсутствия знака в тексте с заранее удалённой пунктуацией. Она принимает последовательности по одной, без пакетирования; длина ограничена 512 токенами. Метрики исходной карточки указывают на слабое качество для дефиса и двоеточия, а обучение на формальных парламентских текстах ограничивает перенос на чат, код и разговорную речь. Выходные метки относятся к частям токенизатора, поэтому знак следует брать с последней части слова. Лицензия — MIT.

Roman0/Qwen3-0.6B-heretic — плотная причинная языковая модель семейства Qwen3, созданная на основе Qwen/Qwen3-0.6B-Base. Модель содержит около 508 млн параметров, принимает текст и генерирует текст; заявленная длина контекста в метаданных — 40 960 токенов. Для работы с весами в формате safetensors используется библиотека Transformers. Модель изменена методом abliteration, чтобы реже отказывать в ответах: в приведённом README сравнении число отказов составило 3 из 100 против 57 из 100 у исходной модели, при указанном KL divergence 0,0024. Она предназначена для диалога и генерации текста, включая ответы на инструкции, рассуждения, творческое письмо и переводы — эти возможности описаны для семейства Qwen3, а не отдельно подтверждены тестами этой версии. Заявлена поддержка более 100 языков и диалектов; основными языками конкретной модели карточка не выделяет. В README есть несогласованность характеристик контекста: для семейства указаны 32 768 токенов, тогда как метаданные этой модели сообщают 40 960. Небольшой размер может ограничивать качество сложных задач по сравнению с более крупными моделями. Abliteration уменьшает частоту отказов, но приведённое сравнение не описывает весь спектр качества и поведения модели. Лицензия — Apache-2.0.

Qwen3.5-0.8B Pure Text ZH-EN — текстовая производная Qwen3.5 от разработчика wejyy888 для генерации текста и диалогов на китайском и английском языках. Модель преобразована из Qwen3.5-0.8B: удалены модуль зрения, веса MTP и специальные токены для визуальных, аудио- и речевых задач, а словарь сокращён с 248 320 до 182 684 токенов. Дополнительного обучения не проводилось; сохранённые веса исходной модели оставлены без изменений. В README указано 685,3 млн параметров, формат BF16 safetensors и контекст 262 144 токена по метаданным. Модель принимает только текст и предназначена для текстовой генерации, включая диалоговое применение. В README приведена оценка на классификации поисковых запросов китайской электронной коммерции, однако отдельный pipeline классификации для модели не заявлен. Токенизация китайского и английского языков сохранена после переназначения ID; другим языкам доступен байтовый fallback, но они обычно требуют больше токенов. Для ранее токенизированных наборов данных нужно выполнить переназначение ID с помощью old2new.json. README рекомендует короткое дополнительное предобучение или SFT перед производственным применением. Лицензия — Apache-2.0.

Qwen3.8-Flash-Next-4bit-paged — это 4-битная квантованная vision-language модель для задач image-text-to-text, основанная на Qwen/Qwen3.8-Flash-Next. Сборку разработала GreenBitAI на базе MLX-версии от Vontra; модель использует архитектуру mixture-of-experts и предназначена прежде всего для запуска на компьютерах Apple Silicon через совместимый стек gbx_lm. Главная особенность сборки — экспертная постраничная загрузка: резидентные веса, маршрутизируемые эксперты и n-gram-таблица хранятся в отдельных контейнерах и подгружаются по мере необходимости. Общий объём файлов составляет около 105,46 ГиБ, включая 70,31 ГиБ экспертов и 29,80 ГиБ n-gram-таблицы. При достаточном объёме памяти модель работает штатным способом, а при нехватке памяти может читать данные с диска. В комплект также входит отключённая по умолчанию multi-token prediction head для speculative decoding; на Mac Studio с M3 Ultra она показала ускорение до 2,44 раза. Сборка сохраняет исходные квантование, токенизатор, chat template и лицензию базовой модели. Проверки заявляют совпадение logits с исходной сборкой на большинстве тестов и идентичные жадные токены в более длинном тесте. Ограничениями являются очень большой размер файлов, зависимость от MLX и Apple Silicon, необходимость специального загрузчика gbx_lm, а также отсутствие в README точных сведений о числе параметров, поддерживаемых языках и максимальном контексте. Лицензия указана как qwen-community-1.0.

