I.6Перевод и языковая адаптация

OpenBuddy-R1-0528-Distill-Qwen3-32B-Preview0-QAT-GGUF — это набор GGUF-квантизаций языковой модели OpenBuddy-R1-0528-Distill-Qwen3-32B-Preview0-QAT, разработанной OpenBuddy и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты. В основе лежит 32-миллиардная модель семейства Qwen3, представленная в нескольких вариантах точности: от BF16 до Q3 и различных Q4–Q8-квантизаций. README указывает поддержку китайского, английского, французского, немецкого, японского, корейского, итальянского и финского языков. Формат GGUF и варианты квантизации позволяют выбирать между качеством, размером файлов и требованиями к оперативной памяти; рекомендуемым универсальным вариантом назван Q4_K_M размером 19,76 ГБ, а Q6_K и Q6_K_L — высококачественными вариантами. Сильные стороны модели — широкий выбор квантизаций, возможность локального запуска и сохранение высокого качества в старших вариантах. Ограничения включают значительные требования к памяти даже для компактных вариантов, а также отсутствие в README сведений о размере контекста, конкретных возможностях рассуждения, мультимодальности и результатах benchmark-тестов. Распространение указано по лицензии Apache-2.0.

Pathumma-whisper-th-medium — модель распознавания речи команды Pathumma Audio Team, дообученная на основе openai/whisper-medium. Она предназначена для преобразования аудиозаписей в текст и запускается через библиотеку Transformers. Модель содержит 455,8 млн параметров и распространяется в формате safetensors. В метаданных указаны тайский и английский языки; отдельные сценарии применения и результаты оценки в карточке не описаны. Лицензия — Apache-2.0.

BuzzASR Persian — одноязычная модель автоматического распознавания персидской речи, разработанная как часть набора BuzzASR. Это полноценно дообученная версия Whisper large-v3 с заменой токенизатора на персидский и дополнительным текстовым многозадачным обучением. Модель содержит около 907,3 млн параметров и предназначена для преобразования персидской речи в текст. Модель оценивается на наборах FLEURS и Common Voice 25.0; в карточке сообщается о снижении CER относительно Whisper large-v3 без дообучения. Она подходит для транскрибации персидской речи, однако качество на других доменах, диалектах и условиях записи может отличаться. Модель одноязычная и рассчитана на персидский язык. Модель распространяется по лицензии MIT. Указанные результаты относятся к тестовым разделам FLEURS и Common Voice и не гарантируют аналогичное качество на произвольных аудиозаписях.

PhoWhisper-medium — версия модели распознавания речи PhoWhisper, разработанная авторами Thanh-Thien Le, Linh The Nguyen и Dat Quoc Nguyen. Это дообученная многоязычная Whisper с архитектурой WhisperForConditionalGeneration и 455,8 млн параметров; модель принимает аудио и преобразует вьетнамскую речь в текст. Модель предназначена для автоматического распознавания вьетнамской речи с учётом разных акцентов. При дообучении использовался набор данных объёмом 844 часа; авторы сообщают о высоких результатах на тестах распознавания вьетнамской речи. Поддерживается задача automatic-speech-recognition, формат весов — PyTorch. Модель распространяется по лицензии BSD 3-Clause. Карточка не приводит сведений о длине контекста или известных ограничениях качества; результаты могут различаться в зависимости от акцента и условий записи.

polystring-lid — модель Saad Lohani для определения языка отдельных фрагментов текста. Она дообучена на базе FacebookAI/xlm-roberta-base и использует архитектуру XLM-RoBERTa с классификацией токенов. В метаданных указаны 305,2 млн параметров и контекст длиной 514 токенов; доступны форматы Safetensors и ONNX. Модель предназначена для разметки текстовых последовательностей метками языков. В README приведены результаты оценки: loss 0,1267 и F1 0,8848. Набор данных для обучения и подробности о поддерживаемых языках не описаны. Лицензия — MIT.

