I.6Перевод и языковая адаптация

PP-OCRv6 One Piece Bubble Line Recognition — браузерный OCR-пакет для Projet Poneglyph, предназначенный для распознавания текста в репликах манги One Piece. Конвейер обнаруживает строки текста в пузыре с помощью YOLO26n, объединяет их в горизонтальный фрагмент, распознаёт текст дообученной PP-OCRv6 и применяет правила восстановления пробелов и регистра. В репозитории представлены модели ONNX и safetensors, включая варианты ONNX для браузера и WebGPU. В README приведены результаты проверки: CER 1,45% на тестовой выборке и точное совпадение для 75,96% примеров после постобработки. Пакет рассчитан на извлечение текста из изображений манги; показатели качества относятся к указанной выборке и сценарию. Лицензия — Apache-2.0.

WindyTranslate/translate-cpp-cpp — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-cpp-cpp: к базовым весам применили LoRA-дообучение на параллельном корпусе и объединили адаптер с весами. Модель построена на архитектуре MarianMT, содержит 41,5 млн параметров и принимает текст с контекстом до 512 токенов. Модель предназначена для перевода между вариантами креольских языков на португальской основе в направлении cpp → cpp. Репозиторий содержит веса в формате safetensors для Transformers. Лицензия — Apache-2.0. Качество этой версии не проверено бенчмарками, поэтому её пригодность для конкретного применения следует оценить отдельно.

Noobbbbb/whisper-tiny-bn-custom-spm — модель распознавания речи на основе архитектуры Whisper, разработанная автором репозитория и дообученная на неизвестном наборе данных. Она предназначена для преобразования аудио в текст; метаданные связывают модель с бенгальским языком. Модель загружается через библиотеку Transformers, веса опубликованы в формате safetensors, лицензия — Apache-2.0. В README приведены результаты оценки: loss 1,4220, WER 72,73 и CER 46,62. Высокие значения ошибок указывают на заметные ограничения распознавания, поэтому качество следует проверить на целевых аудиозаписях перед применением. Сведения о размере модели, контексте, обучающих данных и конкретных условиях записи не приведены.

LumynaX Translate NLLB-200 3.3B — экспериментальный переводческий пакет AbteeX AI Labs на основе дообученной модели facebook/nllb-200-3.3B. Он предназначен для машинного перевода; README описывает интеграцию модели через маршрутизацию во время выполнения без изменения исходных весов. Архитектура — M2M100ForConditionalGeneration, размер — 2,1 млрд параметров, максимальный контекст — 1024 токена. Модель связана с английским и te reo Māori; метаданные также указывают поддержку английского и Māori. Это архивный, устаревший эксперимент, который больше не сопровождается и не рекомендуется для производственного применения. README описывает историческую интеграцию, а не актуальные возможности LumynaX Core. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но ограничивающая коммерческое применение.

