I.7Речь, диалоги и встречи

Модель разработана автором репозитория h-gajdov как полное дообучение Moonshine Tiny для преобразования македонской речи в текст. Это плотная encoder-decoder-модель семейства Moonshine с 27,1 млн параметров, принимающая аудио как необработанную форму волны; по описанию автора, вычислительные затраты зависят от длительности аудио, что подходит для распознавания на устройстве. Для обучения использовано около 2,99 млн аудиофрагментов длительностью до 30 секунд из македонских речевых корпусов; диалектные репозитории и отложенный тестовый набор исключены. На отложенном тесте из 44 записей автор сообщает WER 11,62 и CER 4,21; лучший WER во время обучения составил 11,33. Результаты относятся к указанному небольшому тестовому набору, поэтому не гарантируют такое же качество на других источниках речи и диалектах. Модель предназначена для автоматического распознавания македонской речи; лимит декодирования связан с 194 позициями контекста. Лицензия в предоставленных данных не указана.

Gemma4-31b-Gembrain-Equinox — сообщественный merge-чекпойнт на основе Google Gemma 4 31B IT, созданный jaxxks, twisted и toasty. Модель объединяет варианты Gembrain и Equinox с исходной instruct-моделью: TIES-слияние дельт дополнено маской важности Fisher и послойным ослаблением параметров, чтобы сохранить следование инструкциям. В репозитории также есть изменённый шаблон чата, который при включённом режиме thinking начинает ответ в канале рассуждений. Модель предназначена для диалогов и творческого письма: Gembrain усиливает внимание к указаниям пользователя, а Equinox добавляет нейтральную, реалистичную стилистику. Она принимает текст и изображения и выдаёт текст; архитектура — плотная Gemma 4 с vision-возможностями. README не сообщает точную длину контекста. Репозиторий содержит safetensors; отдельно упомянута зеркальная GGUF-квантизация Q4_K_M. В первоначальном тесте зафиксировано снижение результата IFEval-strict примерно на 19,78 процентного пункта относительно Gemma 4 31B IT; авторы связывают большую часть регрессии с отсутствовавшим шаблоном чата в GGUF и ожидают повторной оценки. Для производных вариантов нужно проверять условия лицензирования исходных моделей; метаданные указывают лицензию Gemma.

Diluner дообучил Qwen3-4B методом supervised fine-tuning на данных, подготовленных с учителем gpt-5.4-mini. Это самостоятельный финальный чекпойнт этапа textcraft: пять эпох и 55 обновлений оптимизатора; модель основана на Qwen3 с плотной архитектурой и содержит 3,7 млрд параметров. Репозиторий включает веса в формате safetensors и файлы конфигурации и токенизатора; модель запускается через Transformers и поддерживает контекст до 40 960 токенов. Модель предназначена для генерации текста в диалогах и выполнения задач среды TextCraft. В описанной оценке средний успех составил 79,5% по четырём попыткам на задачу при генерации до 512 токенов за ход. Результат относится к одному чекпойнту и сам по себе не доказывает преимущество метода или воспроизводимость на других запусках. README не заявляет лицензию; следует учитывать условия базовой модели и применимые условия использования.

amd/gpt-oss-20B_eager_rai_1.8.0_npu_16K — конвертированная и квантованная версия gpt-oss-20B_eager от AMD для запуска на NPU в системах Ryzen AI. Модель предназначена для диалоговой генерации текста; сборка использует ONNX и обработку Token Fusion для контекста до 16K токенов. Веса квантованы методом AWQ: группы по 128 параметров, асимметричное представление UINT4; для активаций применяется BFP16. README направляет к документации Ryzen AI для запуска. Репозиторий лицензирован по Apache 2.0. Оценочные результаты для этой версии не приведены, поэтому её качество на конкретных задачах по карточке оценить нельзя.

L3-8B-Wingless-Moon-Maiden — слитая диалоговая модель, созданная автором gggrandma1990 с помощью mergekit и метода DELLA на основе SicariusSicariiStuff/Wingless_Imp_8B с добавлением NeverSleep/Lumimaid-v0.2-8B и Sao10K/L3-8B-Lunaris-v1. Модель построена на архитектуре Llama 3 с плотной причинно-языковой сетью LlamaForCausalLM, содержит 7,5 млрд параметров и использует формат safetensors. Модель предназначена для генерации текста в диалоге и ролевых сценариях. Указанный нативный контекст составляет 131 072 токена, а шаблон чата основан на Llama 3. Карточка помечает модель как не подходящую для всех аудиторий. Лицензия в предоставленных данных не указана.

