I.6Перевод и языковая адаптация

SAINEMO-reMIX — русско-английская диалоговая языковая модель на архитектуре Mistral с 12,1 млрд параметров. Её создал Moraliane, объединив с помощью mergekit и метода della_linear четыре предварительно обученные модели: IlyaGusev/saiga_nemo_12b, MarinaraSpaghetti/NemoMix-Unleashed-12B, Vikhrmodels/Vikhr-Nemo-12B-Instruct-R-21-09-24 и elinas/Chronos-Gold-12B-1.0. Модель предназначена для генерации текста, диалогов и ролевого общения на русском и английском языках. Для работы автор рекомендует пробовать стандартные пресеты SillyTavern, в том числе simple-1; в README также приведены рекомендации по настройкам сэмплирования. Модель принимает текст и генерирует текст. В метаданных заявлен контекст до 1 024 000 токенов; это значение не подтверждено README. Модель распространяется в формате safetensors и работает с библиотекой Transformers. Условия лицензии в доступных данных не приведены.

SenseVoiceSmall-GGUF-audiocpp — квантованный экспорт модели SenseVoiceSmall, разработанной FunAudioLLM, предназначенный для автоматического распознавания речи. Модель упакована в формат GGUF для запуска в runtime audio.cpp и содержит встроенную спецификацию sense_asr, метаданные SenseVoice, словарь SentencePiece, тензоры CMVN и 919 тензоров модели. Представленный файл использует квантование Q8_0, занимает около 254 МБ и рассчитан на прямой запуск на CPU через audio.cpp без внешней спецификации модели. В README явно указана поддержка китайского, английского, кантонского, японского и корейского языков. Модель подходит для локального распознавания аудиозаписей и потоков в сценариях, совместимых с интерфейсом audio.cpp; приведённый пример использует задачу ASR. К сильным сторонам относятся автономная упаковка всех необходимых компонентов, запуск на CPU и воспроизводимый экспорт из конкретной ревизии SenseVoiceSmall. Ограничения — отсутствие в предоставленных данных подробностей об архитектуре, размере исходной модели, максимальной длине контекста, производительности и поддерживаемых модальностях помимо речи. Модель распространяется по лицензии Apache-2.0.

IB13/sft_t5_base_processed_model — дообученная модель генерации текста семейства T5 на основе google/flan-t5-base. Она содержит 123,8 млн параметров, использует архитектуру T5ForConditionalGeneration и принимает текст, чтобы генерировать текст в формате text-to-text. Базовая модель обучена следовать инструкциям и поддерживает разнообразные NLP-задачи; конкретная специализация этого дообучения и обучающий датасет не описаны. Длина контекста составляет 512 токенов. Модель можно применять для генерации ответов и выполнения текстовых преобразований. Она распространяется по лицензии Apache-2.0. Качество и ограничения дообученной версии не описаны.

Hunyuan-A13B-Instruct-GGUF — квантизированная версия языковой модели Hunyuan-A13B-Instruct, разработанной Tencent. Модель предназначена для генерации текста и работы в инструкционном диалоговом формате. Квантизация выполнена пользователем bartowski в формате GGUF с использованием llama.cpp и метода imatrix; доступны варианты от Q2_K_L до Q8_0 размером примерно от 29 до 85 ГБ. Модель можно запускать через llama.cpp, LM Studio и другие совместимые проекты. README не раскрывает точную архитектуру, число активных и общих параметров, максимальный контекст, поддерживаемые языки или дополнительные модальности. Основное преимущество представленной версии — широкий выбор уровней квантизации: более высокие варианты сохраняют лучшее качество, а компактные требуют меньше оперативной памяти. При этом сильное сжатие снижает качество ответов, а для запуска большинства вариантов необходим значительный объём памяти. Для корректной работы требуется специальный формат промпта с токенами <|startoftext|>, <|extra_4|> и <|extra_0|>. Модель распространяется по лицензии Tencent Hunyuan A13B; ссылка на текст лицензии приведена в исходном репозитории Tencent. Условия лицензии следует проверить перед коммерческим или иным использованием.

