I.7Речь, диалоги и встречи

TIGER-speech-tiny — компактная версия модели TIGER для разделения смешанной речи на отдельные аудиосигналы. Её разработали исследователи Университета Цинхуа; работа представлена на ICLR 2025. Модель предназначена для обработки записей с перекрывающейся речью, в том числе в условиях шума и реверберации. Архитектура TIGER использует разделение частотных полос, многошаговое моделирование и внимание по временным и частотным измерениям. Авторы сообщают о высокой скорости и качестве разделения при существенно меньших вычислительных затратах по сравнению с TF-GridNet на EchoSet. Репозиторий содержит веса в формате safetensors; модель основана на JusperLee/TIGER-speech и помечена как англоязычная. Лицензия — Apache-2.0.

Uhm — модель Desert Ant Labs для покадрового обнаружения слов-паразитов «uh», «um» и «hmm» в аудио. Она принимает монофонический звук с частотой 16 кГц блоками до 30 секунд и выдаёт вероятности шести классов с шагом 20 мс: «not_filler», «uh», «um», «hmm», «and» и «other». Модель основана на DistilHuBERT и дообучена для обнаружения слов-паразитов; для работы ей не требуется распознавание речи. Модель предназначена для локального анализа записей подкастов, встреч и видео с говорящими. Опубликованы варианты Core ML, TFLite и ONNX для использования на iOS, macOS и других платформах через соответствующие SDK. Обучение проводилось на английском языке; для испанского, французского, немецкого и нидерландского заявлен акустический перенос, но качество на эталонных данных этих языков не измерялось. Качество снижается при сильной фоновой музыке, смехе и перекрывающейся речи нескольких участников. Различение конкретных типов слов-паразитов менее надёжно, чем классификация «слово-паразит / не слово-паразит». В README указаны открытые лицензии базовых весов Apache 2.0 и публичных обучающих аудиоданных CC BY 4.0; лицензия самой модели в метаданных обозначена как other, поэтому условия её использования следует проверять отдельно.

Модель Finnish-NLP/wav2vec2-large-uralic-voxpopuli-v2-finnish — акустическая модель для распознавания финской речи, разработанная Finnish-NLP как дообученная версия facebook/wav2vec2-large-uralic-voxpopuli-v2. Она использует архитектуру Wav2Vec2 с CTC-декодированием и содержит около 402,7 млн параметров. Обучение проводилось на 276,7 часах размеченной финской речи; при декодировании также можно использовать включённую в репозиторий языковую модель KenLM. Модель предназначена для преобразования финской речи в текст, в том числе для расшифровки записей и голосовых материалов. Наиболее подходящими считаются аудиофрагменты длительностью до примерно 20 секунд. В оценках на Common Voice 7.0 и 9.0 показаны результаты WER около 4,1% с KenLM и около 9,7–9,8% без него. Обучающие данные в основном происходят из записей заседаний парламента Финляндии, поэтому распознавание разговорной речи, диалектов, детских и женских голосов может быть менее надёжным. Языковая модель KenLM также ориентирована преимущественно на формальный финский. Модель распространяется по лицензии Apache-2.0.

Карточка модели ccoreilly/wav2vec2-large-xlsr-catala на Hugging Face совпадает с карточкой softcatala/wav2vec2-large-xlsr-catala, поэтому описание составлено по ней. Модель Wav2Vec2-Large-XLSR-Català разработана сообществом Softcatalà как дообученная версия facebook/wav2vec2-large-xlsr-53 для распознавания речи на каталанском языке. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель преобразует входную речь в текст и предназначена для транскрибирования каталанской речи, в том числе записей из корпусов Common Voice и ParlamentParla. Для работы аудио следует подавать с частотой дискретизации 16 кГц; языковая модель для описанного сценария не обязательна. В README приведены значения WER 6,92% на тестовом разделении CV+ParlamentParla, 12,99% на Google Crowdsourced Corpus и 13,23% на аудиокниге «La llegenda de Sant Jordi». Авторы предупреждают, что разделение Common Voice 6.1 пересекается с обучающими и оценочными данными: оценка на тестовом наборе CV будет смещённой. Модель распространяется по лицензии Apache-2.0.

