I.6Перевод и языковая адаптация

Windstorm Labs опубликовала модель машинного перевода с английского языка на луо. Это дообученная версия Helsinki-NLP/opus-mt-en-luo: LoRA-дообучение на параллельных данных слито с базовыми весами. Модель построена на архитектуре MarianMT, содержит 51,9 млн параметров и принимает текст; для работы доступны веса Safetensors в формате Transformers. Указанная длина контекста — 512 токенов. Модель предназначена для перевода текстов с английского на луо. В README приведена предварительная оценка на 48 предложениях FLORES-200: chrF++ 25,13 и BLEU 3,03; результат помечен как ограниченный и не является публикационным исследованием. Модель работает только в направлении en→luo, поэтому качество на других языках и направлениях не заявлено. Лицензия — Apache-2.0.

WindyTranslate/translate-en-niu — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-en-niu: LoRA-адаптер, обученный на параллельном корпусе, объединён с базовыми весами. Модель построена на архитектуре Marian и содержит 46,7 млн параметров; доступна в формате safetensors для Transformers. Она переводит текст с английского на ниуэ и рассчитана на сценарии однонаправленного перевода. Размер контекста — 512 токенов. Лицензия — Apache-2.0. Качество перевода пока не оценено. Проверка GlotLID подтвердила, что выходной текст соответствует заявленному языку, но это не является оценкой точности или естественности перевода. Модель поддерживает только направление en→niu.

WindyTranslate/translate-en-ty — модель машинного перевода, опубликованная Windstorm Labs и предназначенная для перевода с английского языка на таитянский. Это дообученная версия Helsinki-NLP/opus-mt-en-ty: LoRA-адаптер обучили на параллельном корпусе и объединили с базовыми весами. Модель построена на архитектуре MarianMT, содержит 54,1 млн параметров, принимает текст и выдаёт перевод; максимальный контекст составляет 512 токенов. Репозиторий содержит сборку для Transformers в формате safetensors. Лицензия — Apache-2.0. Модель подходит для перевода английских текстов на таитянский, но её качество пока не оценено; проверка подтвердила язык результата, а не точность перевода.

Windstorm Labs публикует модель машинного перевода с финского языка на бикольский (fi→bcl), созданную на основе Helsinki-NLP/opus-mt-fi-bcl. Это архитектура MarianMT с 56,8 млн параметров и контекстом до 512 токенов. Модель рассчитана на перевод текста в одном направлении. Веса дообучены методом LoRA на параллельном корпусе, а адаптер объединён с базовыми весами. Репозиторий содержит сборку Transformers в формате safetensors. Лицензия — Apache-2.0. Качество этой версии не оценивалось бенчмарками, поэтому её пригодность для конкретных текстов следует проверять отдельно.

Windstorm Labs публикует модель машинного перевода с финского языка на игбо. Это дообученная версия Helsinki-NLP/opus-mt-fi-ig: LoRA-адаптация на параллельных данных объединена с базовыми весами. Модель построена на архитектуре MarianMT, содержит 56,5 млн параметров и распространяется в формате safetensors для библиотеки Transformers; максимальная длина контекста составляет 512 токенов. Модель предназначена для перевода текстов с финского на игбо. В проверке на 48 предложениях FLORES-200 она получила chrF++ 23,92 и BLEU 3,12; авторы относят результат к ограниченному уровню и подчёркивают, что это предварительная оценка, а не публикационный результат. Поддерживается только направление fi→ig. Лицензия — Apache-2.0; README указывает на происхождение базовой модели и атрибуцию Helsinki-NLP.

