I.7Речь, диалоги и встречи

bunnycore/Qwen3-4B-RP-V3 — объединённая методом TIES модель генерации текста на базе семейства Qwen3, созданная с помощью mergekit. В объединение вошли huihui-ai/Huihui-Qwen3-4B-abliterated-v2, ertghiu256/qwen-3-4b-mixture-of-thought, SuperbEmphasis/Qwen3-4B-RP-Test, bunnycore/Qwen3-4B-RP-V2 и fakezeta/amoral-Qwen3-4B. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат safetensors; заявленная длина контекста — 40 960 токенов. Модель предназначена для генерации ответов и диалогового текста. Описание базовой модели в каталоге указывает на экспериментальные модификации для диалогов с уменьшенным числом отказов. Данных о лицензии и специальных ограничениях применения в предоставленных источниках нет.

leandronunes/qwen3.8-4b-a1-dare-ties — модель слияния DARE-TIES на базе Qwen/Qwen3.5-4B с компонентами Qwen3.8-4B-Distill и Agents-A1-4B. Она объединяет логическую дедукцию и агентные возможности для диалоговых задач и рассуждений; заявленные в карточке родительские модели показали результаты на тестах логической дедукции, причинных суждений и медицины, но показатели самого слияния ещё не измерены. Модель мультимодальная: помимо языковой части, в архитектуре есть зрительная башня из 24 блоков. Используется гибридная архитектура с чередованием слоёв linear attention на базе Gated DeltaNet и full attention; контекст — 262 144 токена. Поддерживается режим расширенного рассуждения, который можно отключить через шаблон чата. Метаданные указывают семейство Qwen 3.5 и поддержку интерфейса вызова инструментов. Модель ориентирована на диалог, логические и причинные рассуждения, в том числе с визуальным вводом. Карточка не приводит измерений качества итогового слияния, поэтому его результаты нельзя считать подтверждёнными приведёнными оценками родительских моделей. Лицензия — Apache 2.0.

Vontra/Qwen3.8-Flash-Next-MLX-oQ8-MTP — общественная MLX-конверсия мультимодальной vision-language модели Qwen3.8-Flash-Next, разработанной Qwen, с сохранённым нативным блоком MTP для speculative decoding. Конверсия выполнена Vontra напрямую из официальных BF16-весов; это не официальный релиз Qwen. Модель предназначена для генерации текста и обработки изображений в совместимых MLX-VLM или oMLX-средах, прежде всего на устройствах Apple Silicon. Модель использует архитектуру sparse MoE с обозначением qwen4_exp, включает Gated DeltaNet, Qwen Sparse Attention, разреженные mixture-of-experts-слои, расширенные gated residual-потоки и хешированные биграммные и триграммные embedding-таблицы. Всего заявлено 125 млрд параметров, из которых активно около 6 млрд, 48 слоёв, 512 маршрутизируемых экспертов с выбором 10 экспертов и одного общего, 24 attention heads и 2 KV heads, размер скрытого состояния 2560 и контекст до 262 144 токенов. Формат — MLX safetensors, квантизация oQ8, близкая к равномерной 8-битной аффинной, с group size 32; размер весов составляет около 202,75 ГБ. Сильная сторона конверсии — встроенный совместимый MTP-блок, который может существенно повысить скорость генерации: в измерении на Apple M3 Studio производительность выросла с 19,5 до 35,7 токена в секунду. Однако модель требует runtime с явной поддержкой qwen4_exp и native MTP; стандартные среды без такой поддержки могут отклонить веса. Указанные результаты зависят от длины запроса, настроек генерации, версии runtime и доступной памяти. Модель распространяется по Qwen Community License 1.0; текст лицензии включён в репозиторий.