apetersson/Qwen3.8-Flash-Next-GGUF — это квантизированная GGUF-сборка модели Qwen3.8-Flash-Next, разработанной командой Qwen и подготовленной пользователем apetersson для запуска через llama.cpp. Модель предназначена для генерации текста и мультимодальных сценариев с обработкой изображений и, согласно тегам, видео. В комплект входят варианты квантизации Q5_K_M и UD-IQ4_XS, общий vision-проектор и MTP-компонент для ускорения генерации. Сборка использует общую BF16-таблицу n-gram, размещаемую отдельно от основных весов, и требует специального расширения среды выполнения llama.cpp; стандартная версия llama.cpp и автоматическая загрузка через -hf не поддерживаются. Размер основных файлов составляет около 76,24 GiB для Q5_K_M и 60,42 GiB для UD-IQ4_XS, а суммарный объём активных артефактов с общими компонентами — около 235,47 GiB. На RTX PRO 6000 Blackwell подтверждена работа с контекстом 262 144 токена для Q5 и IQ4, а для IQ4 проверена загрузка контекста до 1 048 576 токенов с Q8-кэшем KV; фактическая проверка генерации на миллионе токенов не проводилась. Сильными сторонами являются мультимодальность, поддержка очень длинного контекста, наличие MTP и возможность запуска на системах с 96–128 GB памяти при соответствующей конфигурации. Ограничения включают высокие требования к видеопамяти и оперативной памяти, необходимость сохранять структуру каталогов и использовать патченный runtime, а также ограниченную проверку экстремально длинного контекста. Модель распространяется по лицензии qwen-community-1.0; точные условия следует уточнять в файле LICENSE.

Qwen3.8-Flash-Next-Uncensored-MLX-Serve-mixed-4-8bit — это проверенная копия весов Qwen3.8-Flash-Next-Uncensored, созданная на основе модели Qwen/Qwen3.8-Flash-Next. Репозиторий поддерживается yomie4343 и содержит локальные изменения и проверки для специализированного движка mlx-serve; модель не переобучалась и не является новой схемой квантизации. Исходные веса происходят от orcarouter, а сам пакет байт-в-байт совпадает с существующим пакетом ARC4NUM. Модель предназначена для локального инференса на устройствах Apple Silicon через пропатченный mlx-serve. Она ориентирована на генерацию текста, а исходные vision-веса сохранены, поэтому заявлена мультимодальная поддержка, однако пакет нельзя считать универсальным checkpoint для Transformers, mlx-lm или mlx-vlm. Архитектура использует маршрутизируемые MoE-эксперты, MTP-компонент и N-gram-таблицу. Вариант применяет смешанную точность: MoE-эксперты, токеновые embeddings и MTP head квантизованы в 4-bit, остальные подходящие проекции — в 8-bit; используется group size 64, а для N-gram-таблицы — 32. Размер пакета составляет около 107 ГБ, требуется отдельный файл ngram_table.bin и быстрый SSD. Основное преимущество — ориентированный на качество компромисс между размером и точностью при локальном запуске, а также наличие подготовленного runtime-патча и проверок на Mac Studio M3 Ultra с 96 ГБ unified memory. Ограничения включают высокие требования к памяти и хранилищу, зависимость от конкретной версии пропатченного mlx-serve и отсутствие гарантии одинаковой производительности или качества на другом оборудовании, контексте и рабочих нагрузках. В README приведена консервативная конфигурация с контекстом 32768 токенов, но это параметр запуска, а не обязательно максимальный контекст модели. Лицензия указана как qwen-community-1.0; подробные условия находятся в файле LICENSE.

