I.6Перевод и языковая адаптация

Finnish-NLP/llama-7b-finnish-instruct-v0.2 — инструктивно дообученная модель семейства Llama, выпущенная командой Finnish-NLP. Это плотная авторегрессионная языковая модель на 6,7 млрд параметров для генерации ответов и выполнения инструкций, прежде всего на финском языке. Контекстное окно составляет 2048 токенов. Версия обучалась три эпохи на 21 946 примерах из LIMA, Dolly, OASST и других наборов; часть англоязычных данных переводилась на финский. Модель подходит для диалога, ответов на вопросы и решения учебных задач на финском. Доступна в формате Safetensors для Transformers. Лицензия — Apache-2.0. Авторы предупреждают, что интернет-данные обучения могут приводить к смещениям и токсичным ответам, несмотря на фильтрацию исходной модели. Результаты FIN-bench приведены с оговоркой: при запуске оценки возникали проблемы, поэтому показатели следует трактовать осторожно.

llm-jp/llm-jp-3-7.2b — большая языковая модель, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это плотная авторегрессионная Transformer-модель семейства Llama с примерно 6,9 млрд параметров, обученная на 2,1 трлн токенов; контекст составляет 4096 токенов. Репозиторий содержит веса в формате Safetensors для Hugging Face Transformers. Модель предназначена для генерации текста на японском и английском языках: её можно применять для продолжения текста, ответов на вопросы, написания черновиков и других задач на естественном языке. В README также приведены результаты оценки вариантов семейства, включая instruct-версию 7.2B, но данный репозиторий обозначен как базовая модель, а не instruct-вариант. Разработчики предупреждают, что модели находятся на раннем этапе исследований и разработок и не настроены для надёжного следования человеческим намерениям или требованиям безопасности. Лицензия — Apache-2.0.

Loes — мультимодальный ассистент HostYourAI для разговоров на нидерландском и английском языках. Это плотная модель семейства Qwen3.5 с 27 млрд параметров, дообученная методом supervised fine-tuning на нидерландских инструкциях на основе orcarouter/Qwen3.8-27B-Uncensored. В репозитории опубликованы объединённые веса в bfloat16 в формате Safetensors; лицензия весов — Apache 2.0. Модель предназначена для диалоговых приложений, исследований и оценки качества ответов на нидерландском и английском языках. Она принимает текст и поддерживает обработку изображений благодаря унаследованной от базовой модели vision-компоненте; видеовозможности также унаследованы. Vision tower не дообучался, а мультимодальные возможности этой версии отдельно не оценивались. Модель может галлюцинировать, воспроизводить предубеждения и следовать вредоносным инструкциям; базовая модель uncensored и не должна считаться надёжной системой отказов. Обучение проводилось на последовательностях длиной до 1 024 токенов, а более длинный контекст не оценивался систематически. Не следует полагаться на ответы как на единственное основание для решений с высокими последствиями.

Meltemi-7B-Instruct-v1 — грекоязычная инструктивная языковая модель, разработанная ILSP как дообученная версия Meltemi-7B-v1. Это плотная авторегрессионная модель семейства Mistral с 7,2 млрд параметров, расширенным греческими токенами словарём токенизатора Mistral-7B и контекстом до 32 768 токенов по метаданным; в README указана длина контекста 8 192 токена. Модель предназначена для диалогов и выполнения инструкций на греческом языке: она отвечает на вопросы, помогает с рассуждениями и поддерживает другие типовые задачи генерации текста. Дообучение выполнялось на 100 тысячах греческих машинно переведённых инструкций и многоходовых примерах, включая набор примеров, призванных направлять ответы к безопасному и безвредному поведению. В оценках авторов дообученная модель улучшила средний результат на шести греческих тестовых наборах относительно Mistral 7B. Модель принимает и генерирует текст, поддерживает греческий и английский языки, распространяется в формате safetensors по лицензии Apache-2.0. Авторы предупреждают, что модель не проходила выравнивание по предпочтениям людей и может выдавать вводящий в заблуждение, вредоносный или токсичный контент.

bartowski/MiMo-V2.5-GGUF — набор GGUF-квантизированных версий модели MiMo-V2.5, разработанной XiaomiMiMo. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и, согласно указанным меткам, ориентирована на мультимодальные сценарии, включая работу с изображениями, аудио и видео, агентские задачи и обработку длинного контекста. Заявлены языки английский и китайский. В репозитории доступны варианты от Q2 до Q8 с размерами примерно от 93 до 329 ГБ. Более качественными считаются версии Q5, Q6 и Q8, тогда как младшие варианты экономят память за счёт снижения качества. Точные сведения об архитектуре, числе параметров, поддерживаемой длине контекста и фактическом наборе мультимодальных входов в README не приведены. Модели предназначены для запуска через llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты; для новых форматов может потребоваться обновление ПО. Распространение указано по лицензии MIT.