xsway разработал wav2vec2-large-xlsr-georgian — модель распознавания речи на грузинском языке, полученную дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice. Она принимает аудио и преобразует речь в текст; для распознавания входной сигнал должен иметь частоту дискретизации 16 кГц. Модель основана на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. В README приведён результат 45,28% на тестовой части грузинского Common Voice, однако метрика не уточнена. Модель распространяется по лицензии Apache-2.0.

wav2vec2-nepali — модель распознавания речи, разработанная Анишем Шилпакаром путём дообучения Facebook wav2vec2 на данных OpenSLR для непальского языка. Архитектура Wav2Vec2ForCTC содержит около 402,7 млн параметров; модель принимает аудио и преобразует непальскую речь в текст. Подходит для расшифровки речи и голосового ввода, а также для интеграции в системы суммаризации речи или перевода. В карточке заявлена точность 91% в обычных условиях, однако метрика описана без подробностей о протоколе оценки. Модель распространяется в формате PyTorch; сведения о лицензии в предоставленных материалах отсутствуют.

imvladikon/wav2vec2-xls-r-1b-hebrew — модель распознавания речи на базе wav2vec 2.0 XLS-R, дообученная разработчиком imvladikon на основе facebook/wav2vec2-xls-r-1b. Она принимает аудио и преобразует речь на иврите в текст; подходит, например, для транскрибирования записей и аудиоматериалов на этом языке. Модель содержит 1,3 млрд параметров, использует архитектуру Wav2Vec2ForCTC и опубликована в форматах PyTorch и Safetensors. В оценке указаны loss 0,3533 и WER 0,2251. Датасет дообучения в карточке обозначен как None, поэтому по этим результатам нельзя судить о поведении на иных источниках и условиях записи. Лицензия — Apache-2.0.

imvladikon дообучил wav2vec2-xls-r-300m от Facebook AI для распознавания речи на иврите. Модель использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров; она принимает аудио и преобразует речь в текст. Обучение проходило в два этапа на частных наборах данных: сначала на небольшом наборе с качественными примерами, затем на более крупном наборе с данными из разных источников и слабой разметкой. В README приведены результаты WER: 0,1697 на небольшом наборе и 0,2318 на большом после второго этапа обучения. Модель предназначена для автоматической транскрибации речи на иврите. Её можно применять для преобразования записей и аудиоматериалов в текст; приведённые метрики относятся к данным автора и не гарантируют такое же качество на других источниках и условиях записи. В карточке не приведены условия лицензии, поэтому их нельзя определить по доступным сведениям.

addy88/wav2vec-odia-stt — модель распознавания речи на базе архитектуры Wav2Vec2 с CTC-головой, содержащая 113,3 млн параметров. Она предназначена для преобразования аудиозаписей на языке одия в текст и может использоваться напрямую, без отдельной языковой модели. Модель подходит для автоматической транскрибации речи на одия, например записей и аудиосообщений. В карточке указана библиотека PyTorch и формат весов PyTorch. Лицензия и сведения о контекстном окне в предоставленных данных отсутствуют.

akuzdeuov/whisper-base.kk — модель распознавания речи на базе Whisper-base, дообученная для казахского языка на Kazakh Speech Corpus 2, содержащем более 1 000 часов размеченных аудиоданных. Модель предназначена только для распознавания казахской речи и выдаёт текстовую расшифровку аудио. Модель поддерживает транскрибирование коротких записей длительностью до 30 секунд; для более длинных записей в Transformers можно включить обработку фрагментами. В README указана доля ошибок WER 15,36% на тестовой выборке. Репозиторий содержит веса в формате safetensors; размер модели составляет 51,7 млн параметров. Модель распространяется по лицензии Apache-2.0.

Whisper Tajik — модель распознавания речи, созданная дообучением openai/whisper-small на пользовательском наборе данных. Она предназначена для преобразования аудиозаписей на таджикском языке в текст. В оценке на тестовом наборе указаны значение loss 0,4538 и WER 18,9518. Модель использует архитектуру WhisperForConditionalGeneration и содержит 905,2 млн параметров. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Transformers. Модель распространяется по лицензии Apache-2.0. Карточка не описывает состав обучающего набора, условия оценки и ограничения применения, поэтому качество на других типах записей и в иных акустических условиях по приведённым результатам определить нельзя.

