I.6Перевод и языковая адаптация

Luna SOLARkrautLM Instruct — это инструкционная языковая модель семейства SOLAR, созданная FBL и дообученная с применением DPO на наборе данных argilla/distilabel-math-preference-dpo. В данном репозитории TheBloke предоставляет её квантизированные версии в формате GGUF для локального запуска и инференса. Модель предназначена для генерации текста и диалоговых сценариев, включая выполнение инструкций и задачи на английском и немецком языках. Она поддерживает текстовую модальность и использует шаблон запросов ChatML. Точные сведения о размере модели и длине контекста в README не указаны. Доступны варианты квантизации на 2, 3, 4, 5, 6 и 8 бит, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством. Файлы совместимы с llama.cpp и рядом локальных интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. К сильным сторонам относятся поддержка английского и немецкого языков, инструкционный формат, DPO-дообучение и возможность запуска на CPU и GPU благодаря GGUF-квантизации. Ограничения — отсутствие в README подробных результатов оценки, характеристик архитектуры, размера, контекстного окна и гарантированных показателей качества; поведение на других языках не описано. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства и ограничивающей коммерческое применение.

Ministral-3-14B-Instruct-2512-GGUF — это конвертированная в формат GGUF версия модели Ministral-3-14B-Instruct-2512-BF16, разработанной Mistral AI. Модель предназначена для инструкционного взаимодействия и задач преобразования изображений и текста в текст, включая мультимодальные сценарии, где на вход подаются текстовые и визуальные данные. Точная специализация, поддерживаемые языки и размер контекста в README не указаны. Модель имеет размер 14B параметров и поставляется в формате GGUF, ориентированном на запуск с совместимыми инструментами, включая llama-server. Сильной стороной является возможность локального или самостоятельного развертывания в поддерживаемой GGUF-инфраструктуре, однако README не содержит сведений о производительности, требованиях к ресурсам, конкретных поддерживаемых модальностях, ограничениях и качестве на отдельных задачах. Лицензия — Apache 2.0.

Mixtral-Fusion-4x7B-Instruct-v0.1 — экспериментальная чат-модель, созданная mmnga слиянием экспертов mistralai/Mixtral-8x7B-Instruct-v0.1 методом SLERP. Она предназначена для генерации текста в диалогах и отвечает на запросы пользователя. Архитектура — Mixtral с разреженной экспертной моделью (MoE); в метаданных указано 7,1 млрд параметров, контекст — до 32 768 токенов. Модель принимает и выдаёт текст; в карточке перечислены английский, французский, итальянский, немецкий и испанский языки. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка называет её экспериментальной; результаты могут отличаться от исходной Mixtral, а оценок качества или сравнительных тестов в доступных данных нет.

Muse-3B — компактная чат-модель на 3 млрд параметров от Muse Research Lab. Это авторегрессионный плотный трансформер в стиле Llama с архитектурой LlamaForCausalLM, доступный в формате safetensors и рассчитанный на контекст до 8192 токенов. Модель предназначена для повседневного общения, ответов на вопросы, написания и редактирования текстов, кратких пересказов и простых задач программирования. Она принимает и генерирует текст, включая код; карточка заявляет поддержку английского, немецкого, французского, итальянского, испанского и португальского языков. Модель также рассчитана на чат и заявляет безопасный отказ на явно вредоносные запросы. Muse-3B описана как ранняя компактная модель для лёгких ассистентских сценариев и экспериментов. Она может давать неверные или неполные ответы, испытывать трудности со сложными рассуждениями, крупными задачами программирования и узкоспециализированными темами; многоязычные ответы могут быть менее надёжны, чем английские. Для медицинских, юридических, финансовых и иных критически важных решений её не следует использовать как единственный источник. Лицензия — Apache-2.0.