Moonshine Streaming Tiny — German — это модель распознавания немецкой речи от команды Moonshine AI. Она использует потоковую архитектуру: аудиофронтенд с частотой 50 Гц и скользящий оконный Transformer-энкодер позволяют выдавать транскрипцию по мере поступления аудио, с задержкой упреждения около 80 мс. Модель предназначена для локального запуска на устройствах с ограниченными ресурсами; в репозитории доступны веса safetensors для Transformers. Метаданные указывают 13,8 млн параметров, а README — 27 млн; размер модели в источниках расходится. Модель обучена для немецкого языка на крупном корпусе подкастов с автоматически созданными псевдоразметками и меньшем наборе вручную транскрибированной читаемой речи. На FLEURS и Multilingual LibriSpeech для немецкого README приводит WER 11,98 и 10,19 соответственно при описанном правиле остановки генерации. Эти оценки относятся к читаемой речи и не показывают качество на спонтанной разговорной речи. Лицензия — MIT.

ArabicNLP/mT5-base_ar — уменьшенная версия многоязычной модели Google mT5-base, созданная Moustafa Banbouk. Это плотная encoder-decoder модель семейства T5 для генерации текста по текстовому запросу. В README указано 244 млн параметров после сокращения SentencePiece-словаря с 250 тыс. до 30 тыс. токенов: оставлены 20 тыс. арабских и 10 тыс. английских токенов. Метаданные Hub указывают 122,1 млн параметров; поэтому размер модели описан в источниках противоречиво. Модель предназначена для арабского и английского языков. Среди возможных сценариев README называет ответы на вопросы, суммаризацию и классификацию; конкретная пригодность зависит от задачи и дообучения. Это не отдельная архитектура, а адаптированная версия mT5 с уменьшенным словарём. Распространяется по лицензии MIT. README описывает модель как unsupervised, но не сообщает результаты оценки качества или конкретные ограничения по применению. Уменьшенный словарь может ограничивать обработку редкой лексики; также README и метаданные расходятся в числе параметров.

BigBubba-Qwen3.6-27B-GGUF — это квантизированная версия модели BigBubba-Qwen3.6-27B, разработанной nbeerbower и подготовленной в формате GGUF пользователем bartowski с использованием llama.cpp. Модель предназначена для генерации текста и мультимодальных сценариев с анализом изображений при наличии отдельного файла mmproj. Заявлена поддержка английского и китайского языков. Модель содержит около 27,4 млрд параметров, поддерживает текстовый и графический ввод, а также MTP. В репозитории доступны варианты от исходных BF16-весов до различных уровней квантизации Q8, Q6, Q5, Q4 и Q3; это позволяет выбирать между качеством, требованиями к памяти и скоростью работы. Для большинства сценариев предлагается вариант Q4_K_M размером около 17,77 ГБ, а варианты Q6_K_L и Q6_K позиционируются как решения с очень высоким качеством. Сильными сторонами являются широкий выбор квантизаций, возможность локального запуска через совместимые инструменты llama.cpp и поддержка изображений. Ограничениями выступают значительный размер модели, необходимость подходящего объёма оперативной или видеопамяти и использование отдельного mmproj-файла для мультимодального режима. Длина контекста и более подробные характеристики архитектуры в README не указаны. Модель распространяется по лицензии Apache-2.0.

