I.6Перевод и языковая адаптация

Карточка модели 0x3/moonshine-tiny-ja на Hugging Face совпадает с карточкой moonshine-ai/moonshine-tiny-ja, поэтому описание составлено по ней. Moonshine Tiny JA — компактная модель распознавания речи с архитектурой Moonshine, разработанная Moonshine AI, ранее Useful Sensors. Она преобразует японскую речь из аудио в японский текст и предназначена для разработчиков, которым нужно запускать транскрибацию в реальном времени на устройствах с ограниченными памятью и вычислительными ресурсами. Модель содержит 27 млн параметров, использует архитектуру последовательность-в-последовательность и доступна в формате Safetensors для Transformers; длина контекста — 194 токена. По данным README, модель обучена на 53 900 часах аудио с расшифровками и показала CER 17,87 на Fleurs и 18,3 на Common Voice 17. Среди возможных применений — субтитры и средства доступности, а также транскрибация японской речи на периферийных устройствах. Лицензия указана как other; конкретные условия следует проверять в репозитории модели. Расшифровки могут содержать слова, которых не было в аудио, а последовательная генерация может приводить к повторам. Эти проблемы вероятнее для коротких фрагментов и аудио с обрезанными краями; модель не следует использовать для выводов о людях или решений в критически важных областях. README также содержит противоречивое утверждение об обучении и оценке на арабской задаче, хотя карточка описывает японскую ASR; поэтому языковую специализацию следует трактовать с учётом этого расхождения.

Это преобразованная сообществом mlx-community версия NVIDIA Nemotron 3.5 ASR Streaming — модели распознавания речи с архитектурой FastConformer-RNNT и примерно 600 млн параметров. Веса представлены в формате bfloat16; библиотека запуска — mlx-audio. Модель преобразует аудио в текст и рассчитана на потоковую транскрипцию. Она использует подсказку с идентификатором языка, поддерживает 40 языковых локалей, а распознанный текст оформляет с пунктуацией и заглавными буквами. Параметр размера контекста позволяет выбирать компромисс между задержкой и использованием будущего аудиоконтекста; конфигурация [56,13] рекомендована в README для наилучшей точности в офлайн-режиме. README указывает на оригинальную модель NVIDIA и её карточку как источник сведений об архитектуре и назначении. Репозиторий содержит конверсию весов в MLX, а не отдельное дообучение. Лицензия в метаданных обозначена как other, поэтому конкретные условия следует сверять с карточкой оригинальной модели и репозитория.

Nemotron-3.5 ASR Streaming 0.6B MLX INT8 — конвертированная в нативный формат MLX версия потоковой модели распознавания речи NVIDIA на основе cache-aware FastConformer и prompt-conditioned RNN-T. Модель содержит 0,6 млрд параметров; линейные веса квантованы до 8 бит, рекуррентное состояние хранится в BF16, а свёрточные слои, эмбеддинги, LSTM и слои языковых подсказок не квантованы. Репозиторий использует safetensors и библиотеку MLX, рассчитан на потоковый запуск на Apple silicon; аудио подаётся в формате моно, 16 кГц. Модель предназначена для многоязычного преобразования речи в текст с низкой задержкой, включая обработку аудиопотока частями. По карточке поддерживаются десятки языков, в том числе русский, английский, испанский, немецкий, французский, китайский и японский. Приведённые тесты на FLEURS показывают результаты для шести языковых срезов, а не для всего заявленного списка языков. Ограничения: модель выполняет только ASR, не поддерживает диаризацию и идентификацию говорящих. Язык задаётся явно или через слот auto; промежуточный текст может быть неполным и требует замены при получении следующих фрагментов. Для MLX-версии не реализован дополнительный слой усиления слов из Core ML runtime. Лицензия репозитория — OpenMDW-1.1.

