I.7Речь, диалоги и встречи

Metis-0.1 — диалоговая языковая модель от Mihaiii, созданная дообучением Mistral-7B-SFT-Beta. Она предназначена для рассуждений и понимания текста, хорошо работает с длинными системными инструкциями; карточка отдельно отмечает, что модель не рассчитана на свободное сочинение историй. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Для взаимодействия в README предложен формат с полями System, Instruction и Response. Модель обучена на частном наборе данных; README указывает, что высокий результат на GSM8K не связан с набором MetaMath. Лицензия — MIT.

Nandine-7b — объединённая модель семейства Mistral, опубликованная sethuiyer. Она создана методом DARE-TIES из senseable/Westlake-7B, Guilherme34/Samantha-v2 и uukuguy/speechless-mistral-six-in-one-7b; в конфигурации указан базовый Mistral-7B-v0.1. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст, а её контекст составляет до 32 768 токенов. Модель предназначена для диалогового общения, творческого письма, обсуждения сложных тем и общей помощи. Карточка отмечает сильные стороны в повествовании, эмпатичных ответах, ясной подаче и анализе; приведённые оценки получены на синтетических запросах и стандартных бенчмарках. Основной язык карточки — английский. Среди ограничений указаны недостаточная естественность перевода, ошибки в некоторых математических и логических задачах, а также неполная глубина отдельных ответов и исторических объяснений. Модель распространяется по лицензии Apache-2.0.

NB-Whisper Medium Verbatim — модель распознавания речи, разработанная NB AI-Lab Национальной библиотекой Норвегии на основе OpenAI Whisper Medium. Это вариант, дополнительно обученный на 200 шагах: он выдаёт текст в нижнем регистре без пунктуации и точнее сохраняет формулировки говорящего, не исправляя грамматические ошибки. Модель содержит 455,8 млн параметров и работает с аудио; поддерживаемые языки — норвежский, букмол, нюнорск и английский. Модель подходит для дословной расшифровки речи, в том числе для лингвистического анализа. Она доступна для Transformers и в форматах PyTorch, Safetensors, ONNX и Flax; для эффективной работы с моделью среднего размера рекомендуется GPU. Для длинных записей README советует обрабатывать аудио частями. Лицензия — Apache 2.0.

EYEDOL Nemotron 3.5 ASR Streaming — Hausa (ha-NG) — Round 2 — это дообученная модель автоматического распознавания речи на базе NVIDIA Nemotron 3.5 ASR Streaming 0.6B. EYEDOL продолжил обучение предыдущей версии модели ещё на 15 эпохах на 41,1 часа хауса из наборов Naija Voices; для оценки использовались записи 56 отложенных дикторов без пересечения с обучающими данными. Модель предназначена для потоковой транскрипции речи на хауса с обработкой аудио чанками и переносом состояния энкодера и декодера между чанками. В тестировании с шагом 80 мс WER составил 33,53%, CER — 9,43%, а CER без пробелов — 9,24%. При подготовке транскриптов специальные хауса-буквы ɗ, ɓ, ƙ и ƴ заменялись латинскими d, b, k и y, что может ограничивать точность их передачи в исходной орфографии. Для запуска README указывает библиотеку NeMo и её потоковый cache-aware inference. Лицензия в метаданных обозначена как other; конкретные условия следует сверить с карточкой репозитория.

huihui-ai/Phi-4-multimodal-instruct-abliterated — это экспериментальная версия модели Microsoft Phi-4-multimodal-instruct, обработанная методом abliteration для уменьшения отказов в ответах. Изменения затрагивают только текстовую часть модели; обработка изображений не менялась. Модель имеет плотную архитектуру Phi4MMForCausalLM, около 3,8 млрд параметров и контекст до 4096 токенов. Модель предназначена для диалогов и генерации текста, а также может использоваться в мультимодальных сценариях с аудио и изображениями, унаследованных от базовой Phi-4-multimodal-instruct. Метаданные указывают распознавание речи; базовая модель также поддерживает анализ изображений и аудио. Теги карточки заявляют поддержку арабского, китайского, чешского, датского, нидерландского, английского, финского, французского, немецкого, иврита, венгерского, итальянского, японского, корейского, норвежского, польского, португальского, русского, испанского, шведского, тайского, турецкого и украинского языков. Это грубая демонстрационная реализация удаления отказов, а не гарантия полного снятия ограничений или повышения качества. Модель распространяется по лицензии MIT; загрузка через библиотеку Transformers.

