I.7Речь, диалоги и встречи

AigizK/wav2vec2-large-mms-1b-tatar-v2 — модель распознавания речи на основе архитектуры wav2vec2, дообученная из facebook/mms-1b-all для татарского языка. Она принимает аудио и преобразует речь в текст; в метаданных указано 1,3 млрд параметров. На оценочном наборе модель показала WER 0,1031 и loss 0,3343, однако сведения о наборе данных и условиях оценки отсутствуют. Модель распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

DrishtiSharma/wav2vec2-large-xls-r-300m-pa-IN-dx1 — модель распознавания речи на архитектуре wav2vec2, дообученная на базе facebook/wav2vec2-xls-r-300m на наборе Mozilla Common Voice 8.0 для пенджабского языка, региональный вариант pa-IN. Она преобразует аудио в текст и предназначена для автоматической транскрибации пенджабской речи. В метаданных указано 402,7 млн параметров; модель использует PyTorch и формат весов PyTorch. На тестовой выборке Common Voice 8.0 автор сообщает WER 0,4755 и loss 1,0855. Лицензия — Apache-2.0.

DrishtiSharma/wav2vec2-large-xls-r-300m-sr-v4 — модель распознавания речи, дообученная на базе facebook/wav2vec2-xls-r-300m на сербской части набора Mozilla Common Voice 8.0. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров; формат весов — PyTorch. Модель предназначена для преобразования сербской речи в текст. В карточке приведены результаты оценки на тестовой выборке Common Voice 8.0: WER 0,3038 и loss 0,5570; также описана оценка на валидационной выборке speech-recognition-community-v2/dev_data с обработкой аудио фрагментами. Модель распространяется по лицензии Apache-2.0. Приведённый показатель WER относится к конкретной тестовой выборке и сам по себе не гарантирует аналогичного качества на других записях, акцентах или акустических условиях.

elgeish/wav2vec2-large-xlsr-53-arabic — модель автоматического распознавания арабской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на датасетах Arabic Speech Corpus и Common Voice. Это плотная архитектура wav2vec2 с CTC-выходом и примерно 402,7 млн параметров; репозиторий содержит веса PyTorch и Flax. Модель принимает аудио с частотой дискретизации 16 кГц и предназначена для преобразования арабской речи в текст. Результаты модели представлены в транслитерации Buckwalter, где арабские буквы кодируются символами ASCII; для получения арабского письма требуется обратная транслитерация. В карточке указаны WER 23,39% на валидации Common Voice и тестовый результат 26,55%. Модель можно применять для расшифровки арабских записей и речи, однако точность зависит от данных и условий записи. Лицензия — Apache-2.0.

ifrz/wav2vec2-large-xlsr-galician — модель автоматического распознавания речи на галисийском языке, созданная путём дообучения facebook/wav2vec2-large-xlsr-53. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Обучение проводилось на размеченных аудиоданных OpenSLR 77 и Mozilla Common Voice 8.0; для оценки указана метрика WER 7,12. Модель принимает монофоническую речь с частотой дискретизации 16 кГц и преобразует её в текст. Подходит для транскрибирования галисийской речи и распознавания аудио на галисийском языке. Распространяется по лицензии Apache-2.0.

mohammadjavadnasri/whisper-large-v3-farsi-cv17 — дообученная модель распознавания речи на основе openai/whisper-large-v3, обученная на наборе Common Voice 17.0. Она принимает аудио и преобразует речь в текст; модель содержит 905,2 млн параметров и использует архитектуру WhisperForConditionalGeneration. В оценке на тестовом наборе указаны WER 23,4723 и орфографический WER 27,5624. Модель предназначена прежде всего для транскрибации речи на фарси. Это вариант мультиязычной Whisper large-v3, однако карточка сообщает о дообучении на Common Voice 17.0, а не о проверке качества для других языков. Доступна в формате safetensors для Transformers. Лицензия — Apache-2.0.

durgesh10/whisper-large-v3-marathi — дообученная модель распознавания речи на основе OpenAI Whisper large-v3. Она содержит около 905,2 млн параметров и обучена на наборе Mozilla Common Voice 17.0. Модель принимает аудио и предназначена для преобразования речи в текст, с настройкой на маратхи. Модель доступна в формате Safetensors для библиотеки Transformers. Лицензия — Apache-2.0. README не сообщает результаты оценки качества и подробности об ограничениях, поэтому точность распознавания в разных условиях записи по карточке установить нельзя.