TheDrainFlorist/Qwen3.8-Flash-Next-VQ-3.2bpw — это векторно-квантизированная версия Qwen3.8-Flash-Next, подготовленная сообществом TheDrainFlorist с использованием VQLab для устройств Apple Silicon и MLX. Базовая модель разработана командой Qwen. Модель предназначена для генерации текста и обработки изображений в совместимых конфигурациях, включая локальный запуск на машинах с 96 ГБ объединённой памяти и распределённое обслуживание через exo. Архитектура основана на Mixture-of-Experts: заявлены 180B общих параметров, 10 из 512 активных экспертов, а также 51,2B n-gram PLE и vision-компонент. Используется VQ-квантизация с уровнем 3.2 bpw; размер артефакта составляет около 69,4 GiB. В составе поставляется собственный runtime model.py, а модель рассчитана на стек MLX. README указывает английский язык, но сведения о поддерживаемом размере контекста не приведены. Сильными сторонами являются низкое потребление памяти относительно исходной MoE-модели, поддержка текста и изображений, оптимизации ядер для Apple Silicon и возможность speculative decoding через специальную ветку exo. Ограничения связаны с зависимостью от экспериментальной архитектуры qwen4_exp: для текстового запуска требуется версия mlx-lm с ещё не вошедшим в стабильный релиз PR, а для изображений — mlx-vlm не ниже 0.6.16. Stock exo также несовместим без специальной ветки; при включении speculative decoding запросы обрабатываются последовательно. Модель распространяется по лицензии qwen-community-1.0; тип лицензии в README обозначен как other, а полный текст доступен в файле LICENSE.

InferRouter разработала эту модель для офлайн-распознавания чешской речи. Это дообученная и объединённая с базовыми весами версия Qwen3-ASR-1.7B-hf с архитектурой autoregressive AED; размер базовой модели — 1,7 млрд параметров. Модель принимает аудио и выдаёт текст, рассчитана на чешский язык и пакетную транскрибацию записей, включая формальную, парламентскую и юридически близкую речь. В оценках разработчика модель показала сильные результаты на чешской формальной речи ParCzech и VoxPopuli; на FLEURS и Common Voice она близка к Whisper-large-v3, но не превосходит его по приведённым значениям. Подходит для сценариев «записать, затем расшифровать» и пакетной обработки. Это не потоковая модель: для живых субтитров и низкой задержки разработчик рекомендует другую модель. В карточке указана лицензия Apache-2.0.

aufklarer/Qwen3-ForcedAligner-0.6B-8bit — 8-битная версия Qwen3-ForcedAligner-0.6B, подготовленная для инференса через MLX на компьютерах Apple Silicon. Модель принимает аудио и соответствующий текст и за один проход без авторегрессивной генерации определяет временные метки слов. В README также описаны аудиоэнкодер на 24 слоях и текстовый декодер на 28 слоях; декодер квантизирован до 8 бит с размером группы 64. Модель предназначена для синхронизации расшифровки с речью, например для разметки субтитров и подготовки временных меток слов. В метаданных перечислены английский, китайский, японский, корейский, немецкий, французский, испанский, итальянский и русский языки. Модель распространяется по лицензии Apache-2.0. Для работы требуется аудиозапись и текст; точность и ограничения в доступной карточке не описаны.

cnfusion/QwenPhi-4-0.5b-Draft-mlx-fp16 — языковая модель, преобразованная cnfusion в формат MLX из rdsm/QwenPhi-4-0.5b-Draft с помощью mlx-lm 0.22.3. Это производная от QwenPhi-4-0.5b-Draft модель на архитектуре Qwen2 с 447,7 млн параметров, предназначенная для генерации текста в диалоговом формате. Модель поддерживает контекст до 32 768 токенов и языки, перечисленные в карточке: китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. Репозиторий распространяется под лицензией Apache-2.0. Данных о качестве и ограничениях исходной модели в предоставленных материалах нет.

Speechless-llama3.2-v0.1 — компактная языковая модель семейства Llama, разработанная Homebrew Research как часть семейства Ichigo v0.5. Она преобразует аудио в текст и предназначена для распознавания речи на английском и вьетнамском языках. Модель содержит 1,2 млрд параметров, использует архитектуру Llama и имеет контекст 131 072 токена; в репозитории представлены веса Safetensors. В README приведены результаты оценки: WER 3,27 на LibriSpeech ASR для английского и 3,99 на viet_bud500 для вьетнамского. Модель рассчитана на сценарии распознавания речи, в том числе для языков с ограниченными ресурсами. Лицензия Apache 2.0. README описывает её как исследовательскую версию; метаданные также отмечают возможности генерации текста, однако основное назначение этой карточки — преобразование аудио в текст.

etonkou/swahili — модель распознавания речи на суахили, разработанная как дообучение facebook/wav2vec2-base. Она использует архитектуру Wav2Vec2ForCTC и содержит 113,3 млн параметров; репозиторий предоставляет веса PyTorch. Модель принимает аудиоречь и выдаёт текстовую транскрипцию. В README приведены результаты оценки: loss 1,0009 и WER 0,6055. README не описывает обучающие данные и сценарии применения, поэтому качество распознавания за пределами указанной оценки неясно. Лицензия — Apache-2.0.