Q2.5-Veltha-14B — объединённая языковая модель на архитектуре Qwen2.5, созданная автором djuna с помощью mergekit и метода della_linear. В качестве основы использована qwen/Qwen2.5-14b, а в объединение вошли пять моделей Qwen2.5-14B, включая диалоговые варианты и модели для ролевого общения и генерации историй. Модель предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Она содержит 14 млрд параметров, работает через Transformers и поддерживает контекст до 131 072 токенов. В README приведены результаты оценки, включая 82,92 на IFEval и 49,75 на BBH; описания конкретных сильных сторон и ограничений качества нет. Лицензия в предоставленных данных не указана.

Qwen3.8-27B-E03-Obliterated-Omni — независимый пакет от автора cudabenchmarktest в формате GGUF Q4_K_M для интеграции с Ollama через совместимый Robit Omni Adapter. Он объединяет генерацию текста и работу с инструментами на базе Qwen3.8-27B-E03-Obliterated, обработку изображений, аудио и sampled-видео на компонентах Qwen3-Omni, а также синтез речи по тексту с помощью Qwen3-TTS. Это оркестрация отдельных компонентов, а не единая модель с общим мультимодальным пространством представлений. Пакет предназначен для диалоговых приложений, которым нужны ответы по тексту и медиа, вызов структурированных инструментов и озвучивание ответа. Для аудио- и видео-маршрутов требуется совместимый адаптер и рабочие процессы llama.cpp; стандартный Ollama обслуживает текст, изображения, рассуждения и инструменты. Поддерживаются английский язык и мультимодальные входы; синтез речи выдаёт 24 кГц аудио. Репозиторий содержит крупный GGUF-артефакт размером около 38,8 ГБ. Ограничения включают отсутствие потокового ввода и вывода аудио в версии адаптера v1, временное, но не точное до сэмпла сопоставление аудио и видео, а также последовательную реализацию TTS, не рассчитанную на высокую параллельность. Языковой компонент намеренно ослабляет отказы и унаследовал известные проблемы с повторением или некорректной обработкой вредоносных запросов. Лицензия пакета указана как Apache-2.0; лицензии исходных компонентов и их условия следует сверять отдельно.

recall-honcho-8b — дообученная модель на базе Qwen/Qwen3-8B от автора репозитория dman1011. Она предназначена для этапа явного извлечения выводов в Honcho: по идентификатору собеседника и сообщениям диалога формирует атомарные, самодостаточные и правильно атрибутированные факты в JSON-схеме Honcho. Модель рассчитана на интеграцию как локальный компонент deriver; для последующих диалогических рассуждений автор рекомендует использовать более крупную модель. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и имеет контекст до 40 960 токенов. Веса доступны в safetensors; README также описывает отдельный LoRA-адаптер. Обучение выполнено методом LoRA на 7 160 синтетических примерах с метками, дистиллированными из Claude Opus 4.8. В проверочной выборке из 298 примеров указаны точность токенов 93,8% и eval loss 0,201. Модель обучена для английского языка. Модель извлекает только явно высказанные сведения и не предназначена для дедуктивных, индуктивных или абдуктивных выводов. Она оптимизирована под точный prompt Honcho, поэтому на запросах другого формата дисциплина вывода может ухудшиться. Лицензия — Apache-2.0.

markusiko/rubert-base-punctuation — русскоязычная модель Марка Столярова для восстановления пунктуации. Она основана на ruBert-base и дообучена для предсказания знака после каждого слова в предложении. Архитектура — BERT для классификации токенов, размер — 205,5 млн параметров, контекст — до 512 токенов. Модель предназначена для восстановления знаков вопроса, восклицания, точки, запятой, двоеточия и многоточия в русском тексте. При обучении использовано более 20 тысяч абзацев из русской литературы. Для работы текст следует подавать без пунктуации; модель не исправляет регистр букв. Репозиторий распространяется по лицензии MIT.

facebook/s2t-wav2vec2-large-en-ar — модель семейства S2T2, разработанная Facebook и представленная в исследовании Large-Scale Self- and Semi-Supervised Learning for Speech Translation. Это трансформерная модель типа encoder-decoder для сквозного перевода речи с английского на арабский текст. В качестве энкодера используется предварительно обученный Wav2Vec2, а трансформерный декодер авторегрессионно генерирует перевод. Модель принимает речевые аудиоданные и предназначена для автоматического перевода английской речи в арабский текст. Для набора CoVoST-V2 указан результат 20,2 BLEU на тесте en-ar. В метаданных также указаны обучение на CoVoST2 и LibriSpeech ASR. Модель распространяется по лицензии MIT.

msingiai/sauti-asr — модель распознавания речи на суахили, разработанная Msingi AI в рамках конвейера Sauti ASR и дообученная на базе microsoft/paza-whisper-large-v3-turbo. Это модель семейства Whisper с архитектурой WhisperForConditionalGeneration и примерно 905,3 млн параметров; она принимает аудио и преобразует его в текст. В карточке указано, что это текущий предварительный кандидат Track A для оценки в исследованиях и продуктах. На тесте из 500 образцов кенийской речи на суахили получены WER 13,72% и CER 3,88%.