Это конвертированная в формат GGUF копия NVIDIA Nemotron 3.5 Lightning 30B A3B BF16, подготовленная ijohn07 с помощью llama.cpp и GGUF-my-repo. Модель предназначена для генерации текста и может запускаться через llama.cpp, в том числе в режиме сервера или командной строки. По метаданным, исходная модель NVIDIA связана с наборами данных Nemotron для предварительного обучения и постобучения и поддерживает английский, испанский, французский, немецкий, итальянский и японский языки. Для характеристик и сценариев исходной модели автор карточки рекомендует обратиться к её оригинальному описанию. В доступных данных указаны формат GGUF BF16 и лицензия «other»; условия лицензии следует сверить с карточкой базовой модели.

jsbeaudry/oswald-large-v3-turbo-m1.1 — дообученная модель распознавания речи на архитектуре Whisper, разработанная jsbeaudry. Она предназначена для преобразования входящего аудио в текст. В карточке указаны 905,2 млн параметров, обучение с использованием Unsloth и библиотеки TRL, а также поддержка английского языка. Модель подходит для транскрибации английской речи. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Сведения о контексте применения и точности распознавания в карточке не приведены.

PiVoT 0.1 Early GGUF — квантизированная версия языковой модели Pivot 0.1 Early, разработанной Jeonghwan Park. Модель основана на архитектуре Mistral и предназначена для генерации текста и диалогового взаимодействия; в метаданных указаны английский и корейский языки. Обучение связано с наборами данных ko_wikidata_QA и OpenOrca-KO, что указывает на ориентацию в том числе на вопросы и ответы на корейском языке. Модель поставляется в формате GGUF для запуска через llama.cpp и совместимые приложения и библиотеки, включая text-generation-webui, LM Studio, KoboldCpp и llama-cpp-python. Доступны варианты квантизации от 2 до 8 бит, что позволяет выбирать между требованиями к ресурсам и сохранением качества, однако конкретные размеры модели, объём контекста и результаты бенчмарков в README не указаны. Поддерживается шаблон запросов ChatML. К преимуществам относятся возможность локального CPU+GPU-инференса, широкий выбор уровней квантизации и совместимость с распространённой экосистемой GGUF. Ограничения включают отсутствие в предоставленных данных подробных характеристик производительности, размера и контекстного окна; качество также может зависеть от выбранного варианта квантизации. Лицензия модели — CC BY-SA 4.0.

PLM-1.8B-Instruct-GGUF — это набор GGUF-файлов с инструкционной языковой моделью PLM-1.8B-Instruct, разработанной PLM-Team и опубликованной в формате, предназначенном для локального запуска. Модель относится к задачам генерации текста и ориентирована на диалоговые сценарии, выполнение инструкций и другие приложения, где требуется компактная языковая модель. Заявлена поддержка английского и китайского языков. Размер базовой модели составляет 1,8 млрд параметров; архитектура в README не уточняется. Доступны варианты с весами в BF16 и F16, а также квантованные версии Q8_0, Q4_K и Q4_K_S. Форматы различаются требованиями к памяти, скоростью и сохранением точности: BF16 и F16 подходят для совместимого оборудования, а квантованные варианты — для CPU и устройств с ограниченным объёмом памяти или видеопамяти. Для модели не указаны длина контекста, поддерживаемые модальности помимо текста, результаты тестов и подробные ограничения качества. Лицензия — Apache-2.0.

Qwen3-ASR-1.7B-NL — модель распознавания речи на нидерландском языке, разработанная Yuriy VNV и дообученная на базе Qwen/Qwen3-ASR-1.7B. Она принимает аудио и выдаёт текст с регистром и пунктуацией; для загрузки используется пакет qwen-asr. Модель предназначена для транскрибации нидерландской речи, особенно записей, похожих на чтение вслух. По данным карточки, на тестовой части Common Voice 22 модель достигла WER 5,28% против 6,68% у базовой модели при одинаковой оценке и жадном декодировании. Обучение включало синтетические нидерландские аудиозаписи и данные Common Voice. Модель распространяется по лицензии Apache-2.0. Точность может снижаться на разговорной речи, записях с несколькими говорящими, дальней дистанции и выраженными акцентами. Межъязыковое распознавание и переключение языков не являются целевыми сценариями; регистр и пунктуация предсказываются приблизительно.

lgris/sew-tiny-portuguese-cv7 — модель распознавания речи, дообученная разработчиком lgris на базе lgris/sew-tiny-pt на датасете Common Voice 7.0. Она принимает аудио и преобразует речь в текст на португальском языке. Архитектура SEWForCTC, число параметров — 50,4 млн; веса представлены в формате PyTorch. На тестовом наборе указаны значение WER 0,2745 и loss 0,4232. Модель подходит для транскрибации португальской речи, в том числе для экспериментов с распознаванием речи на записях из Common Voice. Лицензия — Apache-2.0.