bartowski/TheSkullery_L3.3-exp-unnamed-model-70b-v0.5-GGUF — это набор GGUF-квантизаций текстовой генеративной модели TheSkullery/L3.3-exp-unnamed-model-70b-v0.5, разработанной TheSkullery. Квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для локального запуска и генерации текста через llama.cpp, LM Studio и другие совместимые проекты. Модель имеет размер 70B параметров и относится к семейству Llama 3.3; в карточке указана лицензия llama3.3. Доступны варианты квантования от Q8_0 до Q3 и IQ3/IQ4, включая рекомендуемые Q6_K, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M и IQ4_XS. Они позволяют выбирать между качеством генерации и требованиями к памяти: размер файлов составляет примерно от 30,91 до 74,98 ГБ. Варианты Q4_1 и Q4_0 отмечены как устаревшие форматы, но могут иметь преимущества в отдельных сценариях на Apple Silicon или ARM/AVX-системах. Сильной стороной являются высокое качество старших квантов и возможность локального запуска на широком спектре совместимого оборудования. Ограничения — значительные требования к оперативной или видеопамяти даже у компактных вариантов, а также потенциальная потеря качества при использовании низкобитных квантов. В README не указаны точный размер контекста, поддерживаемые языки, мультимодальные возможности, конкретная архитектура слоёв и результаты бенчмарков, поэтому эти характеристики нельзя достоверно определить.

TurkSpeak lv3-ITU_Mainframe — модель распознавания турецкой речи, созданная на базе Whisper large-v3. Это дообученная LoRA-версия примерно на 905,2 млн параметров, после чего сохранённые контрольные точки усреднили методом MAST; усреднение не увеличивает затраты при инференсе. Репозиторий содержит веса в формате safetensors. Модель предназначена для транскрибации турецкой спонтанной, эфирной и медицинской речи. По результатам README, она показала меньшую ошибку распознавания, чем исходная Whisper large-v3, на четырёх указанных тестовых наборах; результаты измеряли через faster-whisper с beam size 5 и fp16. Эти результаты характеризуют только приведённые наборы и настройки. Лицензия — Apache-2.0.

Yehor/w2v-xls-r-uk — модель автоматического распознавания украинской речи от автора Yehor, дообученная на основе facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC семейства wav2vec2, содержит 402,7 млн параметров и принимает аудио, преобразуя его в текст. В метаданных указан датасет Common Voice 10.0 для украинского языка. Модель подходит для транскрибации украинской речи и распознавания записей. В карточке приведены результаты оценки: WER 20,24% и CER 3,64%; для оценки использовались float16 и batch_size=1. README предупреждает, что следует использовать обновлённую модель. Модель опубликована под лицензией Apache-2.0.

Модель classla/wav2vec2-large-slavic-parlaspeech-hr-lm предназначена для автоматического распознавания хорватской речи. Она разработана на основе facebook/wav2vec2-large-slavic-voxpopuli-v2 и дообучена на 300 часах аудиозаписей и расшифровок из набора ParlaSpeech-HR v1.0, содержащего выступления в парламенте Хорватии. Дополнительно применена 5-граммовая языковая модель на основе ParlaMint. Это модель Wav2Vec2 с архитектурой Wav2Vec2ForCTC и примерно 402,7 млн параметров. На тестовой части ParlaSpeech-HR v1.0 указаны CER 0,0188 и WER 0,0430; результаты относятся к этому набору данных и не гарантируют такую же точность на других аудио. Модель принимает аудио и выдаёт текстовую расшифровку. Лицензия в предоставленных данных не указана.

UrukHan/wav2vec2-russian — модель распознавания речи на основе архитектуры Wav2Vec2, опубликованная разработчиком UrukHan. Она принимает аудио в формате WAV и преобразует речь в текст с помощью распознавания на основе CTC. В README рекомендовано дополнительно обрабатывать результат моделью UrukHan/t5-russian-spell, которая исправляет ошибки распознавания, расставляет знаки препинания и приводит цифры в порядок. Модель содержит 402,7 млн параметров и распространяется в форматах PyTorch и safetensors. Карточка не сообщает точные характеристики аудиовхода и показатели качества, поэтому пригодность для конкретных условий записи следует оценивать отдельно. Условия лицензии в доступных данных не описаны.

NbAiLab/wav2vec2-xls-r-1b-npsc-bokmaal — дообученная модель распознавания речи на базе facebook/wav2vec2-xls-r-1b, созданная NbAiLab на датасете NbAiLab/NPSC, подвыборке 16K_mp3_bokmaal. Модель использует архитектуру wav2vec2 с CTC-декодированием, принимает аудио и преобразует речь в текст. В метаданных указано 1,3 млрд параметров; веса представлены в формате PyTorch. Модель предназначена для автоматической транскрипции речи на норвежском букмоле. Для оценки на тестовой выборке автор приводит WER 0,0966 и loss 0,1598. Лицензия — Apache-2.0. Подробности о других условиях записи, поддерживаемых языках и ограничениях применения в карточке не приведены.