NbAiLab/nb-notram-llama-3.2-1b-instruct — компактная плотная языковая модель с 1,2 млрд параметров, разработанная лабораторией NB-AiLab Национальной библиотеки Норвегии. Она создана дообучением Meta Llama 3.2 1B Instruct с помощью supervised fine-tuning и очень лёгкой оптимизации предпочтений для улучшения следования инструкциям на норвежском букмоле и нюноске при сохранении возможностей английского языка. Модель предназначена для диалоговых помощников, ответов на вопросы и суммаризации на букмоле, нюноске и английском языке. Она поддерживает генерацию текста и чатовый формат; заявленная длина контекста — 131 072 токена. Ответы обычно краткие. В обучении использовались публично доступные и синтетически созданные данные. Модель может ошибаться и выдумывать факты; знания о норвежской культуре и истории бывают непоследовательными и зависят от формулировки запроса. Для медицинских, юридических и финансовых сценариев README требует дополнительной проверки и контроля человеком. Лицензия — Llama 3.2 Community License.

NbAiLab создала модель распознавания норвежской речи на нюнорске для преобразования аудио в текст. Это дообученная на основе экстрактора признаков VoxRex модель архитектуры Wav2Vec2ForCTC с 402,7 млн параметров; при обучении использовался Norwegian Parliamentary Speech Corpus (NPSC). Репозиторий содержит веса в форматах PyTorch и Safetensors. Модель предназначена для автоматической транскрибации норвежской речи, в том числе парламентских выступлений. На тестовой выборке авторы сообщают WER 12,22% и CER 4,19% при использовании 5-граммовой языковой модели; без неё результаты составляют 15,37% и 4,68% соответственно. Указана лицензия Apache-2.0. README не описывает работу с другими языками или типами аудио, поэтому качество на них не подтверждено.

Onyx-Whisper-Tiny — компактная модель распознавания речи на базе Whisper Tiny от OpenAI, подготовленная для движка OnyxSTT на устройствах Apple с MLX. В модели 29,4 млн параметров; аудиоэнкодер квантован до 4 бит с размером группы 64, а декодер, эмбеддинги и свёрточные слои сохранены в fp16. Такой смешанный формат занимает около 66 МБ вместо примерно 151 МБ в fp32. Модель предназначена для преобразования аудио в текст, включая локальную транскрибацию записей. По данным карточки, смешанная точность сохраняет качество базовой версии на проверенных фрагментах с числами, именами и кодами; полная 4-битная квантизация декодера могла бы ухудшить их распознавание. Поддерживается мультиязычный режим. Лицензия — Apache-2.0, унаследованная от базовой модели.

OOM-SOLAR-10.7B_01 — языковая модель на основе оптимизированной архитектуры Transformer семейства Llama, разработанная на базе upstage/SOLAR-10.7B-v1.0 и beomi/OPEN-SOLAR-KO-10.7B. Модель содержит 10,7 млрд параметров и принимает текст для генерации текста; её контекст составляет 2048 токенов. Модель предназначена для генерации текста на английском и корейском языках. Возможные сценарии — создание черновиков, продолжение текста и ответы в формате диалога. README не приводит сведения об обучающих данных, оценке качества или конкретных ограничениях применения. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Orion-14B-Base-Special — базовая мультиязычная языковая модель, разработанная OrionStarAI и обученная с нуля. Она содержит 14,1 млрд параметров и построена на плотной авторегрессионной архитектуре OrionForCausalLM; в README для базовой модели семейства указано предварительное обучение на 2,5 трлн токенов. Модель предназначена для генерации текста и использования как языковая основа в приложениях и для дальнейшей адаптации. Заявлены китайский, английский, японский и корейский языки. Контекст этой версии — 4096 токенов. Мультиязычная предобучающая выборка и результаты на нескольких языках делают модель подходящей для генерации и продолжения текста на поддерживаемых языках. Длинный контекст до 320 тысяч токенов относится к отдельной версии Orion-14B-LongChat, а не к этой модели. Опубликованный формат весов — PyTorch. В предоставленной карточке не указана лицензия, поэтому условия использования по имеющимся данным определить нельзя. Как базовая модель, она не является специализированной чат-версией; качество ответов и пригодность для конкретных задач могут зависеть от дообучения и настройки.