Модель kapilkd13/xls-r-300m-hi-prod — дообученная для распознавания речи на хинди версия facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и предназначена для преобразования аудиозаписей на хинди в текст; обучение проводилось на наборе Mozilla Common Voice 7.0 для хинди. Число параметров — около 402,8 млн. На оценочной выборке указано значение WER 0,434. Модель подходит для транскрибации речи на хинди, однако это значение указывает на заметные ошибки распознавания. Репозиторий содержит веса PyTorch и опубликован по лицензии Apache-2.0.

shpotes/xls-r-eus — модель автоматического распознавания речи, дообученная на базе facebook/wav2vec2-xls-r-300m на наборе MOZILLA-FOUNDATION/COMMON_VOICE_8_0 для баскского языка. Она построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель преобразует аудиозапись речи в текст и подходит для транскрибирования баскской речи, в том числе записей в стиле Common Voice. В README указаны результаты оценки на тестовой выборке: WER 0,1787 и loss 0,2278. Модель опубликована под лицензией Apache-2.0. Карточка не описывает специальные ограничения и условия записи, поэтому качество на других наборах данных и в иных акустических условиях по этим сведениям оценить нельзя.

Infermatic выпустила Infermatic/14b-Qwen2.5-Infermatic-Crea-v1 — объединённую методом Model Stock через mergekit языковую модель на архитектуре Qwen2.5. В основе лежит Qwen/Qwen2.5-14B-Instruct; в объединение также вошли модели Kunou, abliterated, Lumen и Gutenberg. Модель содержит 14 млрд параметров, работает с текстом и имеет контекст длиной до 32 768 токенов. Модель предназначена для генерации текста, описания чувств, мест, предметов и ситуаций, а также для ролевых диалогов и написания историй. Карточка отмечает поддержку чата и интерфейса вызова инструментов. Данных о целевых языках в предоставленных источниках нет. В репозитории указана лицензия? — сведения о лицензии среди предоставленных данных отсутствуют, поэтому условия использования по ним определить нельзя. Качество ответов зависит от настроек и промптов; автор отмечает, что отказы могут возникать и их поведение зависит от этих настроек.

Anansi-35B-A3B-i1-GGUF — квантованная версия модели BlueNipples/Anansi-35B-A3B, подготовленная mradermacher в формате GGUF. Модель предназначена для генерации текста, диалоговых сценариев, roleplay, повествовательных задач и рассуждений на естественном языке. В метаданных указан английский язык. Модель заявлена как vision-модель, поэтому для работы с изображениями могут потребоваться дополнительные mmproj-файлы из статического репозитория. Точные сведения об архитектуре, размере контекстного окна, поддерживаемых модальностях на уровне конкретных входных форматов и фактических характеристиках базовой модели в README не приведены; обозначение 35B-A3B сохранено в идентификаторе исходной модели. Доступны многочисленные варианты квантования с размером примерно от 7,6 до 28,6 ГБ. Более компактные варианты требуют меньше ресурсов, но могут заметно уступать по качеству; в README рекомендуются i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Сильными сторонами являются разнообразие вариантов квантования, возможность локального запуска через совместимое с GGUF программное обеспечение и ориентация на диалоговую и творческую генерацию. Ограничения включают потери качества, зависящие от выбранного уровня квантования, необходимость самостоятельно подобрать подходящий вариант и возможную потребность в mmproj-файлах для работы с изображениями. Лицензия модели указана как Apache-2.0.

Bielik-PL-11B-v3.0-Instruct-heretic — доработанная командой SpeakLeash версия Bielik-PL-11B-v3.0-Instruct, созданная методом abliteration с помощью Heretic v1.4.0. В основе лежит дообученная Bielik-11B-v3-Base-20250730: это плотная причинная decoder-only модель семейства Llama на 11 млрд параметров для генерации текста и диалогов. Модель принимает контекст длиной до 32 768 токенов и распространяется в формате Safetensors по лицензии Apache 2.0. Модель предназначена для ответов на запросы, диалогов и других задач генерации текста. Она особенно ориентирована на польский язык, также обучалась на корпусах 32 европейских языков; среди языков карточка указывает польский и английский. README описывает версию heretic как «расцензурированную»: в сравнении с исходной инструкционной моделью указано 0 отказов из 100 проверок против 71 из 100 у оригинала. Снятие ограничений модерации означает, что модель может выдавать оскорбительный, предвзятый, непристойный или фактически неверный текст. Ответы не следует считать проверенными фактами. Для использования указана лицензия Apache 2.0.