Aleteian/Neverending-Story-MN-12B — объединённая модель генерации текста на архитектуре Mistral, созданная с помощью mergekit. В качестве базовой модели использована Aleteian/base-ground-2; в объединение также вошли три модели, перечисленные в метаданных. Размер модели — 12,1 млрд параметров, формат весов — safetensors, библиотека — Transformers. Метаданные заявляют контекст до 1 024 000 токенов и возможность диалогового общения. Модель подходит для генерации продолжений текста и диалогов, в том числе на русском и английском языках: базовая SAINEMO-reMIX описана как русско-английская модель для диалогов, генерации и ролевого общения. Карточка не приводит результатов оценки качества или подробных рекомендаций по настройке, поэтому качество на конкретных задачах и практическую поддержку заявленной длины контекста следует проверять отдельно. Лицензия в доступных данных не указана.

Parakeet TDT-CTC 0.6B Japanese GGUF — конверсия модели nvidia/parakeet-tdt_ctc-0.6b-ja, подготовленная для использования с CrispASR. Это модель автоматического распознавания речи, предназначенная для транскрибации японской речи из монофонических аудиозаписей с частотой 16 кГц, включая расстановку пунктуации и получение временных меток на уровне слов или токенов. Модель содержит около 600 млн параметров и использует гибридную архитектуру FastConformer с 24 слоями, декодером TDT (Token-and-Duration Transducer) и дополнительной CTC-головой, которую можно выбрать во время выполнения. Входной аудиосигнал обрабатывается через 80 мел-фильтров; словарь включает 3072 токена SentencePiece для японского языка с пунктуацией. TDT обеспечивает встроенные временные метки без отдельной модели выравнивания. Для коротких записей доступны варианты F16, Q8_0 и Q4_K; F16 соответствует результатам официального конвейера NeMo, а Q8_0 сохраняет идентичный TDT-вывод в заявленных тестах. Сильные стороны модели — специализированная поддержка японского языка, пунктуация, встроенные временные метки и возможность выбора между TDT и CTC. Ограничением является чувствительность энкодера к контексту длиннее примерно 12 секунд при однопроходной обработке; для длинных записей рекомендуется использовать CrispASR с VAD-сегментацией и ограничением длительности фрагментов. Вариант Q4_K может вызывать зацикливание при TDT-декодировании, поэтому для него рекомендуется CTC или более точный Q8_0. Указанная лицензия — CC-BY-4.0.

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.

Poro-34B — базовая авторегрессионная языковая модель семейства Poro, созданная SiloGen (Silo AI), группой TurkuNLP Университета Турку и High Performance Language Technologies. Модель основана на архитектуре BLOOM и содержит 34,2 млрд параметров по README; в метаданных Hugging Face указано 45,3 млрд параметров. Она обучена на смеси финского и английского текстов, а также кода, примерно на 1 трлн токенов. Для токенизации используется словарь BLOOM на 128 тыс. токенов; ALiBi позволяет экстраполировать длину контекста при инференсе, однако точный размер контекста в источниках не приведён. Модель предназначена для продолжения текста и генерации на финском и английском языках, работы с кодом и базового перевода между финским и английским. Это базовый чекпойнт, которому для большинства прикладных сценариев требуется дополнительное дообучение. Разработчики отмечают, что модель не обладает значимыми навыками в других языках. Лицензия — Apache 2.0.

Qwen1.5-32B — предварительно обученная плотная авторегрессионная языковая модель семейства Qwen от Alibaba Cloud, бета-версия Qwen2. Она построена на архитектуре Transformer с декодером и содержит 31,7 млрд параметров; версия 32B использует group query attention. Модель принимает текст и генерирует текст, поддерживает многоязычные данные и контекст до 32 768 токенов. Чекпойнт предназначен для дальнейшего обучения и адаптации, например с помощью SFT, RLHF или продолжения предобучения. В карточке указана задача генерации текста, а метаданные отмечают поддержку диалогового применения. Авторы не рекомендуют использовать базовые языковые модели этой серии для прямой генерации текста без последующего обучения. Модель распространяется в формате Safetensors. Лицензия указана как other, поэтому условия использования следует сверить с лицензией и документацией репозитория.

