I.7Речь, диалоги и встречи

Ethio-ASR-mms-1b-uf — модель автоматического распознавания речи, созданная в рамках независимого воспроизведения Ethio-ASR исследователями Университета Флориды. Это дообученная на эфиопской подвыборке WAXAL модель facebook/mms-1b: архитектура Wav2Vec2 с CTC-выходом, около 1,3 млрд параметров, вход — аудио, выход — текст. Модель предназначена для распознавания амхарского, тигринья, оромо, сидаама и волайтта. На тестовом разбиении WAXAL из 18 810 высказываний опубликованы результаты WER для нескольких языков; оценка использует обработку с объединением омонимов письма геэз и удалением пунктуации. Для сырых выходов указана средняя WER 35,69%. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

EvoluzioneRed — объединённая языковая модель на архитектуре Mistral, созданная сообществом mergekit-community из grimjim/rogue-enchantress-32k-7B и mergekit-community/TopEvolutionWiz. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста, включая диалоги и творческое письмо с учётом описаний персонажей. Модели объединены методом SLERP; конфигурация использует bfloat16 и задаёт V-образное распределение весов по слоям. Контекст составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

flammenai/flammen29-mistral-7B — языковая модель на архитектуре Mistral с 7,1 млрд параметров, разработанная FlammenAI. Модель дообучена на нескольких наборах данных и предназначена для диалогов, ролевого общения, творческого письма и ответов на вопросы; поддерживает контекст до 32 768 токенов. Модель представлена в формате safetensors и доступна по лицензии Apache-2.0. В README также упоминается обучение с помощью A100 в Google Colab. Метаданные указывают базовой моделью flammenai/flammen27-mistral-7B и отмечают возможность чата.

L3-15B-MythicalMaid-t0.0001 — разговорная языковая модель на архитектуре Llama, созданная путём слияния ZeusLabs/L3-Aethora-15B-V2 и v000000/HaloMaidRP-v1.33-15B-L3 с применением пользовательского алгоритма NearSwap с параметром t=0.0001. В README ZeusLabs/L3-Aethora-15B-V2 указана как базовая модель; слияние описано как инвертированное относительно L3-15B-EtherealMaid-t0.0001. Модель предназначена для генерации текста и диалогового общения. Она содержит 14,5 млрд параметров и поддерживает контекст до 8192 токенов. В репозитории представлены веса Safetensors; также упомянуты варианты GGUF и GGUF imatrix, подготовленные сторонними авторами. Лицензия в предоставленных данных не указана.

ManhHoDinh/lfm25-titlegen-sft — дообученная методом supervised fine-tuning компактная языковая модель для создания краткого информативного заголовка по пользовательской беседе. Она основана на LiquidAI/LFM2.5-230M: плотная causal language model семейства LFM2 с 221,2 млн параметров; для работы используется библиотека Transformers, веса представлены в формате safetensors. Заявленная длина контекста — 128 000 токенов. Модель предназначена для автоматического озаглавливания разговоров, сохраняя их основное намерение, важные сущности и существенные детали. В карточке описана оценка на многоязычном наборе из 17 языков, однако фактические оценённые примеры указаны только для английского и вьетнамского. Результаты benchmark не подтверждают готовность к промышленному применению: проверка ограничена, автоматизирована и не включает достаточную нативную проверку. Лицензия в метаданных обозначена как other, конкретные условия использования в предоставленных данных не раскрыты.

DeepMount00/Llama-3.1-8b-ITA — плотная авторегрессионная языковая модель семейства Llama, разработанная Michele Montebovi на основе Meta-Llama-3.1-8B-Instruct и дообученная для работы на итальянском языке. Она предназначена для генерации текста и диалоговых сценариев на итальянском; метаданные также указывают поддержку английского языка. Модель содержит 7,5 млрд параметров, использует библиотеку Transformers и формат safetensors, поддерживает контекст до 131 072 токенов. Модель подходит для италоязычного чат-бота, составления и продолжения текстов, а также ответов на запросы. В README приведены результаты Open LLM Leaderboard, включая IFEval и BBH, но эти оценки сами по себе не гарантируют качество в конкретном приложении. Лицензия в предоставленных данных не указана.