MuXodious/LFM2-8B-A1B-absolute-heresy-MPOA — экспериментальное дообучение LFM2-8B-A1B, созданное автором MuXodious с помощью abliteration-движка Heretic и метода Magnitude-Preserving Orthogonal Ablation. Это разговорная гибридная MoE-модель для генерации текста: в основе архитектуры LFM2 сочетаются короткие свёрточные блоки и слои внимания. В README указаны 8,3 млрд общих параметров и 1,5 млрд активных параметров; метаданные репозитория указывают 1,4 млрд параметров. Контекст — до 128 000 токенов. Модель предназначена для диалогов, следования инструкциям и сценариев, где требуется ослабить отказы: в тесте автора число отказов снизилось с 91 до 8 из 100 при KL-дивергенции 0,0213. Это тестовые показатели процесса abliteration, а не гарантия качества в других задачах. Базовая LFM2 ориентирована на локальное выполнение, извлечение данных, RAG, творческое письмо и агентные задачи; её README не рекомендует полагаться на неё для задач с высокими требованиями к знаниям или программированию. Карточка указывает поддержку английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков, а также необходимость Transformers версии 5.0.0 или выше для взаимодействия. Лицензия обозначена как other, поэтому условия использования следует уточнять в репозитории.

Модель gspeter0/llama-3.2-3b-asr-refiner-merged — дообученная авторами gspeter0 версия Llama 3.2 3B Instruct для генерации текста. По названию она предназначена для уточнения результатов автоматического распознавания речи, однако README не описывает этот сценарий и не приводит специальных оценок качества. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 3,2 млрд параметров и поддерживает контекст до 131 072 токенов. В карточке указаны английский язык, чат-возможности и интерфейс вызова инструментов; веса опубликованы в формате safetensors. Обучение проводилось с Unsloth и библиотекой Hugging Face TRL. Лицензия — Apache-2.0.

SzilviaB/Magnum_Dark_Madness_12b — разговорная языковая модель на архитектуре Mistral, созданная слиянием весов методом TIES через mergekit. В качестве основы использована anthracite-org/magnum-v4-12b, а в слияние также вошли модели DavidAU/MN-GRAND-Gutenberg-Lyra4-Lyra-12B-DARKNESS и DavidAU/MN-GRAND-Gutenberg-Lyra4-Lyra-12B-MADNESS. Размер модели — 12,1 млрд параметров; веса представлены в формате safetensors и типе float16. Модель предназначена для генерации диалоговых ответов и прозы, а также может использоваться в чат-сценариях. Заявленная длина контекста составляет 1 024 000 токенов. Карточка не описывает отдельные языки, дополнительные домены или известные ограничения. Лицензия в предоставленных данных не указана.

matricide-12B-Unslop-Unleashed-v2 — объединённая redrix модель для генерации текста и диалогов, созданная с помощью mergekit методом NuSLERP на основе MarinaraSpaghetti/NemoMix-Unleashed-12B и TheDrummer/UnslopNemo-12B-v4. Это плотная причинная языковая модель семейства Mistral с 12,1 млрд параметров; для общения используется шаблон ChatML. Модель ориентирована на ролевые диалоги, творческое письмо и ответы в разговорном формате. Автор описывает её как раннюю тестовую сборку: первые проверки показали стабильность и приемлемые ответы, но поведение на длинном контексте не оценено. Хотя в метаданных указан контекст до 1 024 000 токенов, README рекомендует ограничивать его примерно 20 000 токенами, поскольку связность может ухудшаться. Для повторного использования доступна отдельная GGUF-квантизация. Модель распространяется по лицензии Apache-2.0.