WindyTranslate/translate-fi-ty — модель машинного перевода Windstorm Labs для перевода с финского языка на таитянский. Это дообученная версия Helsinki-NLP/opus-mt-fi-ty: к исходным весам применили LoRA-дообучение на параллельных текстах и объединили адаптер с базовой моделью. Модель построена на архитектуре MarianMT, содержит 56 млн параметров и загружается через Transformers в формате safetensors. Для неё заявлен контекст длиной 512 токенов. Модель рассчитана на перевод текстов только в направлении с финского на таитянский. Качество перевода ещё не оценивалось бенчмарками, поэтому пригодность для конкретных текстов следует проверять отдельно. Репозиторий распространяется по лицензии Apache-2.0.

amedcj/whisper-kurmanji — модель автоматического распознавания речи на основе архитектуры Whisper, дообученная для курманджи, северного диалекта курдского языка. Разработчик обучал её на данных Common Voice Kurmanji. Модель принимает аудио и преобразует речь в текст; её также можно дообучать для других диалектов. Модель содержит 153,1 млн параметров, использует библиотеку Transformers и распространяется в формате safetensors. Она предназначена для расшифровки аудио на курманджи. Репозиторий указан под лицензией Apache-2.0. Данных о длине контекста и конкретных ограничениях распознавания в карточке нет.

Sandiago21/whisper-large-v2-greek — дообученная модель распознавания речи на основе openai/whisper-large-v2. Она принимает аудио и преобразует речь в текст; дообучение выполнено на датасете FLEURS. Модель содержит 905,2 млн параметров и распространяется в форматах PyTorch и safetensors. Модель предназначена для транскрибации греческой речи. В README приведены результаты на оценочной выборке: WER 0,1774, WER Ortho 0,2102 и loss 0,2734. Лицензия — Apache-2.0. Подробные сведения об условиях записи, поддерживаемых вариантах греческого языка и ограничениях в карточке отсутствуют.

Модель Elizabeth Mwangi — дообученная версия OpenAI Whisper large-v3 для автоматического распознавания речи на суахили. Она обучена на данных всех пяти доменов AfriVoice и на Common Voice Swahili; в первую очередь предназначена для речи кенийских говорящих, в том числе с нестандартными речевыми особенностями. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и доступна в формате safetensors. Модель подходит для транскрибации записей на суахили, включая речь из разных прикладных доменов. В README приведены результаты на тестовых наборах: WER 0,244 на AfriVoice и 0,201 на Common Voice Swahili. Это показатели на указанных наборах, поэтому качество на других источниках и условиях записи может отличаться. Лицензия — Apache-2.0.

Dragneel/whisper-medium-nepali-openslr — модель распознавания речи на архитектуре Whisper Medium, созданная дообучением openai/whisper-medium на корпусе непальской речи OpenSLR 54. Она преобразует непальскую аудиозапись в текст и предназначена для расшифровки речи, например записей и речевых материалов на непальском языке. В метаданных указано 455,8 млн параметров; README сообщает примерно о 154 часах обучающих аудиоданных и WER 14,04%. Модель принимает аудио и выдаёт текст. Распространяется по лицензии Apache-2.0.

lorenzoncina/whisper-medium-zh — модель распознавания речи, полученная дообучением Whisper Medium от OpenAI на китайской части набора Mozilla Common Voice 11.0 (zh-CN). Она предназначена для преобразования китайской речи в текст. В карточке приведены результаты оценки: loss 0,3226 и CER 10,9782. Модель использует архитектуру Whisper и содержит 455,8 млн параметров. Она принимает аудио и выдаёт текст; в метаданных указан китайский язык. Весы представлены в формате PyTorch. Модель распространяется по лицензии Apache-2.0.

Dragneel/whisper-small-nepali — модель автоматического распознавания речи на основе Whisper Small, дообученная на непальском корпусе OpenSLR 54. Она предназначена для преобразования непальской речи в текст, в частности для транскрибирования записей с чистой и размеренной речью. В метаданных указаны архитектура Whisper, 153,1 млн параметров и формат safetensors; README сообщает о 154 часах обучающих аудио и 157 905 высказываниях. На тестовой выборке OpenSLR модель показала WER 26,69%. Лучше всего она работает с качественной записанной речью; быстрый разговорный темп и сильный фоновый шум могут ухудшать распознавание. Возможны варианты написания слов, различающиеся длиной гласных. Базовая модель — openai/whisper-small. Лицензия Apache-2.0.