Commonsense-QA-Mistral-7B-Mistral-7B-Instruct-v0.2-slerp — объединённая модель Maziyar Panahi, созданная методом SLERP на основе Mistral-7B-Instruct-v0.2 и Commonsense-QA-Mistral-7B. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста и диалоговые ответы; размер контекста — до 32 768 токенов. Модель подходит для ответов на вопросы, требующие бытовых знаний и здравого смысла, а также для общения в формате инструкций. Веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Карточка не приводит результаты оценки качества или подробные ограничения применения.

ConvTasNet_Libri2Mix_sepclean_8k — модель разделения аудиосмеси, обученная Joris Cosentino с помощью рецепта LibriMix в Asteroid и опубликованная как импорт с Zenodo. Она предназначена для разделения записи с двумя одновременно говорящими людьми на отдельные речевые сигналы. Модель обучалась для задачи sep_clean на Libri2Mix с частотой дискретизации 8 кГц. Архитектура ConvTasNet использует обучаемый фильтробанк и масочную сеть; в конфигурации указаны 512 фильтров, 8 блоков и 3 повтора. Веса доступны в формате PyTorch. Лицензия в метаданных — CC BY-SA 4.0; README также содержит лицензионное уведомление CC BY-SA 3.0 и упоминает производность от корпуса LibriSpeech, поэтому при использовании следует учитывать оба уведомления.

Это модель разделения аудио ConvTasNet, обученная Мануэлем Париенте по рецепту Asteroid для задачи sep_clean на наборе WHAM!. Она предназначена для разделения смеси речи на отдельные речевые источники и обработки аудиозаписей с несколькими говорящими. Модель принимает аудио и выдаёт аудио. В README приведены результаты оценки на WHAM!, включая SI-SDR 16,21 и STOI 0,962. Весовой файл опубликован в формате PyTorch; лицензия — CC BY-SA 4.0.

zeromodels/gemma-4-e2b — конверсия Gemma 4 E2B от Google в формате Keras 3, подготовленная для библиотеки zeromodels. Реализация работает с TensorFlow, PyTorch и JAX; веса хранятся в bfloat16. README указывает 5,1 млрд параметров с учётом эмбеддингов и 2,3 млрд эффективных параметров. Модель принимает изображения, аудио и текст и выдаёт текст; доступен текстовый диалоговый интерфейс. Она подходит для ответов на вопросы по изображениям и аудио, а также для обычной генерации текста. В карточке приведены размер окна скользящего внимания — 512 токенов — и примеры загрузки через Keras 3. Язык, явно указанный в метаданных карточки, — английский. Репозиторий заявлен как дообучение google/gemma-4-E2B, однако описанные изменения представлены как Keras-конверсия. Лицензия — Apache 2.0; за подробностями об условиях использования README отсылает к карточке Google Gemma.

Adolphsson/Gemma-4-E4B-Uncensored-HauhauCS-Aggressive-MTP-NVFP4 — мультимодальная модель для работы с текстом, изображениями и аудио. Это общественный, вручную собранный чекпойнт на основе Gemma-4-E4B и дообучения HauhauCS/Gemma-4-E4B-Uncensored-HauhauCS-Aggressive. Модель не является официальным релизом Google или HauhauCS; сборку подготовил автор Adolphsson. Текстовый трансформер содержит 42 слоя со скрытым размером 2560. Он квантизован в формат NVFP4 W4A4 с 4-битными весами и активациями, а таблицы эмбеддингов используют FP8 e4m3 с построчными масштабами F32. Зрительный модуль и аудиоэнкодер сохранены в BF16. Модель поддерживает английский и другие языки, а также мультимодальные сценарии с изображениями и аудио. Заявлено контекстное окно до 131 072 токенов, однако фактическая доступная длина зависит от видеопамяти и настроек сервера. Основные преимущества — небольшой размер около 6,2 ГБ, возможность запуска на одной RTX 5090, высокая скорость декодирования с MTP speculative decoding и заметно увеличенный объём KV-кэша благодаря FP8-эмбеддингам. Для работы требуется vLLM с патчем из репозитория: без него FP8-таблицы эмбеддингов загружаются некорректно, что приводит к деградации генерации. Производительность и совместимость в README проверены на vLLM 0.28, Python 3.12, CUDA 13 и RTX 5090; заявленные показатели зависят от оборудования, параметров запуска и сценария нагрузки. Модель распространяется по лицензии Apache-2.0.