Карточка модели MergekitCloud/mergekit-74 на Hugging Face совпадает с карточкой MergekitCloud/mergekit-73, поэтому описание составлено по ней. MergekitCloud/mergekit-73 — объединённая языковая модель на основе Llama 3.1, созданная с помощью mergekit методом Model Stock. В слияние вошли четыре модели для диалогов и ролевого общения; базовой указана vicgalle/Humanish-Roleplay-Llama-3.1-8B. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и предназначена для генерации текста в формате диалога. Заявленная длина контекста — 131 072 токена. Модель подходит для ведения диалогов и ролевых сценариев, в том числе с более свободными ответами. README не приводит результаты оценки качества или подробностей о поддерживаемых языках. В репозитории указаны веса safetensors; библиотека для работы — Transformers. Условия лицензирования в предоставленных данных не описаны.

Miacaroni-7B-Indonesia — слитая модель на базе Mistral, созданная автором репозитория с помощью LazyMergekit из SanjiWatsuki/Loyal-Macaroni-Maid-7B и indischepartij/OpenMia-Indo-Mistral-7b-v4. Веса объединены методом slerp; модель содержит 7,1 млрд параметров и принимает текст для генерации продолжений и ответов. Модель рассчитана на текстовые диалоги, включая общение на индонезийском языке; базовые модели также предназначены для ролевых диалогов с персонажами. Контекст составляет до 8192 токенов. В репозитории указаны веса в формате safetensors с типом bfloat16. Лицензия в предоставленных данных не указана.

JANGQ-AI/MiniMax-M3-Medium-JANG_2L — это упакованная Jinho Jang версия MiniMax-M3 для запуска на компьютерах Apple Silicon через vMLX и MLX. В основе лежит архитектура MiniMax-M3 с MoE, GQA-4, MSA Lightning Indexer и модулем обработки изображений. Набор весит около 105 ГБ и рассчитан на запуск на Mac с 128 ГБ памяти. В модели удалено 32% маршрутизируемых экспертов: в каждом MoE-слое сохранено 87 из 128. Затем применена смешанная квантовка JANG_2L с размером группы 64: отдельные проекции экспертов квантованы до 2 или 3 бит, общие эксперты — до 6 бит. Модель предназначена для генерации текста и диалогов; базовая архитектура также содержит vision tower, однако README не описывает конкретные сценарии обработки изображений. Для запуска требуется vMLX версии 1.5.62 или новее: в более ранних версиях возможны циклы повторов при длинной генерации из-за ошибки кэша движка. Указана лицензия MiniMax-M3; подробные условия в предоставленной карточке не раскрыты.

nbeerbower выпустил mistral-nemo-gutenberg3-12B — диалоговую модель для генерации текста и ролевого общения. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM и 12,1 млрд параметров. Модель дообучена методом ORPO на датасетах jondurbin/gutenberg-dpo-v0.1, nbeerbower/gutenberg2-dpo и nbeerbower/gutenberg-moderne-dpo. Для обучения применялась QLoRA с 4-битной NF4-квантизацией адаптера; файлы модели опубликованы в формате safetensors. Метаданные указывают контекст до 1 024 000 токенов. Лицензия — Apache-2.0.

Monstral 123B — чат-модель, созданная MarsupialAI слиянием методом SLERP моделей Behemoth-123B-v1 и Magnum-v4-123b. Она предназначена для диалогов и ролевых сценариев; автор описывает её как сочетание стиля Behemoth и некоторых особенностей Claude с меньшей склонностью к NSFW-ответам, чем у Magnum V4. Модель имеет плотную архитектуру Mistral, около 122,2 млрд параметров и контекстное окно до 131 072 токенов. README предлагает форматы промптов Mistral и Metharme; метаданные также отмечают интерфейс вызова инструментов. Модель заявлена как uncensored и предназначена автором для развлечения. Она может генерировать нежелательный контент и в некоторых ролевых сценариях проявлять токсичное или агрессивное поведение; фактические утверждения требуют проверки. Репозиторий содержит веса Safetensors. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует проверять в карточке модели и связанных файлах.