Whisper Medium (Thai) Timestamp — модель Biodatlab для автоматического распознавания тайской речи с временными метками. Это дообученная версия biodatlab/whisper-th-medium-combined на длинных аудиофрагментах, составленных из набора CMKL/Porjai-Thai-voice-dataset-central. Архитектура Whisper Medium содержит около 455,8 млн параметров; модель использует библиотеку Transformers и распространяется в формате safetensors. Модель предназначена для транскрибации тайской речи, создания субтитров и привязки текста к временным точкам аудио. В README указана оценка WER 15,57 на тестовой части Common Voice 13 с токенизатором Deepcut. Временные метки приблизительные: при обучении использовались метки, полученные с помощью VAD, а не точная ручная разметка. Точность распознавания и выравнивания может снижаться из-за фонового шума, особенностей дикторов и акустических условий; автор отмечает, что результат распознавания может уступать версии без временных меток. Лицензия — MIT.

Jezia/AraBART-finetuned-wiki-ar — арабоязычная модель машинного перевода, созданная дообучением moussaKam/AraBART на наборе данных, обозначенном в карточке как wiki-ar. Модель построена на архитектуре mBART, содержит 95 млн параметров и принимает последовательности длиной до 1024 токенов. Доступны веса в формате PyTorch. Модель предназначена для перевода текста; карточка приводит результаты оценки на тестовой выборке, включая Loss 2.4030 и Rouge-L 0.9902. Языковая пара и направление перевода не уточнены, поэтому результаты не позволяют определить применимость для конкретного направления или качество на других типах текстов. Лицензия — Apache-2.0.

babelbit-qwen2.5-3b-fren-gist — модель на базе Qwen2.5-3B-Instruct, дообученная методом LoRA и опубликованная как объединённая самостоятельная модель. Она преобразует спонтанную французскую речь в одну краткую естественную фразу на английском, сохраняя основную мысль и удаляя речевые запинки. Модель предназначена для получения сжатого пересказа высказывания, а не дословной расшифровки. Архитектура — плотная авторегрессионная Qwen2, размер — 3,1 млрд параметров, формат весов — safetensors; базовая модель поддерживает контекст до 32 768 токенов. В README приведена оценка на 212 отложенных примерах: cosine 0,765 и прохождение заданного порога качества для 80% примеров. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с ограничением на коммерческое применение. README также указывает на внутренний/частный характер модели.

AUEB-NLP/ByT5_g2g — модель ByT5, дообученная для преобразования греческого текста, записанного латинскими буквами (Greeklish), в стандартную греческую письменность. Она использует архитектуру T5ForConditionalGeneration и обрабатывает текст на уровне байтов, что подходит для транслитерации нестандартной записи. Модель содержит 364,6 млн параметров и распространяется в формате PyTorch. Модель предназначена для нормализации и транслитерации Greeklish в греческий текст. Она описана в работе «Still All Greeklish to Me: Greeklish to Greek Transliteration» (LREC-COLING 2024), авторы которой связаны с AUEB-NLP. Ограничений по применению и сведений о лицензии в предоставленной карточке нет.

CantoCaptions Cantonese ASR — модель распознавания речи, созданная дообучением Qwen3-ASR на подмножестве датасета CantoCaptions. Она предназначена для транскрибации кантонской речи в письменный кантонский язык с оформлением по стандартам CantoCaptions, которые учитывают принятые варианты написания из словаря words.hk. Частицы в конце предложения, например 啦, 喇 и 嗱, записываются раздельно с учётом тона. Модель построена на Qwen3-ASR-1.7B и обучалась с LoRA ранга 128 в течение одной эпохи примерно на 75 часах обучающего аудио. В README указаны ещё 4 часа dev- и 4 часа тестового аудио из того же датасета. Разработчик характеризует её как раннюю версию, которая может обновляться. Модель распространяется по лицензии Apache-2.0.

