I.7Речь, диалоги и встречи

Whisper Medium TW — дообученная Jasper881108 модель распознавания речи на основе openai/whisper-medium. Она предназначена для преобразования аудио на тайваньском китайском языке в текст. Модель использует архитектуру Whisper и содержит 455,8 млн параметров. Для обучения и оценки использовался корпус Common Voice 11.0: обучающая и валидационная части — для обучения, тестовая — для оценки. Модель распространяется в формате PyTorch по лицензии Apache-2.0. В карточке не приведены результаты оценки качества, поэтому точность распознавания для конкретных условий записи не установлена.

Professor/whisper-small-afrispeech — модель автоматического распознавания речи, разработанная путём дообучения openai/whisper-small на наборе AfriSpeech-200. Она предназначена для транскрибирования англоязычной речи с африканскими акцентами в общих и клинических сценариях. Архитектура — Whisper с 244 млн параметров; модель принимает аудио и выдаёт текст. Обучающая выборка охватывает около 200 часов записей, 120 акцентов и 13 стран. На тестовой выборке модель показала WER 22,94% в целом, 16,23% для общей речи и 29,84% для клинической; результаты заметно различаются по акцентам. Модель лучше подходит для подготовки черновых транскрипций, которые затем проверяет человек. Медицинские термины требуют особой проверки, а аудио длиннее 30 секунд обрезается. Лицензия — CC BY-NC-SA 4.0, допускающая использование на указанных условиях с ограничением на коммерческое применение.

wcyat/whisper-small-yue — дообученная модель семейства Whisper для автоматического распознавания речи. Модель содержит 153,1 млн параметров и принимает аудио, выдавая распознанный текст. В README указана оценка WER 56,8538 на наборе для проверки; название обучающего набора обозначено как None. Подробности об обучающих данных и предполагаемых сценариях применения не приведены.

Whisper Telugu Base — модель распознавания речи на телугу, созданная участниками Whisper fine-tuning sprint путём дообучения openai/whisper-base на открытых корпусах ASR. Она предназначена для преобразования речи на телугу в текст и оценки качества распознавания на тестовых наборах индийских языков и многоязычных речевых корпусов. Модель основана на архитектуре WhisperForConditionalGeneration, содержит 51,7 млн параметров и принимает аудио, выдавая текст. В репозитории представлены веса PyTorch и Flax; для оценки авторы указывают код из whisper-finetune. Обучающие данные включают CSTD IIIT-H, ULCA, Shrutilipi, Microsoft Speech Corpus для индийских языков, Google Fleurs и Babel; для оценки перечислены тестовые наборы Microsoft, Fleurs, OpenSLR и Babel. Модель распространяется по лицензии Apache-2.0. Результаты могут зависеть от качества записи и соответствия аудио телугу; в карточке не приведены численные метрики качества.

cahya/whisper-tiny-id — модель распознавания речи на базе Whisper Tiny, дообученная на индонезийском языке разработчиком Cahya. Она преобразует входящее аудио в текст и предназначена для автоматической транскрипции речи. Модель содержит 29,4 млн параметров; в карточке указаны датасеты Common Voice 11.0, MagicData, TITML и Google FLEURS. Для оценки приведён WER 18,2837 и loss 0,2409. Модель рассчитана на индонезийскую речь. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не описывает дополнительные сценарии использования или ограничения.

EYEDOL/whisper-tiny-yoruba — модель автоматического распознавания речи на базе архитектуры Whisper, дообученная разработчиком EYEDOL на наборе данных naija-voices-yoruba-split_0-1. Модель содержит 29,4 млн параметров и принимает аудио, выдавая распознанный текст; карточка указывает Transformers и формат safetensors. Модель предназначена для транскрибирования речи на йоруба. В карточке приведены результаты оценки на тестовом наборе: WER 0,7006 и WER Ortho 0,7773. Лицензия — Apache-2.0.

Это конвертированная в формат CTranslate2 и квантованная до int8 модель Whisper Turbo Khmer v9 для распознавания речи на кхмерском языке. Исходную модель разработали авторы репозитория 1morecupofhottea/whisper-turbo-khmer-v9; этот репозиторий меняет формат весов для запуска на CPU. Модель преобразует аудио с кхмерской речью в текст. В README приведён результат CER 0,1645 на 150 фразах FLEURS для km_kh и медианное время обработки 5,62 секунды на фразу при четырёх потоках CPU; это собственная оценка платформы Vatana AI, а не независимый бенчмарк. Для декодирования README рекомендует использовать CTranslate2 напрямую и удалять управляющие токены по имени: сборка текста в faster-whisper может некорректно обрабатывать кхмерские токены. Указана лицензия MIT.