GemMaroc/Qwen2.5-7B-Instruct-darija — инструктивная языковая модель на архитектуре Qwen2.5, дообученная командой GemMaroc для генерации текста на марокканском арабском языке (Darija). Модель содержит 7,1 млрд параметров, использует архитектуру decoder-only Transformer и поддерживает контекст до 32 768 токенов. Она основана на Qwen/Qwen2.5-7B-Instruct и обучена на наборе инструкций GemMaroc/TULU-3-50k-darija-english; опубликованные веса представлены в формате safetensors. Модель предназначена для диалогов, ответов на инструкции, рассуждений и генерации текста на Darija, а также для работы с английским в двуязычных сценариях. Разработчик приводит оценки на бенчмарках для Darija и английского; результаты различаются по задачам, а улучшения на одном языке или показателе не гарантируют качества в других сценариях. Среди ограничений — более слабые результаты в анализе тональности и абстрактивном суммировании, чем у современных специализированных моделей, а редкие варианты написания Darija могут дробиться токенизатором. Модель может наследовать социальные предубеждения предобучающих данных и не имеет дополнительного выравнивания безопасности RLHF/RLAIF, поэтому для прикладного развёртывания разработчик рекомендует модерацию. Условия лицензии в предоставленных данных не указаны.

Qwen3.5-122B-A10B-abliterated-NVFP4 — производная версия модели wangzhang/Qwen3.5-122B-A10B-abliterated, основанной на Qwen/Qwen3.5-122B-A10B. Репозиторий поддерживается автором bjk110 и предназначен для локального запуска и сервинга текстовой генерации. Модель использует архитектуру Qwen3.5 MoE с 256 маршрутизируемыми экспертами, из которых активно 10 млрд параметров. Она поддерживает английский, корейский, китайский и японский языки. Контекстное окно может достигать 131 072 токенов при использовании указанной конфигурации vLLM. Это текстовая версия мультимодальной архитектуры: в данном чекпойнте присутствуют только текстовые веса, поэтому мультимодальные сценарии не поддерживаются. Основное изменение — квантизация NVFP4 с использованием compressed-tensors. Квантизированы маршрутизируемые и общие эксперты, а также self-attention; linear attention, эмбеддинги, нормализации и гейты сохранены в BF16. Размер уменьшен с 228 ГБ в BF16 до 71,2 ГБ, формат хранения — safetensors в двух шардах. Сильными сторонами являются существенное снижение требований к памяти и совместимость с NVFP4 MoE-ядром vLLM. Ограничения включают необходимость специального патча vLLM, зависимость от совместимого оборудования NVIDIA и отсутствие мультимодальных возможностей; заявленные показатели производительности проверены на NVIDIA DGX Spark и не гарантируются для других конфигураций. Модель распространяется по лицензии Apache-2.0.