facebook/mms-tts-kay — модель синтеза речи на языке Kamayurá (kay), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевой аудиосигнал и предназначена для озвучивания фраз на Kamayurá. Модель построена на архитектуре VITS: это сквозная система синтеза с вариационным автоэнкодером, Transformer-энкодером текста, flow-модулем, предсказателем длительности и декодером, основанным на HiFi-GAN. Размер модели — 3,5 млн параметров; доступна в форматах PyTorch и Safetensors, используется через Transformers версии 4.33 и новее. Отдельный чекпойнт MMS-TTS обучен для каждого языка проекта. Предсказатель длительности стохастический, поэтому генерация недетерминирована; для повторения того же результата требуется фиксированный seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-kpq — модель синтеза речи на языке Korupun-Sela (kpq), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт VITS, обученный для одного языка: модель принимает текст и генерирует речевую волну. Архитектура VITS объединяет вариационный автоэнкодер, Transformer-кодировщик текста, flow-модуль, стохастический предсказатель длительности и декодер на основе HiFi-GAN. Размер модели — 3,5 млн параметров; доступны веса PyTorch и Safetensors, модель поддерживается библиотекой Transformers. Модель предназначена для озвучивания текста на Korupun-Sela. Стохастический предсказатель длительности позволяет получать варианты ритма для одного текста, поэтому для воспроизводимого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-mej — модель синтеза речи на языке Meyah (код mej), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на Meyah. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, потоковый модуль с текстовым энкодером и декодер, похожий на HiFi-GAN. Размер модели — 3,5 млн параметров. Отдельный чекпойнт MMS-TTS обучен для каждого языка; модель доступна через Transformers версии 4.33 и новее. Стохастический предиктор длительности позволяет получать варианты ритма произношения, поэтому результат может меняться между запусками; для повторяемой генерации требуется фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Koichi Yasuoka разработал эту модель для разметки частей речи в тайском языке. Она основана на RoBERTa с символьными эмбеддингами, предварительно обученной на текстах тайской Википедии, и дообучена для присвоения каждому слову универсальной части речи UPOS. Архитектура — RobertaForTokenClassification, размер — 115,3 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для морфосинтаксического анализа тайских текстов; карточка также указывает на задачу синтаксического анализа зависимостей. Её можно применять для автоматической разметки частей речи и подготовки данных для последующего языкового анализа. Модель принимает текст и выдаёт последовательность меток токенов. Лицензия — Apache-2.0.

brindap/wav2vec2-large-xls-r-300m-hsb-colab — модель распознавания речи на архитектуре wav2vec2 с CTC-декодированием, дообученная на Common Voice на основе facebook/wav2vec2-xls-r-300m. Она предназначена для преобразования входной речи в текст; суффикс hsb в названии указывает на верхнелужицкий язык. Модель содержит около 402,7 млн параметров и опубликована в формате PyTorch. В карточке приведён результат оценки на тестовой выборке: WER 0,9818 и loss 3,2283, что указывает на очень высокую долю ошибок распознавания в этой оценке. Модель распространяется по лицензии Apache-2.0. Подробности о наборе оценки и условиях применения в карточке не раскрыты.

pkupie разработал Gemma 3 PT 4B bo CPT — чекпойнт непрерывного предобучения плотной модели Gemma 3 на тибетской части корпуса MC² Corpus. Модель основана на google/gemma-3-4b-pt и предназначена для улучшения языкового моделирования на тибетском языке и исследований адаптации моделей к языкам с малым объёмом данных. Чекпойнт рассчитан на дальнейшие исследования, в том числе слияние моделей и logit fusion. Это генеративная модель, принимающая текст и выдающая текст; её базовая архитектура Gemma 3 также мультимодальна, однако карточка этого чекпойнта описывает обучение и применение только для языкового моделирования на тибетском. В метаданных указан формат safetensors. Модель распространяется по лицензии Gemma.

jinen-v1-xsmall — японская языковая модель на архитектуре GPT-2, разработанная togatogah для преобразования записи каны в кандзи. Модель содержит 36 млн параметров, использует BPE-токенизатор и обучена на предварительно обработанных данных Miwa-Keita/zenz-v2.5-dataset. Модель выполняет контекстно-зависимое преобразование: принимает ввод каны и может учитывать левый контекст. Для работы используется формат jinen со специальными Unicode-маркерами начала контекста, входа и результата. Максимальная длина контекста — 1024 токена. В оценке AJIMEE-Bench версия xsmall показала Acc@1 0,720 при NFKC-нормализации и CER 0,033. Репозиторий содержит веса safetensors; автор также указывает варианты GGUF, включая FP16 и Q5_K_M. Модель предназначена для японского языка. Лицензия — CC-BY-SA 4.0.