WideSeek-SFT-4B — языковая модель семейства Qwen3, дообученная командой WideSeek-R1 на наборе WideSeek-R1 SFT Data. Она предназначена для генерации текста в диалогах и работы с многоходовыми траекториями агентов для задач с широкой или глубокой структурой. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Модель подходит для экспериментальных агентных сценариев, где требуется вести диалог и последовательно обрабатывать этапы задачи. Она принимает и генерирует текст; карточка не сообщает о специализированной поддержке конкретных естественных языков. Распространяется по лицензии Apache-2.0.

Модель xlsr-1b-mizonal3-E5-lus-v2026.06 разработана Andrew Bawitlung и дообучена на базе facebook/wav2vec2-xls-r-1b для автоматического распознавания речи на языке Lus. Она использует архитектуру Wav2Vec2ForCTC и содержит 1,3 млрд параметров; при обучении применялась комбинация аугментаций: добавление фонового шума, изменение скорости речи и SpecAugment. Модель предназначена для преобразования аудиозаписей речи в текст. В README приведены результаты на оценочной выборке: WER 26,3669, CER 5,7509 и real-time factor 0,0038. Модель опубликована под лицензией Apache-2.0. В README указано, что подробности эксперимента и публикации находятся на рецензировании.

HarrisDePerceptron/xls-r-300m-ur — модель распознавания речи на основе архитектуры wav2vec2 с классификатором CTC. Она дообучена на датасете Mozilla Common Voice 8.0 для языка урду и принимает аудио, выдавая текстовую расшифровку. В репозитории указаны 402,7 млн параметров; веса доступны в формате PyTorch. Модель подходит для расшифровки записей речи на урду, в том числе материалов, похожих на записи Common Voice. В оценке на тестовой выборке датасета указаны WER 0,515 и CER 0,237, поэтому точность может быть ограниченной, особенно на шумных записях, других речевых доменах и вариантах произношения. Модель выпущена под лицензией Apache-2.0.

AlexandriaX-2026 — дообученная NAMAA Community модель mT5-large для перевода диалогов с английского на разговорный арабский. Целевой диалект задаётся текстовым префиксом; модель обучена на распределении по странам с температурной балансировкой и охватывает 13 разновидностей арабского языка. Модель основана на google/mt5-large с архитектурой encoder-decoder T5 и содержит 608,4 млн параметров. Подходит для перевода англоязычных диалогов на заданный арабский диалект. Выпущена в формате safetensors под лицензией Apache-2.0. В README указано использовать bf16 или fp32: fp16 может приводить к переполнению и NaN.

PTTREP/asynchow-minutes-graph — дообученная PTTREP модель на архитектуре Qwen2, созданная на базе Qwen/Qwen2.5-1.5B-Instruct. Она предназначена для генерации текста и диалоговых ответов; модель обучалась на наборе asynchow_graph_code_minutes. В карточке приведено значение loss 0,1931 на оценочном наборе, но подробности оценки не раскрыты. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2ForCausalLM и формат safetensors. Максимальная длина контекста — 32 768 токенов. README не описывает целевые сценарии, языки или ограничения. Указана лицензия other, поэтому условия использования следует сверить с лицензией репозитория и базовой модели.

ChatGPT-2.V2 — разговорная языковая модель, созданная дообучением MBZUAI/LaMini-GPT-774M. Она основана на плотной архитектуре GPT-2 и предназначена для генерации ответов в чат-ботах и многоходовых диалогах. Модель обучалась на публичных разговорных и отобранных для интерактивного общения наборах данных; заявленная длина контекста — до 1024 токенов. Модель рассчитана на текстовый ввод и генерацию текста. Карточка описывает её как универсальную для обычных диалогов, но предупреждает о возможных ошибках в узкоспециализированных темах и потере контекста в длинных разговорах. Указано, что модель не проходила дополнительное выравнивание предпочтений, например DPO, поэтому её ответы не гарантируют соответствия человеческим предпочтениям или этическим нормам. Лицензия — Apache-2.0.