Это uncensored- и decensored-версия мультимодальной модели Qwen3.5-122B-A10B, созданная независимым автором llmfan46 с использованием инструмента Heretic. Модель распространяется в формате GGUF и предназначена для локального запуска в llama.cpp, LM Studio, Ollama и других совместимых инструментах. Модель основана на архитектуре Qwen3.5 с гибридным сочетанием Gated Delta Networks и разреженной Mixture-of-Experts. Заявлены 122 млрд параметров и 10 млрд активных параметров, поддержка текста и изображений, а также 201 языка. Для работы с изображениями требуется отдельный vision projector. В репозитории доступны варианты квантования от BF16 и Q8_0 до Q2_K, что позволяет выбирать между качеством и требованиями к памяти. Также заявлено сохранение всех 785 MTP. Ключевая особенность — значительное снижение числа отказов по сравнению с исходной моделью: 8 против 92 из 100 в приведённом тесте, при KL-дивергенции 0,0856. Это делает модель подходящей для сценариев, где требуется меньше ограничений и отказов при генерации, однако одновременно снижает встроенные защитные механизмы. README не содержит точных сведений о размере контекста, поэтому этот параметр нельзя надёжно указать. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-ABLITERATED-UNCENSORED-PHILADELPHIA-CLASS-MLX-mixed-6bit — это квантизированная версия модели KridgeDookie/Qwen3.8-27B-ABLITERATED-UNCENSORED-PHILADELPHIA-CLASS, преобразованная в формат MLX с использованием mlx-vlm 0.6.13. Модель предназначена для запуска в экосистеме MLX и заявлена как решение для задач image-text-to-text, то есть обработки текстовых и визуально-текстовых запросов. README не указывает точную архитектуру, размер контекстного окна и дополнительные сведения о мультимодальных компонентах. Модель использует смешанную аффинную квантизацию: большинство тензоров представлены в 4-, 6- или 8-битном формате с размером группы 32; итоговая точность составляет 6,096 бит на вес. По заявлению README, конфигурация reasoning_effort по умолчанию установлена в low, чтобы снизить избыточное рассуждение. Поддерживаются английский, китайский, русский, испанский, французский, итальянский, японский, корейский и ряд других языков, перечисленных в карточке модели. К сильным сторонам относятся уменьшенный объём хранения и потенциально более низкие требования к памяти по сравнению с полноразмерной моделью, а также многоязычность и поддержка режимов reasoning и instruct. К ограничениям относятся возможные потери качества из-за квантизации, отсутствие в README подробных бенчмарков и точных требований к оборудованию, а также предупреждение, что увеличение presence_penalty может привести к смешению языков и небольшому снижению производительности. Для thinking mode рекомендованы temperature 1.0, top_p 0.95 и top_k 20, а для instruct-режима — temperature 0.7, top_p 0.80, top_k 20 и presence_penalty 1.5. Модель распространяется по лицензии Apache-2.0. Указанная лицензия относится к исходной модели Qwen3.8-27B; для практического использования следует также учитывать условия базовой модели и происхождение производной версии.

Это модель на базе XLM-RoBERTa для получения эмбеддингов предложений на болгарском языке и оценки их семантического сходства. Её обучил rmihaylov на закрытых параллельных данных на болгарском и английском языках: по подходу Sentence-BERT переведённые предложения учатся занимать близкие позиции в векторном пространстве. Модель чувствительна к регистру. Чекпойнт содержит 124,5 млн параметров, принимает текст и выдаёт векторы; максимальный контекст — 514 токенов. После обучения модель сжали методом progressive module replacing. Лицензия — MIT. Она подходит для поиска похожих болгарских предложений и сопоставления переводов; качество на других языках и задачах не подтверждено.

SEA-Instruct URA-LLaMA 2.1 8B — языковая модель с архитектурой Llama, созданная на основе ura-hcmut/ura-llama-2.1-8b. Модель получена объединением результатов LoRA-донастройки с обучением по инструкциям на датасете trannguyenquynhnhu/SEA-Instruct-2602-fine-tuned; в репозитории также доступен родной чат-шаблон Llama 3.1. Модель предназначена для диалогового ответа на инструкции и запросы на языках Юго-Восточной Азии. Она содержит 7,5 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 131 072 токена. Поддерживаемые языки включают вьетнамский, английский, индонезийский, тайский, малайский, филиппинский, бирманский, кхмерский, лаосский, тамильский и китайский. Модель опубликована под лицензией Apache-2.0. Разработчик рекомендует использовать её для исследований и оценить точность, безопасность и культурную корректность перед внедрением.