NeonMaid-12B — объединённая языковая модель на 12,1 млрд параметров, созданная yamatazen методом Model Stock с помощью mergekit на основе yamatazen/Orihime-12B и с весами yamatazen/ForgottenMaid-12B, Delta-Vector/Francois-PE-V2-Huali-12B и Delta-Vector/Ohashi-NeMo-12B. Она использует плотную архитектуру MistralForCausalLM и предназначена для генерации текста и диалогового общения; базовая модель Ohashi-NeMo-12B описана как модель для коротких ролевых диалогов и написания прозы. Модель поддерживает английский и японский языки, работает с контекстом до 131 072 токенов и распространяется в формате safetensors для Transformers. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Aleteian/PersonalitySaiga — языковая модель для генерации текста и диалогов, созданная слиянием нескольких предварительно обученных моделей с помощью mergekit и метода TIES. В качестве базовой использована win10/Mistral-Nemo-abliterated-Nemo-Pro-v2; в слияние также вошли PocketDoc/Dans-PersonalityEngine-V1.1.0-12b, Sao10K/MN-BackyardAI-Party-12B-v1 и IlyaGusev/saiga_nemo_12b. Модель построена на плотной архитектуре MistralForCausalLM и содержит 12,1 млрд параметров. Она предназначена для генерации текста и разговорных сценариев, включая ролевое взаимодействие и продолжение диалога. В метаданных указано окно контекста до 1 024 000 токенов; доступны веса в формате safetensors и поддержка через Transformers. Основной язык модели — английский, согласно описанию базовой модели. Модель унаследовала особенности объединённых чекпойнтов, поэтому фактическое качество и поведение могут различаться в зависимости от запроса. Лицензия в предоставленных данных не указана.

petal-w1 — модель Aayush9029 для очистки и сокращения сырых диктовок перед отправкой в сообщениях. Это полное дообучение Qwen3.5-2B, выпущенное в 8-битном формате Safetensors и рассчитанное на локальный запуск через MLX на компьютерах Apple silicon; модель используется в приложении диктовки Petal для macOS. Она убирает повторы и лишние фразы, разрешает явные самоисправления, оформляет списки и письма, сохраняя смысл, факты, имена, числа, сомнения, вопросы и авторский тон. Модель не отвечает на содержание диктовки. Обучение проведено на 7 120 парах диктовка—очищенный текст. В описанных проверках модель сокращала длинные диктовки примерно до половины исходного объёма, но иногда теряла небольшие детали, особенно приветствия и контекстные фразы. Она рассчитана только на английский язык и исправляет ошибки распознавания речи, лишь когда нужное слово однозначно следует из контекста; ей неизвестны личные имена и термины проектов. Для транскриптов длиннее примерно 600 слов автор рекомендует разделение по концам предложений. Лицензия — Apache-2.0.

Rainbow 69 7B — объединённая языковая модель на архитектуре Mistral, опубликованная jeiku. Она создана методом слияния нескольких моделей и LoRA, включая Theory of Mind, Gnosis Reformatted и модель для ролевого взаимодействия; в метаданных также указана связь с Mistral-7B-small_pippa_limaRP-v3-lora. Модель содержит 7,1 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста, в том числе диалогов и ролевых сценариев. В README описано слияние через mergekit: сначала создана technicolor с помощью SLERP, затем она объединена с другими моделями методом task arithmetic. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

RsGoksel/RsGoksel_ITU_Mainframe-balanced — дообученная модель для автоматического распознавания турецкой речи, созданная на базе OpenAI Whisper large-v3-turbo с помощью LoRA; адаптер объединён с базовой моделью. Модель предназначена для транскрибации аудио на турецком языке в разных предметных областях, с балансом распознавания чистой речи и устойчивости к сложным условиям, включая медицинскую речь. Модель использует архитектуру Whisper и доступна в формате safetensors для Transformers. В README приведён пример распознавания аудиофайла с указанием турецкого языка и режима транскрибации. Для ускоренного вывода автор указывает отдельную версию в формате CTranslate2. Лицензия — MIT. Метрика оценки — WER после нормализации турецкого текста; конкретные численные результаты в карточке не приведены.

BaseLayer разработала rus_uzb_eng_stt — дообученную модель распознавания речи на архитектуре Whisper для преобразования аудио в текст. Она рассчитана на узбекскую, русскую и английскую речь, включая переключение между языками в одной фразе, и дополнительно обучена распознавать тихую речь, например шёпот или голос, записанный на расстоянии. Обучение проводилось на небольшом наборе узбекских аудиозаписей, связанных с законодательством, официальными документами и обращениями граждан. Для расширения данных меняли громкость записей. В описанной оценке наилучший результат составил WER 8,82%; метаданные указывают архитектуру Whisper и формат safetensors. Модель распространяется по лицензии MIT, допускающей коммерческое использование. Качество для русского и английского языков может быть ниже, поскольку специального дообучения на этих языках не проводилось. Данные ограничены узбекской официальной тематикой и небольшим числом исходных аудиозаписей; распознавание разговорной, технической, диалектной речи и тихого аудио в реальном шуме может быть менее надёжным.