Карточка модели Jinstudio/Qwen3-ForcedAligner-0.6B-hf на Hugging Face совпадает с карточкой Qwen/Qwen3-ForcedAligner-0.6B-hf, поэтому описание составлено по ней. Qwen3-ForcedAligner-0.6B-hf — модель принудительного выравнивания речи от команды Qwen. Она принимает аудио и готовую расшифровку, а затем предсказывает временные метки для её единиц; распознавать речь для получения текста может отдельная ASR-модель. Модель поддерживает китайский, английский, кантонский, французский, немецкий, итальянский, японский, корейский, португальский, русский и испанский языки и выравнивает аудио длительностью до пяти минут. Модель относится к семейству Qwen3-ASR и использует архитектуру Qwen3ASRForTokenClassification. Нерегрессионный режим выполнения делает её подходящей для пакетной обработки аудио; в README также описано ускорение с помощью torch.compile. Метаданные указывают библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0. Для работы требуется аудио и текстовая транскрипция, полученная заранее, например, с помощью Qwen3-ASR или другой системы распознавания речи. Модель предназначена для разметки времени произнесённых слов или других единиц, а не для самостоятельного распознавания речи; в README также не заявлена поддержка иных типов аудио, кроме речи.

RIFA-PRO — двуязычная разговорная текстовая модель семейства RIFA, разработанная и поддерживаемая SM Shahbaj. Модель предназначена для генерации текста и диалоговых сценариев на английском языке и бангла (бенгальском), включая работу в качестве универсального AI-ассистента. Модель содержит около 3 млрд параметров и распространяется в форматах Safetensors и GGUF, совместимых с Transformers, LM Studio, Ollama и llama.cpp. Архитектура и размер контекста в README не указаны. Для GGUF доступны варианты квантования от Q3_K_M до F16; Q5_K_M отмечен как рекомендуемый, а Q4_K_M и Q3_K_M подходят для систем с небольшим объёмом VRAM. К сильным сторонам относятся поддержка английского и бенгальского языков, диалоговая специализация, относительно компактный размер и возможность локального запуска. Модель не относится к передовым моделям большого масштаба, может галлюцинировать, поэтому важные сведения необходимо проверять. Для единообразного поведения и брендинга рекомендуется использовать системную инструкцию из README. Модель распространяется по лицензии Apache 2.0.

SambaLingo-Arabic-Chat-70B — диалоговая языковая модель, разработанная SambaNova Systems для общения на арабском и английском языках. Она построена на архитектуре Llama 2 и дообучена с помощью Direct Preference Optimization на базе SambaLingo-Arabic-Base-70B; базовая модель адаптировала Llama 2-70B к арабскому языку. Модель содержит 68,9 млрд параметров и поддерживает контекст до 4096 токенов. Модель предназначена для генерации ответов в чатах и диалоговых приложениях. Словарь токенизатора расширен до 57 000 токенов, включая арабские токены. Веса доступны в форматах PyTorch и safetensors. Использование регулируется лицензией Meta Llama 2 Community License Agreement. Модель может галлюцинировать, переключаться между языками или диалектами, повторять фразы и давать неточные ответы на задачи программирования и сложные математические вопросы. Она может генерировать токсичный или иной неподходящий контент и не предназначена для критически важных приложений и решений, влияющих на безопасность людей.

Это объединённая модель генерации текста, созданная разработчиком yuhengtu-bytedance с помощью mergekit из трёх контрольных точек языковой модели. Для слияния применён линейный метод, а контрольная точка global_step7000 использована как базовая; в состав также вошли версии global_step5000 и global_step6000. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и рассчитана на контекст до 16 384 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Карточка не приводит сведения о конкретных языках, специализации, обучающих данных или сравнительном качестве. Файлы опубликованы в формате safetensors; лицензия в предоставленных данных не указана.

Sazzadul Islam разработал эту модель распознавания речи на бенгальском языке, дообучив facebook/w2v-bert-2.0. Это модель архитектуры Wav2Vec2-BERT с CTC-декодированием и 402,7 млн параметров; она принимает аудио и выдаёт текст. Модель предназначена для транскрибации бенгальской речи, голосовых помощников и средств доступности. В README заявлена поддержка бенгальского и английского языков, а также WER 11,26% и CER 2,39 на оценке бенгальской речи. Модель лучше работает с чистой стандартной речью. Она может ошибаться на шумных записях, сильных региональных акцентах и редких речевых вариантах; для работы в реальном времени на маломощных устройствах потребуется оптимизация. Лицензия — CC-BY-SA-4.0.