SEA-LION-v1-3B — базовая языковая модель, разработанная командой Products Pillar компании AI Singapore при финансировании NRF Сингапура. Это декодер на архитектуре MPT с 3 млрд параметров и словарём из 256 тыс. токенов; модель предварительно обучена на 980 млрд токенов и предназначена для генерации текста с учётом языкового и регионального контекста Юго-Восточной Азии. Модель поддерживает английский, китайский, индонезийский, малайский, тайский, вьетнамский, филиппинский, тамильский, бирманский, кхмерский и лаосский языки. Её можно использовать для генерации и продолжения текста, а также как основу для адаптации под региональные языки и сценарии. В карточке приведены средние результаты на общих англоязычных тестах; они не гарантируют качество для конкретной задачи или языка. Это базовая модель без настройки безопасности, поэтому перед пользовательским применением требуется самостоятельно оценить риски и при необходимости выполнить соответствующую настройку. Лицензия — MIT.

Shisa 7B v1 — двуязычная чат-модель общего назначения, разработанная Augmxnt для японского и английского языков. Она предназначена для диалога, ответов на вопросы и выполнения инструкций на этих языках. Модель построена на плотной архитектуре MistralForCausalLM с 7,5 млрд параметров и контекстом до 32 768 токенов. В основе лежит Mistral 7B с расширенным токенизатором, оптимизированным для японского языка; базовая модель прошла дополнительное предобучение преимущественно на японских данных, затем была дообучена на синтетических англо-японских данных и предпочтениях пользователей. Доступна в формате safetensors. Модель рассчитана на генерацию связных ответов и демонстрирует хорошее владение японским при сохранении возможностей английского. Она может галлюцинировать, хуже крупных моделей следует сложным инструкциям и рассуждает менее эффективно; в японском встречаются неестественные формулировки и ошибки, также возможно переключение на другой язык. Лицензия Apache 2.0 допускает коммерческое и иное использование.

SILMA-9B-Instruct-v1.0-GGUF — квантизированная версия инструкционной языковой модели SILMA-9B-Instruct-v1.0, разработанной командой silma-ai и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и диалогового взаимодействия, включая задачи на арабском и английском языках. Она может использоваться локально через llama.cpp и LM Studio. Модель содержит около 9 миллиардов параметров; точная архитектура и размер контекстного окна в предоставленных данных не указаны. Доступны варианты от полноразмерных F16 до квантизаций Q8_0, Q6, Q5 и Q4, что позволяет выбирать между качеством ответов, размером файла и требованиями к ресурсам. Наиболее качественными в README названы варианты Q6_K_L, Q6_K, Q5_K и Q4_K, при этом Q4_K_M описан как типичный компромисс между размером и качеством. Сильной стороной модели является специализация на арабском языке: в приведённых тестах она оценивалась на Arabic MMLU, AlGhafa, ACVA и Arabic_EXAMS, а также на арабской версии ARC Challenge. Ограничения включают отсутствие сведений о мультимодальности, точной архитектуре, контекстном окне и результатах за пределами указанных бенчмарков; квантизация может снижать качество по сравнению с исходными весами. Модель распространяется по лицензии Gemma, а для работы следует использовать указанный формат prompt.

Surogate-3.5-4B — двуязычный ассистент компании Invergent для платформы Surogate, построенный на архитектуре Qwen 3.5. Модель предназначена прежде всего для следования инструкциям на румынском языке, рассуждений, решения математических задач и соблюдения орфографии; также поддерживает английский. Она принимает изображения и текст и выдаёт текст, поддерживает чат и шаблон Qwen3.5, а также режим с явной цепочкой рассуждений и адаптивной длиной рассуждения. Модель подходит для ответов на вопросы, выполнения инструкций и решения задач на румынском и английском языках. Оптимизация ориентирована на румынский, а качество английских ответов может меняться в зависимости от задачи. Модель может допускать орфографические, логические и фактические ошибки, поэтому расчёты и рекомендации с существенными последствиями следует проверять. Лицензия — Apache-2.0.