MedIT SUN 2.5B chat-1.0.0 — диалоговая языковая модель от MedIT Solutions на архитектуре Llama 3.2. Она создана на основе meta-llama/Llama-3.2-1B-Instruct: разработчик расширил модель примерно с 1 млрд до 2,47 млрд параметров и выполнил supervised fine-tuning на открытых наборах данных. Модель распространяется в формате Safetensors и рассчитана на генерацию текста, общие беседы и выполнение инструкций; метаданные указывают контекст до 131 072 токенов и интерфейс для вызова инструментов. Модель предназначена для диалогового помощника и задач повседневного взаимодействия на английском языке. Разработчик предупреждает, что обучение продолжается, поэтому ответы могут быть непоследовательными; модель не следует использовать как достоверный источник знаний, особенно там, где нужна высокая точность. Лицензия — Llama 3.2.

Lumimaid-v0.2-70B — разговорная языковая модель семейства Llama, разработанная NeverSleep при участии Undi и IkariDev. Она основана на Meta-Llama-3.1-70B-Instruct и дообучена на смеси диалоговых, инструктивных и ролевых наборов данных; авторы отмечают, что в версии 0.2 очистили данные от нежелательного шаблонного текста. Модель имеет плотную архитектуру LlamaForCausalLM с 69,5 млрд параметров, принимает текст и генерирует текст. Заявленная длина контекста — 131 072 токена; карточка указывает шаблон общения Llama-3-Instruct и поддержку чата. Модель предназначена для диалогов, следования инструкциям и ролевого письма, включая сценарии со взрослым содержанием. Среди сильных сторон — крупный контекст и доработка обучающей выборки для более чистых ответов. Возможны типичные для генеративных моделей ошибки и нестабильность качества; карточка не приводит результатов оценки. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Карточка модели yileitu/Mdist_8B_SelfDistill_Chem_from_Qwen3_8B на Hugging Face совпадает с карточкой yileitu/Mdist_8B_SelfDistill_Chem_from_Qwen3_14B, поэтому описание составлено по ней. yileitu/Mdist_8B_SelfDistill_Chem_from_Qwen3_14B — дообученная модель семейства Qwen3, созданная на базе Qwen/Qwen3-8B и обученная на наборе aligned_5w_data_from_upsampled_M0_Qwen3-8B_upsampled_50k_all_subtasks. Это диалоговая языковая модель с архитектурой Qwen3ForCausalLM и 7,6 млрд параметров, предназначенная для генерации текста; доступный контекст составляет до 40 960 токенов. Репозиторий использует Transformers и формат safetensors. Карточка не уточняет химические возможности модели, состав заданий в обучающем наборе или результаты оценки, поэтому специализированные сценарии применения подтвердить нельзя. Лицензия указана как other; конкретные условия следует сверить в карточке репозитория перед использованием.

mergekit-community/mergekit-slerp-anaazls — языковая модель на архитектуре Llama, полученная слиянием Smaug-34B-v0.1 и Magnum-v3-34b методом SLERP с помощью mergekit. Модель содержит 33,9 млрд параметров, работает в формате Safetensors и рассчитана на генерацию текста в диалоговом режиме; заявленная длина контекста — 200 000 токенов. Модель предназначена для диалогов и генерации текста. В конфигурации слияния указана базовая модель abacusai/Smaug-34B-v0.1, а параметр смешивания меняется по слоям. Карточка не описывает отдельные специализированные сценарии или результаты оценки качества. Условия использования определяются лицензиями исходных моделей; в предоставленных данных лицензия итоговой модели не указана.

Модель sokho2/mms-300m-wolof — дообученная разработчиком sokho2 модель facebook/mms-300m для автоматического распознавания речи на волофском языке. Она использует архитектуру Wav2Vec2 с 300 млн параметров и CTC-декодирование; принимает аудио и выдаёт распознанный текст. Модель обучалась на наборах Or4kool/wolof_speech_dataset и Alwaly/wolof_asr_bg, с аугментацией скорости и громкости, и оценивалась на отложенных данных ALFFA Wolof и Google FLEURS. В карточке указаны WER 13,64% и CER 4,51%.