Sakalti/SJT-2.4B — разговорная языковая модель, созданная Sakalti методом passthrough-слияния слоёв Sakalti/SJT-1.5B-Alpha с помощью mergekit. Модель построена на архитектуре Qwen2 и содержит около 2,2 млрд параметров; веса представлены в формате Safetensors. Она предназначена для генерации текста и диалоговых сценариев. Метаданные также отмечают интерфейс вызова инструментов. Заявленная длина контекста составляет 131 072 токена. Модель доступна через Transformers. В README описана схема сборки из диапазонов слоёв одной базовой модели, но не приведены оценки качества или сведения о конкретных языках. Лицензия в предоставленных данных не указана.

Tarnished-9B — разговорная языковая модель семейства Gemma 2 от lodrick-the-lafted. Это плотная модель с 9 млрд параметров, предназначенная для генерации текста в диалоговом формате. Она принимает текст и выдаёт текст, а заявленный контекст составляет 8192 токена. Модель размещена в формате Safetensors и распространяется по лицензии WTFPL. Доступные сведения не описывают специальную предметную область или отдельные языковые специализации.

ThetaWave-7B-sft — разговорная языковая модель на архитектуре Mistral, созданная Liangmingxin путём дообучения с учителем модели freecs/ThetaWave-7B на наборе Open-Orca/SlimOrca. Она предназначена для генерации текста и диалоговых сценариев. Модель содержит 7,1 млрд параметров, работает с контекстом до 32 768 токенов и распространяется в формате safetensors. Модель использует шаблон чата Mistral. По данным карточки, текущая версия не поддерживает system_prompt штатно; его ручное добавление к шаблону может ухудшить качество ответов. Модель распространяется по лицензии Apache-2.0.

TopStarClaudioArena — слитая языковая модель сообщества mergekit-community, созданная методом SLERP из NousResearch/Hermes-2-Theta-Llama-3-8B и mergekit-community/mergekit-slerp-ebgdloh. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста; в метаданных указаны библиотека Transformers и контекст до 32 768 токенов. Конфигурация слияния задаёт V-образное распределение весов: Hermes используется в начальных и конечных слоях, а WizardMath — в средних. Модель подходит для диалоговой генерации и ответов на инструкции, а также может применяться для математических запросов благодаря компоненту WizardMath. Карточка не приводит отдельных результатов оценки качества или подробностей о поддерживаемых языках. Условия лицензирования в предоставленных данных не указаны.

UnPoppy_8B — объединённая языковая модель, созданная jeiku с помощью mergekit методом SLERP из Nitral-AI/Poppy_Porpoise-0.72-L3-8B и Undi95/Llama-3-Unholy-8B. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, предназначенная для диалоговой генерации текста. Размер модели — 7,5 млрд параметров, длина контекста — 8192 токена; репозиторий использует формат safetensors и библиотеку Transformers. Модель подходит для ведения диалога и генерации текстовых ответов. В метаданных базовой модели упомянута дополнительная поддержка анализа изображений через Llava MMProj, но для самого UnPoppy_8B такой способности в карточке не подтверждено. Данные о лицензии и языках модели отсутствуют.