Swallow 70B Instruct — крупная языковая модель для генерации текста, разработанная командой tokyotech-llm. Представленная версия распространяется TheBloke в формате GGUF и является квантизированным вариантом исходной модели Swallow 70B Instruct в формате PyTorch. Модель основана на архитектуре Llama, предназначена для выполнения инструкций и задач text-generation, включая диалоговые и прикладные сценарии работы с текстом. Модель поддерживает английский и японский языки. Указанный размер — 70B параметров; модальность — текстовая. Формат GGUF позволяет запускать модель через llama.cpp и совместимые интерфейсы и библиотеки, в том числе с использованием CPU и GPU. Доступны варианты квантования от 2 до 8 бит, что даёт выбор между требованиями к памяти, скоростью и качеством генерации. Для корректного использования предусмотрен шаблон инструкций на японском языке. Размер контекста в README не указан. К сильным сторонам относятся большой размер, поддержка английского и японского языков, выполнение инструкций и возможность локального запуска с различными уровнями квантования. Ограничениями являются высокие требования к ресурсам для вариантов с низкой степенью квантования, возможная потеря качества из-за квантования и отсутствие сведений о результатах тестирования, производительности и точном размере контекста. Модель распространяется по лицензии Llama 2; условия лицензии следует учитывать при использовании.

Tema_Q-X3-Thinking — японско- и англоязычная доработанная языковая модель на базе Qwen3.5-35B-A3B от Alibaba. Она предназначена для диалогов и генерации ответов на сложные запросы, где автор стремится получить более свободные и полезные ответы, чем у стандартной Qwen. Модель поддерживает японский и английский языки; в метаданных указана архитектура семейства Qwen 3.5 MoE и интерфейс для вызова инструментов. Модель распространяется в формате safetensors. Автор предупреждает о существенном снижении точности вывода при использовании квантизации ниже Q2_K и рекомендует Q3_K_M, если доступна такая версия. Лицензия в предоставленных сведениях не указана. Автор запрещает использовать модель для дискриминации, травли, насилия, незаконной деятельности и других вредоносных целей и возлагает на пользователя ответственность за соблюдение законов и правил платформы.

Tema_Q-X5-Thinking — дообученная большая языковая модель на основе Qwen3.6-35B-A3B, разработанной Alibaba Cloud. Она предназначена для генерации ответов на японском и английском языках, в том числе на сложные запросы, на которые стандартная Qwen может отвечать хуже. Метаданные также указывают поддержку китайского языка и диалогового режима с выполнением инструкций. Модель относится к семейству Qwen3.5 MoE; в репозитории представлены веса Safetensors. Карточка рекомендует использовать квантование не ниже Q5_K_M, поскольку при Q4_K_M и ниже может заметно снижаться точность вывода. Лицензия и длина контекста в предоставленных сведениях не приведены. README требует соблюдать применимые законы и правила платформы и запрещает вредоносное использование.

GLM-4-32B-0414-GGUF — это квантизированная версия языковой модели GLM-4-32B-0414, разработанной THUDM, подготовленная пользователем bartowski в формате GGUF. Модель предназначена для генерации текста и может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. Заявлена поддержка китайского и английского языков. Модель содержит 32 миллиарда параметров; точные сведения об архитектуре, размере контекста и поддерживаемых модальностях в README не указаны. Доступны варианты от BF16 до различных квантизаций Q8, Q6, Q5, Q4, Q3 и Q2, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Более высокие уровни квантизации обеспечивают лучшее качество, а низкие подходят для систем с ограниченными ресурсами, но могут заметно уступать по качеству. Для запуска требуется совместимое программное обеспечение и объём памяти, соответствующий выбранному варианту. Квантизация выполнена с использованием llama.cpp и метода imatrix; в описании также отмечено исправление токенизатора. Модель распространяется по лицензии MIT. README не содержит подробных результатов тестирования, поэтому фактические преимущества в конкретных задачах и ограничения базовой модели требуют самостоятельной проверки.