Mnemosyne-SCLM v4.3.3 — разговорная причинно-языковая модель семейства Mnemosyne, разработанная Майком Амегой и Ame Web Studio. Репозиторий содержит плотную архитектуру MnemosyneForCausalLM с 3,2 млрд параметров; метаданные указывают контекст до 131 072 токенов, а карточка версии описывает максимум генерации в 4096 токенов. Для загрузки используется Transformers с пользовательским кодом. Модель предназначена для диалоговой генерации текста; заявлены многоуровневая и эпизодическая память, символические математические вычисления через SymPy, а также аудиовход с транскрибированием Whisper и автоматической отправкой распознанного текста. В метаданных отмечены английский и французский языки. README указывает гибридный режим GPU/CPU. В README заявлена лицензия Apache 2.0 с требованием указания авторства, тогда как метаданные Hugging Face обозначают лицензию как other; условия использования следует сверять с файлами репозитория. Карточка не содержит оценок качества или подробных ограничений: заявленные возможности памяти, математики и аудиоввода не подтверждены бенчмарками в предоставленных данных.

Moonshine Streaming Tiny — Arabic — модель распознавания арабской речи с потоковой расшифровкой, разработанная командой Moonshine AI. В метаданных указано 13,8 млн параметров; README сообщает о 27 млн, поэтому размер в источниках расходится. Модель использует временной аудиофронтенд с частотой 50 Гц и Transformer-энкодер со скользящими окнами, а также декодер; она выдаёт текст постепенно, не дожидаясь окончания аудиофрагмента. Заявленное применение — запуск на устройствах с ограниченными ресурсами. Модель обучена на автоматически размеченных арабских подкастах, видео и других аудиозаписях; транскрипты получены от модели-учителя семейства Whisper и не проверялись людьми для большей части данных. README приводит результаты на выборке из 400 фрагментов Common Voice и FLEURS, но предупреждает, что это не полная оценка арабского языка и что диалекты отдельно почти не измерялись. Среди ограничений — ошибки в именах, числительных и переключении языков, повторения на коротких или шумных фрагментах и слабая проверенность в телефонных и дальнеполевых условиях. Лицензия — MIT.

Nemotron 3.5 ASR Streaming 0.6B LiteRT — это общественная конверсия модели NVIDIA Nemotron 3.5 ASR Streaming 0.6B, выполненная spybyscript. Дополнительное обучение или дообучение не проводилось. Модель предназначена для потокового автоматического распознавания речи и поставляется не как единая готовая модель, а как набор из 31 графа LiteRT в формате TFLite, манифеста состояний, словаря и материалов для проверки соответствия. Для интеграции приложение должно самостоятельно реализовать разбиение аудио на фрагменты, управление кэшами состояний и жадное RNN-T-декодирование. Поддерживаются варианты FP32, FP16 и частично квантованный INT8. Модель использует потоковую архитектуру RNN-T с FastConformer; заявленный размер базовой модели — 0,6B параметров. Исходная модель мультиязычная, однако для этой конверсии проверена только конфигурация en-US с prompt ID 0 и размером аудиофрагмента 560 мс. Поддержка других языков, автоматического определения языка и иных размеров фрагментов не подтверждена. В небольших тестах на Samsung S23 Ultra FP32 и FP16 показали WER 2,99% на 569 словах, а INT8 — 3,87%. Измеренный коэффициент реального времени составил 0,607 для FP32, 0,553 для FP16 и 0,416 для INT8 в основном тесте, то есть все варианты работали быстрее реального времени в этих условиях. INT8 уменьшает вычислительные затраты и объём памяти, но добавляет ошибки и не проходит исходную проверку точного совпадения токенов. Тесты ограничены чистой английской речью и не характеризуют работу в шуме, на разных акцентах, в других предметных областях, при длительной записи с микрофона или совместно с TTS/LLM. Распространение регулируется лицензией OpenMDW-1.1; при перераспределении необходимо сохранять лицензию и соответствующие уведомления об источнике. Это неофициальный релиз NVIDIA или Google, а его использование требует собственной реализации интеграционного слоя.