Vekol-STT Sorani — модель распознавания речи, разработанная Revge в рамках проекта Vekol и дообученная на базе OpenAI Whisper Small. Она преобразует аудио на центральнокурдском языке (сорани) в текст и рассчитана на автономную работу на CPU, в том числе на ноутбуках. Модель содержит 153,1 млн параметров по метаданным; в карточке README указан размер базовой Whisper Small — 244 млн параметров. Доступны форматы ONNX и Safetensors, предусмотрено использование через ONNX Runtime или Transformers/PyTorch. Обучение проводилось на Common Voice 25.0 для ckb и FLEURS для ckb_iq. На тестовой выборке Common Voice с разделением по говорящим авторы сообщают WER 15,5% и CER около 3% без учёта пробелов. Для нормализации текста удаляются диакритические знаки, ZWNJ и татвил, а также выполняется сведение вариантов курдских букв и цифр. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Violet_Twilight-v0.1 — разговорная модель для генерации текста, созданная Epiculous с помощью слияния SLERP моделей Azure_Dusk и Crimson_Dawn. Она основана на плотной архитектуре Mistral и содержит 12,1 млрд параметров. Модель предназначена для общения, ролевых диалогов и генерации ответов в стиле помощника; для неё рекомендуются шаблон Mistral Instruct и формат запроса [INST] Prompt goes here [/INST]. В метаданных заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков, а длина контекста указана как 1 024 000 токенов. Модель распространяется под лицензией Apache-2.0. README предупреждает, что некоторые квантованные варианты могут некорректно работать с шаблоном Mistral; для GGUF автор рекомендует попробовать ChatML. Репозиторий содержит веса safetensors, а README также упоминает варианты full, EXL2 и GGUF.

Модель nguyenvulebinh/wav2vec2-base-vi-vlsp2020 — акустическая модель распознавания вьетнамской речи на архитектуре wav2vec2, представленная автором репозитория. Она предварительно обучена на 13 тысячах часов неразмеченной вьетнамской речи из YouTube, а затем дообучена на 250 часах размеченных данных VLSP ASR. Модель содержит 113,3 млн параметров и принимает речь с частотой дискретизации 16 кГц. Модель предназначена для преобразования вьетнамской речи в текст. В тесте VLSP T1 автор сообщает WER 8,66 без языковой модели и 6,53 с 5-граммовой языковой моделью. Эти результаты относятся к указанному тестовому набору и не гарантируют такое же качество на других типах аудио. Для использования модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое применение.

wav2vec2-large-slavic-parlaspeech-hr — модель автоматического распознавания хорватской речи от разработчиков Classla. Она основана на facebook/wav2vec2-large-slavic-voxpopuli-v2 и дообучена на 300 часах записей и расшифровок заседаний хорватского парламента из набора ParlaSpeech-HR v1.0. Архитектура — Wav2Vec2ForCTC семейства wav2vec2; размер составляет 402,7 млн параметров. Модель принимает аудио и выдаёт текстовую расшифровку. Модель подходит для транскрибирования выступлений и записей парламентских заседаний на хорватском языке. На тестовой части ParlaSpeech-HR v1.0 указаны CER 0,0222 и WER 0,0679; отдельная версия с языковой моделью показала лучшие метрики CER и WER. Лицензия в предоставленных материалах не указана.

Это модель автоматического распознавания речи на урду, разработанная Kingabzpro. Она основана на архитектуре Wav2Vec2ForCTC и дообучена из facebook/wav2vec2-xls-r-300m на наборе Mozilla Common Voice 8.0. Размер модели — около 402,7 млн параметров; она принимает моноканальную аудиозапись с частотой 16 кГц и преобразует речь в текст на урду. Модель предназначена для транскрибирования речи и прототипирования систем распознавания урду. Для декодирования можно использовать включённую 5-граммную языковую модель KenLM: в README сообщается о WER 39,89% с KenLM против 56,07% при жадном CTC-декодировании на тестовой части Common Voice 8.0. Качество зависит от чистоты записи, акцента, переключения языков, фонового шума, специальной лексики и длины высказывания; транскрипты следует проверять перед ответственным использованием. Лицензия — Apache-2.0.