Модель GoranS/whisper-large-v3-turbo-hr-parla — дообученная версия Whisper large-v3 от OpenAI, созданная на данных ParlaSpeech-HR и дополнительном частном наборе объёмом 400 часов с аугментациями. Она предназначена для автоматической транскрибации речи на хорватском языке. Архитектура — WhisperForConditionalGeneration; в репозитории указано около 905,2 млн параметров, формат весов — safetensors. Модель принимает аудио и выдаёт текст; библиотека для работы — Transformers. В README приведён результат WER 3,52% на оценочном наборе. В таблице сравнения указано WER 9,93% для связанной модели slsolucije/whisper-large-v3-turbo-hr-parla-lora-merged на тестовой части FLEURS для хорватского языка; этот результат не следует приписывать данной модели напрямую. Лицензия — Apache-2.0.

Whisper-Small-Shona — модель автоматического распознавания речи на chiShona, разработанная в рамках Project Nyaradzai. Это дообученная версия openai/whisper-small с архитектурой Whisper и 153,1 млн параметров. Модель принимает аудио и выдаёт текстовую транскрипцию на chiShona; она предназначена для голосовых заметок, разговорной речи, субтитров и инструментов доступности. Модель обучена на наборе Google WAXAL, включая около 14 109 примеров из обучающей выборки. На тестовой части WAXAL указана метрика WER 36,42%, поэтому результат транскрибации может требовать существенной ручной правки. Лицензия модели — Apache-2.0.

Wicked Moondust 12B — слитая языковая модель, созданная с помощью mergekit методом Arcee Fusion из Vortex5/Ethereal-Stardust-12B, Vortex5/Wicked-Oblivion-12B и Vortex5/Nether-Moon-12B. Модель использует плотную архитектуру MistralForCausalLM и содержит 12,1 млрд параметров. Модель предназначена для генерации текста и разговорного взаимодействия. Контекстное окно составляет до 131 072 токенов; файлы весов представлены в формате safetensors. В метаданных указана поддержка чата, а базовая модель описана как ориентированная на ролевые диалоги, повествование и художественное письмо. В карточке не указаны лицензия и языки. Поэтому условия использования по лицензии и пригодность для конкретных языков по имеющимся сведениям определить нельзя.

IbrahimDayax/xls-r-1b-somali-stt-asr — модель распознавания сомалийской речи в текст, разработанная IbrahimDayax как дообучение facebook/wav2vec2-xls-r-1b. Она использует архитектуру Wav2Vec2 XLS-R с CTC-головой и содержит около 1,3 млрд параметров по метаданным. Модель принимает аудио и выдаёт текст; она предназначена для автоматического распознавания сомалийской речи, а не для синтеза речи. В README для нормализованного текста на проверенной выборке из 781 примера указаны WER 6,83% и CER 1,42%. Авторы сообщают о сравнении с другими публичными сомалийскими ASR-моделями, отмечая, что обучающие данные включали обучающую часть источника, из которого взята тестовая выборка. Модель выпущена под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

YamNeuralsirkrishna-7B — объединённая модель для генерации текста и диалогов, созданная Maxime Labonne методом SLERP из mayacinka/yam-jom-7B и Kukedlc/NeuralSirKrishna-7b. Это плотная причинная языковая модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалоговых сценариев. Лицензия Apache-2.0 разрешает использование на её условиях. README не описывает специальные области применения или результаты оценки качества.

Yamshadowexperiment28M70.8-0.85-0.86-0.36-0.42-0.16-7B — объединённая плотная языковая модель семейства Mistral от автора репозитория aaron-di. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов; карточка показывает использование chat template и запуск через Transformers. Модель объединяет AurelPx/Percival_01-7b-slerp и liminerity/M7-7b. Заявленная длина контекста — 32 768 токенов. Доступен формат safetensors, лицензия — Apache-2.0. README не описывает специализированные области применения или результаты оценки качества.