Aleteian/Neverending-Story-MN-12B — объединённая модель генерации текста на архитектуре Mistral, созданная с помощью mergekit. В качестве базовой модели использована Aleteian/base-ground-2; в объединение также вошли три модели, перечисленные в метаданных. Размер модели — 12,1 млрд параметров, формат весов — safetensors, библиотека — Transformers. Метаданные заявляют контекст до 1 024 000 токенов и возможность диалогового общения. Модель подходит для генерации продолжений текста и диалогов, в том числе на русском и английском языках: базовая SAINEMO-reMIX описана как русско-английская модель для диалогов, генерации и ролевого общения. Карточка не приводит результатов оценки качества или подробных рекомендаций по настройке, поэтому качество на конкретных задачах и практическую поддержку заявленной длины контекста следует проверять отдельно. Лицензия в доступных данных не указана.

OpenCrystal-15B-L3-v3 — разговорная модель Darkknight535 для генерации диалогов и творческих ответов. Она основана на Llama 3 Instruct, дообучена и объединена с базовой моделью. В репозитории указаны 14,5 млрд параметров, архитектура Llama с плотной causal language model, формат safetensors и контекст до 8192 токенов. Модель предназначена для многоходовых бесед, ролевых сценариев и создания связных ответов в стиле чат-ботов для персонажей. По карточке, она также может составлять краткие пересказы и промпты для изображений. Для работы описан шаблон инструкций Llama 3; рекомендуемые настройки генерации зависят от сценария. Лицензия в предоставленных данных не указана.

mpasila/PIPPA-Named-7B — разговорная текстовая модель, разработанная mpasila на основе Mistral 7B v0.2. Она дообучена на модифицированном наборе PIPPA в формате ShareGPT, включая именованные данные; исходный LoRA обучался один эпоху с контекстом 8 тысяч токенов, после чего был объединён в модель. В метаданных указаны 7,1 млрд параметров, архитектура Mistral с плотной сетью и контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоге и продолжения беседы в стиле обучающих примеров. Для обучения использовались Unsloth и TRL. Модель распространяется по лицензии Apache-2.0. Метаданные помечают её как не подходящую для любой аудитории; подробное описание ограничений или фильтрации контента в карточке отсутствует.

SAINEMO-reMIX — русско-английская диалоговая языковая модель на архитектуре Mistral с 12,1 млрд параметров. Её создал Moraliane, объединив с помощью mergekit и метода della_linear четыре предварительно обученные модели: IlyaGusev/saiga_nemo_12b, MarinaraSpaghetti/NemoMix-Unleashed-12B, Vikhrmodels/Vikhr-Nemo-12B-Instruct-R-21-09-24 и elinas/Chronos-Gold-12B-1.0. Модель предназначена для генерации текста, диалогов и ролевого общения на русском и английском языках. Для работы автор рекомендует пробовать стандартные пресеты SillyTavern, в том числе simple-1; в README также приведены рекомендации по настройкам сэмплирования. Модель принимает текст и генерирует текст. В метаданных заявлен контекст до 1 024 000 токенов; это значение не подтверждено README. Модель распространяется в формате safetensors и работает с библиотекой Transformers. Условия лицензии в доступных данных не приведены.

BuzzASR — Sorani Kurdish — это одноязычная модель распознавания речи на курдском языке сорани, разработанная как часть набора BuzzASR из 102 специализированных ASR-моделей. Она основана на openai/whisper-large-v3 и полностью дообучена с заменой токенизатора для языка и дополнительным мультитасковым обучением на текстовых данных. Модель содержит 907,3 млн параметров и принимает аудио, выдавая текстовую расшифровку. Модель предназначена для транскрибации речи на сорани. В тестах FLEURS и Common Voice 25 модель показала CER 9,68% и 3,58% соответственно; на объединённом тестовом наборе CER составил 7,43%, а WER — 26,43%. Модель лицензирована по MIT. Модель рассчитана только на сорани; качество может отличаться на других предметных областях и диалектах. Оценка проводилась на тестовых выборках FLEURS и Common Voice.