Chokri–English Translation Model — дообученная Meta модель NLLB-200 distilled 600M для перевода между языком чокри и английским. Это encoder-decoder архитектура семейства M2M-100 с 463,7 млн параметров и контекстом до 1024 токенов. Чокри — тибето-бирманский язык, на котором говорят в округе Пхек штата Нагаленд в Индии. Модель обучена на примерно 8 000 проверенных человеческих парах предложений, главным образом из перевода Нового Завета на чокри, дополненного материалами сообщества. Поскольку у NLLB нет отдельного токена языка чокри, модель использует `lus_Latn` как прокси-токен для чокри. Подходит для перевода предложений с чокри на английский и обратно, в том числе для текстов на региональных вариантах языка. Преимущество модели — поддержка низкоресурсного языка, ранее не охваченного системами машинного перевода. Качество может снижаться на бытовых и технических текстах из-за преобладания библейских данных; диалектные различия и отсутствие обозначения тона в орфографии также могут приводить к неоднозначности. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Emhotob-25M-English-MSA-v1 — компактная модель генерации текста на архитектуре Llama, разработанная oddadmix и дообученная от oddadmix/Emhotob-25M для двустороннего перевода между английским и современным литературным арабским (MSA, الفصحى). Модель содержит 25,3 млн параметров, принимает текст в формате ChatML и использует системную инструкцию для выбора направления перевода. Контекст — до 2048 токенов. Модель предназначена для перевода коротких и распространённых фраз в обоих направлениях. В оценке на 3000 отложенных парах с жадным декодированием показала sacreBLEU 40,65 для перевода с английского на MSA и 44,70 для перевода с MSA на английский. По README, на длинных или редких входах возможны отклонения от смысла, повторы и ошибки; грамматический род определяется по контексту. Распространяется по лицензии Apache-2.0.

ifuseok/ft-solar-10.7b-v2.1-dpo — дообученная автором ifuseok чат-модель для генерации ответов на корейском языке. Она основана на yanolja/KoSOLAR-10.7B-v0.1 и использует плотную архитектуру Llama с 10,6 млрд параметров и контекстом 4096 токенов. Модель принимает текст и генерирует текст; для загрузки предлагается Transformers с весами Safetensors. Обучение включает корейские наборы инструкций, вопросов и ответов, а также часть данных для перевода с английского на корейский. Модель подходит для диалогов, ответов на вопросы и выполнения инструкций на корейском языке. Репозиторий распространяется по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и ограничивает коммерческое использование.

Gemma 4 E2B Yemeni Arabic Assistant GGUF — экспериментальная адаптация базовой модели unsloth/gemma-4-E2B-it и google/gemma-4-E2B-it, разработанная Loay Amin из организации Yemeni AI Lab. Модель распространяется в формате GGUF и предназначена для локального запуска через llama.cpp-совместимые среды. Её основная специализация — генерация ответов, перефразирование и перевод на широкий практический вариант йеменского арабского языка, а не на литературный арабский по умолчанию. Модель подходит для коротких локализованных ответов, экспериментов с йеменской лексикой и выражениями, адаптации текстов, а также исследований малоресурсных арабских диалектов. Исходный адаптер обучался на 19 609 очищенных примерах ассистентских ответов, включающих тексты из публичных и общественных источников, словарные материалы и отфильтрованные задания на перевод, перефразирование, вопросы и ответы, рассуждения и вычисления. Йеменский арабский имеет региональные варианты, поэтому модель ориентирована на обобщённый стиль, а не на конкретный город или регион. К сильным сторонам относятся фокус на недостаточно представленном диалекте, возможность локального запуска на пользовательском оборудовании и поддержка различных задач генерации и преобразования текста. Ограничения включают экспериментальный статус, региональную неоднородность йеменского арабского и возможное ухудшение качества в квантованных версиях GGUF, особенно при низкой разрядности. Лицензия модели — CC BY-NC-SA 4.0.