Spark-X2.5-1.7B-GGUF — набор квантованных моделей в формате GGUF на основе XHToken/Spark-X2.5-1.7B. Исходную модель и архитектуру разработала XHToken, а преобразование весов в GGUF выполнила Pink Pixel. Модель предназначена для генерации текста и локального запуска через llama.cpp, Ollama, LM Studio и совместимые приложения. Модель содержит около 1,71 млрд параметров и использует архитектуру Spark 2.5 с гибридным вниманием: сочетанием скользящего окна и слоёв полного внимания. Заявлена поддержка контекста до 1 048 576 токенов, словарь содержит 131 072 токена. Поддерживаются английский и китайский языки. Доступны варианты от BF16 до квантований Q2_K, включая Q4_K_M, Q5_K_M, Q6_K и Q8_0, что позволяет выбирать между качеством, размером и требованиями к памяти. Сильные стороны модели — компактный размер, возможность локального использования и очень длинный контекст. Более качественные варианты лучше сохраняют исходные характеристики, тогда как Q4_K_M и более компактные версии подходят для устройств с ограниченными ресурсами, но могут заметно уступать по качеству, особенно при сильном сжатии. Для запуска требуется llama.cpp или совместимый клиент с поддержкой архитектуры Spark2_5ForCausalLM; совместимость со стандартными сборками без Spark 2.5 не гарантируется. Модель распространяется по лицензии Apache 2.0.

Spark-X2.5-4B-Abliterated-Uncensored-MLX-oQ4e-fp16 — это не новая модель, а MLX-конверсия и oQ4e-квантизация модели Mondk/Spark-X2.5-4B-Abliterated-Uncensored, выполненная разработчиком xunlinkx с использованием пайплайна omlx. В основе лежит XHToken/Spark-X2.5-4B. Модель предназначена для локального и приватного запуска генерации текста на компьютерах Mac с Apple Silicon через omlx или mlx-lm, включая использование OpenAI-совместимого сервера. Модель относится к типу spark2_5 и представляет собой декодер для генерации текста с числом параметров около 4 миллиардов. Поддерживает многоязычные сценарии, включая английский и китайский языки. Квантизация использует смешанную 4-битную схему oQ4e с калибровкой enhanced streaming: наиболее чувствительные компоненты внимания и MLP хранятся с повышенной точностью до 6–8 бит, а среднее значение составляет около 5,179 бит на параметр. Это позволяет разместить модель примерно в 2,5 ГБ памяти при сохранении приемлемого качества и скорости декодирования. Сильными сторонами являются локальная работа без передачи данных внешнему сервису, поддержка Apple Silicon, умеренные требования к памяти и сохранение качества благодаря смешанной квантизации. Ограничение — необходимость версии mlx-lm или omlx с поддержкой model_type spark2_5; в стабильных выпусках эта поддержка может отсутствовать, поэтому загрузка без соответствующих исправлений завершается ошибкой. Длина контекста в карточке не указана. Базовая серия Spark-X2.5 распространяется по Apache 2.0, однако для производной адаптации и исходного checkpoint Mondk необходимо дополнительно учитывать условия лицензии репозитория Mondk.

Strawberry-1.1 — дообученная компанией artindnr языковая модель для рассуждений на фарси и английском. Это причинная decoder-only модель семейства gpt_oss с архитектурой mixture-of-experts; она основана на artindnr/strawberry-1, которая, в свою очередь, дообучена на openai/gpt-oss-20b. В репозитории указаны 1,6 млрд параметров, контекст до 131 072 токенов и формат safetensors. Модель предназначена для многоязычных задач рассуждения, в том числе для работы с запросами, где одновременно используются фарси и английский. Она сохраняет управление языком рассуждений и следование инструкциям базовой модели, а для диалогов использует шаблон Harmony. Лицензия — Apache 2.0. Качество рассуждений на фарси может снижаться на технических темах, где иногда появляются английские слова или фразы. Возможны фактические ошибки и галлюцинации; отдельного обучения безопасности сверх унаследованного от базовых моделей не проводилось.