Карточка модели VoiceScribe/parakeet-tdt-0.6b-v3-mlx на Hugging Face совпадает с карточкой mlx-community/parakeet-tdt-0.6b-v3, поэтому описание составлено по ней. Это версия модели NVIDIA Parakeet-TDT-0.6B-v3, подготовленная сообществом mlx-community для запуска в формате MLX на устройствах Apple. Модель основана на архитектуре FastConformer с Transducer-подходом и предназначена для автоматического распознавания речи и преобразования аудиозаписей в текст. Размер модели — около 0,6 млрд параметров; репозиторий содержит веса Safetensors и распространяется по лицензии CC BY 4.0. Модель поддерживает распознавание речи на нескольких европейских языках, включая английский, испанский, французский, немецкий, русский и другие. Её можно применять для транскрибации аудиозаписей и диктовки; для запуска доступны библиотеки parakeet-mlx и mlx-audio. Это конвертированная версия исходной модели NVIDIA, поэтому её характеристики распознавания определяются базовой моделью, а совместимость и производительность зависят от MLX и оборудования Apple.

Parakeet TDT-CTC 0.6B (ja) — модель автоматического распознавания речи, разработанная командой NVIDIA NeMo. Она преобразует японскую речь в текст с пунктуацией и подходит для расшифровки аудиозаписей и дообучения на новых данных. Модель принимает монофонический WAV-аудиосигнал с частотой 16 кГц и выдаёт текстовую строку. В основе лежит гибридная архитектура FastConformer с декодерами TDT и CTC; размер модели — около 0,6 млрд параметров. TDT предсказывает длительность токенов, что позволяет пропускать часть пустых кадров и ускорять вывод. Модель обучена на более чем 35 тысячах часов японской речи из ReazonSpeech v2.0; для токенизации используется SentencePiece с 3072 токенами. В README приведены результаты CER на нескольких японских тестовых наборах, полученные жадным декодированием без внешней языковой модели. Для работы предусмотрен фреймворк NVIDIA NeMo; модель также может служить предобученным чекпойнтом для дообучения. Лицензия — CC BY 4.0. Распознавание ориентировано на японскую речь; качество на других языках и в условиях, не представленных тестами, не описано.

Это пакет распределённого запуска модели Qwen3.8-2.4T-A95B в формате GGUF, подготовленный Mesh LLM на основе unsloth/Qwen3.8-2.4T-A95B-GGUF. Веса разделены на отдельные артефакты по слоям, чтобы запускать модель на локальном кластере из нескольких машин, когда одного хоста недостаточно. Пакет предназначен для локального приватного инференса и чат-сценариев через совместимый с OpenAI API Mesh LLM. Вариант использует квантование UD-IQ2_XXS и библиотеку mesh-llm. Карточка отмечает пакет как экспериментальный: проверка целостности артефактов выполнена, но корректность работы и разделения слоёв, а также мультимодальная сертификация ещё не завершены. Лицензия указана как other; условия лицензии следует сверять с карточкой исходной модели.

Rogue-28B-MIX — корейско-английская мультимодальная диалоговая модель на архитектуре Qwen3.5 с 28 млрд параметров, опубликованная ginigen-ai. Она объединяет веса FINAL-Bench/Darwin-28B-KR и NewenAI/QuettaLLMs-27B-Koreasoner-V3, а затем дообучена методом SFT на корейских данных, включая медицинские, юридические, финансовые и исторические материалы. Модель предназначена для диалога, рассуждений и анализа изображений; поддерживает интерфейс вызова инструментов. Заявлен контекст 8K токенов с возможностью расширения, формат весов safetensors и точность bf16. Модель ориентирована прежде всего на корейский язык, также поддерживает английский. В опубликованной оценке на десяти корейских наборах данных результаты смешанные: она превосходит одну из исходных моделей по истории, но уступает по CLIcK и KMMLU Law; оценка проводилась на 100 вопросах с одним seed. Лицензия — Apache 2.0. README описывает обучение и тестирование, поэтому результаты не гарантируют качество в иных задачах и доменах.

