I.6Перевод и языковая адаптация

efwkjn/whisper-ja-anime-v0.3 — дообученная модель семейства Whisper, созданная efwkjn на основе whisper-large-v3-turbo с японским токенизатором. Она предназначена для автоматического распознавания японской речи, в том числе длинных аудиозаписей; автор сообщает, что версия улучшена для длинных фрагментов, а короткие распознаёт немного хуже предыдущей версии. Модель содержит около 865,1 млн параметров и распространяется в формате safetensors. Автор также обучал модель на текстах песен, но эту возможность не проверял. Для запуска предлагается использовать инструкции whisper-large-v3-turbo; при работе с faster-whisper может потребоваться вручную скорректировать настройки мультиязычности и подавляемых токенов из-за изменений словаря. Лицензия в предоставленных данных не указана.

Whisper large-v3-Persian — дообученная модель распознавания речи, созданная Mohammad Khosravi на основе openai/whisper-large-v3. Она принимает аудио и генерирует текстовую транскрипцию на персидском языке. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и доступна в формате safetensors для библиотеки Transformers. Модель дообучена на наборе Common Voice 11.0. В README приведён результат на тестовой выборке: WER 26,8658 и loss 0,2444. Репозиторий распространяется по лицензии Apache-2.0.

sadrasa97/whisper-large-v3-turbo-fa — модель автоматического распознавания речи, созданная дообучением OpenAI Whisper Large V3 Turbo на персидском языке (фарси). Она принимает аудио и преобразует речь в текст; архитектура — WhisperForConditionalGeneration, библиотека — Transformers. В метаданных также указана поддержка английского языка. Модель предназначена для транскрибации персидской речи и может применяться в системах преобразования аудиозаписей в текст. Базовая модель Whisper Large V3 Turbo — ускоренная мультиязычная модель распознавания речи. Модель распространяется по лицензии Apache-2.0.

UBC-NLP/AraT5-msa-small — арабоязычная модель семейства T5, разработанная UBC NLP для понимания и генерации текста на современном стандартном арабском языке (MSA). Это encoder-decoder Transformer с 85,7 млн параметров; доступны контрольные точки PyTorch и TensorFlow. Модель использует единый формат text-to-text и предназначена для задач генерации и преобразования арабского текста, включая суммаризацию, создание заголовков и вопросов, перефразирование, транслитерацию и перевод. Модель подходит для исследовательских и прикладных прототипов обработки арабского текста. Авторы рекомендуют вместо этой версии использовать AraT5v2-base-1024. В README указано, что контрольные точки предоставлены исключительно для исследований; для коммерческого использования требуется связаться с авторами.

bartowski/arcee-ai_Trinity-Mini-GGUF — это набор квантизированных версий языковой модели Trinity-Mini, разработанной arcee-ai и подготовленной bartowski в формате GGUF. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. В README указана поддержка английского, испанского, французского, немецкого, итальянского, португальского, русского, арабского, хинди, корейского и китайского языков. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4 и Q3, а также IQ-варианты. Размер файлов составляет примерно от 10,54 до 52,27 ГБ. Более качественные варианты Q6 и Q5 рекомендуются для большинства сценариев, тогда как Q3 экономят оперативную память, но заметно уступают по качеству. Ключевые характеристики исходной архитектуры, число параметров, размер контекста и поддерживаемые модальности в README не указаны, поэтому модель следует рассматривать как текстовую. Квантизация выполнена с использованием imatrix и llama.cpp; доступные варианты позволяют выбирать компромисс между качеством, размером файла и требованиями к памяти. Модель распространяется по лицензии Apache-2.0.