Это потоковая модель распознавания речи NVIDIA на базе FastConformer-Hybrid, обученная для грузинского языка. Она предназначена для преобразования речи в текст в приложениях с низкой задержкой и поддерживает потоковую обработку с упреждением 80 мс; обучение с несколькими значениями упреждения позволяет настраивать задержку. Модель содержит совместные декодеры Transducer и CTC и насчитывает около 115 млн параметров. Модель обучена с использованием NVIDIA NeMo на примерно 163 часах грузинской речи из Mozilla Common Voice 17.0 и Google Fleurs. При жадном декодировании Transducer указаны WER 7,44% на тестовой части Common Voice и 16% на Fleurs. На вход подаётся монофонический звук WAV с частотой 16 кГц, на выходе — текстовая расшифровка. Для запуска требуется NVIDIA NeMo; лицензия — CC BY 4.0. Качество может снижаться на технической лексике, непривычной разговорной речи и акцентированной речи. В README также указано, что модель пока не поддерживается NVIDIA Riva.

Tess-R1-Limerick-Llama-3.1-70B-GGUF — набор GGUF-квантизаций базовой модели Tess-R1-Limerick-Llama-3.1-70B, разработанной neurolattice и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp и совместимые приложения, включая LM Studio. В README не указаны специализированные сценарии применения или перечень поддерживаемых языков и модальностей, поэтому её следует рассматривать как универсальную текстовую LLM. Основа модели — Llama 3.1 с заявленным размером 70B параметров. Доступны варианты квантизации от Q8_0 до Q3 и IQ3/IQ4, с размером файлов примерно от 29,31 до 74,98 ГБ. Квантизации выполнены с использованием imatrix на базе llama.cpp release b4014; некоторые варианты оптимизированы для ARM. Более высокие уровни квантизации обеспечивают лучшее сохранение качества, тогда как младшие требуют меньше оперативной памяти, но могут заметно снижать качество. Размер контекста в README не указан. Лицензия обозначена как llama3.1. Для запуска потребуется значительный объём памяти, зависящий от выбранной квантизации. Рекомендуемыми названы варианты Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS; вариант Q4_0_4_4 предназначен для ARM и не рекомендуется для Mac или Windows.

Это независимая экспериментальная сборка потоковой модели распознавания речи VibeVoice-ASR-Streaming-7B, подготовленная schift-io на основе чекпойнта Microsoft. В ней декодер Qwen2 и выходной слой смешанно квантованы в GGUF примерно до 6 ГБ; акустический и семантический токенизаторы и соединительные слои сохранены в bf16. Полная сборка занимает около 8,4 ГБ и включает компоненты для запуска без отдельной загрузки исходных весов. Модель предназначена для потоковой транскрипции аудио с разметкой говорящих, в том числе в многоязычных разговорных сценариях. В README приведена проверка на 20 фрагментах корейских дискуссий: качество транскрипции и совместная метрика транскрипции с диаризацией оказались близки к исходному bf16-чекпойнту. Испытание небольшое, поэтому результаты не гарантируют качество на других данных. Для диаризации унаследовано ограничение исходной модели: в половине проверенных фрагментов она неверно определяла число говорящих, что заметно ухудшало результат. Сборка является независимым экспериментом и официально Microsoft не поддерживается. Лицензия — MIT.

Amrrs/wav2vec2-large-xlsr-53-tamil — модель распознавания речи на тамильском языке, разработанная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice. Она принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. В README приведён тестовый результат 82,94%, но не уточнена метрика, поэтому это значение нельзя напрямую трактовать как точность распознавания. Модель подходит для транскрибации записей и голосового ввода на тамильском языке. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0.