titu_stt_bn_conformer_large — модель распознавания речи на архитектуре Conformer, разработанная Hishab для транскрибации аудио на бенгальском языке. Она обучена примерно на 4,4 тыс. часов открытых нетелефонных аудиоданных и предназначена для распознавания речи, а также может служить отправной точкой для дообучения на пользовательских наборах данных с помощью NeMo. В оценке на тестовых наборах из использованных датасетов модель показала средний WER 7,9%. В метаданных указана связь дообучения с nvidia/stt_en_conformer_ctc_large. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Модель Harveenchadha/vakyansh-wav2vec2-hindi-him-4200 — модель распознавания речи на базе Wav2Vec2ForCTC, разработанная командой Vakyansh при Ekstep. Она дообучена на многоязычной предварительно обученной модели CLSRIL-23 и предназначена для преобразования речи на хинди в текст. Обучение проводилось на 4200 часах размеченных аудиоданных на хинди. Модель содержит около 113,3 млн параметров и принимает аудио с частотой дискретизации 16 кГц. Она выдаёт распознанный текст на хинди; языковая модель для декодирования не используется. В тесте на данных Common Voice для хинди указано значение 33,17%, но README не уточняет метрику, поэтому этот результат следует интерпретировать осторожно. Размеченные обучающие данные не опубликованы. Лицензия модели — MIT.

Vecteus-v1 — языковая модель на архитектуре Mistral, созданная авторами проекта Vecteus. В карточке она описана как дообученная на новом наборе данных версия Mistral-7B-v0.1; метаданные указывают 7,1 млрд параметров и формат safetensors. Для диалогового использования модель не требует специального шаблона инструкций. Модель предназначена для генерации текста и диалогов на японском и английском языках. Авторы заявляют о расширенном контексте до 128 тыс. токенов, сохранении информации при длинной генерации и возможности создавать контент NSFW. Однако метаданные указывают нативное контекстное окно 4096 токенов, поэтому заявленные 128 тыс. токенов следует считать характеристикой из README, а не подтверждённым нативным лимитом. При длинных запросах расход памяти может быть высоким; авторы также предупреждают о возможной предвзятости обучающих данных. В создании использовались объединение моделей, LoRA и расширение контекста; метаданные перечисляют несколько merge-источников, но не дают идентификатора базовой модели Hugging Face. Лицензия — Apache-2.0.

Vigogne 2 13B Instruct — это большая языковая модель для генерации текста и выполнения инструкций, разработанная bofenghuang. Данный репозиторий содержит её квантизированные файлы в формате GGUF, подготовленные TheBloke на основе оригинальной модели Vigogne 2 13B Instruct. Модель предназначена для диалоговых сценариев, ответов на инструкции и других задач генерации текста, преимущественно на французском языке. Она построена на архитектуре Llama и имеет размер 13 млрд параметров. В README не указаны поддерживаемые модальности, размер контекстного окна и полный набор языков. Для работы используется шаблон запросов Alpaca. Формат GGUF поддерживает метаданные и специальные токены и совместим с llama.cpp, а также рядом сторонних графических интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, LM Studio, ctransformers и llama-cpp-python. Квантизация позволяет запускать модель с использованием CPU и GPU, однако конкретные требования к ресурсам зависят от выбранного варианта квантизации. Лицензия указана как Llama 2; дополнительные ограничения или сильные стороны модели в README не описаны.

Voxtral Mini 4B Realtime — преобразованная в формат MLX модель Mistral AI для потокового распознавания речи. Репозиторий содержит вариант с точностью float16, рассчитанный на запуск через библиотеку mlx-audio на устройствах Apple Silicon. Модель принимает аудио и выдаёт текстовую транскрипцию с низкой задержкой. Она поддерживает потоковую обработку, а скользящее оконное внимание в причинном аудиокодировщике и декодере позволяет работать с длинными аудиопотоками. Архитектура включает аудиокодировщик примерно на 0,6 млрд параметров и языковой декодер примерно на 3,4 млрд параметров; общий размер — около 4 млрд параметров. Поддерживаются арабский, немецкий, английский, испанский, французский, хинди, итальянский, нидерландский, португальский, китайский, японский, корейский и русский языки. В README для ряда тестов приводятся показатели WER при разных задержках; рекомендованная настройка задержки транскрипции — 480 мс. Модель подходит для потоковой транскрипции речи и расшифровки длинных записей. Для распознавания рекомендуется жадное декодирование с температурой 0.0. Доступна по лицензии Apache-2.0.,