ARK-ASR-0.6B INT8 ONNX — пакет для локального распознавания речи, подготовленный разработчиками ARK-ASR на основе модели AutoArk-AI/ARK-ASR-0.6B. Он предназначен для запуска ASR через ONNX Runtime на локальных компьютерах и периферийных устройствах, когда важен компактный формат инференса. Модель имеет плотную архитектуру ArkasrForConditionalGeneration, содержит около 504,7 млн параметров и использует 32 768 токенов контекста. Пакет включает INT8 ONNX-компоненты декодера, аудиоэнкодера и аудиоадаптера, а также FP32-эмбеддинги и необходимые файлы токенизатора и процессора. Входное аудио обрабатывается с частотой 16 кГц; модель распознаёт китайскую, английскую, немецкую, японскую, французскую, корейскую, испанскую, польскую, итальянскую, румынскую, венгерскую, чешскую, нидерландскую, финскую, хорватскую, словацкую, словенскую, эстонскую и литовскую речь и выдаёт текст. Квантованный ONNX-пакет рассчитан на компактный локальный инференс; лицензия — Apache-2.0.

canary-1b-flash-gguf — это GGUF-конверсия модели NVIDIA Canary 1B Flash, подготовленная handy-computer для использования с transcribe.cpp. Модель предназначена для офлайн-распознавания речи и перевода аудио в текст. Она принимает монофонические WAV-файлы с частотой 16 кГц и поддерживает автоматическое распознавание речи на английском, немецком, испанском и французском языках, а также двунаправленный перевод между английским и немецким, испанским или французским языком. Модель содержит около 883 млн параметров и использует архитектуру encoder-decoder: 32-слойный энкодер FastConformer и 4-слойный Transformer-декодер. Доступны варианты с квантованием F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 677 МБ до 3,56 ГБ. На тесте LibriSpeech test-clean заявленная WER составляет около 1,59–1,65% в зависимости от варианта. Модель поддерживает перевод, но не работает в потоковом режиме; в данной версии временные метки слов и сегментов недоступны, а автоматическое определение языка не поддерживается. Модель подходит для локальных и ресурсоограниченных сценариев распознавания речи и перевода без внешнего языкового сервиса. Квантованные варианты снижают требования к памяти при небольшом изменении качества, однако фактическая скорость зависит от оборудования и используемого backend. Распространяется по лицензии CC-BY-4.0, унаследованной от базовой модели, и допускает коммерческое использование согласно указанным условиям.

CantoneseLLM-v2.0-30B-A3B-Thinking — разговорная языковая модель от hon9kon9ize на архитектуре Qwen3 MoE, предназначенная для ответов и рассуждений на гонконгском кантонском диалекте. Модель создана на основе Qwen3-30B-A3B и Qwen3-30B-A3B-Thinking-2507: разработчик описывает многоэтапный процесс, включавший продолжение предобучения, слияние, дообучение с учителем, DPO и два этапа RLVR. В карточке указано 2,6 млрд параметров; README указывает 30,5 млрд общих и 3,3 млрд активируемых параметров. Контекст модели — 40 960 токенов, хотя обучение проводилось на последовательностях длиной до 16 384 токенов. Модель подходит для диалогов на кантонском, рассуждений и ответов на математические, академические и профессиональные вопросы, а также для генерации текста и кода. В сравнении с базовыми и промежуточными версиями она нацелена на то, чтобы вести ход рассуждений на кантонском, а не переходить на письменный китайский. В метаданных также указаны китайский и английский языки. Среди ограничений разработчик отмечает короткие цепочки рассуждений, возможное чрезмерное предпочтение кантонского при запросе на письменный китайский, склонность игнорировать требования отвечать только выбранной буквой, непроверенное поведение на длинном контексте и риск галлюцинаций. Данные предпочтений оценивались моделью, а число экспериментов на каждом этапе было ограничено одним запуском. Лицензия — Apache-2.0.