Youssef1234/whisper-base-en-early-stopping — дообученная модель автоматического распознавания речи на базе Whisper, разработанная автором репозитория Youssef1234. Модель содержит 51,7 млн параметров и предназначена для преобразования аудио в текст; в метаданных указан тип архитектуры WhisperForConditionalGeneration и формат весов Safetensors. На тестовом наборе автор сообщает значение loss 0,3698 и WER 17,4910. Набор данных и подробности оценки не описаны, поэтому эти результаты нельзя уверенно переносить на другие условия. Модель выпущена по лицензии Apache-2.0.

oxide-lab/whisper-base-GGUF — набор квантованных моделей на основе openai/whisper-base, подготовленный в формате GGUF. Модель предназначена для автоматического распознавания речи и поддерживает многоязычные сценарии, включая английский и русский языки. Доступны варианты квантования от q2_k до q8_0. Модели в корневом каталоге совместимы с ML-фреймворком Candle для Rust, а варианты в подкаталоге whisper.cpp — с реализацией whisper.cpp и её CLI-инструментами. Формат GGUF позволяет уменьшить размер модели и ускорить инференс, однако низкие уровни квантования, особенно q2, q3 и q4, могут существенно снижать качество распознавания. В README отдельно отмечены q4_k как компромисс между размером, скоростью и качеством, а q8_0 — как рекомендуемый вариант для производственного использования с минимальными потерями. Модель подходит для локального распознавания аудиофайлов и интеграции в приложения на Rust или C++. Ограничения включают зависимость от выбранного уровня квантования и необходимость использовать совместимые файлы конфигурации и токенизатора для Candle либо правильную версию файлов из каталога whisper.cpp. Указана лицензия MIT, совпадающая с лицензией исходной модели Whisper.

Это LoRA-дообучение модели OpenAI Whisper Large v3 Turbo, опубликованное annotehrushi. Модель предназначена для автоматического распознавания речи и особенно адаптирована к хинди на данных MonsoonASR. Она принимает аудио и преобразует речь в текст; в карточке также приведены результаты на англоязычных и других тестах распознавания. Адаптер обучен с параметрами LoRA r=32 и alpha=64. В README указаны результаты на бенчмарках, включая OIWER 22,82% на Monsoon hi-IN; там же сообщается о снижении показателя ошибки относительно базовой модели. В метаданных указаны форматы safetensors, библиотека Transformers и лицензия Apache-2.0. Результаты зависят от набора данных и условий оценки; на части тестов показатели после дообучения ухудшились, поэтому качество на других языках и типах речи может отличаться.

safecantonese/whisper-small-yue-full — модель распознавания речи семейства Whisper, дообученная для преобразования аудио в текст. Она подходит для сценариев автоматической транскрипции; в оценке указаны Loss 0,0362 и CER 6,1457. Модель содержит 153,1 млн параметров и распространяется в формате safetensors. README не сообщает подробностей о языках, данных обучения и условиях использования, поэтому их нельзя уточнить по доступным сведениям.

Это компактная модель распознавания речи OpenAI Whisper Tiny, представленная в формате CTranslate2 с точностью float32. Репозиторий подготовлен ctranslate2-4you; для запуска автор рекомендует библиотеку whisper-s2t-reborn. Модель преобразует аудиозаписи в текст и подходит для транскрибации речи. Whisper Tiny относится к многоязычной версии Whisper; в метаданных указан английский язык. Конкретные сведения о размере и длине контекста отсутствуют. Формат CTranslate2 предназначен для инференса, а веса представлены с точностью float32. Модель основана на openai/whisper-tiny и распространяется по лицензии Apache-2.0. Компактный вариант Whisper удобен для задач распознавания речи, однако карточка не приводит оценок качества или отдельных ограничений для этой сборки.

WindyLLM_kor_jpn_eng — объединённая диалоговая языковая модель на базе Llama 3, созданная с помощью mergekit методом SLERP из MLP-KTLim/llama-3-Korean-Bllossom-8B и meta-llama/Meta-Llama-3-8B-Instruct. Модель содержит 7,1 млрд параметров, использует архитектуру LlamaForCausalLM, сохранена в формате safetensors и работает через Transformers; контекст — до 8192 токенов. Модель предназначена для диалога и генерации текста. Название указывает на корейский, японский и английский языки, однако карточка не приводит конкретных оценок или примеров качества для этих языков. Лицензия в предоставленных данных не указана.

