I.7Речь, диалоги и встречи

arun100/whisper-small-derived-hi-1 — дообученная модель Whisper Small, созданная на основе vasista22/whisper-hindi-small. Она предназначена для автоматического распознавания речи на хинди и преобразования аудио в текст. Модель содержит 153,1 млн параметров; в карточке указана оценка WER 10,1104 на наборе оценки Common Voice 16.0 для хинди. Модель принимает аудио и выдаёт текст. Она опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. README не сообщает подробностей об условиях записи речи, шумоустойчивости или ограничениях применения.

gausshen/whisper-small-indonesian — это модель распознавания речи на базе Whisper Small от OpenAI, дообученная для индонезийского языка. Она принимает аудио и преобразует речь в текст; модель подходит для транскрибирования индонезийских записей. В карточке приведён результат оценки: loss 0,7176, но сведения о наборе данных и подробная оценка качества отсутствуют. Модель распространяется в формате safetensors по лицензии Apache-2.0.

NavAI · whisper-tiny-uzbek — компактная модель распознавания узбекской речи, разработанная NavAI на основе openai/whisper-tiny и дообученная на 753 часах аудио с человеческими расшифровками. В метаданных указано 29,4 млн параметров; README называет размер модели 39 млн. Архитектура — WhisperForConditionalGeneration, веса доступны в формате safetensors и предназначены для использования с Transformers. Модель преобразует узбекскую речь в текст, в первую очередь на латинице (uzn_Latn). Она подходит для транскрибации записей и пакетной обработки аудио; для лучших результатов рекомендуется явно задать язык «uz». Длинные записи обрабатываются окнами по 30 секунд. На четырёх тестовых наборах узбекской речи модель показывает макро WER 18,13% и микро WER 17,2%; качество ниже на энциклопедической речи и редких иностранных именах. Модель слабее справляется с дальними, шумными и выраженно диалектными записями; основной целевой вариант — узбекская речь на латинице. Лицензия модели — Apache-2.0.

Mofe/xls-r-hausa-40 — модель распознавания речи, разработанная на основе facebook/wav2vec2-xls-r-300m и дообученная на наборе MOZILLA-FOUNDATION/COMMON_VOICE_8_0 для хауса. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь на хауса в текст. На оценочной выборке указаны Loss 0,4998 и WER 0,5153. Модель опубликована под лицензией Apache-2.0. Результаты на этой выборке не гарантируют такого же качества на других записях; подробные сведения об ограничениях и условиях эксплуатации в карточке не приведены.

Это GGUF-квантизированная версия текстовой генеративной модели Q3-30B-A3B-Designant, разработанной allura-org и преобразованной bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, прежде всего для диалоговых сценариев, ролевого общения и следования инструкциям. В обучении или дообучении заявлено использование наборов данных, связанных с диалогами, персонажами, прозой, рассуждениями, физическим и медицинским анализом, а также instruction following и DPO. Модель доступна в формате GGUF с вариантами квантизации от bf16 и Q8_0 до Q3 и IQ4. Размер файлов зависит от варианта и составляет примерно от 16 до 61 ГБ. Для работы указаны LM Studio, llama.cpp и другие совместимые проекты. Рекомендуемый шаблон запросов использует специальные маркеры ролей <|im_start|> и <|im_end|>. Сведения о поддерживаемых языках, длине контекста, мультимодальности и точной архитектуре в README не приведены; по представленным данным это текстовая, а не мультимодальная модель. Сильной стороной являются различные уровни квантизации, позволяющие выбирать между качеством и требованиями к памяти; варианты Q5 и Q6 описаны как высококачественные, а Q3 — как пригодные для систем с ограниченным объёмом оперативной памяти. К ограничениям относятся возможная потеря качества при более агрессивной квантизации и отсутствие в README сведений о лицензии, поэтому условия использования необходимо уточнять на странице исходной модели и соответствующих наборов данных.