Модель aapot/wav2vec2-xlsr-300m-finnish разработана Aapo Tanskanen и Rasmus Toivanen как акустическая модель распознавания финской речи. Это дообученная версия facebook/wav2vec2-xls-r-300m на 275,6 часах размеченной финской речи; архитектура Wav2Vec2ForCTC содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст. Модель предназначена для транскрибации финской речи, в том числе коротких записей. В README приведена оценка на тестовой части Common Voice 7.0; для этой модели указаны WER 17,92 и CER 3,36 без языковой модели, а с KenLM-декодированием — WER 8,16 и CER 1,97. Для декодирования с языковой моделью авторы также указывают отдельную версию Finnish-NLP/wav2vec2-xlsr-300m-finnish-lm. Обучающие аудиофрагменты ограничивались длиной 20 секунд, поэтому модель, вероятно, лучше работает на коротких записях. Большая часть обучающих данных получена из заседаний финского парламента, что может ухудшать распознавание повседневной речи, диалектов, а также речи детей и женщин. Лицензия — Apache-2.0.

Wav2Vec2 XLS-R 300M Korean — модель автоматического распознавания речи, дообученная Wilson Wongso на архитектуре XLS-R. Она преобразует корейскую речь в текст и предназначена для распознавания аудиозаписей на корейском языке. Модель основана на Wav2Vec2-XLS-R-300M; метаданные указывают 403,9 млн параметров, а README округляет размер до 300 млн. Использованы PyTorch и формат safetensors; лицензия — Apache-2.0. На наборе Zeroth Korean указаны WER 29,54% и CER 9,53%; на тестовых данных Robust Speech Event — WER 76,26% и CER 38,67%, что указывает на заметно худшие результаты вне основного набора оценки. README предупреждает о возможном наследовании смещений из данных предобучения.

hyyoka/wav2vec2-xlsr-korean-senior — модель автоматического распознавания речи на базе wav2vec2, созданная дополнительным дообучением fleek/wav2vec-large-xlsr-korean. Она предназначена для транскрибации корейской речи, в частности речи пожилых мужчин и женщин; при обучении использовались записи свободной беседы из набора AIhub. Размер модели составляет 402,7 млн параметров, архитектура — Wav2Vec2ForCTC. Для работы модели требуется аудио с частотой дискретизации 16 кГц. Репозиторий содержит веса в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не сообщает оценок качества или известных проблем распознавания, поэтому результаты на других типах речи и аудио отдельно не подтверждены.

sammy786/wav2vec2-xlsr-mongolian — модель распознавания речи на архитектуре Wav2Vec2ForCTC, дообученная на основе facebook/wav2vec2-xls-r-1b для монгольского языка. Она преобразует аудиозаписи речи в текст и предназначена для автоматической транскрипции, в том числе записей, похожих на данные Mozilla Common Voice 8.0. В README приведён результат оценки на наборе, описанном как объединение части обучающих данных с dev и другими данными: WER 34,1522 и loss 31,52. README также содержит несогласованность: набор данных и конфигурация обозначены как монгольские, но в описании обучающих данных упомянуты файлы Finnish. Лицензия модели — Apache-2.0.

WestLakev2-IreneRP-Neural-7B-slerp — объединённая текстовая модель на базе Mistral, созданная с помощью LazyMergekit из Smuggling1710/IreneRP-Neural-7B-slerp и macadeliccc/WestLake-7B-v2-laser-truthy-dpo. Для объединения использован метод slerp с настройками смешивания для слоёв self-attention и MLP. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста, в том числе диалоговых ответов и продолжения текста. В репозитории представлены веса Safetensors. Лицензия в доступных данных не указана. Качество и поведение унаследованы от объединяемых моделей; отдельные результаты оценки или рекомендации по развёртыванию в карточке не приведены.