SnowElf-12B — слитая языковая модель на архитектуре Mistral для генерации диалогового текста. Её создал пользователь yamatazen с помощью mergekit: веса HMS-Slerp-12B-v2 объединены методом TIES с MN-12B-Mag-Mell-R1, mistral-nemo-gutenberg-12B-v4 и Dans-PersonalityEngine-V1.1.0-12b. Модель содержит 12,1 млрд параметров, работает с форматом safetensors и имеет нативное контекстное окно 131 072 токена. Модель предназначена для диалогов, ролевых сценариев и художественного письма на английском и японском языках. В метаданных также указана возможность интерфейса вызова инструментов. README задаёт токенизатор из объединения токенизаторов исходных моделей. Сведения о лицензии в предоставленных данных отсутствуют. Качество и поведение модели могут зависеть от сочетания слитых компонентов; отдельные ограничения или результаты оценки не описаны.

SOVL — разговорная языковая модель ResplendentAI на архитектуре Llama 3, предназначенная для генерации текста в диалогах. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. В метаданных указано, что она создана слиянием моделей jeiku/Average_Test_v1 и ResplendentAI/RP_Format_QuoteAsterisk_Llama3; последняя также указана как дообученная модель в тегах карточки. Модель распространяется в формате Safetensors под лицензией Apache-2.0. Карточка не описывает специальные навыки, оценку качества или дополнительные ограничения; по имеющимся данным её можно использовать для обычных текстовых диалогов на английском языке.

inflatebot/thorn-0.45 — слитая методом SLERP модель семейства Mistral с плотной архитектурой MistralForCausalLM и 12,1 млрд параметров. Это одна из моделей серии MN-12B-Guns and Roses, созданная на основе anthracite-org/magnum-12b-v2 и Fizzarolli/MN-12b-Rosier-v1 с помощью mergekit; веса представлены в формате safetensors и типе bfloat16. Модель предназначена для генерации текста в диалоговом формате. Краткое описание базовой модели указывает на генерацию историй по заголовку и тегам, включая откровенный контент; эта специализация относится к базовой модели и не подтверждена отдельно в карточке данного слияния. Метаданные указывают контекстное окно до 1 024 000 токенов. Лицензия в предоставленных данных не указана.

thorn-0.5 — объединённая авторегрессионная языковая модель, созданная с помощью mergekit методом SLERP из anthracite-org/magnum-12b-v2 и Fizzarolli/MN-12b-Rosier-v1. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM, примерно 12,1 млрд параметров; репозиторий содержит веса в формате safetensors, а для работы используется библиотека Transformers. Модель предназначена для генерации текста в диалоговом формате. Карточка описывает её как часть серии MN-12B-Guns and Roses, но не приводит подробных результатов оценки или точного описания сценариев. Каталог указывает окно контекста до 1 024 000 токенов. В описании базовой модели отмечена генерация историй по заголовку и тегам, включая откровенный контент; эти сведения не подтверждены в README для thorn-0.5 напрямую. Лицензия в предоставленных данных не указана.

typhoon-ai/typhoon-asr-qwen-0.6b-ctx — тайская модель распознавания речи, разработанная typhoon-ai как дообученная версия Qwen/Qwen3-ASR-0.6B-hf с применением LoRA; веса адаптера объединены с базовой моделью. Она принимает аудио и выдаёт текстовую транскрипцию, поддерживая контекстную подсказку через список имён и терминов в системном сообщении: распознанные слова записываются в заданном написании, а не произнесённые элементы списка отфильтровываются. Рекомендуемый формат — список терминов через пробел и отдельная строка Thai; без списка достаточно указать Thai. По README, список до 50 элементов — оптимальный сценарий; качество контекстного распознавания зависит от его длины. Модель имеет плотную архитектуру Qwen3-ASR и около 0,80 млрд параметров. В описанных тестах она улучшает распознавание относительно исходной Qwen3-ASR-1.7B, особенно на внешнем наборе TVSpeech, хотя уступает более крупной версии typhoon-qwen-1.7b-ctx. Модель предназначена для тайской речи; метаданные указывают аудиовход и задачу automatic-speech-recognition. Распространяется под лицензией Apache-2.0.