Caspi-1.7B — модель распознавания речи, созданная OzLabs путём дообучения Qwen/Qwen3-ASR-1.7B на парах ивритской речи и транскрипций. Она предназначена прежде всего для транскрибации разговорного, краудсорсингового и вещательного аудио на иврите, пакетной и потоковой обработки, а также для оценки и разработки систем распознавания речи. Модель относится к семейству Qwen3-ASR и принимает аудио, выдавая текстовую транскрипцию; поддерживаются пакетный и потоковый режимы, а также работа с речью, пением и песнями с фоновой музыкой. Основной язык — иврит; базовая модель многоязычная, однако Caspi позиционируется как специализированный ивритский чекпойнт, а не как универсальный многоязычный релиз. В приведённых тестах результаты различаются по наборам данных: модель превосходит сравниваемый Whisper-чекпойнт на части разговорных тестов, но уступает на вещательном наборе. Известные ограничения включают ошибки на коротких фонетически похожих словах, шумной или сжатой записи, перекрывающейся речи, акцентах, неформальной речи, именах и жаргоне, а также при переключении языков. Качество зависит от записи, сегментации и соответствия предметной области обучающим данным. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

ghofrani/common6 — модель распознавания речи на базе архитектуры Wav2Vec2ForCTC, дообученная на датасете COMMON_VOICE для персидского языка. Она принимает аудио и преобразует речь в текст; на указанном в карточке наборе оценки показала WER 0,3421 и loss 0,3706. Размер модели — 402,8 млн параметров. Лицензия в предоставленных данных не указана.

eridai/erida-Inari-260905 — языковая модель для генерации текста, опубликованная под идентификатором eridai и предназначенная для работы с русскоязычными запросами. Модель относится к классу causal language models и может использоваться в сценариях диалога, текстовой генерации и решения задач, требующих рассуждений. Модель интегрируется с библиотекой Transformers и рассчитана прежде всего на русский язык. В её описании указано обучение или настройка на наборе данных eridai/russian_dpo_qa, ориентированном на вопросы и ответы на русском языке. Точный размер модели, архитектура, длина контекста, поддерживаемые дополнительные языки и модальности в доступных данных не указаны. К сильным сторонам относятся специализация на русскоязычном взаимодействии и поддержка диалоговых и reasoning-сценариев. Ограничения модели, результаты оценивания, требования к аппаратному обеспечению и рекомендуемые параметры использования не приведены, поэтому её качество и пригодность для конкретных задач следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

YeungNLP/firefly-chatglm2-6b — дообученная в проекте Firefly модель ChatGLM2 для диалогов. При обучении использован формат организации данных для многоходового общения, близкий к официальному формату ChatGLM2. В обучающую выборку вошли более миллиона диалогов, включая данные moss и 20 тысяч примеров по школьной математике. Модель содержит 7,8 млрд параметров, использует плотную архитектуру ChatGLM и поддерживает контекст до 32 768 токенов. Она предназначена для одно- и многоходовых текстовых диалогов. В репозитории указаны веса PyTorch. Лицензия в доступных данных не приведена.

OneNexus/GLM-5.3-MXFP4 — квантизированная версия полноразмерной модели GLM-5.3, разработанной Z.ai и основанной на исходном контрольном пункте zai-org/GLM-5.3-BF16. Модель предназначена для генерации текста и диалоговых сценариев; входом и выходом служит текст. В метаданных заявлены английский и китайский языки, архитектура GlmMoeDsaForCausalLM и поддержка pipeline text-generation. Модель использует MoE-архитектуру GLM-5.3 с DSA. Весовые параметры маршрутизируемых MoE-экспертов квантизированы в формате OCP MXFP4 E2M1 с блочным масштабированием 1×32, тогда как внимание, DSA-проекции, маршрутизатор, общие MLP-проекции, lm_head и отдельные компоненты сохранены в BF16. Размер индексированных весов составляет около 407,92 ГиБ в 282 шардах, что существенно меньше исходной BF16-версии. Валидация выполнена с контекстом до 1 048 576 токенов. К сильным сторонам относятся заметное сокращение объёма весов, совместимость с готовым рецептом InferenceX/SGLang и оптимизация для AMD Instinct MI350 с поддержкой EAGLE, DSA, MXFP4 MoE, FP8 KV-кэша и HiCache. Ограничения связаны с узкой инфраструктурой валидации: заявлена конфигурация из четырёх GPU AMD Instinct MI350 и ROCm-стек с конкретной версией SGLang; производительность и качество на другом оборудовании или в других средах могут отличаться. Модель распространяется по лицензии glm-5.3, обозначенной в README как license: other.