whisper-bsc-large-v3-cat — акустическая модель автоматического распознавания речи на каталанском языке, созданная Лабораторией языковых технологий Барселонского суперкомпьютерного центра (BSC). Модель дообучена на базе openai/whisper-large-v3 на 4700 часах каталанской речи из наборов Projecte AINA и других источников. Модель предназначена для транскрибирования каталанских аудиозаписей в обычный текст без пунктуации. Её можно применять для расшифровки передач, парламентских выступлений, заседаний региональных органов и записей с различными каталанскими акцентами. Архитектура — Whisper large-v3 с 905,2 млн параметров; для работы используется библиотека Transformers. Модель принимает аудио и выдаёт текст. В карточке указаны лицензия Apache-2.0 и формат весов safetensors. В обучающих данных использовались версии некоторых парламентских наборов, не опубликованные в открытом доступе; качество на других акцентах и акустических условиях может отличаться от результатов на целевых данных.

ivrit-ai разработала эту модель как дообученную версию OpenAI Whisper large-v3 для распознавания речи на иврите. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration и примерно 905,2 млн параметров; она принимает аудио и преобразует его в текст. Модель обучена на наборах расшифровок публичных аудиозаписей, чтения фрагментов Википедии и пленарных заседаний Кнессета. Модель предназначена прежде всего для транскрибации аудио на иврите, в том числе публичных выступлений и записей заседаний. Для работы следует явно задавать язык Hebrew. По сравнению с исходной Whisper large-v3, способность определять язык ухудшилась, а перевод аудио не обучался и работает неудовлетворительно. Лицензия — Apache-2.0.

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.

GeoffVdr/whisper-medium-nlcv11 — дообученная модель распознавания речи на базе OpenAI Whisper Medium. Она обучена на обучающей и валидационной частях нидерландского набора Mozilla Common Voice 11.0 и предназначена для преобразования нидерландской речи в текст. Модель использует архитектуру WhisperForConditionalGeneration и содержит 455,8 млн параметров. Для оценки использовалась тестовая часть Common Voice 11.0 на нидерландском языке. Модель принимает аудио и выдаёт текст; карточка не сообщает метрики качества или подробные ограничения. Веса доступны в формате PyTorch по лицензии Apache-2.0.

Whisper Small Bengali — модель распознавания речи, дообученная автором anuragshas на базе openai/whisper-small на бенгальской части набора Mozilla Common Voice 11.0. Она принимает аудио и преобразует речь на бенгальском языке в текст; архитектура — WhisperForConditionalGeneration, размер — 153,1 млн параметров. На указанном в карточке оценочном наборе модель показала WER 18,22 и loss 0,1638. Репозиторий содержит веса PyTorch. Модель распространяется по лицензии Apache-2.0.

alvanlii/whisper-small-cantonese — дообученная модель Alvin на базе openai/whisper-small для распознавания речи на кантонском языке. Это плотная encoder-decoder модель семейства Whisper с 153,1 млн параметров; доступны веса PyTorch и Safetensors. Для обучения использовались корпуса CantoMap, Cantonese-ASR и Common Voice 16.0 и 17.0, а оценка проводилась на тестовой выборке Common Voice 16.0 yue. В README указана CER 9,72% с пунктуацией и 7,93% без неё. Модель принимает аудио и выдаёт текстовую транскрипцию. Она подходит для расшифровки кантонской речи и может использоваться как более компактная модель-помощник при спекулятивном декодировании с крупной Whisper-моделью. Для ускорения GPU-инференса README рекомендует SDPA; приведённые там показатели скорости и использования памяти относятся к RTX 3090. Модель распространяется по лицензии Apache-2.0. Оценка качества основана на указанных в карточке датасетах; результаты на других акцентах, условиях записи и доменах в README не приведены.

Viraj008/whisper-small-mr_v4 — дообученная модель распознавания речи на базе Viraj008/whisper-small-mr_v3, разработанная Viraj Patil. Модель семейства Whisper содержит 153,1 млн параметров и предназначена для преобразования аудио в текст на маратхи. В метаданных указана архитектура WhisperForConditionalGeneration и формат safetensors; дообучение выполнено на Common Voice 17.0. На оценочном наборе указаны loss 0,2132 и WER 34,4975. Модель распространяется по лицензии Apache-2.0. Она предназначена для автоматического распознавания речи; сведений о контекстных ограничениях и других сценариях применения в карточке нет.