Chocolatine-2-14B-Instruct-v2.0.3 — языковая модель, разработанная Jonathan Pacifico и дообученная методом DPO на датасете jpacifico/french-orca-dpo-pairs-revised. Она основана на объединённой модели Chocolatine-2-merged-qwen25arch с архитектурой Qwen 2.5 и предназначена для диалогов и генерации текста, особенно на французском языке; также поддерживает английский. Размер модели — 14 млрд параметров, заявленная длина контекста — до 128 тысяч токенов. Автор сообщает о высоких результатах на французских бенчмарках и улучшении относительно предыдущих версий Chocolatine-2 и базовой архитектуры Qwen 2.5. Модель распространяется в формате Safetensors и имеет интерфейс для вызова инструментов. По заявлению автора, у семейства нет механизма модерации, поэтому ответы могут содержать нежелательный контент. Лицензия — Apache-2.0.

dapack-language — языковой пакет на основе Qwen3.5-35B-A3B, подготовленный для генерации текста и общих языковых задач. Разработчик — R3n3r0; пакет использует архитектуру Mixture of Experts и сохраняет все эксперты, но хранит их с разной точностью: выбранные для языковых задач эксперты — в q2_K, остальные — в IQ2_XXS. Размер файла GGUF составляет 10,7 ГБ вместо 21,2 ГБ у полной модели. Пакет предназначен для диалога, рассуждений, вызова инструментов и перевода с английского на итальянский. В README приведены измерения на конкретных тестах: 82% сходимости на GSM8K, успешные 8 из 8 проб вызова инструментов и 100% на тесте перевода en→it. Это результаты тестов из карточки, а не гарантия качества на произвольных запросах. Для запуска требуется специальная среда dapack: стандартные сборки llama.cpp, Ollama и LM Studio пакет не загружают. README сообщает о резком снижении качества генерации кода и не рекомендует использовать пакет для этой задачи. Лицензия — MIT. Поддерживаемые языки по метаданным — английский и итальянский.

Goader/gemma-3-4b-it-uk-matt — дообученная версия Gemma 3 4B IT от Google с перенесённым на украинский язык токенизатором Lapa, подготовленная Goader. Модель предназначена для диалогов и генерации текста, особенно на украинском: добавленные украинские токены сокращают длину последовательностей примерно на 35% по сравнению с исходным токенизатором. Число параметров — около 4 млрд; архитектура плотная Gemma 3, формат весов — bfloat16 в safetensors. В README указано, что изменены только входные эмбеддинги, а шаблон чата и параметры генерации сохранены. Модель поддерживает украинский и английский языки и принимает текст. Хотя базовая Gemma 3 мультимодальна и у этой версии сохранена часть для обработки изображений, путь изображений не оценивался, поэтому заявленный сценарий использования — текстовый. На приведённых тестах генерация украинского текста почти восстановила уровень базовой модели, тогда как понимание украинского уступает ей: восстановлено примерно 82–91% результатов. Лицензия — Gemma License; применяются её условия использования.

gemma-3n-E4B-it-MLX-4bit — это 4-битная квантованная версия мультимодальной модели gemma-3n-E4B-it, разработанной Google. Квантование в формате MLX предоставлено командой LM Studio с использованием mlx_vlm; модель оптимизирована для работы на устройствах с Apple Silicon. Модель предназначена для задач преобразования изображений, аудио и видео в текст, включая автоматическое распознавание и перевод речи, а также сценарии audio-text-to-text и video-text-to-text. В README не указаны точные архитектурные параметры, число параметров, поддерживаемые языки и размер контекстного окна. Ключевые преимущества — сниженное потребление памяти и вычислительных ресурсов благодаря 4-битной квантовании и адаптация к экосистеме Apple Silicon. Возможные ограничения связаны с потерей точности из-за квантования, а также с отсутствием в предоставленных данных подробных характеристик качества и совместимости. Для доступа и использования требуется принять лицензию Google Gemma на Hugging Face; конкретные условия лицензии следует уточнять в её тексте.