Huihui-gemma-4-12B-it-abliterated — дообученная методом abliteration версия Gemma 4 12B IT от huihui-ai на базе Google Gemma 4 12B IT. Это мультимодальная модель для диалога и генерации, работающая с текстом, изображениями, видео и аудио; архитектура Gemma4 Unified, веса представлены в формате safetensors. Метод abliteration применён к слоям 23–28, чтобы ослабить отказы модели; обработаны режимы с рассуждением и без него. Модель подходит для диалоговых приложений, анализа мультимодальных входов и генерации ответов, когда требуется меньше отказов на чувствительные или спорные запросы. Лицензия — Apache-2.0. Разработчик предупреждает, что фильтрация безопасности значительно снижена и выходы могут быть чувствительными, спорными или неподходящими; ранняя опубликованная версия весов имела проблемы, поэтому рекомендуется использовать обновлённую копию.

Карточка модели laladream/Huihui-gemma-4-12B-it-abliterated на Hugging Face совпадает с карточкой huihui-ai/Huihui-gemma-4-12B-it-abliterated, поэтому описание составлено по ней. Huihui-gemma-4-12B-it-abliterated — дообученная методом abliteration версия Gemma 4 12B IT от huihui-ai на базе Google Gemma 4 12B IT. Это мультимодальная модель для диалога и генерации, работающая с текстом, изображениями, видео и аудио; архитектура Gemma4 Unified, веса представлены в формате safetensors. Метод abliteration применён к слоям 23–28, чтобы ослабить отказы модели; обработаны режимы с рассуждением и без него. Модель подходит для диалоговых приложений, анализа мультимодальных входов и генерации ответов, когда требуется меньше отказов на чувствительные или спорные запросы. Лицензия — Apache-2.0. Разработчик предупреждает, что фильтрация безопасности значительно снижена и выходы могут быть чувствительными, спорными или неподходящими; ранняя опубликованная версия весов имела проблемы, поэтому рекомендуется использовать обновлённую копию.

Это модель автоматического распознавания японской речи reazon-research/japanese-zipformer-base-k2-rs35kh, разработанная Reazon Research. Она основана на архитектуре Zipformer и дообучена с помощью k2 на крупномасштабном японском корпусе ReazonSpeech v2.0. Модель содержит около 96,5 млн параметров и доступна в формате Safetensors для использования через Transformers. Модель предназначена для преобразования японской речи в текст, включая распознавание записей из наборов JSUT-BASIC5000, Common Voice и TEDxJP-10K. В опубликованных результатах CER составил 9,71% на JSUT-BASIC5000, 11,00% на Common Voice и 13,07% на TEDxJP-10K. Для длинной речи в тесте JSUT-BOOK результат не приведён, поэтому пригодность для длинных записей по этим данным оценить нельзя. Лицензия — Apache-2.0.

NeuralMahou — объединённая языковая модель на основе Llama 3, созданная автором lemon07r с помощью mergekit и метода Model Stock. В объединение вошли flammenai/Mahou-1.2-llama3-8B, nbeerbower/llama-3-spicy-abliterated-stella-8B и базовая mlabonne/NeuralDaredevil-8B-abliterated. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; длина контекста — 8192 токена. Модель предназначена для генерации текста и диалогов, включая ролевые сценарии. В карточке приведены результаты оценки на задачах рассуждения и языкового моделирования, но они не гарантируют качество в конкретных сценариях. Модель описана как имеющая меньше поведенческих ограничений; это не подтверждает пригодность для всех типов запросов. Лицензия — Llama 3.