MaziyarPanahi/Qwen3-1.7B-GGUF — набор файлов модели в формате GGUF для Qwen/Qwen3-1.7B, разработанной командой Qwen. Квантизацию и публикацию файлов выполнил MaziyarPanahi. Модель предназначена для генерации текста и локального запуска через совместимые инструменты, включая llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другие приложения и библиотеки с поддержкой GGUF. Доступны варианты квантизации с разрядностью 2, 3, 4, 5, 6 и 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством генерации. Архитектура, языки, поддерживаемые модальности и размер контекста в README не указаны; известно только, что исходная модель обозначена как Qwen3-1.7B. Сильными сторонами являются совместимость с широким набором локальных средств запуска, поддержка GPU-ускорения в ряде клиентов и наличие нескольких уровней квантизации. Ограничения связаны с потерями качества, возможными при квантизации, а также с отсутствием в предоставленных данных подробных характеристик исходной модели и результатов оценки. Лицензия в README не указана.

huihui-ai выпустила версию Qwen3-30B-A3B с применением abliteration — экспериментального метода, который изменяет модель, чтобы снизить частоту отказов. Это разговорная модель для генерации текста, основанная на многоязычной MoE-модели Qwen3 и предназначенная для диалогов и других сценариев работы с текстом. Репозиторий содержит веса в формате Safetensors и рассчитан на использование через библиотеку Transformers; также автор описывает запуск через Ollama. Автор характеризует реализацию как грубую проверку концепции. Режим мышления можно попытаться переключить командой /no_think, но его работа не гарантируется. Модель распространяется по лицензии Apache-2.0.

Carlosian/Qwen3.5-35B-A3B-Abliterated-GGUF — набор квантованных сборок модели Carlosian/Qwen3.5-35B-A3B-Abliterated в формате GGUF. Модель разработана Carlosian и предназначена для локального запуска через llama.cpp, Ollama и LM Studio; задача библиотеки — генерация текста. Это MoE-модель с общим размером 35B параметров и, судя по названию, примерно 3B активных параметров на токен. Доступны варианты квантования от Q2_K до Q8_0: Q2_K рассчитан на минимальные требования к видеопамяти, Q3 — на ограниченные ресурсы, Q4_K_M указан как рекомендуемый вариант по умолчанию, а Q5–Q8 ориентированы на более высокое качество. Более подробные сведения об архитектуре, поддерживаемых языках, модальностях и размере контекста в README не указаны. Сильная сторона набора — широкий выбор уровней квантования для разных аппаратных ограничений и сценариев локального использования. При этом квантование может снижать качество по сравнению с исходной моделью, особенно в наиболее компактных вариантах; конкретные требования к памяти, производительность и результаты оценивания не приведены. Модель помечена как abliterated и uncensored, однако практические последствия этого описания не раскрыты. Лицензия указана как other, без дополнительных условий в README.

Renesas публикует сборку Qwen3-ASR-1.7B для распознавания речи на платформе Renesas X5H. Модель поддерживает определение языка и транскрибацию речи на 30 языках, а также 22 китайских диалектах. В архитектуре указаны аудиоэнкодер с 24 слоями и скрытым размером 1024 и текстовый декодер с 28 слоями и скрытым размером 2048; исходная модель — Qwen/Qwen3-ASR-1.7B. Репозиторий предназначен для инференса на плате Renesas X5H с SDK версии 4.34.0. README приводит замеры для 15-секундного англоязычного аудио: для W4A16 и FP16 на одном кластере NPX указана скорость предварительной обработки и декодирования. Для запуска требуются соответствующие файлы модели и проектора, а также установщик для X5H. Модель принимает аудио и выдаёт распознанный текст; базовая модель поддерживает потоковую обработку, согласно краткому описанию в метаданных. Репозиторий распространяется по лицензии Apache-2.0. Приведённые показатели производительности относятся к указанной платформе и конфигурациям, поэтому не характеризуют скорость на другом оборудовании.

RakutenAI-7B — базовая языковая модель, разработанная Rakuten Group, Inc. на основе Mistral-7B-v0.1. Это плотная авторегрессионная модель с 7,2 млрд параметров и контекстом до 32 768 токенов. Для японского языка словарь расширен с 32 тыс. до 48 тыс. токенов, чтобы эффективнее представлять японские символы. Модель предназначена для генерации текста и оценки или последующей адаптации под задачи на японском и английском языках. В карточке приведены результаты тестирования на японских и английских бенчмарках понимания языка. Это базовая модель, а не версия для инструкций или чата; для диалога разработчик предлагает отдельные instruct- и chat-варианты. Модель может создавать предвзятый, неточный или небезопасный текст. Распространяется по лицензии Apache 2.0.