Модель ShenaoZ/0.0005_withdpo_4iters_bs256_2epoch_5311lr_iter_2 — дообученная диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста в чат-сценариях и дообучена на исходном и обновлённом наборах данных; карточка не раскрывает их содержание и подробности обучения. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Опубликована в формате Safetensors по лицензии MIT. README не содержит сведений о качестве, оценках или конкретных ограничениях.

ShenaoZhang/0.001_4iters_bs128_nodpo_only4w_iter_2 — дообученная разговорная языковая модель на архитектуре Mistral, разработанная ShenaoZhang на основе ShenaoZhang/0.001_4iters_bs128_nodpo_only4w_iter_1. Модель предназначена для генерации текста в диалоговом формате и поддерживает контекст до 32 768 токенов. Размер составляет 7,1 млрд параметров; веса доступны в формате safetensors. Модель обучена на обновлённом и исходном наборах данных. Карточка не приводит подробностей о составе данных, результатах оценки или специальных сценариях применения. Лицензия MIT.

ShenaoZ/0.001_ablation_4iters_bs256_iter_2 — дообученная разговорная языковая модель семейства Mistral с плотной архитектурой MistralForCausalLM и 7,1 млрд параметров. Она предназначена для генерации текста в диалоге и построена на базе ShenaoZ/0.001_ablation_4iters_bs256_iter_1; обучение проводилось на обновлённом и исходном наборах данных. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors, лицензия — MIT. README не приводит подробностей о качестве, оценке или специальных ограничениях модели.

ShenaoZ/0.0_dataup_iter_2 — языковая модель для генерации текста, дообученная авторами на наборе данных ShenaoZ/0.0_dataup_dataset поверх ShenaoZ/0.0_dataup_iter_1. Она основана на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; заявленная длина контекста составляет 32 768 токенов. Модель опубликована в формате safetensors и поддерживает диалоговый режим. Модель предназначена для генерации текста и диалоговых сценариев. Карточка не раскрывает конкретную специализацию датасета, языки обучения или результаты оценки, поэтому качество для отдельных задач и языков определить нельзя. Лицензия — MIT.

Sao10K/14B-Qwen2.5-Freya-x1 — 14-миллиардная языковая модель для генерации текста и диалогов, созданная дообучением Qwen2.5. Автор описывает экспериментальное обучение в два этапа с LoRA: сначала на литературе и необработанных текстах, затем на базе Qwen2.5 Instruct. Для запуска указаны формат ChatML и настройки генерации; модель распространяется в формате safetensors и рассчитана на Transformers. Модель подходит для диалоговой генерации и продолжения текста. Метаданные указывают контекст до 32 768 токенов, а также интерфейс вызова инструментов. Автор отмечает, что очистка обучающих текстов могла быть неполной. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке модели.

yuq-zhou/2026-05-o-b0p3-a1p0-gc0p5-exp-td2p0-tw5p0-qwen3annot-q2-m-7 — контрольный чекпойнт на базе архитектуры Qwen2, опубликованный в стандартном формате Hugging Face Transformers. В репозитории указано 7,1 млрд параметров и контекст до 16 384 токенов; модель предназначена для генерации текста и поддерживает диалоговый интерфейс и интерфейс вызова инструментов. Карточка называет модель резервной копией исследовательского артефакта, но не описывает конкретную специализацию или качество. Указана лицензия не была, поэтому условия использования по имеющимся данным определить нельзя.

AgentLM-7B — языковая модель семейства Llama, разработанная командой AgentTuning. Это версия на 6,6 млрд параметров, дообученная на смесях AgentInstruct и ShareGPT на основе Llama 2 Chat. Модель предназначена для диалоговой генерации текста и выполнения задач агентами, включая перенос навыков на ранее не встречавшиеся агентские задачи, сохраняя общие языковые способности. Модель использует архитектуру LlamaForCausalLM и формат весов safetensors; заявленная длина контекста — 4096 токенов. Диалоговый формат соответствует Llama 2 Chat с фиксированным системным сообщением. Карточка не сообщает условия лицензии и конкретные ограничения качества или безопасного применения.