Rombos-LLM-V2.6-Nemotron-70b-GGUF — это набор квантованных версий языковой модели Rombos-LLM-V2.6-Nemotron-70b, опубликованный и подготовленный к квантованию пользователем bartowski. Модель предназначена для генерации текста и распространяется в формате GGUF для запуска с помощью llama.cpp и совместимых приложений, включая LM Studio. Квантование выполнено с использованием imatrix на базе llama.cpp b3930. Доступны варианты квантования от Q8_0 до IQ1_M с размерами файлов примерно от 19 до 75 ГБ. Более высокие уровни квантования обеспечивают лучшее сохранение качества, но требуют больше оперативной памяти; в README рекомендуются варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS. Версии с низким уровнем квантования экономичнее по памяти, однако отличаются сниженным качеством. Это текстовая модель без заявленной поддержки изображений или других модальностей. README не содержит сведений о точной архитектуре, языках, размере контекста, разработчике исходной модели, лицензии и результатах независимого тестирования. Поэтому модель можно рекомендовать для локальной генерации текста при наличии подходящего объёма памяти, но её языковые возможности, ограничения и условия юридического использования следует уточнять на странице исходной модели rombodawg/Rombos-LLM-V2.6-Nemotron-70b.

RWKV/rwkv-6-world-3b-v2.1 — языковая модель семейства RWKV-6 World с плотной архитектурой и 3,5 млрд параметров. Карточка показывает запуск через Hugging Face Transformers на CPU и GPU, а также пример диалога с ассистентом. Модель предназначена для генерации текста и диалоговых ответов. В примере она отвечает на английском и китайском языках; карточка не описывает специальную предметную область, длину контекста или отдельные мультимодальные возможности. В метаданных указан формат PyTorch. Сведения о лицензии и базовой модели отсутствуют, поэтому условия использования и происхождение весов по доступным данным определить нельзя.

SauerkrautLM 7B v1 Mistral — языковая модель, разработанная VAGO solutions и представленная в GGUF-формате с квантованием TheBloke. Это версия оригинальной модели VAGOsolutions/SauerkrautLM-7b-v1-mistral, предназначенная для генерации текста и диалоговых сценариев, включая ответы виртуального ассистента. Рекомендуемый шаблон общения ориентирован на полезные, подробные и вежливые ответы. Модель основана на архитектуре Mistral и содержит около 7 миллиардов параметров. Она поддерживает немецкий и английский языки и работает в режиме text-generation. GGUF-файлы доступны с квантованием от 2 до 8 бит, что позволяет запускать модель с различными компромиссами между требованиями к памяти, скоростью и качеством на CPU и GPU. Формат совместим с llama.cpp и рядом сторонних интерфейсов и библиотек, включая text-generation-webui, LM Studio и llama-cpp-python. Размер контекста в README не указан. Сильными сторонами модели являются поддержка немецкого языка, возможность локального запуска и наличие нескольких вариантов квантования. Ограничения — отсутствие в README подробных результатов оценки качества, сведений о данных обучения и точного размера контекста; качество и требования к ресурсам зависят от выбранного уровня квантования. Модель распространяется по лицензии Apache-2.0.

OpenBuddy/SimpleChat-30BA3B-V2 — мультиязычная чат-модель OpenBuddy, дообученная на OpenBuddy-R10528Distill-30BA3B-Preview0. Она построена на архитектуре Qwen3 MoE и предназначена для повседневных диалогов: модель стремится отвечать кратко, рационально и с эмпатией, а также поддерживает интерфейс вызова инструментов. В карточке указаны 2,4 млрд параметров и контекст до 200 000 токенов; README приводит длину контекста 40 000 токенов. Модель принимает текст и генерирует текст. Модель ориентирована на китайский, английский, французский, немецкий, японский, корейский, итальянский и финский языки. В README описано обучение с дистилляцией знаний продвинутых моделей и переходом от обучения на CoT-моделях к формату без CoT. Это должно сочетать быстрые ответы с рассуждением, но для математических задач модель может уступать специализированным CoT-моделям. Лицензия — Apache 2.0. Разработчики предупреждают, что ответы могут быть ошибочными или нежелательными и модель не следует применять в критически важных медицинских, финансовых, юридических и иных высокорисковых сценариях.