EryriLabs разработала разговорную модель Gemma 4 E4B, дообученную для валлийского и английского языков. Это плотная модель семейства Gemma 4, основанная на google/gemma-4-E4B-it: обучение включало дополнительное предобучение на валлийских текстах и supervised fine-tuning на валлийских инструкциях с применением LoRA; в репозитории доступны объединённые веса bf16 и адаптеры. Модель распространяется в формате safetensors и предназначена для локального запуска на телефонах, ноутбуках и малых компьютерах, а также для диалога, составления текстов и ответов на вопросы на валлийском и английском. Лицензия — Apache-2.0; README также указывает на коммерческое использование при соблюдении требований атрибуции исходных данных, где это требуется. Модель стремится поддерживать естественный повседневный валлийский, включая мутации, регистр обращения ti/chi и идиоматическую лексику, и отвечать на языке пользователя. Она не предназначена для юридических, медицинских или финансовых рекомендаций. Валлийские тексты могут требовать проверки носителем языка; сведения о мошенничестве, включая контакты и маршруты подачи жалоб, следует предоставлять в контексте и проверять человеком. В README также указано, что валлийский занимает больше токенов, чем английский, а качество зависит от корректной загрузки архитектуры Gemma4ForConditionalGeneration в Transformers версии 5.15 или новее.

Gemma-4-Garnet-31B-it-uncensored-heretic-GGUF — это GGUF-квантизации модели Gemma-4-Garnet-31B-it-uncensored-heretic, разработанной независимым автором llmfan46 на основе ConicCat/Gemma4-Garnet-31B. Модель предназначена для генерации текста, прежде всего для творческого письма и перевода; автор отмечает улучшение естественности текста и устранение излишне формальных или неуместных формулировок по сравнению с исходной моделью. Доступны варианты BF16 и Q8_0, причём Q8_0 рекомендуется как почти не уступающий полной точности. Это текстовая модель на 31 млрд параметров; сведения о точной архитектуре, размере контекста, поддерживаемых языках и мультимодальности в README не указаны. Версия создана методом decensoring с использованием Heretic 1.2.0 и Arbitrary-Rank Ablation, направленным на снижение числа отказов при сохранении основных характеристик модели. В тестах PIQA она показала точность 93,80% против 93,63% у оригинала, а в MMLU — 84,80% против 85,91%, что указывает на небольшое ухудшение результатов в MMLU при сопоставимых общих возможностях. По заявлению автора, доля отказов снизилась с 99 до 6 из 100 проверок, а KL divergence относительно исходной модели составила 0,0368. Ограниченная модерация может быть преимуществом для исследовательских и творческих сценариев, но одновременно повышает риски при работе с потенциально опасным или нежелательным содержанием. Модель распространяется по лицензии Apache-2.0.

ThuyNT03/KLTN_COQE_viT5_total_SAPOL_v2 — дообученная модель VietAI/vit5-large на базе архитектуры T5 с 389,3 млн параметров. Карточка не описывает её специализированные задачи или обучающие данные, поэтому назначение конкретного чекпойнта установить нельзя; базовая модель предназначена для генерации текста на вьетнамском языке, включая ответы на вопросы, суммаризацию и перевод. Модель распространяется в формате safetensors по лицензии MIT.

LDCC-Instruct-Llama-2-ko-13B-v4.2.8 — корейско-английская инструкционная языковая модель, разработанная Lotte Data Communication на базе архитектуры Llama 2. Модель дообучена на общедоступных корейских и английских данных, прошедших обработку и очистку; данные клиентов Lotte Data Communication не использовались. Модель предназначена для генерации текста в ответ на инструкции по шаблону Prompt/Answer. Это плотная модель семейства Llama с 12,9 млрд параметров и контекстом 2048 токенов, сохранённая в формате safetensors. Для использования весов действует лицензия CC BY-NC 4.0, которая ограничивает коммерческое применение.

Это версия llm-jp/llm-jp-4.1-8b-thinking, преобразованная для запуска через движок onw на Intel NPU. Модель разработана проектом LLM-jp при Национальном институте информатики Японии; в репозитории размещены веса и файлы конфигурации для onw, а сам движок устанавливается отдельно. Архитектура — плотная Llama-подобная авторегрессионная модель примерно на 7,8 млрд параметров с контекстом до 65 536 токенов. Модель предназначена для диалога и генерации текста, в первую очередь на японском языке: она следует инструкциям, рассуждает и поддерживает вызов инструментов через OpenAI-совместимый API. README описывает формат harmony, англоязычное внутреннее рассуждение в режиме thinking и проверенные примеры японских ответов и параллельных вызовов инструментов. Текстовый ввод и текстовый вывод; метаданные также указывают японский и английский языки. Для работы требуется совместимый Intel Core Ultra с NPU и установленный onw; скорость зависит от NPU и объёма памяти. Веса переразбиты для исполнения на NPU: слои используют INT4, выходной слой — INT8; README сообщает о близком совпадении результатов с исходной bf16-моделью на описанных проверках. Это преобразование и квантование без дополнительного обучения. Лицензия — Apache 2.0.