Helsinki-NLP/opus-mt-bcl-fi — модель машинного перевода на архитектуре Transformer, разработанная в рамках проекта OPUS. Она переводит текст с бикольского языка (bcl) на финский (fi). Модель MarianMTModel содержит 56,8 млн параметров; для предобработки используются нормализация и SentencePiece, заявленная длина контекста — 512 токенов. Модель подходит для перевода текстов с бикольского на финский. В README приведены результаты на тестовом наборе JW300.bcl.fi: BLEU 33,3 и chr-F 0,573. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-cpp-en — модель машинного перевода семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer и реализованная как MarianMT. Она переводит креольские языки и пиджины на португальской основе на английский; исходная группа включает индонезийский, минангкабау, папьяменто и варианты малайского. Для токенизации используются нормализация текста и SentencePiece с моделями словаря на 32 тыс. токенов. Модель содержит 54,8 млн параметров, её родной контекст — 512 токенов. Карточка приводит контрольные результаты на наборах Tatoeba: BLEU 39,6–49,1 и chr-F около 0,58 для перечисленных тестов. Модель подходит для перевода текстов с поддерживаемых исходных языков на английский; качество может различаться между языками и типами текста. Лицензия — Apache-2.0.

Helsinki-NLP разработала Helsinki-NLP/opus-mt-en-alv — модель машинного перевода на архитектуре Transformer, реализованная как MarianMTModel. Она переводит текст с английского на языки группы Atlantic-Congo: ewe, fuc, fuv, igbo, kinyarwanda, lingala, luganda, nyanja, kirundi, sango, shona, суахили, tsonga, umbundu, wolof, xhosa и зулу. Для выбора целевого языка перед предложением требуется специальный токен вида >>id<<. Модель содержит 56,7 млн параметров, использует нормализацию и SentencePiece с словарями spm32k; длина контекста — 512 токенов. Метаданные указывают поддержку английского и ряда языков назначения, включая шона, киньяруанда, волоф, игбо, сango, эве, зулу, луганда, тсонга, лингала, ньянджа, йоруба, кирунди и коса. В README приведены оценки на тестах, включая низкие BLEU для нескольких языковых пар, поэтому качество может заметно различаться по языкам. Модель опубликована под лицензией Apache 2.0.

Helsinki-NLP/opus-mt-rn-en — модель машинного перевода из проекта OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с рунди на английский; направление перевода обозначено как run-eng, без поддержки других языков в качестве исходного или целевого. Модель построена на архитектуре Marian, содержит около 29 млн параметров и принимает текстовые последовательности с контекстом до 512 токенов. Для предварительной обработки используются нормализация текста и SentencePiece. В карточке приведён результат на тестовом наборе Tatoeba: BLEU 26,7 и chr-F 0,428. Модель подходит для перевода фраз и текстов с рунди на английский, однако опубликованный результат не гарантирует качество для всех типов текстов и предметных областей. Лицензия — Apache-2.0.

OPUS-MT-tiny-ara-eng — компактная модель машинного перевода Helsinki-NLP, созданная дистилляцией модели-преподавателя OPUS-MT ar-en. Она переводит текст с арабского на английский и предназначена для перевода отдельных фраз и текстов, в том числе в сценариях с ограниченными вычислительными ресурсами. Модель использует архитектуру Marian с регулярным Transformer-декодером и содержит 14,5 млн параметров; базовый контекст составляет 256 токенов. Для обучения использовался набор Tatoeba. На тесте Flores+ студенческая модель получила BLEU 31,1, chr-F 59,1 и COMET 0,8174, уступив более крупной модели-преподавателю. Модель принимает текст и выдаёт текст на английском языке. Репозиторий содержит веса Safetensors и вариант TFLite, а для запуска совместимой версии README приводит примеры с Marian и Transformers. Модель распространяется по лицензии Apache-2.0. Результаты на Flores+ не гарантируют такого же качества для других тематик и доменов; контекст ограничен 256 токенами.