RWKV/RWKV7-Goose-World2.8-0.1B-HF — плотная авторегрессионная языковая модель семейства RWKV-7, разработанная Бо Пэном, Ю Чжаном, Сонглином Янгом и Жуйчжуном Чжаном при поддержке RWKV Project в рамках LF AI & Data Foundation. Модель содержит 149,4 млн параметров и распространяется в формате Safetensors для библиотеки Transformers; карточка описывает представление flash-linear attention. Модель предназначена для генерации текста и диалогов. Она обучена на наборе World v2.8 объёмом 1 трлн токенов, использует токенизатор RWKV World с размером словаря 65 536 и имеет контекст 2048 токенов. В README заявлен английский язык, а метаданные карточки перечисляют также китайский, японский, корейский, французский, арабский, испанский и португальский. В качестве ориентира в карточке приведена метрика LAMBADA: perplexity 12,4 и точность 49,1%. Для загрузки README указывает необходимость flash-linear-attention 0.3.0 и Transformers версии 4.48.0 или новее. Модель доступна по лицензии Apache-2.0.

featherless-ai-quants/SillyTilly-Meta-Llama-3.1-8B-Instruct-GGUF — набор GGUF-квантизаций инструкционной языковой модели SillyTilly/Meta-Llama-3.1-8B-Instruct. Квантизации подготовлены featherless-ai-quants. Модель предназначена для генерации текста и диалоговых сценариев, включая запуск инструкционной Llama-модели в совместимом с GGUF окружении. В репозитории доступны варианты IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0 размером примерно от 3 до 8 ГБ. README не указывает архитектуру подробнее, поддерживаемые языки, модальности и размер контекстного окна; по назначению модель относится к текстовой генерации и не заявлена как мультимодальная. Главное преимущество набора — возможность выбрать компромисс между размером файла, требованиями к ресурсам и сохранением качества при локальном или ином GGUF-запуске. Более агрессивные квантизации занимают меньше места, но могут сильнее снижать качество по сравнению с менее сжатыми вариантами. Лицензия в README не указана, поэтому условия использования необходимо уточнять по исходной модели SillyTilly/Meta-Llama-3.1-8B-Instruct и правилам распространения конкретных файлов.

Карточка модели KIEFERSA/Sophea-Nemo-3.5-Lightning-v1 на Hugging Face совпадает с карточкой ayoubkirouane/Sophea-Nemo-3.5-Lightning-v1, поэтому описание составлено по ней. Sophea-Nemo-3.5-Lightning-v1 — модель Kiefer SA (Sophea AI Lab, Афины), дообученная на базе nvidia/Nemotron-3.5-Lightning-30B-A3B для рассуждений на греческом и английском языках. Это гибридная архитектура Nemotron с Mamba и MoE; базовая модель содержит 31,6 млрд параметров, из которых активно используются 3,58 млрд. Модель поддерживает генерацию текста и диалоговый режим, длина контекста составляет 262 144 токена. Модель предназначена для ответов с рассуждениями на языке исходного вопроса, особенно на греческом, а также для двуязычных задач на греческом и английском. Режим рассуждений передаёт ход решения в специальных блоках; прямой режим выдаёт ответ без незапрошенных следов рассуждения. В README сообщается о повышении греческих результатов относительно базы и небольшом снижении английских, а также о сохранении общих двуязычных навыков в проверенных тестах. Модель не следует использовать там, где требуется принудительно вести рассуждения на английском для греческих вопросов. Возможности в критически важных, юридических и медицинских сценариях не оценивались; качество логических задач ограничено. Лицензия — Apache-2.0.

Swallow-MoE-2x13B-v0.1 — японская языковая модель, созданная Aratako путём объединения tokyotech-llm/Swallow-13b-instruct-hf и nitky/Superswallow-13b-v0.2 в архитектуру Mixture of Experts с помощью mergekit. Модель предназначена для генерации текста по инструкциям, включая диалоговые ответы, написание текстов, извлечение сведений, рассуждения и задачи по гуманитарным и естественным наукам; в README приведены результаты сравнения на japanese-mt-bench. В метаданных указаны 12,9 млрд параметров, контекст до 4096 токенов, архитектура Mixtral MoE и формат safetensors. Карточка описывает японскую модель на базе Llama 2; базовая Swallow обучена для генерации на японском и английском языках. Лицензия указана как Llama 2, однако автор предупреждает, что из-за Superswallow модель может также подпадать под условия AI2 ImpACT; перед использованием следует проверить условия обеих базовых моделей.