Misal-1B-instruct-v0.1 — языковая модель, созданная smallstep.ai на основе архитектуры TinyLlama и дообученная для работы на маратхи. Это плотная авторегрессионная модель семейства Llama с 1,1 млрд параметров и контекстом до 2048 токенов; для запуска доступна в формате safetensors через Transformers. Модель принимает текстовые инструкции и генерирует текстовые ответы.

Mistral-Small-3.2-24B-Instruct-2506-MLX-6bit — это 6-битная квантизированная версия мультимодальной инструкционной модели Mistral-Small-3.2-24B-Instruct-2506. Исходную модель разработала Mistral AI, а квантизацию в формате MLX предоставила команда LM Studio с использованием mlx_vlm. Модель предназначена для задач генерации текста и обработки изображений с текстом, включая сценарии, поддерживаемые исходной vision-language моделью. Она оптимизирована для запуска на устройствах Apple Silicon через MLX. Размер исходной модели составляет 24 млрд параметров, однако точные требования к памяти и производительности для этой 6-битной версии в README не указаны. Заявлена поддержка английского, французского, немецкого, испанского, португальского, итальянского, японского, корейского, русского, китайского, арабского, персидского и ряда других языков; размер контекста не указан. К сильным сторонам относятся мультимодальность, инструкционная настройка, поддержка нескольких языков и оптимизация для экосистемы Apple Silicon. Ограничения включают зависимость от совместимого оборудования и программного стека MLX, а также возможные неточности, нежелательные или вводящие в заблуждение ответы, характерные для генеративных моделей. Модель распространяется по лицензии Apache-2.0.

duyntnet/Sailor-14B-Chat-imatrix-GGUF — набор GGUF-квантизаций чат-модели Sailor-14B-Chat, разработанной Sea AI Lab. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на вопросы, написание и преобразование текста на языках Юго-Восточной Азии. Sailor ориентирована прежде всего на индонезийский, тайский, вьетнамский, малайский и лаосский языки, а также поддерживает английский и китайский. В карточке указано, что исходная модель имеет размер 14B параметров; конкретные характеристики архитектуры, длина контекста и варианты квантизации для этого репозитория не приведены. Формат GGUF и применение imatrix предназначены для локального запуска с использованием совместимого программного обеспечения. Сильная сторона модели — специализация на языках и лингвистических сценариях региона Юго-Восточной Азии при сохранении многоязычной направленности. Ограничения связаны с отсутствием подробных данных о качестве, бенчмарках, требованиях к ресурсам и точных параметрах квантизаций. Лицензия указана как other, без дополнительных условий в предоставленном README.

sarvamai_sarvam-m-GGUF — это набор квантизированных версий языковой модели sarvam-m, разработанной Sarvam AI и преобразованной в формат GGUF пользователем bartowski с использованием llama.cpp и imatrix-квантизации. Модель предназначена для генерации текста и может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. В README указана поддержка английского, бенгальского, хинди, каннада, гуджарати, маратхи, малаялам, ория, пенджаби, тамильского и телугу. Доступны варианты от BF16 размером 47,15 ГБ до низкобитных квантов примерно от 9,28 ГБ; наиболее качественными названы версии Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S и некоторые варианты Q4. Квантизация уменьшает требования к памяти, но может снижать качество по сравнению с исходными весами, особенно у низкобитных вариантов. Архитектура, число параметров и размер контекста в представленном README не указаны. Лицензия модели — Apache-2.0. Конкретные показатели качества, ограничения по сценариям применения и рекомендации по аппаратным требованиям, помимо размеров файлов квантов, не приведены.