SepFormer — модель разделения аудиоисточников, реализованная на базе SpeechBrain и обученная на наборе WHAMR! с частотой дискретизации 16 кГц. Она предназначена для разделения смешанной записи речи на отдельные источники, в том числе при наличии фонового шума и реверберации. На тестовой выборке WHAMR! указаны SI-SNRi 13,5 дБ и SDRi 13,0 дБ. Модель принимает одноканальные аудиозаписи с частотой 16 кГц и выдаёт разделённые аудиосигналы. Репозиторий содержит веса в формате PyTorch и инструменты для работы через SpeechBrain. Модель обучена на англоязычных данных WHAMR!; лицензия — Apache-2.0. Разработчик не гарантирует аналогичное качество на других наборах данных.

lgris/sew-tiny-portuguese-cv — модель распознавания речи, разработанная на основе lgris/sew-tiny-pt и дообученная на наборе Common Voice. Она использует архитектуру SEWForCTC и содержит 50,4 млн параметров. Модель принимает аудио и преобразует речь на португальском языке в текст. На оценочном наборе Common Voice указаны loss 0,5110 и WER 0,2842. Модель подходит для транскрибации португалоязычных аудиозаписей; качество может зависеть от акцента, шума и условий записи. Распространяется по лицензии Apache-2.0.

Модель yuhengtu-bytedance/sfm_filtered_insert_xxf_character-2k_3k_4k_5k_6k_simpleavg_merge — объединённая языковая модель на архитектуре GPT-NeoX с 8,8 млрд параметров. Она создана методом линейного слияния нескольких предобученных контрольных точек с шагами обучения 2000, 3000, 4000, 5000 и 6000; в README в качестве базовой для слияния указана контрольная точка global_step6000. Репозиторий содержит веса Safetensors и рассчитан на генерацию текста в разговорном формате. Модель можно применять для диалога и генерации текста с контекстом до 16 384 токенов. README и метаданные не описывают целевые языки, специализированные области или сравнительные преимущества модели, поэтому её назначение следует считать общим. Лицензия в предоставленных данных не указана.

Sunflower-Gemma4-E2B — мультимодальная модель Sunbird AI, дообученная на базе Google Gemma 4 E2B IT для работы с текстом и речью на африканских языках. Она принимает текст, изображения и аудио длительностью до 30 секунд с частотой 16 кГц и выдаёт текст. Основные сценарии — перевод между английским и поддерживаемыми языками, транскрибация речи, выполнение инструкций и многоходовый диалог. Модель обучалась на многоязычных текстах и параллельных корпусах, примерах транскрибации, а затем проходила дообучение с инструкциями и постобучение GRPO. Карточка оценивает перевод для 69 языков и распознавание речи для 51 языка; качество заметно различается между языками и зависит от объёма обучающих данных. Для транскрибации нужно явно указывать язык речи, а аудио подавать как монофонический сигнал длительностью не более 30 секунд. Это предварительная версия: веса и качество результатов могут измениться до стабильного релиза, поэтому карточка не рекомендует закреплять её в производственных системах. Переводы и транскрипции могут содержать уверенно сформулированные ошибки; результаты для языков с малым объёмом данных следует проверять. Лицензия — Apache-2.0.

BuzzASR/turkish — специализированная модель распознавания турецкой речи, созданная в рамках набора BuzzASR и дообученная разработчиками проекта на базе openai/whisper-large-v3. Это плотная модель WhisperForConditionalGeneration примерно с 905,2 млн параметров, использующая библиотеку Transformers и формат safetensors. Она принимает аудио и выдаёт текстовую транскрипцию; конфигурация генерации уже содержит подсказку языка и задачи, поэтому отдельный параметр языка не требуется. Модель предназначена для автоматической транскрибации речи на турецком языке. В тестах на FLEURS и Common Voice 25 авторы сообщают CER 2,0% и 4,67% соответственно, а на объединённом наборе — CER 4,0% и WER 12,44%; эти результаты относятся к указанным тестовым выборкам и не гарантируют такое же качество на других данных. Модель монолингвальная, поэтому не предназначена для распознавания других языков; качество на иных тематиках, акцентах и диалектах может отличаться. Лицензия — MIT.