Bigger-Body-70b-GGUF — это квантизированная версия языковой модели Bigger-Body-70b, разработанной allura-org и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста, диалоговых сценариев, conversational-приложений и roleplay. Указана поддержка английского и китайского языков. Модель имеет 70 миллиардов параметров и распространяется в нескольких вариантах квантования для запуска через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от Q8_0 до Q2_K, различающиеся размером файлов, качеством и требованиями к памяти; наиболее рекомендуемыми в README названы Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS. Для работы следует использовать указанный шаблон промпта на основе формата Llama 3.3 с системными, пользовательскими и ассистентскими сообщениями. Сильной стороной модели является сочетание крупного размера и широкого выбора квантований, позволяющего подобрать баланс между качеством и потреблением памяти. Ограничения включают значительные требования к ресурсам: даже рекомендуемые варианты занимают десятки гигабайт, а более компактные квантования снижают качество. Архитектура, размер контекстного окна и поддержка модальностей, кроме текстовой генерации, в README не указаны. Модель распространяется по лицензии llama3.3.

Aquila-7B — базовая плотная языковая модель семейства Aquila, разработанная BAAI. Модель содержит 6,9 млрд параметров, принимает и генерирует текст, обучена с нуля на китайских и английских корпусах; китайские данные составляют около 40% обучающего корпуса. В карточке также описаны архитектурные решения, унаследованные от GPT-3 и LLaMA, и двуязычный токенизатор. Модель предназначена для генерации текста и служит базой для дальнейшей адаптации под диалоговые и другие языковые сценарии. Заявленный контекст — 2048 токенов. Для коммерческого использования веса распространяются по лицензии BAAI Aquila Model License Agreement с ограничениями; исходный код серии указан как Apache 2.0, но эта лицензия не заменяет условия лицензии на веса. Качество и пригодность для конкретного применения следует оценивать отдельно.

Arabic-OCR-DeepSeek-OCR-2 — модель loay, дообученная на базе unsloth/DeepSeek-OCR-2 для распознавания арабского текста на изображениях и анализа структуры страниц. Она принимает изображения сканированных книг и выдаёт структурированные транскрипции; для обработки страниц использует динамическое разбиение на фрагменты с сохранением высокого разрешения. В README указано обучение на 35 921 изображении арабских книг и адаптация LoRA с последующим объединением адаптера с базовой моделью. Метаданные указывают архитектуру DeepseekOCR2ForCausalLM, 559,7 млн параметров и контекст 8192 токена. Модель ориентирована на OCR арабских документов, в частности на сценарий инструкции «Free OCR». В карточке также заявлена поддержка английского языка. Репозиторий распространяется под лицензией Apache-2.0. Практическое качество зависит от чёткости изображения и особенностей исходной разметки; подтверждённые оценки качества в предоставленной карточке не приведены.

Confucius-o1-14B-GGUF — квантизированная версия языковой модели Confucius-o1-14B, разработанной netease-youdao и подготовленной пользователем bartowski в формате GGUF для llama.cpp. Модель предназначена для генерации текста и диалогового взаимодействия, а также может использоваться локально через совместимые приложения, включая LM Studio. В README указан английский язык и поддержка chat-сценариев. Модель содержит 14 млрд параметров. Доступны варианты от F32 и F16 до различных форматов квантования Q8, Q6, Q5, Q4, Q3, Q2 и IQ, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Рекомендуемыми названы некоторые варианты Q6, Q5 и Q4; Q4_K_M обозначен как подходящий вариант по умолчанию для большинства сценариев. Версии с более низкой разрядностью экономят память, но могут заметно уступать по качеству. Ключевые преимущества модели — широкий выбор локальных квантованных сборок, совместимость с llama.cpp и возможность запуска на менее производительном оборудовании. Ограничения README не раскрывает: сведения об архитектуре, максимальной длине контекста, мультимодальности, результатах тестирования и фактических возможностях рассуждения отсутствуют. Модель распространяется по лицензии Apache-2.0.