mlx-community/Voxtral-Mini-4B-Realtime-6bit — конвертированная в формат MLX версия Voxtral-Mini-4B-Realtime-2602 от Mistral AI. Это мультиязычная модель для распознавания и потоковой транскрипции речи, предназначенная для обработки аудио с низкой задержкой. Репозиторий использует safetensors и библиотеку MLX; в названии указана 6-битная точность. Базовая модель связана с этой версией как дообученная. Модель распространяется по лицензии Apache-2.0.

NbAiLab/wav2vec2-large-danish-npsc-nst — модель распознавания речи на основе архитектуры wav2vec2, разработанная как дообучение chcaa/xls-r-300m-danish. Она преобразует аудиоречь в текст и предназначена для автоматической транскрипции. В карточке приведены результаты оценки: WER 0,0669 и loss 0,0587; состав обучающего набора данных не раскрыт. Модель содержит около 402,7 млн параметров, использует Wav2Vec2ForCTC и распространяется в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Доступные сведения указывают на датский вариант модели; другие поддерживаемые языки не подтверждены.

SpideyDLK/wav2vec2-large-xls-r-300m-sinhala-low-LR-part1 — модель автоматического распознавания речи на архитектуре Wav2Vec2ForCTC, опубликованная пользователем SpideyDLK на Hugging Face. По названию репозитория она предназначена для распознавания сингальской речи; карточка модели содержит стандартный пример запуска через Transformers, но не описывает обучение, данные или оценку качества. Модель принимает аудио и выдаёт текстовую транскрипцию. В метаданных указано около 402,7 млн параметров и формат Safetensors. Сведения о лицензии, длине контекста и ограничениях качества в доступных источниках отсутствуют.

imvladikon/wav2vec2-large-xlsr-53-hebrew — модель автоматического распознавания речи на иврите, созданная дообучением facebook/wav2vec2-large-xlsr-53 на нескольких загруженных образцах с YouTube. Она принимает аудио с частотой дискретизации 16 кГц и выдаёт распознанный текст; архитектура — Wav2Vec2ForCTC, число параметров — 402,7 млн. Модель подходит для транскрибирования ивритской речи в текст. Распространяется по лицензии Apache-2.0.

Модель vutankiet2901/wav2vec2-large-xlsr-53-ja — японская система автоматического распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на японской части набора Mozilla Common Voice 8.0. Это плотная модель архитектуры Wav2Vec2ForCTC с 402,8 млн параметров, принимающая аудио и выдающая распознанный текст на японском языке. Модель предназначена для транскрибирования японской речи, в том числе записей, похожих на примеры Common Voice. В README приведены результаты на Common Voice 7.0 и 8.0: для версии 8.0 CER составляет 9,95 без языковой модели и 7,15 с 4-граммовой языковой моделью; WER — 25,10 и 16,09 соответственно. Указана лицензия Apache-2.0. Показатели зависят от данных и настройки декодирования; качество на других источниках речи не описано.

Wav2Vec2-Large-XLSR-53-Telugu — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на телугу. Она принимает речь и преобразует её в текст; для распознавания входной звук должен иметь частоту дискретизации 16 кГц. Обучение проводилось на 70% набора OpenSLR SLR66 для телугу. Модель построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Репозиторий включает веса PyTorch и Flax. В карточке приведён результат тестирования 44,98%, но не уточнена метрика, поэтому его нельзя напрямую интерпретировать как точность распознавания. Модель распространяется по лицензии Apache-2.0.

birgermoell/wav2vec2-speechdat — модель распознавания речи, дообученная на основе facebook/wav2vec2-large-xlsr-53 на наборе COMMON_VOICE для шведского языка (вариант SV-SE). Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров; модель принимает аудио и преобразует его в текст. На оценочной выборке указаны Loss 0,4578 и WER 0,2927. Модель предназначена для автоматической транскрибации речи на шведском языке, в частности аудио, близкого к данным Common Voice SV-SE. Опубликована по лицензии Apache-2.0. Карточка не описывает дополнительных сценариев применения и ограничений; качество на других типах аудио не установлено.