Typhoon ASR Real-Time — модель распознавания речи на тайском языке, разработанная Typhoon AI для потоковых сценариев с низкой задержкой. Она основана на NVIDIA FastConformer Transducer и дообучена на 10 000 часах тайских аудиозаписей с транскрипциями. Модель предназначена для быстрой транскрибации речи в реальном времени, в том числе при обработке больших потоков, и, по данным карточки, эффективно работает на обычных CPU. В README заявлены скорость обработки 4097× от реального времени и показатель CER 0,0984; результаты приведены со ссылкой на Open ASR Leaderboard. Лицензия в метаданных — CC BY 4.0. В README также указано согласие с условиями OpenTyphoon и уведомлением о конфиденциальности. Заявленные показатели относятся к описанию модели; карточка не уточняет условия и набор данных оценки.

UW1-SPPO — дообученная командой promotion модель Qwen2.5-7B-Instruct для генерации диалоговых ответов. Она обучена методом SPPO на парах ответов, сравниваемых по предпочтениям: использовались 319 обучающих и 83 проверочных запроса, для которых сформировали 8 932 обучающие пары. Модель построена на плотной архитектуре Qwen2 и содержит 7,1 млрд параметров; принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для диалогов и генерации ответов с настройкой на предпочтения пользователей. В карточке приведены результаты оценки на нескольких наборах тестов, но они получены одним запуском обучения и локальными судьями, поэтому их нельзя трактовать как результаты публичных лидербордов или надёжное доказательство превосходства. В эксперимент вошли только отфильтрованные запросы с положительным излишком в модели переговоров, а различия между пятью вариантами обучения не превышали одну стандартную ошибку ни по одному показателю. Лицензия в предоставленных данных не указана.

Harveenchadha/vakyansh-wav2vec2-kannada-knm-560 — модель автоматического распознавания речи на основе Wav2Vec2 с выходной CTC-архитектурой. В карточке Hugging Face указано, что это модель для распознавания речи; параметры составляют около 113,3 млн, веса доступны в формате PyTorch. Модель предназначена для преобразования аудиозаписей на каннада в текст; процессор настроен на аудио с частотой дискретизации 16 кГц. Модель подходит для транскрибирования речи на каннада, например, записей и аудио в прикладных системах распознавания речи. В карточке нет сведений о лицензии, оценках качества или подробных ограничениях применимости, поэтому эти характеристики нельзя надёжно описать.

Это базовая модель Wav2Vec2, разработанная Facebook AI и предварительно обученная на неразмеченной франкоязычной части корпуса VoxPopuli. Она предназначена для извлечения речевых представлений и может служить основой для распознавания французской речи после дообучения на конкретную задачу или язык. Модель содержит 113,3 млн параметров, использует архитектуру Wav2Vec2 и принимает аудио; в карточке Hugging Face указана задача automatic-speech-recognition и формат PyTorch. Модель поддерживает французский язык и подходит как стартовый чекпойнт для создания систем транскрибирования французской речи. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Для готового распознавания речи может потребоваться дообучение на размеченных данных.

Модель vutankiet2901/wav2vec2-large-xlsr-53-ja — японская система автоматического распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на японской части набора Mozilla Common Voice 8.0. Это плотная модель архитектуры Wav2Vec2ForCTC с 402,8 млн параметров, принимающая аудио и выдающая распознанный текст на японском языке. Модель предназначена для транскрибирования японской речи, в том числе записей, похожих на примеры Common Voice. В README приведены результаты на Common Voice 7.0 и 8.0: для версии 8.0 CER составляет 9,95 без языковой модели и 7,15 с 4-граммовой языковой моделью; WER — 25,10 и 16,09 соответственно. Указана лицензия Apache-2.0. Показатели зависят от данных и настройки декодирования; качество на других источниках речи не описано.