Matsutei-Qwen2.5-72b — объединённая языковая модель, созданная KaraKaraWarehouse методом TIES с помощью mergekit. За основу взята EVA-UNIT-01/EVA-Qwen2.5-72B-v0.1; в объединение также вошли SteyrCannon-Qwen2.5-72b, Chronos-Platinum-72B и banana-2-b-72b. Модель построена на архитектуре Qwen2, имеет 71,5 млрд параметров и предназначена для генерации текста и диалогов. Автор описывает её как вариант, призванный уменьшить путаницу при работе с лором из world book, который может передаваться в сообщениях чата. При этом отмечены и другие возможные особенности поведения, поэтому модель стоит проверять на конкретных сценариях. Поддерживается контекст до 131 072 токенов; файлы представлены в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

giangndm выпустил совместимое с Transformers представление модели NVIDIA Parakeet CTC 0.6B Vietnamese в формате BF16. Это модель распознавания речи с архитектурой ParakeetForCTC на основе FastConformer; она принимает аудио и преобразует его в текст на вьетнамском языке. В репозитории также находятся процессор и токенизатор, а для загрузки весов используется файл safetensors без необходимости выполнять удалённый код. Модель предназначена для транскрибирования вьетнамской речи. Её можно применять для получения текста из аудиозаписей и обработки речевых сигналов через Transformers. Представление BF16 является конверсией исходного чекпойнта и не заявляет об изменении качества распознавания. Применяются лицензия и ограничения использования исходной модели NVIDIA; в метаданных лицензия обозначена как other.

SEW-D-base+ — акустическая модель ASAPP Research на архитектуре SEW-D, разработанной как более эффективный вариант подходов wav2vec 2.0. Модель содержит 226,5 млн параметров и предварительно обучена на речевых аудиозаписях с частотой дискретизации 16 кГц; для распознавания речи входное аудио также должно быть приведено к 16 кГц. Модель предназначена для дообучения под распознавание речи и другие задачи анализа речи. В карточке описан сценарий транскрибирования аудио через CTC; как архитектурные преимущества SEW в статье указаны ускорение вывода и снижение частоты ошибок относительно wav2vec 2.0 в экспериментах на LibriSpeech. Поддерживаемый язык — английский, среди связанных данных указан LibriSpeech ASR. Лицензия — Apache-2.0. В карточке также отмечено, что базовую модель следует дообучать под целевую задачу.

Harveenchadha/vakyansh-wav2vec2-punjabi-pam-10 — модель распознавания речи на базе архитектуры wav2vec2, дообученная на многоязычной предварительно обученной модели CLSRIL-23. Она преобразует аудиоречь на панджаби в текст и может применяться для транскрибации записей и построения систем распознавания речи. Модель содержит 113,3 млн параметров и представлена в формате PyTorch; входное аудио должно иметь частоту дискретизации 16 кГц. Распознавание выполняется без языковой модели, поэтому в некоторых случаях возможен повышенный показатель ошибок слов. Модель выпущена под лицензией MIT.

Модель nguyenvulebinh/wav2vec2-base-vietnamese-250h — акустическая модель для распознавания вьетнамской речи, созданная на основе Wav2Vec 2.0. Разработчики предварительно обучили её на 13 тысячах часов неразмеченной аудиозаписи с YouTube, а затем дообучили на 250 часах размеченной речи из набора VLSP. Модель содержит 113,3 млн параметров и использует архитектуру Wav2Vec2ForCTC с функцией потерь CTC. Модель преобразует вьетнамскую речь в текст и предназначена для систем автоматического распознавания речи. Для лучшего качества её можно сочетать с предоставленной авторами 4-граммной языковой моделью. В README приведены результаты WER на VIVOS, Common Voice VI и двух тестах VLSP: для VIVOS WER составляет 10,77 без языковой модели и 6,15 с ней. На вход подаётся речь, записанная с частотой 16 кГц; рекомендуемая длина аудио — менее 10 секунд. Модель не является полноценной системой распознавания с языковой моделью, а представляет её акустическую часть. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