aroot/mbart-finetuned-eng-guj — модель машинного перевода на архитектуре mBART, дообученная на основе facebook/mbart-large-50-many-to-many-mmt. Она предназначена для перевода текста с английского на гуджарати. Модель содержит 457,4 млн параметров, использует формат PyTorch и имеет контекстное окно 1024 токена. В карточке приведены результаты оценки: BLEU 1,8882 и loss 3,5996; они указывают на ограниченное качество перевода. Данные обучения и подробности сценариев применения не описаны. Лицензия в доступных сведениях не указана.

facebook/mms-tts-hus-dialect_centralveracruz — модель синтеза речи на языке уастек (Huastec), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для генерации речи на варианте языка центрального Веракруса. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. VITS объединяет текстовый энкодер, вероятностную модель длительности и декодер речи в сквозной системе синтеза; стохастический предиктор длительности позволяет получать разные ритмические варианты произношения. Для работы с моделью подходит библиотека Transformers версии 4.33 и новее. Одинаковый результат генерации требует фиксированного seed. Модель распространяется в форматах PyTorch и safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Она предназначена для одного языкового варианта; качество и область применимости за пределами синтеза речи на уастек в карточке не описаны.

Модель thunderboltc/whisper_sanlish_augmented_test1 разработана на основе openai/whisper-small и дообучена для распознавания речи на сантали с выводом транскрипции в IPA/Sanlish. Это модель семейства Whisper для преобразования аудио в текст; при оценке на тестовой выборке из 193 примеров указаны WER 33,02% и CER 7,84%. Для обучения использовалось 3 094 примера, для валидации — 193. Модель предназначена для транскрибирования речи на сантали с передачей произношения в формате IPA/Sanlish. В метаданных указан формат весов safetensors и базовая модель Whisper-small. Лицензия в предоставленных данных не описана.

WordStitch-4B v0.2 Alpha — экспериментальная языковая модель объёмом 4B параметров, разработанная heavry на основе rodrigomt/Qwen3.5-4B-Uncensored-Aggressive и дообученная с помощью LoRA. Модель предназначена для восстановления английских слов, записанных китайским Pinyin, в англоязычных и китайско-английских смешанных текстах. Она принимает китайский, английский и Pinyin без специальных тегов, исправляет умеренные опечатки в Pinyin и переписывает исходную фразу на естественном английском. Основные сценарии — помощь китайскоязычным пользователям при написании английского, code-switching, перевод отдельных китайских понятий и лексическое восстановление по контексту. Модель доступна в виде LoRA-адаптера, объединённой BF16-версии для Transformers и квантованного файла GGUF Q4_K_M для llama.cpp и Ollama. Для объединённой версии требуется около 9,10 ГБ памяти под веса, размер GGUF-файла составляет около 2,71 ГБ. На замороженном наборе из 100 примеров LoRA-версия получила 89/100 семантических совпадений, а Q4_K_M — 85/100; оценка проводилась AI-оценщиком и не является независимой сертификацией. Модель лучше всего работает с распространёнными одиночными Pinyin-вставками, но испытывает трудности с последовательностями и множественными заменами, неоднозначными транслитерациями, редкой лексикой и сохранением уже корректного английского. Возможны неверный выбор слова, неестественная грамматика и пропуск артиклей. В метаданных указана лицензия other. Документация предупреждает, что лицензия исходной модели явно не подтверждена, а публикация не распространяет объединённые веса под Apache-2.0. Перед перераспределением или коммерческим использованием необходимо изучить NOTICE и материалы проверки лицензии.

xlm-mlm-plains-cree-en-clkd — модель классификации текста для выявления образного языка в предложениях на равнинном кри. Она создана на основе FacebookAI/xlm-mlm-100-1280 методом кросс-лингвальной дистилляции знаний: англоязычная модель-учитель присваивает мягкие метки переводам предложений, а модель-ученик обучается воспроизводить их для текстов на кри. В основе ученика лежит KonradBRG/xlm-mlm-plains-cree-en-tlm; часть нижних слоёв заморожена для сохранения кросс-лингвального выравнивания. Модель различает четыре класса: буквальное выражение, идиому, метафору и сравнение. Она подходит для анализа текстов на равнинном кри и разметки примеров образной речи. Максимальная длина контекста — 512 токенов. Обучение проводилось на примерно 9 тысячах параллельных предложений кри и английского, включая данные из Plains Cree Texts и корпуса EdTeKLA. Лицензия — CC BY 4.0. Оценки качества и ограничения применимости в карточке не приведены.