Typhoon2.5-Qwen3-4B — инструктивная языковая модель, разработанная OpenTyphoon для генерации ответов на тайском и английском языках. Она основана на плотной decoder-only архитектуре Qwen3 и содержит 3,7 млрд параметров. Модель предназначена для диалогов, генерации текста и вызова функций через интерфейс инструментов; заявленная длина контекста — 262 144 токена. Модель работает с текстом и рассчитана на использование через Transformers; README указывает требование Transformers версии 4.51.0 или новее и приводит пример запуска совместимого с OpenAI API сервера на vLLM. В карточке указана лицензия Apache 2.0. Разработка продолжается: ответы могут быть неточными, предвзятыми или нежелательными, поэтому пригодность следует оценивать для конкретного применения.

Модель ydshieh/wav2vec2-large-xlsr-53-chinese-zh-cn-gpt — дообученная на китайской речи версия facebook/wav2vec2-large-xlsr-53. Она распознаёт речь на китайском языке с выводом упрощёнными иероглифами; при обучении использованы наборы Common Voice zh-CN и zh-TW, причём тексты zh-TW преобразованы в упрощённое письмо. Модель основана на архитектуре Wav2Vec2 с CTC-декодером и содержит 424,3 млн параметров. Модель предназначена для автоматической транскрибации китайской речи. Для входного аудио требуется частота дискретизации 16 кГц; распознавание возможно без отдельной языковой модели. На тестовой выборке Common Voice zh-CN указана ошибка CER 20,90%. Веса доступны в формате PyTorch по лицензии Apache-2.0.

m3hrdadfi/wav2vec2-large-xlsr-lithuanian — акустическая модель распознавания литовской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на обучающей и валидационной выборках Common Voice. Она принимает аудио с частотой дискретизации 16 кГц и выдаёт распознанный текст; архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. Модель предназначена для автоматической транскрипции литовской речи, в том числе без отдельной языковой модели. В оценке на тестовых данных Common Voice указана метрика WER 34,66%. Репозиторий содержит веса PyTorch и Flax. Лицензия — Apache-2.0.

sarpba/whisper-base-hungarian_v4 — авторская дообученная версия OpenAI Whisper Base для распознавания речи на венгерском языке. Модель обучена на примерно 1617 часах тщательно отобранной венгерской аудиозаписи с несколькими сотнями говорящих; обучение включало аугментацию шумом MUSAN для 20% примеров. Архитектура — WhisperForConditionalGeneration, формат весов — safetensors; для работы используется библиотека Transformers. Модель предназначена для транскрибации венгерской речи, в том числе записей с фоновым и уличным шумом. В тестах она превзошла предыдущую версию v3, но уступила более старой модели Whisper Hungarian V2 на наборах FLEURS, Common Voice 17.0 и в тесте с шумом. Метрики на чтении не гарантируют такой же точности для спонтанной речи, телефонных разговоров или сильных акустических искажений. Коммерческое использование без согласия автора не разрешено; для личного применения README отсылает к условиям исходной лицензии Whisper.

TransWithAI/whisper-ja-1.5B-ct2 — преобразованная для CTranslate2 версия дообученной модели Whisper large-v3 для распознавания японской речи. Разработчик подготовил веса bfloat16 для использования с faster-whisper; в карточке заявлены конкурентные результаты по CER на проверенных наборах данных, а сведения о тестах приведены в карточке исходной модели. Модель предназначена для транскрибации японских аудиозаписей. README показывает запуск через faster-whisper на CUDA с типом вычислений bfloat16. Для использования нужны совместимые CTranslate2 и faster-whisper; сведения о лицензии в доступных данных отсутствуют.

Scrya/whisper-large-v2-cantonese — дообученная модель распознавания речи на базе OpenAI Whisper Large V2. Она обучена на разделах train и validation датасета Mozilla Common Voice 11.0 и предназначена для преобразования кантонской речи в текст. Модель использует архитектуру Whisper с 905,2 млн параметров; для оценки указана метрика CER 6,2133 на тестовой выборке Common Voice 11.0. Модель принимает аудио и выдаёт текст. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Карточка не описывает ограничения по качеству, шуму или условиям записи.