Модель GaborMadarasz/w2v-bert-2.0-hungarian-CV24.0 разработана как дообученная версия facebook/w2v-bert-2.0 для автоматического распознавания венгерской речи. Это акустическая модель архитектуры Wav2Vec2-BERT на 402,7 млн параметров, принимающая аудио и преобразующая его в текст. Она обучена на венгерской части набора Common Voice Scripted Speech 24.0 и предназначена для транскрибации записанной речи. В карточке приведены результаты оценки на тестовых данных Common Voice: WER 5,65%, CER 1,47% и SER 32,26% для 12 066 примеров. Результаты показывают пригодность для распознавания венгерской речи в условиях, похожих на тестовый набор, но ошибки на отдельных примерах могут быть значительными. Для загрузки README рекомендует скачать репозиторий и выполнять инференс локально из-за проблем с разрешением метаданных токенизатора в загрузчике Hugging Face. Модель распространяется по лицензии MIT.

alvanlii/wav2vec2-BERT-cantonese — дообученная модель распознавания речи на основе facebook/w2v-bert-2.0, разработанная Alvin. Она преобразует аудио на кантонском языке в текст и предназначена для автоматической транскрипции речи. Модель основана на архитектуре Wav2Vec2-BERT и содержит 405,4 млн параметров. Для обучения использовались наборы Common Voice 16 на кантонском и китайском языках Гонконга, CantoMap и Cantonese-ASR. На тестовой части Common Voice 16 для кантонского языка автор сообщает CER 10,27 без учёта пунктуации. Модель рассчитана на распознавание кантонской речи; приведённый результат относится к конкретному тестовому набору и не гарантирует такое же качество на других аудиозаписях. Распространяется по лицензии Apache-2.0.

facebook/wav2vec2-large-es-voxpopuli — большая модель Facebook AI на архитектуре Wav2Vec2, предварительно обученная на неразмеченной испаноязычной части корпуса VoxPopuli. Модель содержит 402,7 млн параметров и предназначена для использования как основа для распознавания речи после тонкой настройки на целевой задаче. Она принимает аудио и поддерживает автоматическое распознавание речи на испанском языке. Чекпойнт доступен в форматах PyTorch и Flax; карточка рекомендует дообучить его для конкретного языка или сценария. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но некоммерческое.

shniranjan/wav2vec2-large-xlsr-300m-nepali — модель распознавания речи на основе архитектуры Wav2Vec2ForCTC из семейства wav2vec2. Она преобразует аудио на непальском языке в текст и предназначена для сценариев автоматической транскрипции речи. В метаданных указано 402,7 млн параметров; веса доступны в форматах PyTorch и Safetensors. Модель можно использовать напрямую, без языковой модели. Карточка не сообщает о специальных ограничениях качества или условиях применения; лицензия в предоставленных данных не указана.

Модель arijitx/wav2vec2-large-xlsr-bengali разработана на основе facebook/wav2vec2-large-xlsr-53 и дообучена для распознавания речи на бенгальском языке. Она принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; для вывода используется архитектура Wav2Vec2ForCTC. Размер модели — около 402,8 млн параметров. Модель предназначена для автоматической транскрибации бенгальской речи. При проверке на отложенной выборке примерно из 4200 высказываний автор получил WER 32,45%; результат показывает качество именно на этой выборке и не гарантирует такую же точность на других данных. Для использования указана лицензия CC BY-SA 4.0.

ctl/wav2vec2-large-xlsr-cantonese — модель распознавания речи, дообученная на базе facebook/wav2vec2-large-xlsr-53 на кантонском языке с использованием корпуса Common Voice. Она принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; указана архитектура Wav2Vec2ForCTC с 406,3 млн параметров. Для оценки использовалась тестовая часть Common Voice для китайского (Гонконг); в карточке приведён результат 15,51%, но не уточнена метрика. Модель распространяется по лицензии Apache-2.0.

Wav2Vec2-Large-XLSR-53-Persian V2 — модель распознавания речи на фарси, созданная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice. Она принимает аудио и преобразует речь в текст; для входной записи требуется частота дискретизации 16 кГц. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. Модель рассчитана на фарси и поддерживает автоматическое распознавание речи. В оценке на тестовой части Common Voice для фарси указана доля ошибок слов WER 31,92%. Модель опубликована в форматах PyTorch и Flax под лицензией Apache-2.0. Результат оценки относится к указанному тестовому набору и сам по себе не гарантирует такую же точность на других записях.