infinitejoy/wav2vec2-large-xls-r-300m-arabic — модель распознавания речи, полученная дообучением facebook/wav2vec2-xls-r-300m на арабской части набора Mozilla Common Voice 7.0. Она принимает аудио и преобразует речь в текст; архитектура — Wav2Vec2ForCTC семейства wav2vec2, число параметров — около 402,8 млн. Модель предназначена для автоматической транскрипции арабской речи. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка описывает оценивание на тестовой выборке Common Voice 7, но метрики WER и loss приведены как NA. Поэтому по карточке нельзя оценить точность распознавания или устойчивость модели на других акцентах, условиях записи и типах речи.

Модель anuragshas/wav2vec2-large-xls-r-300m-bg — акустическая модель распознавания речи на базе Wav2Vec2, дообученная на болгарском разделе датасета Mozilla Common Voice 8.0. Базовая модель — facebook/wav2vec2-xls-r-300m; архитектура использует CTC для преобразования аудиоречи в текст. В репозитории указано 402,7 млн параметров и формат PyTorch. Модель предназначена для автоматической транскрипции болгарской речи, в частности записей, похожих на данные Common Voice. На тестовой выборке Common Voice 8 автор приводит WER 30,07% без языковой модели и 21,195% с языковой моделью; также указаны loss 0,2473 и WER 0,3002 на оценочной выборке. Эти результаты зависят от набора данных и процедуры оценки. Для использования требуются аудиоданные; результатом является текстовая транскрипция. Модель опубликована под лицензией Apache-2.0. Карточка содержит мало сведений о практических ограничениях и рекомендуемых условиях применения, поэтому качество на иных акцентах, условиях записи и типах речи по этим данным оценить нельзя.

kingabzpro/wav2vec2-large-xlsr-53-punjabi — модель распознавания речи на основе архитектуры Wav2Vec2ForCTC, дообученная на базе Harveenchadha/vakyansh-wav2vec2-punjabi-pam-10 на датасете Common Voice. Она преобразует аудиозаписи на панджаби в текст и подходит для транскрибирования речи, в том числе записей из Common Voice. Модель содержит 113,3 млн параметров и распространяется в форматах PyTorch и safetensors. На тестовой выборке Common Voice 8.0 указаны WER 0,4939 и CER 0,2238. Лицензия — Apache-2.0.

Модель tanmoyio/wav2vec2-large-xlsr-bengali — дообученная Tanmoyio версия facebook/wav2vec2-large-xlsr-53 для автоматического распознавания бенгальской речи. Она преобразует аудиозаписи в текст и предназначена для расшифровки речи на бенгальском языке; в карточке описано обучение на наборе примерно из 196 тысяч высказываний и оценка на тестовых данных OpenSLR. Модель основана на архитектуре Wav2Vec2ForCTC и содержит 402,8 млн параметров. Для входного аудио требуется частота дискретизации 16 кГц. Репозиторий содержит веса PyTorch и распространяется по лицензии CC BY-SA 4.0.

Galuh/wav2vec2-large-xlsr-indonesian — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на индонезийском наборе Common Voice. Она преобразует аудиозапись речи в текст и рассчитана на распознавание индонезийской речи. Модель построена на архитектуре Wav2Vec2ForCTC и содержит 402,7 млн параметров; входное аудио должно иметь частоту дискретизации 16 кГц. В README приведён результат оценки 18,32% на тестовых данных Common Voice; метрика не уточнена. Указана лицензия Apache-2.0. Карточка не описывает дополнительные ограничения и сценарии использования.