Taiwan-Tongues-ASR-CE-pretrained-v1.0 — модель распознавания речи, выпущенная проектом Taiwan-Tongues-ASR-CE. Это дообученная версия OpenAI Whisper large-v2 с архитектурой WhisperForConditionalGeneration и примерно 905,2 млн параметров. Весовой формат — Safetensors для Transformers; модель предназначена для дальнейшего дообучения на многоязычных речевых корпусах Тайваня. Для готового распознавания без дополнительного обучения авторы предлагают отдельную модель проекта в формате CTranslate2 для faster-whisper. Модель рассчитана на автоматическую транскрибацию речи, в том числе на китайском, тайваньском хоккиене, хакка и английском. В README приведены языковые коды zh, nan, hak и en для настройки обучения; метаданные карточки также указывают zh и en. Архитектура принимает аудио и генерирует текстовую расшифровку. Лицензия обозначена как other; README отсылает к условиям лицензии проекта Taiwan-Tongues-ASR-CE, не уточняя их содержание.

titu_stt_bn_fastconformer — модель распознавания речи на архитектуре FastConformer, обученная на корпусе MegaBNSpeech объёмом около 18 тысяч часов. Она предназначена для преобразования аудио на бенгальском языке в текст и может служить отправной точкой для дообучения на пользовательских наборах данных с помощью NeMo. В обучающих данных преобладает новостная речь; также представлены ток-шоу и небольшое количество влогов. Модель принимает аудио и выдаёт текстовую транскрипцию. Для использования и дообучения предусмотрен фреймворк NeMo. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческих целях.

Vigostral-7B-Chat — французская разговорная языковая модель семейства Vigogne, разработанная Zaion Lab. Это предварительная версия, дообученная на Mistral-7B-v0.1 и предназначенная для диалогов и выполнения инструкций на французском языке. Модель построена на архитектуре Mistral с плотной причинной языковой моделью, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель подходит для французского чат-ассистента, ответов на вопросы и помощи в повседневных задачах. Используется шаблон диалога, адаптированный из формата Llama 2; для работы с Transformers доступен chat template. Модель распространяется по лицензии Apache-2.0. Значительная часть обучающих данных дистиллирована из GPT-3.5-Turbo и GPT-4, поэтому авторы рекомендуют учитывать условия использования этих систем.

Карточка модели Jinstudio/Voxtral-Mini-4B-Realtime-2602 на Hugging Face совпадает с карточкой mistralai/Voxtral-Mini-4B-Realtime-2602, поэтому описание составлено по ней. Voxtral Mini 4B Realtime 2602 — мультиязычная модель распознавания речи в реальном времени от Mistral AI. Это плотная модель семейства Voxtral Realtime с архитектурой VoxtralRealtimeForConditionalGeneration, дообученная на базе mistralai/Ministral-3-3B-Base-2512. Веса представлены в safetensors; для запуска поддерживается vLLM, а Transformers поддерживает модель начиная с версии 5.2.0. Модель предназначена для потоковой транскрипции аудио с небольшой задержкой. README рекомендует задержку 480 мс; указана поддержка английского, французского, испанского, немецкого, русского, китайского, японского, итальянского, португальского, нидерландского, арабского, хинди и корейского языков. По описанию, при настройках vLLM по умолчанию контекст позволяет обрабатывать аудио продолжительностью примерно до трёх часов, хотя практический предел зависит от выделенной памяти и параметров запуска. Модель показывает конкурентные результаты среди систем транскрипции реального времени, но в приведённом сравнении Fleurs уступает офлайн-модели Voxtral Mini Transcribe 2.0. Для работы с потоковым аудио рекомендуются веб-сокеты; запуск через vLLM требует GPU с памятью не менее 16 ГБ. Архитектура пока имеет ограниченную поддержку в программных инструментах: README отмечает поддержку vLLM и Transformers, а запуск через ExecuTorch обозначен как непроверенный. Лицензия — Apache-2.0.