ifuseok/sft-solar-10.7b-v1 — разговорная языковая модель, дообученная разработчиком ifuseok на основе upstage/SOLAR-10.7B-Instruct-v1.0. Это плотная авторегрессионная модель семейства Llama с 10,6 млрд параметров, предназначенная для генерации текста и диалоговых сценариев. Модель принимает текст и выдаёт текст; контекст составляет 4096 токенов. Дообучение использует преимущественно корейские наборы инструкций, включая корейские версии Dolly, OpenOrca и BoolQ, а также часть англо-корейских переводческих данных AIhub. Это делает модель подходящей для ответов на вопросы, выполнения инструкций и перевода между корейским и английским. В README приведён пример загрузки через Transformers в формате safetensors с float16. Карточка не сообщает отдельную лицензию для этой версии; условия использования следует сверять с лицензией базовой модели. Небольшой объём описания не позволяет оценить качество на независимых тестах или надёжность ответов.

DeL-TaiseiOzaki/Tengentoppa-llm-jp-13B-reasoning-it — плотная языковая модель семейства Llama на 13,2 млрд параметров, дообученная на базе llm-jp/llm-jp-3-13b. Она предназначена для генерации текста и диалогового взаимодействия на японском и английском языках; карточка также описывает её как модель с токенами и шаблоном для структурированных чатов и рассуждений. Контекст модели составляет 4096 токенов. Расширенный токенизатор размечает роли system, user, hint, reasoning и assistant, а также решения, ответы, контекст, примеры и служебные сигналы. Это поддерживает структурированные запросы и диалоги, однако наличие специальных токенов само по себе не гарантирует качество рассуждений. Модель распространяется в формате safetensors по лицензии CC BY-SA 4.0.

Turkish-LLM-32B-Instruct-GGUF — набор GGUF-квантизаций инструкционной языковой модели Turkish-LLM-32B-Instruct, разработанной ogulcanaydogan. Модель предназначена для генерации текста и работы с инструкциями, прежде всего на турецком и английском языках. Она подходит для локального запуска через Ollama и llama.cpp, включая задачи диалога, ответов на вопросы и создания текстов. Модель имеет размер 32B параметров; в метаданных также указана архитектура Qwen2. Доступны варианты Q4_K_M размером 19 ГБ, Q5_K_M размером 22 ГБ, Q8_0 размером 33 ГБ и F16 размером 62 ГБ. Q4_K_M обозначен как рекомендуемый баланс качества и размера, Q5_K_M предлагает более высокое качество при большем размере, Q8_0 близок к исходному качеству и требует более 40 ГБ VRAM, а F16 предназначен преимущественно для исследовательского использования. Размер контекстного окна и поддержка дополнительных модальностей не указаны; по назначению это текстовая модель. Сильной стороной модели является специализация на турецком языке при сохранении поддержки английского, а также возможность выбора между несколькими уровнями квантизации для разных аппаратных ресурсов. В приведённых тестах она немного превосходит базовую модель в MMLU-TR и XNLI-TR, но уступает ей в XCOPA-TR, поэтому результаты зависят от типа задачи. Модель распространяется по лицензии Apache-2.0.

Карточка модели aoiandroid/ultravox-v0_5-llama-3_2-1b на Hugging Face совпадает с карточкой fixie-ai/ultravox-v0_5-llama-3_2-1b, поэтому описание составлено по ней. Ultravox — мультимодальная речевая языковая модель от Fixie.ai, объединяющая аудиовход с текстовой моделью Llama 3.2-1B-Instruct и Whisper large-v3-turbo. Она принимает речь и текст, например текстовую системную инструкцию и аудиосообщение пользователя, а ответ генерирует в текстовом виде. Модель предназначена для голосовых агентов, анализа устной речи и перевода речи между языками. В README указана версия Ultravox 0.5 с обозначением 1B; метаданные каталога указывают 4,8 млрд параметров. Модель построена на архитектуре Ultravox и поддерживает аудиовход, чат и интерфейс вызова инструментов. Для обучения использовались наборы данных распознавания речи и речевого перевода, а также продолжения, сгенерированные Llama 3.1 8B. Метаданные перечисляют широкий набор языков, включая русский; конкретные языки карточки охватывают более узкий перечень. Модель выдаёт текст и не генерирует аудио. В README отмечено, что к этой версии не применялась настройка предпочтений; качество перевода может зависеть от языковой пары и ограниченности модели версии 1B. Лицензия — MIT.