Карточка модели SYNAPSEai1/SynapseMusicV12-Transcriber на Hugging Face совпадает с карточкой ACE-Step/acestep-transcriber, поэтому описание составлено по ней. ACE-Step Transcriber — мультиязычная модель транскрибации, используемая ACE-Step v1.5 для разметки обучающих данных. В карточке указана архитектура Qwen2.5-Omni; модель принимает аудио и формирует структурированный текст с распознанной речью или текстом песен, а также пометками частей композиции, например куплетов, припева и инструментальных фрагментов. Модель предназначена для распознавания речи и пения, извлечения текста песен, создания субтитров и анализа музыкальной структуры. Она поддерживает более 50 языков, включая китайский, японский, корейский, вьетнамский, тайский, индонезийский, малайский, филиппинский, хинди, бенгальский, тамильский и урду. Репозиторий содержит веса в формате Safetensors, используется библиотека Transformers. Лицензия — MIT.

TheDrummer_Valkyrie-49B-v2.1-GGUF — это квантизированная GGUF-версия языковой модели Valkyrie-49B-v2.1, разработанной TheDrummer и подготовленной пользователем bartowski с использованием llama.cpp. Модель предназначена для генерации текста и запуска локального вывода через llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и LoLLMs при условии поддержки этой архитектуры инструментом. Модель содержит 49 миллиардов параметров и представлена в форматах от BF16 до различных вариантов квантизации Q8, Q6, Q5, Q4, Q3 и IQ. Доступные файлы занимают примерно от 22,66 до 99,74 ГБ; варианты с более высокой разрядностью обеспечивают лучшее качество, а варианты Q3 подходят для систем с ограниченным объёмом оперативной памяти, но дают более низкое качество. Для взаимодействия используется шаблон с системным сообщением, сообщениями пользователя и ассистента. Сведения о поддерживаемых языках, модальностях, длине контекста, исходной архитектуре и лицензии в README не указаны. К сильным сторонам относятся большой размер модели, широкий выбор уровней квантизации и применение imatrix-квантизации, позволяющее подобрать баланс между качеством и требованиями к памяти. Ограничениями являются значительные требования к хранилищу и памяти даже у компактных вариантов, возможное снижение качества при агрессивной квантизации и необходимость совместимого обновления программного обеспечения. Условия лицензирования в предоставленных данных не указаны.

Tiger-Gemma-9B-v3-GGUF — набор GGUF-квантизированных версий модели Tiger-Gemma-9B-v3, опубликованный и квантизированный пользователем bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp, в том числе в LM Studio. Исходная модель разработана TheDrummer, однако README не содержит подробностей о методике её обучения. Доступны варианты от исходных весов F16 размером 18,49 ГБ до сильно сжатых Q2 и IQ2-версий. Квантизация выполнена с использованием imatrix на базе llama.cpp b3878; представлены форматы Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ, включая варианты, оптимизированные для ARM-процессоров. Более качественными считаются F16, Q8_0, Q6_K и Q5_K, тогда как низкобитные варианты экономят память за счёт снижения качества. README не указывает архитектуру, поддерживаемые языки, размер контекста, модальности, точные сценарии применения исходной модели и лицензию. Формат промпта также не определён; для корректного использования рекомендуется обратиться к странице исходной модели.