Bigger-Body-8b-GGUF — это квантизированная версия языковой модели allura-org/Bigger-Body-8b, подготовленная bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, диалогов, conversational-сценариев и roleplay. Заявлена поддержка английского и китайского языков. Модель относится к классу 8B, однако точная архитектура, максимальная длина контекста и дополнительные модальности в README не указаны. Доступно множество вариантов квантизации от Q8_0 до Q2_K_L и IQ-форматов. Более высокие уровни квантизации обеспечивают лучшее качество при большем размере файла, а низкие требуют меньше оперативной памяти, но заметно уступают по качеству. В качестве рекомендуемых указаны варианты Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M и другие. Модель можно запускать через LM Studio, llama.cpp и совместимые проекты. Для работы используется формат prompt: <s>[SYSTEM_PROMPT]{system_prompt}[/SYSTEM_PROMPT][INST]{prompt}[/INST]. Лицензия обозначена как MRL, без дополнительных условий в представленном README.

Apollo-1-2B — инструкционно дообученная языковая модель, разработанная Noema Research на базе Qwen3-1.7B. Это плотный decoder-only трансформер с примерно 1,7 млрд параметров по метаданным и контекстом до 40 960 токенов; в README заявлено до 32 тысяч токенов. Модель распространяется в формате safetensors и предназначена для генерации текста, диалогов, следования инструкциям и несложных рассуждений на устройствах с ограниченными ресурсами. Модель подходит для создания разговорных помощников, учебных прототипов и лёгких агентных систем, а также для структурированных задач. В карточке заявлены более точное следование инструкциям, лаконичные ответы, многоязычные возможности и улучшенное поведение при отказах относительно базовой модели. Поддерживаются многие языки, включая русский и английский. Лицензия указана как anvdl-1.0 в README и как other в метаданных. По заявлению разработчика, модель может ошибаться, галлюцинировать и чувствительна к формулировке запроса; её рассуждения и знания в специализированных или низкоресурсных областях ограничены по сравнению с более крупными моделями. Важные ответы требуют проверки человеком.

ASL 4B — компактная плотная языковая модель на 4 млрд параметров, разработанная SAAI на базе Qwen3.5 и настроенная для работы с арабским языком. Модель предназначена для генерации текста и диалогов, особенно для понимания саудовского диалекта и местного контекста Саудовской Аравии. В обучении использовались открытые наборы данных, а также локальные данные партнёров: книги, литературные произведения и журналистские публикации. Модель поддерживает стандартную генерацию и режим рассуждений; карточка приводит рекомендации по настройкам для vLLM и Transformers. Она рассчитана на приложения с современным стандартным арабским языком, саудовским диалектом и местным либо институциональным контекстом. README характеризует выпуск как первый исследовательский релиз SAAI, ориентированный на исследования и разработку арабоязычных приложений. Лицензия — Apache-2.0. Модель может генерировать неточные, неполные или предвзятые ответы; результаты бенчмарков не гарантируют надёжность в реальных сценариях. Перед применением в чувствительных сферах необходима оценка на целевых задачах.

AudioSeg — модель для автоматического определения тематических границ непосредственно по аудио. Она принимает подкаст, лекцию или видео и выдаёт вероятность границы темы для каждого 6-секундного интервала, которую можно порогово преобразовать в отметки глав. Модель представлена авторами исследования «Beyond Transcripts: A Renewed Perspective on Audio Chaptering». Архитектура использует замороженный аудиоэнкодер Whisper large-v3 для последовательных 30-секундных фрагментов и обученную голову примерно на 32 млн параметров. Голова объединяет признаки в представления 6-секундных сегментов, затем оценивает вероятность границы для каждого сегмента. Обучение проводилось на YTSeg с человеческими отметками глав из видео YouTube; энкодер Whisper оставался замороженным. Модель подходит для автоматического создания глав и тематического сегментирования длинных аудиозаписей. Для работы требуются Transformers, PyTorch, torchaudio и загрузка энкодера openai/whisper-large-v3 при первом использовании. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

pix08934725/axxis-test — дообученная языковая модель автора pix08934725 на базе unsloth/llama-3.2-3b-instruct-unsloth-bnb-4bit. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 3,2 млрд параметров, предназначенная для генерации текста и диалогового использования. В метаданных заявлены контекст до 131 072 токенов и интерфейс вызова инструментов; модель сохранена в формате safetensors. Карточка сообщает, что обучение проводилось с Unsloth и библиотекой TRL, но не описывает специализацию дообучения, обучающие данные или результаты оценки. Указан английский язык. Модель выпущена по лицензии Apache-2.0.