Human-Like-Mistral-Nemo-Instruct-2407 — текстовая диалоговая модель на архитектуре Mistral, созданная дообучением Mistral-Nemo-Instruct-2407 с помощью LoRA и Direct Preference Optimization (DPO). Разработчики настроили её на более естественные, связные и разговорные ответы с эмоционально чутким тоном. Модель предназначена для диалоговых ассистентов и генерации ответов в повседневных беседах на разные темы. Для общения используется шаблон Mistral-Nemo; карточка указывает поддержку английского языка. Размер модели — 12,1 млрд параметров, заявленная длина контекста — 1 024 000 токенов. Доступна в формате safetensors и рассчитана на Transformers. В описанном сравнении улучшились отдельные показатели, включая MuSR, но снизились средние результаты и показатели IFEval относительно базовой модели; качество следования инструкциям может быть слабее. Модель распространяется по лицензии Apache-2.0.

Ice0.17-03.10-RP — объединённая языковая модель, созданная icefog72 методом Model Stock с помощью mergekit. В основе — Mistral для генерации текста и диалогового общения; модель объединяет несколько чекпойнтов семейства Ice, включая DPO-вариант. Веса сохранены в формате safetensors, размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации ответов в диалоге и других задач продолжения текста. В карточке приведены результаты Open LLM Leaderboard, включая IFEval и BBH. Метаданные помечают модель как NSFW и не предназначенную для всех аудиторий. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Это независимая неофициальная конверсия KittenML/kitten-asr-tiny в формат ONNX, подготовленная для движка распознавания речи itamaker/kitten-asr-go. Модель принимает аудио и выполняет автоматическое распознавание речи с выдачей текста; в комплект входят аудиокодировщик для входа длительностью до 30 секунд и авторегрессионный текстовый декодер с KV-кэшем. Таблица эмбеддингов поставляется отдельно в формате float32. Конверсия предназначена для запуска в приложениях на Go через CLI, HTTP-сервер или библиотеку itamaker/kitten-asr-go. README не сообщает поддерживаемые языки или лицензию исходной модели; метаданные указывают лицензию «other».

L3.3-Electra-R1-70b — плотная авторегрессионная языковая модель на архитектуре Llama, созданная SteelSkull методом слияния нескольких моделей, включая EVA-LLaMA-3.33-70B-v0.0 и варианты Llama 3.x. Модель содержит 69,5 млрд параметров; заявленная длина контекста — 131 072 токена. Репозиторий содержит веса Safetensors для Transformers. Модель предназначена для диалоговой генерации текста, рассуждений и творческих сценариев, особенно повествования, ролевых диалогов и анализа мотивов персонажей. В карточке отмечены связность ответов и способность к подробному анализу персонажей; для получения рассуждений автор рекомендует специальные шаблоны промптов. Это пользовательская экспериментальная сборка, а не отдельная базовая модель. Указана лицензия other, поэтому условия использования следует сверить с лицензиями исходных компонентов; карточка не приводит единых условий для слияния.

Casual-Autopsy/L3-Luna-8B — слитая разговорная языковая модель на архитектуре Llama 3, созданная автором репозитория с помощью mergekit и метода TIES. В объединение вошли семь моделей, включая Sao10K/L3-8B-Lunaris-v1, использованную как базовая, а также модели для диалога, суммирования, рассуждений, ролевого общения и генерации без цензуры. В репозитории указаны 7,5 млрд параметров, формат safetensors и контекст до 8192 токенов. Модель предназначена для генерации текста и диалогов общего назначения, в том числе ролевых сценариев. Метаданные указывают поддержку чата; отдельные специализированные задачи не заявлены. Лицензия в предоставленных данных не указана. Качество и поведение после слияния могут отличаться от исходных моделей, а заявленный компонент без цензуры означает, что модель может выдавать нежелательный контент.