Tongue — компактная модель идентификации языка от desert-ant-labs, предназначенная для определения языка коротких строк на устройстве. Она классифицирует текст длиной до 512 символов и выдаёт ранжированные коды ISO 639-1/639-3 с вероятностями и оценкой надёжности. Модель охватывает 84 языка: 59 распознаются по лексическим признакам, ещё 25 — по письменности; поддерживается 31 письменность. Для обработки используются нормализация, хеширование и маршрутизация по письменности на стороне приложения, а ONNX-граф содержит классификационную голову. Поставляются варианты весов int8 размером 2,01 МиБ и int4 размером 1,01 МиБ, а также граф ONNX в fp32 размером 8,4 МБ. По приведённым в карточке тестам точность особенно высока на коротких фразах и предложениях; вариант int4 немного уступает на очень коротком вводе. Модель рассчитана на офлайн-работу в браузерах, мобильных и настольных приложениях. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Trama v1 — созданная автором Trina-QwQ дообученная версия Qwen3-4B-Instruct-2507, распространяемая в формате GGUF и предназначенная для локального запуска через Ollama или LM Studio. Модель рассчитана на диалоговые вопросы и ответы, ролевое общение, базовые рассуждения по математике и естественным наукам, литературное письмо, программирование и многоязычные запросы. Это одноязычная текстовая модель. Автор указывает на высокую степень снятия ограничений, сохранение обычных моральных принципов, следование ролевым инструкциям и базовые знания в математике, физике и химии. В карточке отмечен один файл GGUF с квантованием Q4, для которого рекомендована видеокарта уровня GTX 980 или лучше. Базовая модель поддерживает контекст до 262 144 токенов; README не уточняет, сохранена ли эта длина в Trama. Модель выпущена по лицензии MIT. Автор не публикует полный конвейер обучения и подробный состав обучающих данных; заявленные возможности описаны качественно, без результатов сопоставимых тестов.

Trurl 2 7B GGUF — квантизированная версия языковой модели Trurl 2 7B, разработанной Voicelab и преобразованной в формат GGUF пользователем TheBloke. Модель основана на архитектуре Llama 2 и предназначена для генерации текста и диалогового взаимодействия. В карточке указаны английский и польский языки, однако другие характеристики языковой поддержки не заявлены. Модель рассчитана на локальный запуск с использованием llama.cpp и совместимых интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, LM Studio, llama-cpp-python и другие. Доступны варианты квантизации от 2 до 8 бит, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством генерации, а также использовать CPU и GPU. В качестве шаблона запросов применяется формат Llama-2-Chat с системной инструкцией, ориентированной на полезные, безопасные и непредвзятые ответы. Размер модели указан как 7B параметров. Данные о длине контекста, мультимодальности, результатах тестирования и конкретных сильных сторонах отсутствуют. Квантизация облегчает локальное развертывание, но может снижать качество по сравнению с исходной моделью в формате FP16; степень снижения зависит от выбранного варианта. Лицензия указана как llama2.

Wav2Vec2-Large-XLSR-Indonesian — модель распознавания индонезийской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на датасете Common Voice, включая синтетические голосовые данные. Модель использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Она преобразует аудиозаписи на индонезийском языке в текст и рассчитана на распознавание речи с частотой дискретизации 16 кГц. В README для тестовой части Common Voice указана оценка 14,29%, но метрика не названа, поэтому результат нельзя напрямую интерпретировать или сравнивать. Модель распространяется по лицензии Apache-2.0. Ее применение ориентировано на индонезийскую речь; результаты на других языках и аудио с иными характеристиками в предоставленных данных не описаны.

jimregan/wav2vec2-large-xlsr-latvian-cv — модель автоматического распознавания латышской речи, созданная Джимом Риганом дообучением facebook/wav2vec2-large-xlsr-53 на латышской части набора Common Voice. Она предназначена для преобразования аудиозаписей речи в текст, например для расшифровки записей и оценки распознавания на тестовых данных Common Voice. Модель использует архитектуру wav2vec 2.0 с головой Wav2Vec2ForCTC и содержит 402,7 млн параметров. Для входной речи требуется частота дискретизации 16 кГц; веса представлены в форматах PyTorch, Flax и safetensors. Модель рассчитана на латышский язык, принимает аудио и выдаёт текст. В README приведён результат оценки 29,95% на тестовых данных Common Voice, но метрика не уточнена, поэтому это число нельзя напрямую трактовать как точность или ошибку распознавания. Лицензия модели — Apache-2.0.