Voxtral Mini 4B Realtime 2602 — мультиязычная модель распознавания речи в реальном времени от Mistral AI, опубликованная на Hugging Face организацией RedHatAI. Она преобразует потоковое аудио в текст и рассчитана на транскрибацию с низкой задержкой; в README рекомендуют задержку 480 мс. Модель построена на плотной архитектуре VoxtralRealtimeForConditionalGeneration и дообучена на базе mistralai/Ministral-3-3B-Base-2512. Весовая версия в формате safetensors поддерживается vLLM; README также указывает поддержку в Transformers начиная с версии 5.2.0. Модель предназначена для потоковой расшифровки аудио, включая длинные записи: для vLLM по умолчанию указан максимальный контекст 131072 токена, что соответствует примерно трём часам. В тесте Fleurs средняя частота ошибок слов при задержке 480 мс составила 8,72%; показатели различаются по языкам. Для запуска в BF16 требуется одна GPU с памятью от 16 ГБ. Модель поддерживает английский, французский, испанский, немецкий, русский, китайский, японский, итальянский, португальский, нидерландский, арабский, хинди и корейский языки. Лицензия — Apache-2.0. README отмечает, что из-за новой архитектуры официальная поддержка на момент карточки доступна в vLLM, а интеграции в другие среды перечислены как непроверенные.

Это акустическая модель Finnish-NLP на архитектуре Wav2Vec2-base с CTC-декодированием, дообученная для распознавания финской речи. Она основана на facebook/wav2vec2-base-fi-voxpopuli-v2: исходную модель предварительно обучали на неразмеченной финской речи из VoxPopuli, а эту версию дообучили на 276,7 часа расшифрованной финской речи. В репозитории также есть финская языковая модель KenLM для этапа декодирования. Модель содержит 113,3 млн параметров и принимает аудио, выдавая текстовую расшифровку. Модель предназначена для преобразования финской речи в текст, в том числе для обработки коротких аудиозаписей. В README приведены оценки на тестовых наборах Common Voice и FLEURS; качество декодирования зависит от использования KenLM. Обучающие аудиофрагменты ограничивались 20 секундами. Большая часть данных дообучения взята из заседаний финского парламента, поэтому качество может снижаться на повседневной разговорной речи, диалектах, а также речи женщин и детей. Лицензия — Apache-2.0.

Wav2Vec2-Large-XLSR-53-Slovene — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на словенской части Common Voice. Она принимает аудиозаписи речи с частотой дискретизации 16 кГц и преобразует их в текст на словенском языке. Архитектура — Wav2Vec2ForCTC; размер модели составляет около 402,7 млн параметров. Модель подходит для расшифровки словенской речи и оценки систем распознавания на тестовых данных Common Voice. В README приведён результат тестирования 36,97 %, но не уточнена метрика, поэтому значение нельзя интерпретировать как конкретную точность. Модель распространяется по лицензии Apache-2.0.

Модель m-salman-a/wav2vec2-xlsr-53-common-voice-indonesian — система автоматического распознавания речи на базе wav2vec 2.0 XLSR-53, дообученная автором репозитория на индонезийской части Common Voice 8.0. Она преобразует аудио на индонезийском языке в текст и предназначена для распознавания речи в записях, подготовленных по правилам предобработки модели. Модель использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. В обучающих данных было около 32 тысяч аудиозаписей из разделов train, validation и other; аудио приводили к частоте 16 кГц, а текст нормализовали: удаляли символы, переводили цифры в словесную форму и приводили символы к нижнему регистру. В README сообщается средний показатель WER 15,6% по пяти запускам на тестовой части Common Voice 8.0. Это экспериментальная модель, созданная в рамках бакалаврской исследовательской работы. Для корректных результатов входное аудио следует привести к 16 кГц и учитывать применённую нормализацию транскриптов; качество на иных данных в карточке не описано. Лицензия в предоставленных данных не указана.

itayinbar/whisper-base-he — модель распознавания речи на иврите, разработанная на основе OpenAI Whisper Base. Авторы заменили исходный мультиязычный словарь Whisper на ивритский byte-level BPE из 8 192 токенов и дообучили модель на 3 112,7 часа человеческой расшифровки иврита. В README указано 50,2 млн параметров; в метаданных — 29,4 млн, поэтому размер модели указан в источниках по-разному. Модель преобразует аудиозаписи на иврите в текст. Она предназначена для расшифровки речи, в том числе длинных записей и аудио из собраний и сообщений. README приводит результаты оценки на нескольких наборах данных и сообщает о высокой скорости на RTX 5070 Laptop; эти показатели относятся к указанным тестам и оборудованию. Репозиторий содержит форматы ONNX и Safetensors, библиотека — Transformers. Лицензия Apache-2.0. Модель специализирована на иврите; характеристики распознавания других языков в карточке не заявлены.