unsloth/LFM2-700M-GGUF — GGUF-версия гибридной языковой модели LFM2-700M, разработанной Liquid AI и подготовленной для распространения Unsloth. Модель предназначена для локального и периферийного развертывания на CPU, GPU и NPU, включая смартфоны, ноутбуки и транспортные системы. Она подходит для агентских сценариев, извлечения данных, RAG, творческого письма и многораундовых диалогов. Модель содержит 742 489 344 параметра, 16 слоёв, включая 10 слоёв свёртки и 6 attention-слоёв, и поддерживает контекст до 32 768 токенов. Архитектура использует гибридный подход Liquid AI с мультипликативными gating-механизмами и короткими свёртками. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Это текстовая модель без заявленной поддержки дополнительных модальностей. К сильным сторонам относятся высокая скорость обучения и инференса, эффективность по памяти и производительности, а также удобство запуска на устройствах с ограниченными ресурсами. Из-за небольшого размера модель рекомендуется дообучать под узкие прикладные задачи. Она не рекомендуется для задач, требующих глубоких знаний или программирования. Репозиторий включает исправления chat template; для llama.cpp рекомендуется использовать параметр --jinja. Указана лицензия LFM Open License v1.0.

MotherEarth/MotherEarth-1.19 — объединённая диалоговая языковая модель, созданная разработчиком MotherEarth с помощью mergekit и метода SLERP. В состав объединения вошли mlabonne/NeuralDaredevil-8B-abliterated и MotherEarth/MotherEarth-1.16. Модель основана на плотной архитектуре Llama и содержит 7,5 млрд параметров. Модель предназначена для генерации текста в диалогах и чат-сценариях. Она принимает текст и выдаёт текст, поддерживает контекст до 8192 токенов и распространяется в формате safetensors для библиотеки Transformers. Лицензия в предоставленных данных не указана.

Reza2kn/openai_whisper-large-v3-turbo-NVFP4 — это квантованная версия модели openai/whisper-large-v3-turbo, разработанная Reza2kn на базе архитектуры Whisper. Модель предназначена для автоматического распознавания речи и ориентирована прежде всего на транскрибацию персидской речи. Она интегрируется с библиотекой Transformers и рассчитана на использование в сценариях ASR, где важны снижение требований к памяти и ускорение инференса на совместимом оборудовании. Модель использует посттренировочную NVFP4-квантизацию в формате W4A4: веса Linear-модулей энкодера и декодера представлены в 4-битном формате FP4, масштабирование выполняется с использованием FP8 и FP32, а активации динамически квантуются до FP4. Голова CTC lm_head или proj_out оставлена в полной точности. Калибровка выполнена на 32 персидских аудиофрагментах из Reza2kn/persian-asr-eval-v0. Целевое оборудование — тензорные ядра NVIDIA Blackwell с архитектурой sm_100 и выше; квантизация проводилась на RTX 5080 Laptop. В тесте на 200 фрагментах FLEURS-fa модель показала WER 24,18%, CER 8,30%, задержку 652 мс на фрагмент и пиковое использование видеопамяти 2156 MiB. Сильной стороной модели является существенное уменьшение представления весов и возможность эффективного запуска на совместимых GPU Blackwell при сохранении функциональности базовой Whisper-модели. Ограничения включают зависимость от поддержки NVFP4 и оборудования NVIDIA Blackwell, а также отсутствие в карточке подробных сведений о размере модели, максимальной длине контекста и качестве для других языков или модальностей. Модель наследует лицензию базовой модели; в README указана лицензия Apache-2.0.

ihanif/pashto-asr-v6 — модель автоматического распознавания речи, разработанная как дообучение ihanif/pashto-asr-v5 на наборе Common Voice 19.0. Она использует архитектуру Wav2Vec2-BERT с CTC-декодером и содержит около 402,7 млн параметров. Модель предназначена для преобразования речи на пушту в текст; в оценке указана метрика WER 30,1268. Модель подходит для транскрибирования записей на пушту, включая голосовые сообщения и речевые материалы общего назначения. В карточке нет сведений о контекстном окне или дополнительных режимах работы. Лицензия в предоставленных данных не указана.