Это модель автоматического распознавания речи на основе Wav2Vec2-XLS-R, разработанная shahruk10 и дообученная на базе arijitx/wav2vec2-xls-r-300m-bengali. Она преобразует бенгальскую речь в текст и предназначена прежде всего для аудио с бангладешским акцентом. Обучение проводилось примерно на 300 часах аудио Common Voice 9.0 с частотой 16 кГц; для декодирования использовалась языковая модель 5-грамм. В метаданных указаны архитектура Wav2Vec2ForCTC и 402,8 млн параметров. На валидационной выборке соревнования BUET CSE Fest 2022 DL Sprint модель показала CER 0,08079 и WER 0,017939 с 5-граммной языковой моделью и заняла первое место в публичном и приватном рейтингах соревнования. Эти показатели относятся к конкретным данным и настройке декодирования; тестовые метки организаторы не предоставили. Модель распространяется по лицензии Apache-2.0.

NbAiLab/wav2vec2-xlsr-300m-norwegian2 — модель автоматического распознавания речи, опубликованная Nasjonalbiblioteket AI Lab. Она предназначена для преобразования норвежской речи в текст и может использоваться через Transformers как ASR-модель с выходом на основе CTC. По названию и размещению в коллекции NbAiLab модель ориентирована на норвежский язык, однако точная поддержка вариантов языка, состав обучающих данных и область применения в карточке модели подробно не описаны. Модель основана на архитектуре wav2vec2/XLSR и содержит около 0,3 млрд параметров; опубликованные веса имеют тип F32 и доступны в формате Safetensors. Она принимает аудио и возвращает текст, но сведения о максимальной длительности или размере контекста, точности, тестовых наборах, устойчивости к шуму и других ограничениях отсутствуют. Лицензия на странице репозитория обозначена как CC, без уточнения конкретного варианта Creative Commons; README модели пуст, поэтому условия коммерческого и иного использования требуют проверки по исходному репозиторию.

Whisper Large V2 Cantonese — дообученная Simonl0909 версия мультиязычной модели OpenAI Whisper Large V2 для автоматического распознавания речи на кантонском языке. Модель содержит 905,2 млн параметров и принимает аудио, выдавая его текстовую транскрипцию. Она обучена на кантонской части набора Common Voice 11.0; на оценочной выборке указаны CER 6,7274 и loss 0,2807. Базовая Whisper Large V2 также поддерживает транскрибацию и перевод речи, но для этой версии подтверждено распознавание речи. Модель подходит для транскрибации кантонской речи в аудиозаписях и оценки качества распознавания на наборах данных. Репозиторий распространяется по лицензии Apache-2.0. Показатели на оценочной выборке не гарантируют такое же качество на других данных; README не описывает дополнительные ограничения.

onnx-community/whisper-small_timestamped — это веб-совместимая версия модели openai/whisper-small, подготовленная сообществом ONNX Community. Репозиторий содержит ONNX-веса, предназначенные для использования с библиотекой Transformers.js, а исходная модель разработана OpenAI. Модель предназначена для задач автоматического распознавания речи в приложениях, работающих через Transformers.js, включая веб-сценарии. Архитектура, размер, поддерживаемые языки, модальности и размер контекста в предоставленных данных отдельно не указаны; известно только, что базовой моделью является whisper-small. Ключевое преимущество — наличие ONNX-весов, упрощающих запуск модели в средах, совместимых с Transformers.js. Ограничение состоит в том, что README не содержит подробностей о производительности, точности, требованиях к ресурсам и фактическом наборе поддерживаемых сценариев. Лицензия в предоставленных данных не указана.

XinYuan-Qwen2.5-7B-0917 — чат-модель для генерации текста, созданная на архитектуре Qwen2.5 с 7,1 млрд параметров. Автор карточки описывает её как проверку пригодности набора данных thomas-yanxin/MT-SFT-ShareGPT и демонстрацию того, как улучшение отбора и управления данными может повысить результаты дообучения с учителем (SFT). Модель рассчитана на диалоговые сценарии и генерацию ответов на текстовые запросы. В метаданных указаны контекст до 131 072 токенов, поддержка китайского и английского языков и формат весов Safetensors. В README приведены результаты OpenCompass для английского бенчмарка MMLU: 73,72 балла; остальные показатели в доступном фрагменте карточки отсутствуют. Лицензия обозначена как other, поэтому условия использования следует сверять с полными условиями репозитория.