OPUS-MT-tiny-tur-eng — компактная модель машинного перевода, разработанная Helsinki-NLP. Она переводит текст с турецкого языка на английский и построена на архитектуре Marian с уменьшенным трансформером: регулярный декодер Transformer обучен как студенческая модель методом дистилляции от более крупной модели-учителя на данных Tatoeba. Модель содержит 14,5 млн параметров, рассчитана на контекст до 256 токенов и доступна в форматах safetensors и TFLite; для запуска также приведён пример с библиотекой Transformers и MarianTokenizer. Модель подходит для перевода коротких фраз и предложений, в том числе в сценариях с ограниченными вычислительными ресурсами. В README приведены оценки на тестовых наборах Flores+ и Bouquet: студенческая модель уступает учителю по BLEU, chr-F и COMET, поэтому качество может быть ниже, чем у более крупной модели. Лицензия — Apache-2.0.

Orion-HYMT1.5-7B-SFT-v2601-i1-GGUF — это квантизированная версия модели Orion-HYMT1.5-7B-SFT-v2601, разработанной 3tic и преобразованной в формат GGUF пользователем mradermacher. Модель содержит около 7 миллиардов параметров и ориентирована на работу с японским и китайским языками. Основные сценарии применения — перевод и обработка текстов в жанре light novel. Доступны варианты квантизации от IQ1_S до Q6_K, различающиеся размером, скоростью и качеством; рекомендуемым для баланса этих характеристик назван вариант Q4_K_M, а Q4_K_S отмечен как оптимальный по соотношению размера, скорости и качества. Более низкобитные варианты требуют меньше памяти, но могут заметно уступать в качестве. В README не указаны архитектура базовой модели, размер контекста, поддержка дополнительных модальностей, точные языковые возможности за пределами японского и китайского, а также результаты тестирования. Модель распространяется по custom-лицензии; подробные условия следует уточнять в файле LICENSE.

PhoWhisper-small — модель автоматического распознавания речи для вьетнамского языка, разработанная Thanh-Thien Le, Linh The Nguyen и Dat Quoc Nguyen. Это версия семейства PhoWhisper, полученная дообучением мультиязычной Whisper на 844-часовом наборе вьетнамской речи с разными акцентами. Архитектура — WhisperForConditionalGeneration; модель содержит 153,1 млн параметров и принимает аудио, выдавая текстовую расшифровку. Модель предназначена для транскрибации вьетнамской речи, в том числе записей с различными акцентами. Авторы сообщают о передовых результатах на тестовых наборах для вьетнамского распознавания речи. Репозиторий содержит веса PyTorch и распространяется по лицензии BSD 3-Clause; для публикаций с использованием модели авторы просят цитировать статью PhoWhisper.

NYTK разработала модель для оценки качества перевода с английского на венгерский. Это дообученная на корпусе HuQ модель XLM-RoBERTa base с архитектурой XLMRobertaForSequenceClassification и примерно 305,2 млн параметров. Она принимает пару предложений в формате «исходное предложение на английском \ перевод на венгерском» и выдаёт оценку качества; задача представлена как регрессия, хотя в Hugging Face модель помечена для классификации текста. Максимальная длина последовательности в README — 256 токенов, а нативный контекст в метаданных — 514 токенов. На корпусе HuQ модель показала корреляцию 0,7948, MAE 0,6451 и RMSE 0,8898 в 10-кратной перекрёстной проверке. Лицензия — MIT. Модель предназначена для оценки пар английских и венгерских предложений; результаты вне этой языковой пары и корпуса HuQ не описаны.