Whisper Kannada Small — дообученная версия модели Whisper-small от OpenAI, созданная участником проекта Whisper fine-tuning sprint для распознавания речи на каннада. Модель принимает аудио и генерирует текстовую расшифровку; её можно применять для транскрибирования записей и оценки систем ASR на корпусах каннада. Модель основана на архитектуре Whisper и содержит около 153,1 млн параметров. Для дообучения использованы корпуса IISc-MILE Kannada ASR, ULCA ASR, Shrutilipi ASR и обучающая и валидационная выборки Google Fleurs. Карточка указывает Apache 2.0 в качестве лицензии. Оценка проводилась на тестовой выборке Google Fleurs, тесте IISc-MILE и OpenSLR.

Xenova/whisper-small — версия модели Whisper-small, разработанной OpenAI, подготовленная сообществом Xenova для использования в Transformers.js. Репозиторий содержит веса в формате ONNX, совместимые с JavaScript-библиотекой Transformers.js и ориентированные на запуск в веб-среде и других JavaScript-приложениях. Модель предназначена прежде всего для автоматического распознавания речи и транскрибации аудио, в том числе аудиофайлов, доступных по URL. Исходная модель openai/whisper-small является аудиомоделью; однако в README не указаны её архитектурные параметры, количество параметров, поддерживаемые языки и максимальная длина контекста. Использование ONNX обеспечивает совместимость с Transformers.js, но конкретные требования к производительности и окружению не приведены. Лицензия модели указана как Apache-2.0. К ограничениям относятся отсутствие в README подробных сведений о качестве распознавания, языковых особенностях, аппаратных требованиях и известных сценариях ошибок. Репозиторий с ONNX-весами описан как временное решение до более широкого распространения WebML.

wcyat/whisper-small-yue — дообученная модель семейства Whisper для автоматического распознавания речи. Модель содержит 153,1 млн параметров и принимает аудио, выдавая распознанный текст. В README указана оценка WER 56,8538 на наборе для проверки; название обучающего набора обозначено как None. Подробности об обучающих данных и предполагаемых сценариях применения не приведены.

X-ASR-zh-en — двуязычная модель автоматического распознавания речи, разработанная GilgameshWind и упакованная проектом OpenASR для нативного выполнения в runtime OpenASR. Она предназначена для преобразования китайской и английской речи в текст, включая речь с переключением между языками, потоковые субтитры с низкой задержкой, диктовку на устройствах и офлайн-транскрибацию аудиофайлов. Модель построена по рецепту icefall/k2 как кэш-ориентированный Zipformer2 RNN-T трансдьюсер: 6-стековый 19-слойный encoder Zipformer2, stateless RNN-T decoder и tanh joiner с BPE-словарём на 5000 токенов. Размер модели составляет около 0,16 млрд параметров. Доступны варианты fp16, q8_0 и q4_k размером примерно от 112 до 315 МБ; q8_0 рекомендован как компромисс между качеством и занимаемой памятью. Модель оптимизирована для CPU и GPU, поддерживает потоковую и офлайн-обработку, а инференс выполняется без Python. К сильным сторонам относятся компактность, низкое потребление памяти, локальная обработка, поддержка китайского и английского языков и пригодность для устройств с ограниченными ресурсами. README не содержит абсолютных показателей точности, поэтому качество распознавания в различных условиях оценить нельзя; приведённое сравнение квантованных вариантов отражает только отклонение от транскрипта fp16 на одном тестовом фрагменте. Пакеты распространяются по лицензии Apache-2.0, унаследованной от исходной модели.