Vekol-STT Sorani — компактная модель распознавания речи от RevgeAI, дообученная на базе openai/whisper-tiny. Она преобразует аудио на центральнокурдском языке (сорани) в текст арабским письмом и рассчитана на автономную работу на CPU, в том числе на ноутбуках. Для запуска доступны ONNX Runtime и Transformers/PyTorch; модель содержит 29,4 млн параметров по метаданным и распространяется в форматах ONNX и safetensors. Модель обучена на Common Voice 25.0 для ckb и FLEURS для ckb_iq с нормализацией сорани. На тестовой выборке Common Voice 25 с разделением по говорящим указаны 35,0% WER и 9,85% CER без учёта пробелов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое использование בלבד.

Модель infinitejoy/wav2vec2-large-xls-r-300m-marathi-cv8 — версия wav2vec2-XLS-R-300M, дообученная разработчиком на наборе Mozilla Common Voice 8.0 для распознавания речи на маратхи. Она принимает аудио и преобразует речь в текст; архитектура реализована как Wav2Vec2ForCTC. В репозитории указано 402,7 млн параметров. Модель предназначена для автоматической транскрибации аудиозаписей на маратхи, например записей речи и голосовых сообщений. На оценочном наборе Common Voice 8.0 для маратхи указаны loss 0,6483 и WER 0,6049; последнее значение указывает на заметное число ошибок распознавания. Распространяется по лицензии Apache-2.0.

Amrrs/wav2vec2-large-xlsr-53-tamil — модель распознавания речи на тамильском языке, разработанная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice. Она принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. В README приведён тестовый результат 82,94%, но не уточнена метрика, поэтому это значение нельзя напрямую трактовать как точность распознавания. Модель подходит для транскрибации записей и голосового ввода на тамильском языке. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0.

krishnateja/wav2vec2-telugu — модель распознавания речи на базе архитектуры wav2vec2, дообученная разработчиком на facebook/wav2vec2-large-xlsr-53 с использованием датасета OpenSLR. Модель преобразует входящую речь на телугу в текст; в метаданных указано 402,7 млн параметров и формат PyTorch. В README приведены результаты оценки: loss 0,2982 и WER 0,2885. Модель подходит для транскрибирования записей и построения систем распознавания речи на телугу. Репозиторий распространяется по лицензии Apache-2.0. Описание не уточняет условия записи аудио и область применимости результатов оценки, поэтому качество на других данных по указанным метрикам определить нельзя.

Модель anuragshas/wav2vec2-xls-r-300m-hi-cv9-with-lm — дообученная Anurag Shas на базе facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на хинди. Она использует архитектуру Wav2Vec2ForCTC и обучена на наборе MOZILLA-FOUNDATION/COMMON_VOICE_9_0 - HI. В метаданных указано 402,7 млн параметров; модель принимает аудио и выдаёт распознанный текст. На оценочной выборке указаны WER 0,3349 и CER 0,1082. Модель ориентирована на распознавание речи на хинди; результаты на других языках и в иных акустических условиях не подтверждены. Распространяется по лицензии Apache-2.0.

Модель abdouaziiz/wav2vec2-xls-r-300m-wolof-lm разработана для распознавания речи на языке волоф. Это дообученная версия facebook/wav2vec2-xls-r-300m с языковой моделью, обученная на речевом корпусе ALFFA_PUBLIC. Архитектура — Wav2Vec2ForCTC; в репозитории указано около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст. Она предназначена для транскрибирования записей на волофе, в том числе речи из Сенегала и соседних стран. В карточке указаны 16,8 часа обучающих данных, разделённых на 10 000 аудиофайлов для обучения и 3 339 для тестирования; результат на наборе оценки — WER 0,212565. Модель распространяется по лицензии MIT. Автор отмечает возможности улучшения распознавания с помощью языковой модели, проверки орфографии и редактирования предложений.