JackyHoCL/whisper-large-v3-turbo-cantonese-yue-english — дообученная модель Jacky Ho на базе Whisper Large v3 Turbo от OpenAI для автоматического распознавания речи. Она предназначена прежде всего для транскрибации кантонской речи, в том числе в сочетании с английским; автор приводит примеры потокового распознавания и сообщает об оценках CER на тестовых наборах Common Voice и очищенной смешанной кантонско-английской речи. Модель построена на архитектуре WhisperForConditionalGeneration, содержит около 905,2 млн параметров и доступна в формате safetensors для Transformers. Для кантонского с английским README рекомендует языковой код yue; код zh указан для сценария с кантонским, мандаринским и английским. Карточка описывает обучение на Common Voice 16.1, Common Voice 17.0 и наборе очищенной смешанной кантонско-английской речи. Результаты CER в README различаются между датами и наборами данных, поэтому приведённые оценки не гарантируют качество на других записях. Автор отмечает необходимость улучшить распознавание китайского и работу с фоновой шумовой средой; упоминается отдельная версия с обнаружением шума. Лицензия — MIT.

nezamisafa/whisper-persian-v4 — модель распознавания речи на персидском языке, созданная дообучением Whisper large-v3 от OpenAI на наборе данных ASR_fa_v1. Это плотная модель архитектуры Whisper с 905,2 млн параметров, принимающая аудио и выдающая текст; для работы используется библиотека Transformers, веса опубликованы в формате safetensors. В README указана оценка WER 8,73 на наборе оценки. Модель предназначена для транскрибации персидской речи. Базовая Whisper large-v3 поддерживает многоязычную транскрибацию и перевод аудио в текст, однако карточка этой версии сообщает о дообучении для распознавания персидского языка и не подтверждает качество для других языков или задач. Модель распространяется по лицензии Apache-2.0.

Jingmiao/whisper-small-chinese_base — дообученная модель распознавания речи на архитектуре Whisper Small, разработанная на основе openai/whisper-small. Она предназначена для преобразования китайской речи в текст; обучение проводилось на китайской части набора google/fleurs (cmn_hans_cn). Модель содержит 153,1 млн параметров и опубликована в формате PyTorch. На указанном в карточке наборе для оценки модель достигла значения WER 16,6439 и loss 0,3573. Лицензия Apache-2.0.

Это дообученная на датасете Common Voice v15 версия мультиязычной модели Whisper Small от OpenAI, опубликованная пользователем razhan. Модель предназначена для автоматического распознавания речи и транскрибирования аудио на курдском языке сорани. Архитектура — WhisperForConditionalGeneration; размер — 153,1 млн параметров. В репозитории указаны результаты оценки: Loss 0,0334 и WER 0,0613. Модель принимает аудио и выдаёт текст. Данных о длине контекста и конкретных условиях оценки WER в карточке нет. Базовая модель — openai/whisper-small; лицензия — Apache-2.0.

bofenghuang/whisper-small-cv11-german — версия Whisper small, дообученная для распознавания немецкой речи на немецкой части набора Common Voice 11.0. Модель разработана на основе openai/whisper-small и использует архитектуру Whisper с 153,1 млн параметров; для распознавания аудио требуется частота дискретизации 16 кГц. Модель преобразует немецкую речь в текст, включая регистр букв и пунктуацию. В карточке приведён WER 11,35 на Common Voice 11.0. Она подходит для транскрибации немецких голосовых записей и аудио, записанного в условиях, близких к данным обучения. Распространяется по лицензии Apache-2.0.