LFM2.5-230M-Wolof-Instruct — экспериментальная инструктивная языковая модель семейства LFM2, разработанная на основе LiquidAI/LFM2.5-230M-Base и дообученная для адаптации к языку волоф. Модель содержит 224,2 млн параметров, использует плотную архитектуру Lfm2ForCausalLM и формат весов safetensors; для работы предусмотрена библиотека Transformers. Модель предназначена для частных исследований и оценки адаптации к волоф, включая генерацию ответов на инструкции на этом языке. Заявленное окно контекста — 128 000 токенов. В обучении использовался очищенный корпус волоф; инструкции были перевзвешены, а тестовую выборку исходного набора данных исключили из инструктивных данных. Метрики качества в карточке не приведены. Модель экспериментальная: орфография волоф, переключение языков, фактическая точность, рассуждения, работа с длинным контекстом и безопасность всесторонне не проверены. Перед более широким применением нужна оценка носителями языка. Карточка называет артефакт частным и не предназначенным для публичного выпуска; сведения о лицензии отсутствуют.

Модель Creative Language Toolkit (CLTK) для выявления метафор в английском тексте. Это последовательная модель классификации токенов на архитектуре RoBERTa, дообученная на наборе CreativeLang/vua20_metaphor; в карточке она представлена как базовый инструмент для обнаружения метафор, связанный с работой FrameBERT: Conceptual Metaphor Detection with Frame Embedding Learning. Модель содержит около 151,8 млн параметров и обрабатывает контекст длиной до 514 токенов. Модель предназначена для разметки слов и фрагментов, употреблённых метафорически, и может применяться при анализе текстов и исследованиях концептуальных метафор. Для запуска авторы отсылают к inference.py в репозитории FrameBERT. Модель распространяется по лицензии CC BY 2.0; результаты оценки в карточке включают accuracy 0,9142 и precision 0,9142.

facebook/mms-tts-kog — модель синтеза речи на языке Kogi (код kog), созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на Kogi. Модель использует архитектуру VITS: вариационный автоэнкодер с потоковым модулем, трансформерным текстовым энкодером, декодером HiFi-GAN и стохастическим предсказателем длительности. Для MMS обучается отдельная модель на каждый язык; размер этого чекпойнта — 3,5 млн параметров. Модель доступна через Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и Safetensors. Генерация недетерминирована: для повторения того же результата нужно фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Карточка не сообщает о голосовом клонировании или поддержке других языков.

Nguni-XLMR-large — предварительно обученная модель с маскированием токенов, созданная Франсуа Мейером и соавторами на основе XLM-R-large. Авторы адаптировали её к языкам нгуни посредством продолжения многоязычного предобучения. Модель предназначена для предсказания скрытых фрагментов текста и может служить основой для задач понимания естественного языка на этих языках. Модель использует плотную архитектуру XLM-RoBERTa с 658,7 млн параметров и контекстом до 514 токенов. Она рассчитана на исикоса, исизулу, исиндебеле и сисвати; в тестах на бенчмарке NGLUEni превзошла базовые модели в задачах понимания языка. Распространяется под лицензией MIT.