Модель m-salman-a/wav2vec2-xlsr-53-common-voice-indonesian — система автоматического распознавания речи на базе wav2vec 2.0 XLSR-53, дообученная автором репозитория на индонезийской части Common Voice 8.0. Она преобразует аудио на индонезийском языке в текст и предназначена для распознавания речи в записях, подготовленных по правилам предобработки модели. Модель использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. В обучающих данных было около 32 тысяч аудиозаписей из разделов train, validation и other; аудио приводили к частоте 16 кГц, а текст нормализовали: удаляли символы, переводили цифры в словесную форму и приводили символы к нижнему регистру. В README сообщается средний показатель WER 15,6% по пяти запускам на тестовой части Common Voice 8.0. Это экспериментальная модель, созданная в рамках бакалаврской исследовательской работы. Для корректных результатов входное аудио следует привести к 16 кГц и учитывать применённую нормализацию транскриптов; качество на иных данных в карточке не описано. Лицензия в предоставленных данных не указана.

WAXAL-lug-ful-w2v-bert-2.0 — модель автоматического распознавания речи, созданная дообучением facebook/w2v-bert-2.0. Она принимает аудио и выдаёт текстовую расшифровку; архитектура Wav2Vec2-BERT с CTC-выходом содержит около 402,7 млн параметров. Модель предназначена для распознавания речи на языках Luganda и Fulfulde, однако README не описывает условия записи или конкретные сценарии применения. На оценочном наборе указаны Loss 0,4411 и CER 0,0793. Модель распространяется в формате Safetensors через Transformers по лицензии MIT. В карточке не приведены сведения о составе и источнике обучающих данных; название датасета в README не заполнено.

Это конверсия модели Wespeaker ResNet34-LM в формат GGUF/GGML для использования как экстрактора эмбеддингов говорящих в диаризаторе CrispASR. Модель принимает аудио, вычисляет 80-мерные Kaldi fbank-признаки и выдаёт 256-мерный вектор для сравнения голосов. В основе — ResNet34 с TSTP-пулингом и линейным слоем; число параметров после удаления обучающей головы составляет около 6,6 млн. Репозиторий содержит вариант F32 и рекомендуемый вариант с F32-свёртками и F16-линейным слоем. Модель предназначена для извлечения признаков голоса, распознавания и сопоставления говорящих, в том числе как компонент диаризации аудиозаписей. Проверка конверсии показывает близкое совпадение эмбеддингов с исходной реализацией PyTorch. Однако совпадение с эталоном не означает высокой точности диаризации: в приведённой оценке на VoxConverse DER составил 33,1%, а число говорящих было определено точно в 18 из 40 файлов; результат зависит и от сегментации речи. Лицензия — CC BY 4.0, как у исходной модели.

Whisper Hindi Small — модель распознавания речи, созданная дообучением openai/whisper-small на публичных корпусах аудиозаписей на хинди в рамках спринта по дообучению Whisper. Она предназначена для преобразования речи на хинди в текст и оценки качества распознавания на наборах данных ASR. Модель основана на архитектуре WhisperForConditionalGeneration и содержит около 153,1 млн параметров; доступны веса PyTorch и Flax. Для использования указаны инструменты whisper_jax и код оценки из репозитория whisper-finetune. Лицензия — Apache-2.0. Обучение проводилось на GramVaani ASR Corpus, ULCA ASR Corpus, Shrutilipi ASR Corpus и обучающей и валидационной частях Google Fleurs; для оценки использовались тестовые части GramVaani и Google Fleurs. Карточка не приводит результатов метрик, поэтому качество на других типах записей или вне хинди по ней оценить нельзя.

noirlab/whisper-large-v3-lingala-asr — дообученная модель распознавания речи на основе openai/whisper-large-v3, созданная для транскрибации аудио на языке лингала. Модель использует архитектуру Whisper и содержит около 905,2 млн параметров; она дообучена на наборе Google FLEURS. Модель принимает аудио и выдаёт текстовую транскрипцию. На тестовом наборе указаны Loss 0,4297 и WER 14,8266. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.