Behemoth-123B-v2.1 — дообученная языковая модель BeaverAI, основанная на Largestral 2411. Это плотная авторегрессионная модель семейства Mistral с 122,2 млрд параметров и контекстом до 131 072 токенов; она предназначена для диалоговой генерации текста и поддерживает системные инструкции. Автор README отмечает творческую направленность версии 2.1 и рекомендует формат Metharme с системными токенами Mistral. Модель подходит для свободного диалога, творческого письма и задач, где нужны длинный контекст и настройка поведения через системное сообщение. В репозитории указаны веса safetensors; README также ссылается на варианты GGUF и iMatrix. Метаданные обозначают лицензию как other, поэтому перед использованием следует проверить условия лицензии в карточке модели.

BgGPT-Gemma-2-9B-IT-v1.0 — языковая модель INSAIT при Софийском университете, построенная на Gemma 2 9B. Это плотный decoder-only трансформер с 9 млрд параметров и контекстом 8192 токена; модель дообучена для следования инструкциям и диалога. Модель предназначена прежде всего для общения и генерации текста на болгарском языке, включая ответы на вопросы, рассуждения и решение учебных задач. Она также сохраняет возможности на английском. При непрерывном предварительном обучении использовалась стратегия Branch-and-Merge и около 100 млрд токенов, из них 85 млрд на болгарском; затем модель дообучили на болгарских инструкциях, составленных на основе реальных диалогов. Модель доступна по условиям Gemma Terms of Use. Для работы рекомендуется формат чата Gemma 2; README предупреждает, что Flash Attention снижает качество работы. Заявления о результатах на бенчмарках приведены авторами модели и не гарантируют качество на конкретных пользовательских задачах.

Bielik-11B-v2.3-Instruct — текстовая генеративная модель с 11 млрд параметров, разработанная SpeakLeash совместно с центром ACK Cyfronet AGH. Это плотная авторегрессионная модель-декодер архитектуры Mistral, предназначенная для диалогов и выполнения инструкций; контекст составляет до 32 768 токенов. Модель создана преимущественно для работы на польском языке: она понимает запросы и генерирует ответы, а также подходит для разнообразных языковых задач. Версия v2.3 получена линейным слиянием трёх инструкционно дообученных моделей Bielik-11B-v2.0, v2.1 и v2.2 с помощью mergekit. Модель распространяется под лицензией Apache 2.0. Разработчики отмечают, что ответы могут содержать фактические ошибки, предвзятые или оскорбительные формулировки. У модели нет встроенных механизмов модерации, поэтому её ответы требуют проверки, особенно при использовании в сценариях с требованиями к безопасности.

ChaoticNeutrals/Captain-Eris_Violet_Toxic-Magnum-12B — объединённая текстовая чат-модель на архитектуре Mistral, созданная с помощью mergekit. В слиянии методом SLERP использованы anthracite-org/magnum-v2-12b и Nitral-AI/Captain-Eris_Violet-Toxic-GRPO-alt-v.02. Модель содержит 12,1 млрд параметров и рассчитана на генерацию текста в диалоговом формате; метаданные указывают контекст до 1 024 000 токенов. Модель подходит для ведения диалогов и генерации связных ответов. Сведения о лицензии, языковом охвате и специализированных областях применения в предоставленных источниках отсутствуют. Репозиторий содержит веса в формате Safetensors.

chronos-13b-v2 — языковая модель elinas на архитектуре LLaMA 2 Base, представленная в формате PyTorch/Hugging Face с точностью FP16. Модель содержит 12,9 млрд параметров и поддерживает контекст до 4096 токенов. Она предназначена для диалогов, ролевых сценариев и написания историй; автор также отмечает способности к рассуждению и логике и генерацию длинных связных ответов. Для лучшей работы модель следует использовать с шаблоном Alpaca, в котором запрос помещается между маркерами Instruction и Response. Репозиторий содержит полноточную версию для запуска при наличии достаточной видеопамяти или для дальнейшей квантизации. Лицензия указана как llama2.