Whisper large-v3 Persian — модель распознавания речи, созданная дообучением openai/whisper-large-v3 на персидских аудиозаписях из Mozilla Common Voice 17.0. Модель построена на архитектуре Whisper, содержит 905,2 млн параметров и принимает аудио, выдавая распознанный текст. Для запуска используется библиотека Transformers; веса представлены в формате safetensors. Модель предназначена для транскрибации речи на персидском языке. В README указано, что при дообучении использовали более 200 тысяч примеров; на оценочной выборке WER составил 26,5381. Авторы отмечают, что ошибки написания в датасете приводят к грамматическим недостаткам распознанного текста. Лицензия — Apache-2.0.

spokedotso/whisper-large-v3-turbo-4bit — 4-битная квантизованная версия Whisper large-v3-turbo от OpenAI, опубликованная Spoke для распознавания речи на устройствах Apple Silicon. Модель использует архитектуру Whisper; исходный чекпойнт содержит около 809 млн логических параметров, а веса квантованы до 4 бит с размером группы 64. В каталоге репозиторий указан как производный от openai/whisper-large-v3-turbo; README сообщает, что веса совпадают по контрольным суммам с upstream-конверсией mlx-community. Модель предназначена для преобразования аудио в текст непосредственно на устройстве с помощью mlx-whisper. Базовая Whisper large-v3-turbo — ускоренная мультиязычная модель для распознавания речи и перевода аудио в текст. Репозиторий использует формат safetensors и лицензию Apache-2.0; сведения о конкретных языках и максимальной длине аудио в карточке отсутствуют.

imTak/whisper_large_v3_turbo_Korean2 — дообученная модель распознавания речи на основе Whisper large-v3-turbo от OpenAI. Она предназначена для преобразования корейской речи в текст; в карточке указано дообучение на наборе Zeroth-Korean, а метаданные также связывают модель с Common Voice 17.0. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 905,2 млн параметров и работает через Transformers. На оценочном наборе автор приводит значение WER 5,2703 и loss 0,0670. Модель распространяется по лицензии MIT. Показатели приведены для указанного оценочного набора и сами по себе не гарантируют такое же качество на других данных и условиях записи.

Whisper Large v3 Turbo Nepali — модель распознавания речи, дообученная Kiran Pantha на базе openai/whisper-large-v3-turbo с использованием датасета OpenSLR54. Она предназначена для преобразования речи на непальском языке в текст. Модель построена на архитектуре Whisper и содержит 905,2 млн параметров; для инференса доступны веса в формате safetensors. На указанном в карточке наборе оценки модель получила loss 0,1707, WER 23,6343 и CER 5,4903. Эти результаты относятся к конкретной оценочной выборке и не гарантируют такую же точность на других записях. Лицензия модели — MIT.

Whisper-Small-CV11 — мультиязычная модель распознавания речи, созданная Burak Aydın путём дообучения стандартной архитектуры OpenAI Whisper Small на корпусе Whispered. Она содержит 153,1 млн параметров и предназначена для транскрибирования аудиозаписей на 11 языках. Модель работает в Transformers и совместима с обычными инструментами для Whisper; для загрузки не требуется доверять дополнительному коду репозитория. При оценке на CommonVoice 17 модель показала более низкий WER, чем исходная Whisper Small, на 10 из 11 языков; README приводит результаты для английского, немецкого и испанского. Обучение сохраняло замороженным энкодер и использовало 15 000 шагов. Модель подходит для расшифровки записанной речи с бытовых микрофонов, в том числе при фоновом шуме. Модель рассчитана на английский, немецкий, испанский, французский, русский, турецкий, арабский, грузинский, тайский, китайский и валлийский языки. Лицензия — Apache 2.0. По заявлению авторов, дообучение снижает качество для других языков Whisper; грузинский вариант на уровне Whisper Small не пригоден для использования. Качество на дальней речи, телефонном аудио 8 кГц и перекрывающейся речи не оценивалось.