Koichi Yasuoka разработал эту крупную модель RoBERTa для лингвистического анализа классического китайского языка. Она дообучена на основе KoichiYasuoka/roberta-classical-chinese-large-char и размечает слова универсальными частями речи UPOS и признаками FEATS; модель также предназначена для синтаксического анализа зависимостей. Модель принимает текст на классическом китайском языке и выдаёт метки для слов. Она содержит 429,6 млн параметров, использует архитектуру RoBERTa и поддерживает контекст до 514 токенов. В карточке указана лицензия Apache-2.0. Для работы с моделью можно использовать Transformers; также автор указывает на библиотеку esupar для POS-разметки и синтаксического анализа.

facebook/mms-tts-pao — модель синтеза речи на северном пайютском языке (pao), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания коротких фраз и других текстов на этом языке. Модель построена на архитектуре VITS: текстовый энкодер, поточные слои и декодер формируют речь сквозным образом; стохастический предиктор длительности позволяет варьировать ритм произношения. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors, в том числе через Transformers версии 4.33 и новее. Генерация недетерминирована: для повторения того же результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

POET — модель разметки частей речи французского языка, разработанная Янисом Лабраком и Ричардом Дюфуром из университетов Авиньона и Нанта. Она использует CamemBERT с классификационной головой для последовательной разметки токенов и обучена на корпусе ANTILLES, созданном на основе UD_French-GSD. Модель присваивает словам и другим токенам одну из 60 расширенных меток, включающих грамматические и семантические признаки: род, число, наклонение, лицо, время и форму глагола. В отличие от исходных 17 частей речи, расширенная схема даёт более детальную лингвистическую разметку. Модель содержит 137,8 млн параметров и рассчитана на контекст до 514 токенов. Обучающие данные подавались без нормализации, поэтому модель чувствительна к регистру и пунктуации. Она предназначена для французского текста и не является универсальным анализатором для других языков. В метаданных указана лицензия Apache-2.0.

HamdanXI/t5_small_aslg_pc12 — модель преобразования текста, созданная дообучением google-t5/t5-small на наборе данных aslg_pc12. Она использует архитектуру T5ForConditionalGeneration и содержит 38,5 млн параметров. Модель предназначена для перевода текста в рамках задачи, представленной обучающим набором. Модель принимает текст и выдаёт текст. Максимальная длина контекста составляет 512 токенов. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. README не приводит подробностей о направлениях перевода, качестве на отдельных тестах или практических ограничениях.

WMT Limited Resources Sorbian — текстовая модель на базе Qwen3.5-2B, подготовленная для подачи на сорбскую дорожку соревнования WMT 2026 по мульт Задаче для языков с ограниченными ресурсами. Разработчики дообучили модель с помощью LoRA и объединили адаптер с базовыми весами; результат — плотная авторегрессионная модель Qwen3_5ForCausalLM размером 1,7 млрд параметров. Она принимает и генерирует текст, использует контекст до 262 144 токенов и распространяется в формате Safetensors. Один чекпойнт предназначен для машинного перевода между немецким, верхнелужицким и нижнелужицким языками, исправления орфографии и грамматики, ответов на вопросы с выбором варианта и математических рассуждений. Обучение проводилось на смеси из 278 488 записей, включавшей данные WMT и синтетические примеры; для математических задач использовались вопросы на английском языке. Модель может быть полезна для экспериментов и обработки текстов на лужицких языках, но это специализированная исследовательская модель, а не универсальный генератор. Авторы сообщают о совпадениях исходных текстов части обучающих данных перевода с тестовыми источниками WMT; влияние этого пересечения на оценки неизвестно. Грамматическая коррекция и математические рассуждения остаются слабыми, а сгенерированный сорбский текст не прошёл всестороннюю проверку носителями языка. Модель выпущена по лицензии Apache-2.0; ответы для формата соревнования предполагали использование официального конвертера вывода.

DavidCBaines выпустил ebible_m2o-nllb600m-nde — модель перевода на основе NLLB-200-distilled-600M, дообученную на библейских переводах из четырёх родственных языков на язык nde. Она предназначена для подготовки черновых переводов библейских стихов, в том числе книг Ветхого Завета, отсутствовавших в обучающих данных на nde. В README приведены результаты оценки на отложенных книгах Руфь, Иона и первой главе Бытия; модель заметно превосходит простое копирование текста на языке-источнике. Модель использует архитектуру M2M-100 и библиотеку Transformers, принимает текст и генерирует текст перевода. Контекст составляет 1024 токена. Она опубликована под лицензией CC-BY-NC-SA-4.0 и не предназначена для коммерческого использования. Экспериментальная оценка охватывает только ограниченный набор библейских стихов, поэтому результаты не характеризуют качество перевода для других тематик или типов текста.