MLX-версия модели DeepSeek-OCR-8bit, разработанная сообществом mlx-community и конвертированная из prince-canuma/DeepSeek-OCR с использованием mlx-vlm 0.3.10. Модель относится к классу vision-language и предназначена для задач OCR и генерации текста по изображениям, включая описание визуального содержимого. Модель работает с изображениями и текстовыми запросами, поддерживает мультиязычные сценарии и использует 8-битное представление в формате MLX. README не содержит сведений о точной архитектуре, количестве параметров или размере контекстного окна. Для запуска требуется библиотека mlx-vlm; пример использования предусматривает генерацию до 100 токенов при температуре 0.0. К сильным сторонам относятся специализированная направленность на OCR, поддержка мультимодального ввода и оптимизация для экосистемы MLX. Ограничения включают отсутствие в README подробностей о качестве распознавания, поддерживаемых языках, архитектуре и вычислительных требованиях. Модель распространяется по лицензии MIT.

RodrigoLimaRFL/distil-whisper-nurc-sp-fine-tuned — модель распознавания речи на базе Whisper, дообученная автором на наборе данных NURC-SP. Она предназначена для преобразования аудиозаписей в текст; обучение на NURC-SP указывает на специализацию на речевых данных этого набора. Модель содержит 905,2 млн параметров и распространяется в формате safetensors. Модель принимает аудио и выдаёт текст, pipeline Hugging Face — automatic-speech-recognition. В метаданных указан португальский язык. Лицензия — MIT. Подробности об оценке качества и ограничениях применения в карточке не приведены.

OpenASR/firered-aed-l-v2 — модель автоматического распознавания речи, созданная FireRedTeam и упакованная для работы в среде OpenASR. Она предназначена для локального преобразования речи в текст, включая распознавание путунхуа, английского языка и их смешанной речи, а также китайских диалектов и акцентов. Модель может применяться для транскрибации аудио на CPU и GPU без использования Python во время инференса. В основе лежит attention-based encoder-decoder архитектура с Conformer-энкодером и Transformer-декодером. Модель содержит 1,1 млрд параметров и является развитием FireRedASR2-AED; она обучена с использованием расширенного словаря. Заявлены высокие результаты на китайской речи: средний CER 3,05% на четырёх публичных тестах путунхуа, 11,67% на 19 тестах китайских диалектов и акцентов, а также 1,17% на тесте песенных текстов. Для aishell1 указан CER 0,57%. Доступны варианты fp16, q8_0 и q4_k; q4_k уменьшает размер и пиковое потребление памяти, а fp16 ориентирован на максимальную точность. Модель особенно сильна в распознавании китайской речи, диалектов, акцентов, код-свитчинга и песенного вокала. Ограничения включают Mandarin-first специализацию и отсутствие в README сведений о поддерживаемых языках помимо китайского и английского, максимальной длине контекста и точности на других типах аудио. Пакеты распространяются по лицензии Apache-2.0, унаследованной от исходной модели FireRedASR2-AED.

Gemma 2 Inko 9B — объединённая диалоговая языковая модель на архитектуре Gemma 2 с 9 млрд параметров, созданная AELLM методом DARE TIES с помощью Mergekit. В основу объединения вошли BAAI/Gemma2-9B-IT-Simpo-Infinity-Preference и rtzr/ko-gemma-2-9b-it. Модель предназначена для генерации текста в диалоге и ответов на инструкции. Она поддерживает корейский и английский языки, принимает текст и выдаёт текст. Контекстное окно составляет 8192 токена. Репозиторий содержит веса в формате safetensors. Карточка не приводит сравнительных оценок качества или подробных ограничений применимости. Лицензия в предоставленных данных не указана.

lmstudio-community/gemma-4-31B-it-MLX-6bit — это 6-битная квантованная версия мультимодальной модели gemma-4-31B-it, разработанной Google. Квантование выполнено командой LM Studio с использованием MLX и mlx_vlm; модель оптимизирована для запуска на устройствах Apple Silicon. Модель предназначена для задач, связанных с обработкой текста и изображений, включая мультимодальный ввод и генерацию текста. Она может использоваться локально через совместимое программное обеспечение и особенно подходит для пользователей, которым важны запуск на Apple Silicon и снижение требований к памяти по сравнению с полной версией модели. Точный размер контекстного окна и перечень поддерживаемых языков в README не указаны. Ключевой особенностью является 6-битное квантование, обеспечивающее более компактное представление модели с потенциальным компромиссом в точности по сравнению с исходной версией. Ограничениями являются зависимость от совместимого стека MLX и оптимизации под Apple Silicon, а также возможные ошибки, неточности или неподходящие результаты, характерные для генеративных моделей. Модель распространяется по лицензии Apache 2.0.