Модель boumehdi/wav2vec2-large-xlsr-moroccan-darija — акустическая модель распознавания речи на базе wav2vec2-large-xlsr-53, дообученная разработчиком на размеченных аудиозаписях марокканской дариджи. В карточке указано, что обучение проводилось на 57 часах аудио из корпуса MDVC; разработчик постепенно добавлял данные, чтобы унифицировать запись дариджи. Модель предназначена для преобразования речи на марокканской даридже в текст. Она использует архитектуру Wav2Vec2ForCTC, содержит около 402,7 млн параметров и принимает аудио. Репозиторий опубликован в формате PyTorch. Точность может зависеть от вариаций произношения и принятого способа записи дариджи: разработчик отмечает, что продолжает дообучение и стандартизацию текстовых транскрипций. Лицензия — Apache-2.0.

Модель khleeloo (Rita Frieske) — дообученная версия Whisper large-v3 от OpenAI для автоматического распознавания кантонской речи (Yue) и преобразования аудио в текст. Она предназначена для транскрибации, голосовых помощников и функций доступности для говорящих на кантонском языке. Модель обучалась 10 эпох на Common Voice 17; 12 слоёв декодера были заморожены. Для оценки использовалась метрика CER: в карточке приведены результаты на тестовых выборках Common Voice 15 и 17. Модель принимает аудио и выдаёт текст. Лучше ориентирована на разговорный кантонский вариант Yue; на письменном варианте zh-HK и других языках или диалектах качество может быть ниже. Результат также зависит от качества записи и акцента, а качество распознавания ограничено разнообразием обучающих данных. Лицензия — Apache-2.0.

Dragneel/whisper-medium-nepali-openslr — модель распознавания речи на архитектуре Whisper Medium, созданная дообучением openai/whisper-medium на корпусе непальской речи OpenSLR 54. Она преобразует непальскую аудиозапись в текст и предназначена для расшифровки речи, например записей и речевых материалов на непальском языке. В метаданных указано 455,8 млн параметров; README сообщает примерно о 154 часах обучающих аудиоданных и WER 14,04%. Модель принимает аудио и выдаёт текст. Распространяется по лицензии Apache-2.0.

lorenzoncina/whisper-medium-zh — модель распознавания речи, полученная дообучением Whisper Medium от OpenAI на китайской части набора Mozilla Common Voice 11.0 (zh-CN). Она предназначена для преобразования китайской речи в текст. В карточке приведены результаты оценки: loss 0,3226 и CER 10,9782. Модель использует архитектуру Whisper и содержит 455,8 млн параметров. Она принимает аудио и выдаёт текст; в метаданных указан китайский язык. Весы представлены в формате PyTorch. Модель распространяется по лицензии Apache-2.0.

bayartsogt/whisper-small-mn-8 — дообученная модель семейства Whisper от разработчика bayartsogt на базе openai/whisper-small. Она предназначена для автоматического распознавания речи и преобразования аудио в текст; в метаданных указаны датасеты Common Voice 11.0, FLEURS и два монгольских набора данных. Модель содержит 153,1 млн параметров и распространяется в формате PyTorch. В карточке приведены результаты оценки: WER 26,5185 и CER 9,4681. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Подробные инструкции по применению и ограничения в карточке не описаны.

sulaimank/xls-r-300m-luganda-313hr — модель распознавания речи, дообученная на основе facebook/wav2vec2-xls-r-300m. По названию репозитория она предназначена для распознавания речи на луганда; «313hr» указывает на заявленный объём обучения в 313 часов, а CV-Fleurs — на связь с корпусами Common Voice и Fleurs. В README приведены результаты оценки: WER 0,2549 и CER 0,0587. Модель принимает аудио и выдаёт распознанный текст. Она распространяется в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. README не раскрывает подробности обучающих данных, языкового охвата и условий записи, поэтому результаты оценки не следует считать гарантией качества на иных источниках аудио.