LFM2.5-350M-Wolof-Instruct — экспериментальная текстовая модель с плотной архитектурой LFM2 и примерно 447,5 млн параметров. Она создана на основе LiquidAI/LFM2.5-350M-Base и дообучена для следования инструкциям с адаптацией к языку волоф. Модель работает через Transformers, использует формат Safetensors и поддерживает контекст до 128 000 токенов. Модель предназначена для частных исследований и оценки адаптации языковых моделей к волоф, включая генерацию ответов и диалог по инструкциям. В обучении использовался очищенный корпус волоф; инструкционные данные были перевзвешены, а тестовую выборку исходного набора данных исключили из этого этапа. При этом похожие на бенчмарки примеры могли встречаться на предварительном обучении. Качество орфографии волоф, работа с переключением языков, фактическая точность, рассуждения, длинный контекст и безопасность всесторонне не проверены; перед широким применением нужна проверка носителями языка. README описывает артефакт как приватный экспериментальный продукт, не публичный релиз. Лицензия в предоставленных данных не указана.

LFM2.5-8B-A1B-Wolof-Instruct — экспериментальная instruct-модель для генерации текста на волоф, созданная на базе LiquidAI/LFM2.5-8B-A1B-Base. Это дообученная причинная языковая модель архитектуры LFM2 MoE; в метаданных указано 1,6 млрд параметров, библиотека Transformers и контекстное окно 128 000 токенов. Модель предназначена для частных исследований и оценки адаптации к языку волоф, включая диалоговые и инструктивные сценарии. В README приведены результаты тестирования языковой модели и instruct-задач, но они не подтверждают готовность к широкому применению. Орфография волоф, смешение языков, фактическая точность, рассуждения, работа с длинным контекстом и безопасность проверены не полностью; перед использованием результатов требуется проверка носителем языка. Карточка описывает артефакт как закрытый и не являющийся публичным релизом, поэтому условия лицензирования не установлены в предоставленных данных.

NLLB-200 distilled 1.3B — многоязычная модель машинного перевода, разработанная командой NLLB. Она предназначена прежде всего для исследований перевода, особенно между языками с ограниченными ресурсами, и поддерживает перевод отдельных предложений между 200 языками. Модель построена на архитектуре M2M-100; в метаданных указано 665 млн параметров, контекст — до 1024 токенов. Доступны веса PyTorch. Модель подходит для экспериментов с межъязыковым переводом и оценки качества перевода на наборе FLORES-200. Она обучалась на текстах общего назначения, а качество на других областях проверено ограниченно. Длинные последовательности могут ухудшать качество; модель не предназначена для перевода документов, специализированных медицинских или юридических текстов, сертифицированного перевода и производственного развертывания. В обучающих данных могут сохраняться персональные сведения, а ошибки перевода могут быть существенны для решений, связанных со здоровьем и безопасностью. Лицензия — CC-BY-NC-4.0, использование ограничено некоммерческими условиями.

opus-mt-en-bkm-10e64 — модель машинного перевода на архитектуре MarianMT, созданная дообучением Helsinki-NLP/opus-mt-en-ro на датасете arrow. Она предназначена для перевода текстов с английского на bkm. Размер модели — 55,7 млн параметров, длина контекста — 512 токенов; веса опубликованы в формате safetensors. В README приведены результаты оценки: BLEU 7,795, loss 1,4935 и средняя длина генерации 60,82 токена. Эти показатели указывают на ограниченное качество перевода и требуют проверки на целевых текстах. Модель распространяется по лицензии Apache-2.0.