ConvTasNet_Libri3Mix_sepclean_16k — модель разделения речи, обученная Joris Cosentino с помощью рецепта LibriMix в Asteroid на задаче sep_clean датасета Libri3Mix. Она принимает аудиозапись с несколькими говорящими и предназначена для разделения их голосов на отдельные аудиосигналы. В тесте Libri3Mix min модель показала SI-SDR 8,93 дБ и STOI 0,848. Модель относится к семейству ConvTasNet и опубликована в формате PyTorch. Лицензия репозитория указана как CC BY-SA 4.0; в README работа обозначена как производная от корпуса LibriSpeech и лицензирована CC BY-SA 3.0. При использовании следует учитывать условия лицензирования исходных материалов и модели. Результаты приведены для Libri3Mix, поэтому качество на других наборах данных или в реальных акустических условиях может отличаться.

Khalsuu/filipino-wav2vec2-l-xls-r-300m-official — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на наборе данных filipino_voice. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель предназначена для преобразования аудиозаписей на филиппинском языке в текст. В карточке приведены результаты оценки на тестовой выборке: loss 0,4672 и WER 0,2922. Указана лицензия Apache-2.0. Описание не содержит сведений о дополнительных сценариях использования или других языках.

junnei/gemma-3-4b-it-speech — мультимодальная модель, разработанная junnei на основе google/gemma-3-4b-it с речевым адаптером. Она предназначена прежде всего для распознавания речи и перевода речи в текст на английском и корейском языках; также карточка описывает перевод речи с английского на корейский. Модель принимает текст, изображения и аудио, а выдаёт текст. Архитектура относится к Gemma 3 MM, размер базовой модели — 4 млрд параметров, контекст — до 128 тыс. токенов. В метаданных указан формат safetensors и библиотека Transformers. В карточке приведены результаты на Covost2, Fleurs, LibriSpeech и Zeroth, но модель обозначена автором как экспериментальный proof of concept. Лучше всего она рассчитана на короткие аудиозаписи: автор отмечает, что распознавание файлов длиннее 30 секунд может быть заметно менее точным. Лицензия — Gemma; использование регулируется условиями Google Gemma.

Gukbap-Gemma2-9B — разговорная языковая модель HumanF-MarkrAI для генерации ответов на корейском языке. Она основана на google/gemma-2-9b-it и дообучена методом supervised fine-tuning на собственном наборе из 1 849 обучающих и 200 валидационных примеров, сформированных с помощью открытых моделей. Архитектура — плотная Gemma 2 с 9 млрд параметров; модель использует контекст до 8 192 токенов и распространяется в формате safetensors. Модель предназначена для диалога и общих текстовых задач на корейском: ответов на вопросы, рассуждений, математики, письма, программирования и понимания текста. Авторы сообщают о внутренней оценке LogicKor с результатом 8,77 для режима zero-shot; это заявление основано на собственной оценке и не гарантирует аналогичных результатов в других тестах или приложениях. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Ice0.16-02.10-RP — объединённая разговорная языковая модель, опубликованная пользователем icefog72 на Hugging Face. Она предназначена для генерации текста в диалоге и ролевых сценариях. Модель основана на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель создана слиянием предварительно обученных языковых моделей методом SLERP с помощью mergekit; среди исходных моделей README указывает Ice0.15-02.10-RP и вариант Ice0.15-02.10-RP-02.10-DPO. В репозитории опубликованы веса Safetensors для Transformers. Карточка содержит результаты Open LLM Leaderboard, но не описывает конкретные языки или гарантии качества. Тег NSFW и отметка «не для всех аудиторий» указывают на возможность контента для взрослых. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Ice0.50-16.01-RP — разговорная языковая модель на архитектуре Mistral, созданная слиянием предварительно обученных моделей методом SLERP с помощью mergekit. В карточке указано, что в слиянии участвовала модель IceDrunkenCherryRP-7b-orpo-merged; её исходный идентификатор на Hugging Face не приведён. Модель содержит 7,1 млрд параметров, использует формат safetensors и имеет контекстное окно 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате. Суффикс RP в названии указывает на возможный сценарий ролевого общения, однако README не описывает его отдельно и не приводит результаты оценки качества. Лицензия в предоставленных данных не указана.

kromvault/L3.1-Siithamo-v0.2-8B — разговорная модель на базе архитектуры Llama 3.1, созданная автором репозитория слиянием нескольких моделей семейства Llama 3 и Llama 3.1. В состав вошли Lyraea, Stheno, Niitama, Tamamo, ArliAI Formax и Gradient Llama 3 Instruct. Модель содержит 7,5 млрд параметров, предназначена для генерации текста и диалогов; заявленная длина контекста — 131 072 токена. Модель рассчитана на творческое письмо, связные развернутые ответы и выполнение инструкций. Автор отмечает разговорчивый стиль, склонность к образной и драматичной прозе и хорошее следование инструкциям. Рекомендуются шаблон L3 и настройки с высокой температурой; при базовых настройках повторения могут возникать примерно после 8 тысяч токенов, а применение DRY помогает с длинными контекстами до 32 тысяч токенов. Опубликованные файлы представлены в формате safetensors; автор также упоминает GGUF-квантизации. Лицензия в предоставленных данных не указана.