Модель dnikolic/wav2vec2-xlsr-530-serbian-colab — дообученная версия facebook/wav2vec2-xls-r-300m на неизвестном наборе данных для автоматического распознавания речи. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров; репозиторий включает веса PyTorch. Модель предназначена для преобразования сербской речи в текст. Лицензия — Apache-2.0. Карточка не приводит сведений о составе обучающих данных, качестве распознавания и ограничениях применения, поэтому эти характеристики оценить нельзя.

arampacha/whisper-large-hy — дообученная модель распознавания речи на основе openai/whisper-large-v2, разработанная автором репозитория arampacha. Модель предназначена для преобразования аудиозаписей в текст; в карточке указана оценка WER 19,9869 на наборе Common Voice 11.0. Модель относится к семейству Whisper, использует архитектуру WhisperForConditionalGeneration и содержит около 905,2 млн параметров. Она принимает аудио и выдаёт текст; языковой тег hy указывает на армянский язык. Обучение проводилось на Common Voice 11.0, а метаданные также связывают модель с набором Google Fleurs. Репозиторий распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не содержит подробностей о сценариях использования и ограничениях качества, кроме приведённой оценки на тестовом наборе; результаты на других данных могут отличаться.

Whisper Large v3 Nepali — модель распознавания речи, созданная Кира́ном Пантхой путём дообучения openai/whisper-large-v3 на сбалансированном наборе OpenSLR54 для непальского языка. Модель содержит 905,2 млн параметров и использует архитектуру Whisper; она принимает аудио и преобразует речь в текст. Подходит для транскрибации непальской речи. В README приведены результаты оценки на тестовой выборке: WER 18,725 и CER 4,4861. Репозиторий распространяется по лицензии Apache-2.0.

Whisper Large-V3 Portuguese — дообученная модель распознавания речи на базе openai/whisper-large-v3, созданная автором репозитория zuazo на датасете Mozilla Common Voice 13.0 для португальского языка. Она принимает аудио и генерирует текстовую транскрипцию; архитектура — WhisperForConditionalGeneration, размер — 905,2 млн параметров. На указанном в карточке наборе оценки модель показала WER 4,6003 и loss 0,4315. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает дополнительные сценарии применения или ограничения.

kingabzpro/whisper-large-v3-turbo-urdu — модель распознавания речи, созданная дообучением Whisper large-v3-turbo на наборе Common Voice 17.0. Она принимает аудио и выдаёт текстовую расшифровку на урду; модель реализована на архитектуре Whisper и содержит около 905,2 млн параметров. Модель предназначена для транскрибации речи на урду, в том числе записей, подобных примерам из Common Voice. В README приведены результаты оценки на тестовой части Common Voice 17.0: WER около 26% и CER около 8,8%, поэтому в расшифровках возможны ошибки, особенно при отличающихся условиях записи или речи. Модель доступна под лицензией Apache-2.0 и рассчитана на использование через Transformers.

sgangireddy/whisper-medium-tr — дообученная модель распознавания речи на базе openai/whisper-medium, созданная для турецкого языка. Она принимает аудио и преобразует речь в текст; для дообучения использовался турецкий раздел набора Common Voice 11.0. Модель содержит 455,8 млн параметров и опубликована в формате PyTorch. В карточке приведены результаты оценки: WER 10,50 на тестовом наборе Common Voice 11.0 и 9,26 на Google FLEURS; для исходной модели указаны значения 20,89 и 10,4 соответственно. Модель распространяется по лицензии Apache-2.0. Карточка не описывает условия записи аудио, разбиение данных или ограничения на шумную речь, поэтому качество в таких сценариях по приведённым результатам оценить нельзя.

Noobbbbb/whisper-small-bn-v2 — модель распознавания речи на бенгальском языке, созданная дообучением Noobbbbb/whisper-small-bn на наборе Noobbbbb/bengali-ai-asr-80k. Она использует архитектуру Whisper Small с 12 слоями энкодера и 12 слоями декодера и предназначена для преобразования бенгальской речи в текст. В карточке описана обработка аудио с выдачей транскрипции, в том числе временных фрагментов для длинных записей. Для обучения использовались подмножества обучающей и валидационной выборок, а также упомянут датасет Google FLEURS. Приведённые в карточке метрики получены на разных наборах и напрямую несопоставимы. Остаются ошибки замены слов и диакритики; качество на шумных записях и телефонной речи отдельно не проверялось. Модель распространяется по лицензии Apache-2.0.