Модель not-tanh/wav2vec2-large-xlsr-53-vietnamese — модель распознавания речи на базе Wav2Vec2-Large-XLSR-53, дообученная разработчиком на вьетнамском языке. Для обучения использовались Common Voice, VIVOS и FOSD; архитектура — Wav2Vec2ForCTC, размер — 402,8 млн параметров. Модель преобразует речь на вьетнамском языке в текст и предназначена для сценариев автоматического распознавания речи. Входное аудио следует подавать с частотой дискретизации 16 кГц. В README приведён результат оценки 39,57% на тестовых данных Common Voice, однако метрика не уточнена. Модель распространяется по лицензии Apache 2.0. Карточка не описывает применение языковой модели при декодировании; приведённый результат оценки не позволяет однозначно судить о качестве в других условиях.

theainerd разработал эту модель, дообучив facebook/wav2vec2-large-xlsr-53 для автоматического распознавания речи на хинди. Это модель семейства wav2vec 2.0 с архитектурой Wav2Vec2ForCTC и примерно 402,7 млн параметров; она принимает аудио и выдаёт распознанный текст. Для входной речи требуется частота дискретизации 16 кГц. Модель предназначена для распознавания хинди, в том числе в условиях низких ресурсов и переключения между языками; в README приведён результат оценки 72,62% на тестовых данных Common Voice для хинди, но метрика не уточнена. Базовая модель предварительно обучена на речи 53 языков, однако это дообучение ориентировано на хинди. Репозиторий содержит веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Модель lgris/wav2vec2-large-xlsr-open-brazilian-portuguese — дообученная версия Wav2Vec 2.0 Large XLSR для распознавания речи на бразильском варианте португальского языка. Она преобразует аудиозаписи в текст и предназначена для транскрибации речи, включая записи, похожие на обучающие данные: чтение предложений и аудиокниг, а также добровольческие записи. Модель содержит 402,7 млн параметров и использует архитектуру Wav2Vec2ForCTC. Для обучения объединили данные CETUC, Multilingual LibriSpeech, VoxForge, Common Voice 6.1 и Lapsbm; исходную модель дообучили в fairseq, а представленный репозиторий содержит конвертированную версию. В README приведены результаты с ошибкой распознавания 12,90% на тесте Common Voice и 35,22% на TEDx, что указывает на заметное снижение качества на речи вне обучающего домена. Модель распространяется по лицензии Apache-2.0. Она ориентирована на португальскую речь Бразилии; результаты на иных языках, акцентах и условиях записи не подтверждены приведёнными данными.

whisper-base-bungoma.en — англоязычная модель распознавания речи, разработанная на основе openai/whisper-base.en и дообученная на наборе NyansapoAI/azure-dataset. Она преобразует входящее аудио в текст и предназначена для автоматической транскрипции речи на английском языке. Модель построена на архитектуре WhisperForConditionalGeneration семейства Whisper и содержит 51,7 млн параметров. В карточке указаны результаты оценки на тестовой выборке: Loss 0,0636 и WER 25,2804. Модель распространяется в формате safetensors по лицензии Apache-2.0. Описание не содержит сведений о специализированных сценариях применения или дополнительных ограничениях.

anaszil/whisper-large-v3-turbo-darija — LoRA-адаптер модели OpenAI Whisper Large v3 Turbo, дообученный автором anaszil для автоматического распознавания речи на марокканской арабской дариже (Darija, код ary). Модель имеет архитектуру encoder-decoder ASR и предназначена для преобразования аудио в текст, включая расшифровку разговоров службы поддержки, интервью и голосовых сообщений. Адаптер дообучен на очищенном и сегментированном частном корпусе марокканской дарижи с фрагментами длительностью до 30 секунд. Он применяется поверх базовой модели openai/whisper-large-v3-turbo; для использования требуются библиотеки PEFT и Transformers. LoRA-адаптеры затрагивают слои энкодера и декодера, включая q_proj, k_proj, v_proj, out_proj, fc1 и fc2. В README не указаны дополнительные языки, размер модели или точная длина контекста; для инференса рекомендуется обработка аудио с размером фрагмента 30 секунд. На отложенной выборке из того же распределения данных заявлены WER 24,88%, CER 8,28% и evaluation loss 0,322. Низкий CER при более высоком WER связывается с отсутствием единой орфографии дарижи и вариативностью написания слов, поэтому результаты могут зависеть от особенностей датасета и не гарантируют аналогичную точность на других источниках речи. Данные о частном обучающем корпусе должны быть опубликованы позднее. Модель распространяется по лицензии MIT.