LFM2-1.2B-GGUF — квантизированное представление модели LFM2-1.2B, разработанной Liquid AI и опубликованной Unsloth в формате GGUF. Это гибридная генеративная языковая модель для работы на периферийных устройствах и локального развёртывания на CPU, GPU и NPU, включая смартфоны, ноутбуки и автомобили. Модель содержит около 1,17 млрд параметров, 16 слоёв, из которых 10 используют свёртки, а 6 — attention, и поддерживает контекст до 32 768 токенов. Архитектура Liquid включает мультипликативные гейты и короткие свёртки. Модель предназначена для агентских сценариев, извлечения данных, RAG, творческого письма и многошаговых диалогов. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. К сильным сторонам относятся скорость обучения и инференса, эффективность по памяти и возможность запуска на разнообразном оборудовании; заявлены преимущество над моделями сопоставимого размера в ряде задач и ускоренный CPU-декодинг. Из-за небольшого размера модель рекомендуется дообучать под узкие сценарии. Она не рекомендована для ресурсоёмких задач, требующих глубоких знаний или программирования. Лицензия — LFM Open License v1.0; для llama.cpp в README указано использовать исправленный шаблон чата с параметром --jinja.

unsloth/LFM2-350M-GGUF — GGUF-квантизированная версия модели LFM2-350M, разработанной Liquid AI и подготовленной Unsloth. Это компактная гибридная языковая модель для генерации текста и локального развертывания на периферийных устройствах: смартфонах, ноутбуках и автомобилях. Она рассчитана на работу на CPU, GPU и NPU, а также на сценарии с ограниченными ресурсами. Модель содержит около 354,5 млн параметров, 16 слоёв, включая 10 сверточных и 6 attention-слоёв, поддерживает контекст до 32 768 токенов и словарь из 65 536 токенов. Архитектура использует multiplicative gates и короткие свёртки. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Модель предназначена для agentic-задач, извлечения данных, RAG, творческого письма и многошаговых диалогов; для узких прикладных сценариев рекомендуется дообучение. К сильным сторонам относятся высокая скорость обучения и инференса, эффективность по памяти и гибкость аппаратного развертывания. Ограничения связаны с небольшим размером: модель не рекомендуется для задач, требующих обширных знаний или программирования. Для llama.cpp в README указано использовать chat template через параметр --jinja. Лицензия — LFM Open License v1.0.

Llama3-70B-Chinese-Chat-ExPO — экспериментальная чат-модель на архитектуре Llama 3, опубликованная chujiezheng. Она создана экстраполяцией ExPO с коэффициентом α=0,3 между контрольными точками SFT и DPO/RLHF; в README базами названы shenzhi-wang/Llama3-70B-Chinese-Chat и meta-llama/Meta-Llama-3-70B-Instruct. Модель содержит 69,5 млрд параметров, использует формат safetensors и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации ответов в диалоге на китайском и английском языках с выравниванием по человеческим предпочтениям. В README приведены результаты оценок ExPO на AlpacaEval 2.0 и MT-Bench для нескольких других моделей, однако это не отдельная оценка именно данного 70B чекпойнта. Автор предупреждает, что китайские способности не были всесторонне проверены и при применении экстраполяции к DPO/RLHF-выравниванию для новых языков могут возникать непредвиденные проблемы. Лицензия указана как llama3; перед использованием следует соблюдать условия лицензии Llama 3.

Llama3-Chinese — чат-модель, дообученная разработчиком на базе Meta-Llama-3-8B с применением DoRA и LoRA+. По карточке, обучение включало 500 тысяч китайских и 100 тысяч английских примеров многоходового SFT, а также 2 тысячи одноходовых примеров для самоописания. В репозитории представлена объединённая модель; метаданные указывают архитектуру LlamaForCausalLM, около 7,5 млрд параметров, контекст 8192 токена и формат safetensors. Модель предназначена для диалоговой генерации текста на китайском и английском языках. Её можно использовать для чат-ботов, ответов на вопросы и ведения многоходового диалога. Лицензия в предоставленных данных не указана.