GigaAM Multilingual — семейство моделей распознавания речи, разработанное ai-sage. В него входят модели на базе Conformer размером 220 млн и 600 млн параметров: варианты ssl и large_ssl представляют собой самоконтролируемые энкодеры, а ctc и large_ctc дополнены символьными CTC-декодерами для автоматического распознавания речи. Предварительное обучение выполнено на 2 млн часов речи более чем на 70 языках, а варианты для распознавания речи дообучены на 50 тыс. часов аудио. Модель предназначена для преобразования речи в текст. README сообщает о высоком качестве среди открытых моделей для русского, казахского, кыргызского и узбекского языков и умеренном качестве для английского. В приведённых сравнениях качество различается по языку и набору данных: например, на английском Whisper large v3 и Seamless M4T large v2 показывают меньшую долю ошибок на некоторых тестах. Варианты ssl можно адаптировать к новым языкам. Модели распространяются по лицензии MIT.

GLM-4.5-Air-MLX-8bit — это 8-битная квантованная версия языковой модели GLM-4.5-Air, разработанной компанией zai-org. Квантование выполнено командой LM Studio с использованием MLX и ориентировано на запуск на устройствах с Apple Silicon. Модель предназначена для генерации текста и совместима с экосистемой Transformers; заявленные языки — английский и китайский. Модель подходит для локального текстового общения, генерации и обработки текста на поддерживаемых устройствах. Квантование снижает требования к памяти по сравнению с полноразмерной версией и оптимизировано для Apple Silicon, однако может сопровождаться потерей качества относительно исходной модели. В README не указаны архитектура, количество параметров, размер контекста, поддерживаемые модальности и результаты тестирования, поэтому эти характеристики нельзя уточнить. Для модели указана лицензия MIT.

GLM-4.7-Flash-4bit — языковая модель для генерации текста, разработанная сообществом mlx-community на основе zai-org/GLM-4.7-Flash. Модель преобразована в формат MLX с использованием mlx-lm версии 0.30.5 и предназначена для запуска через библиотеку mlx-lm. В README указана поддержка английского и китайского языков, а также сценарии диалоговой генерации текста с применением chat template. Модель использует 4-битное представление, однако сведения о точной архитектуре, количестве параметров, размере контекста, доступных модальностях, результатах тестирования и ограничениях качества не приведены. README содержит пример загрузки модели и генерации ответа через Python API mlx_lm. Лицензия модели — MIT.

Это квантизированная GGUF-версия Gemma 3n E4B Instruct, разработанной Google и подготовленной пользователем bartowski для запуска через llama.cpp и совместимые приложения. Модель предназначена для генерации текста, а также, согласно указанным тегам, для сценариев автоматического распознавания и перевода речи и преобразования аудио или видео в текст. Доступен запуск, в частности, через LM Studio и другие проекты на базе llama.cpp. В README указано, что модель имеет размер E4B и представлена в нескольких вариантах квантизации от Q2 до Q8, с размером файлов примерно от 3 до 7,35 ГБ. Более качественными и рекомендуемыми названы варианты Q5–Q8, а варианты Q3 и ниже подходят для систем с ограниченным объёмом оперативной памяти, но снижают качество. Мультимодальность, поддерживаемые языки и размер контекста в предоставленных данных не уточнены. Формат промпта требует проверки по исходной карточке модели, поскольку шаблон чата в README не задан явно. Модель удобна для локального запуска на совместимом оборудовании благодаря выбору уровней квантизации, однако качество зависит от выбранного варианта, а низкие уровни могут заметно уступать исходной модели. Для использования требуется принять лицензию Google Gemma на Hugging Face; конкретные условия лицензии следует учитывать отдельно.

Tejveer12 разработал эту модель как дообученную версию openai/whisper-large-v3-turbo для распознавания английской речи с индийским акцентом. Это модель WhisperForConditionalGeneration на 905,2 млн параметров, предназначенная для преобразования аудио в текст; основное применение — транскрибация записей и речи на английском языке с индийским акцентом. Модель работает с аудио на входе и выдаёт текст. В README приведены результаты оценки: loss 0,2065 и WER 7,5056; описание методики оценки и единиц измерения WER не приведено. Модель распространяется по лицензии MIT.