XLM-RoBERTa-capitalization-punctuation — модель на основе XLM-RoBERTa, дообученная для восстановления пунктуации и заглавных букв во вьетнамском тексте. Она предназначена для обработки обычного текста без пунктуации и в нижнем регистре, например расшифровок распознавания речи, а также для дальнейшего дообучения на текстах конкретной области. Модель предсказывает знаки точки, запятой, двоеточия и вопроса, а также восстанавливает обычное и сложное написание заглавных букв, например в названии YouTube. Для дообучения использован набор OSCAR-2109; README также сообщает о 5,6 млн текстовых примеров на вьетнамском языке. На 10 000 отложенных текстовых примерах приведены метрики по отдельным меткам, включая F1 0,82 для точки и 0,88 для сложного написания заглавных букв. Модель распространяется в формате PyTorch по лицензии CC BY-SA 4.0.

XTTS-v2 Igbo Conversational — дообученная модель Coqui XTTS-v2 от автора samuelolubukun для синтеза разговорной речи на игбо. Она адаптирована от чекпойнта samuelolubukun/xtts-v2-igbo-openbible на материалах Igbo-раздела Nigerian Common Voice и рассчитана на более естественный темп, выразительные тоновые контуры и разнообразие голосов по сравнению с исходной моделью для чтения библейских текстов. Модель содержит 521,8 млн параметров и использует архитектуру с авторегрессионным GPT-кодировщиком текста и мел-спектрограммы и дискретным VAE-вокодером. Токенизатор расширен для игбо, включая метку языка [ig] и поддержку специфической орфографии с подточиями и носовой ñ. Модель принимает текст на игбо и аудиозапись голоса для клонирования тембра, а выдаёт синтезированную речь. Она подходит для озвучивания разговорных фраз, локализованных голосовых интерфейсов и проектов доступности или сохранения языкового наследия. Карточка сообщает об улучшении соответствия разговорному темпу и женскому тембру, однако результат зависит от качества эталонной записи. Для лучшего произношения следует сохранять стандартную орфографию игбо; лицензия унаследована от Coqui Public Model License / MRCUL.

Карточка модели gheero-Leyu/amharic-omnivoice-tts на Hugging Face совпадает с карточкой Lab-et/omnivoice-amharic, поэтому описание составлено по ней. OmniVoice Amharic — модель синтеза речи, разработанная участниками инициативы Voices For All и дообученная на базе k2-fsa/OmniVoice. Она преобразует текст в естественную амхарскую речь и поддерживает клонирование голоса по аудиозаписи длительностью около 10 секунд. Модель использует нед autoregressive дискретную диффузионную архитектуру; заявленный размер — 612,6 млн параметров. Базовая OmniVoice также поддерживает английский и китайский, однако эта версия обучалась на амхарских аудиоданных и прежде всего предназначена для амхарского языка. Модель подходит для озвучивания текстов, создания речи голосом заданного говорящего и синтеза амхарской речи с учетом характерных согласных, геминации и интонации. В карточке перечислены данные из нескольких амхарских речевых корпусов и заявлена поддержка диалектных вариантов, хотя обучающие данные смещены в сторону аддис-абебского произношения. Лицензия — Apache 2.0. Известные ограничения: в обучающих данных преобладают мужские голоса, сельские акценты представлены слабее, а переключение между амхарским и английским, числительные и даты могут произноситься непредсказуемо. Эмоциональный диапазон ограничен нейтральной и новостной манерой; количественные результаты оценки в карточке пока не опубликованы.

tokimoa подготовил конверсию текстовой языковой части Swiss AI Apertus-v1.5-8B для запуска через MLX на устройствах Apple. Модель предназначена для генерации текста и диалогов; README приводит пример запроса на японском языке. В метаданных указаны архитектура ApertusForCausalLM, 10,3 млрд параметров, контекст до 262 144 токенов и библиотека MLX. Поддерживаемые языки по метаданным: японский, английский, немецкий, французский и итальянский. Весовые файлы сохранены в формате safetensors и BF16. Автор сообщает о проверке совпадения выходных логитов с CPU-реализацией Transformers и приводит замер около 23 токенов в секунду и пикового использования памяти 16,2 ГБ на M4 Max с 36 ГБ памяти. Эти показатели относятся к указанной конфигурации. Лицензия — Apache-2.0, унаследованная от исходной модели; также следует учитывать её правила использования.