Карточка модели Frowning/Mag-Mell-R1-21B на Hugging Face совпадает с карточкой subspecs/Mag-Mell-R1-21B, поэтому описание составлено по ней. subspecs/Mag-Mell-R1-21B — слитая модель генерации текста, созданная методом passthrough с помощью mergekit на основе inflatebot/MN-12B-Mag-Mell-R1. Она предназначена для диалогов и генерации текста; базовая модель описана как подходящая для ролевых сценариев и художественного письма. Модель использует плотную архитектуру MistralForCausalLM, содержит 20,7 млрд параметров и рассчитана на контекст до 1 024 000 токенов. Репозиторий содержит веса Safetensors и поддерживает Transformers. Карточка не сообщает о специальных ограничениях или условиях лицензии, поэтому установить их по доступным данным нельзя. Языки также не установлены по карточке; базовая модель описана как диалоговая, но это не указывает конкретные языки.

mergekit-community/mergekit-passthrough-dmirwnd — слитая языковая модель семейства Llama, созданная с помощью mergekit методом passthrough из hfl/llama-3-chinese-8b-instruct-v2, NousResearch/Hermes-2-Pro-Llama-3-8B и shenzhi-wang/Llama3-8B-Chinese-Chat. Репозиторий содержит веса в формате safetensors; модель рассчитана на генерацию текста и диалоговое взаимодействие. Модель объединяет возможности китайских диалоговых моделей Llama 3 и Hermes 2 Pro. Метаданные указывают размер 12,5 млрд параметров и контекстное окно 8192 токена. Карточка не сообщает результаты оценки качества или подробности лицензии, поэтому эти характеристики здесь не уточняются.

MN-12B-Starcannon-v2 — объединённая разговорная языковая модель от nothingiisreal на архитектуре Mistral с 12,1 млрд параметров. Она создана методом TIES с помощью mergekit на основе nothingiisreal/MN-12B-Celeste-V1.9 и intervitens/mini-magnum-12b-v1.1. Модель предназначена для генерации текста и диалогов, в том числе более творческих и подробных ответов. Карточка характеризует её как более творческую и многословную по сравнению с mini-magnum; метаданные указывают поддержку чата. Для хранения указаны safetensors, а в карточке также упомянуты варианты Dynamic FP8, GGUF и EXL2. Заявленная длина контекста — 1 024 000 токенов. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества; её заявления о стиле ответов субъективны.

MN-Chinofun-12B-2 — объединённая языковая модель от автора djuna, созданная методом Model Stock с помощью mergekit на базе ArliAI/Mistral-Nemo-12B-ArliAI-RPMax-v1.2 и с включением ещё пяти моделей Mistral Nemo. Это плотная причинно-языковая архитектура Mistral, содержащая 12,1 млрд параметров; веса опубликованы в формате safetensors, модель рассчитана на генерацию текста и диалоговое взаимодействие. В метаданных указан контекст до 1 024 000 токенов. Модель подходит для генерации ответов в чате, творческого письма и ролевых диалогов. README приводит результаты Open LLM Leaderboard, включая IFEval и BBH, но не описывает специализированные отраслевые задачи. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя.

NekoMix-12B — слитая с помощью mergekit языковая модель Moraliane на архитектуре Mistral с 12,1 млрд параметров. В основе объединения лежит IlyaGusev/saiga_nemo_12b; также использованы NemoMix-Unleashed-12B, Rocinante-12B-v1.1 и Vikhr-Nemo-12B-Instruct-R-21-09-24. Веса представлены в формате safetensors. Модель предназначена для генерации текста и диалогового ролевого общения на русском и английском языках. Автор рекомендует начинать с простого стандартного пресета с температурой 0,7–1,25 и отмечает Mistral V3-Tekken как возможный шаблон контекста и инструкций. Результаты зависят от выбранного шаблона и параметров генерации. Лицензия и ограничения на использование в карточке не описаны.

Ogaal ASR — модель автоматического распознавания речи от Ogaal Labs, созданная дообучением Whisper large-v3. Она преобразует сомалийскую речь в текст и предназначена для транскрибации записей и интеграции в локальные приложения для сомалийского языка. Модель построена на архитектуре WhisperForConditionalGeneration; веса опубликованы в формате safetensors. Для обучения использовано около 72,1 часа сомалийской речи, включая записи дикторов с разными акцентами и стилями речи. На тестовой выборке указаны WER 0,2278 и CER 0,1186. Модель ориентирована на сомалийский язык, а английский не входил в цель обучения. Качество может снижаться на тематиках, акцентах и условиях записи, отличающихся от использованных при оценке. В метаданных лицензия обозначена как other, поэтому конкретные условия использования следует сверить с карточкой репозитория.