I.9Аудио и музыка

vhdm/whisper-large-fa-v1 — модель распознавания речи на архитектуре Whisper, созданная разработчиком vhdm дообучением openai/whisper-large-v3-turbo на персидских аудиозаписях из набора vhdm/persian-voice-v1.1. Модель содержит 905,2 млн параметров и предназначена для транскрибации персидской речи: голосовых заметок, подкастов, видео и интервью, а также для создания поисковых расшифровок. Она поддерживает входное аудио и выдаёт текст; для чистой персидской речи в карточке указана частота ошибок слов WER 14,07%. Модель распространяется по лицензии MIT. Обучение проводилось на чистой речи из конкретного набора данных, поэтому качество может снижаться на шумных записях, акцентах и диалектах. Модель не оптимизирована для потокового распознавания и иногда может генерировать правдоподобные, но неверные слова.

por62/GigaAM-v3-e2e-rnnt-vllm — версия GigaAM-v3, подготовленная для запуска в контейнере vLLM. Это модель распознавания речи на основе Conformer с декодером RNN-T и сквозной обработкой аудио: она преобразует русскую речь в нормализованный текст с пунктуацией. В README указано, что семейство GigaAM-v3 разработано на основе предварительного обучения на русской речи с целью HuBERT-CTC; эта версия соответствует варианту e2e_rnnt. Метаданные репозитория указывают 151,2 млн параметров и формат safetensors. Модель предназначена для транскрибации русской речи в разных акустических условиях, включая разговоры в колл-центрах, фоновую музыку и естественную речь. README сообщает об улучшении среднего качества на новых доменах и приводит результаты сравнений, однако численные показатели могут зависеть от тестового набора и условий оценки. Метаданные также отмечают английский язык, но README описывает обучение и основные сценарии для русской речи. Лицензия — MIT.

Модель GetmanY1/wav2vec2-base-fi-150k-finetuned разработана Ярославом Гетманом и Тамашем Гросом и предназначена для автоматического распознавания финской речи. Это акустическая модель на архитектуре Wav2Vec2 с CTC-выходом, содержащая 113,3 млн параметров и доступная в формате safetensors. Она дообучена на 4600 часах финской речи: разговорной речи из Lahjoita puhetta и материалах парламента Финляндии. Модель принимает аудио с частотой дискретизации 16 кГц и преобразует его в текст. Она подходит для транскрибации финской речи, включая разговорную речь и выступления в парламенте. Базовая модель предварительно обучалась на большом корпусе неразмеченной финской речи. Модель распространяется по лицензии Apache-2.0. Она рассчитана на финский язык; качество распознавания для других языков не заявлено. Для корректной работы входное аудио должно иметь частоту дискретизации 16 кГц.

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

Модель voidful/wav2vec2-xlsr-multilingual-56 разработана voidful для автоматического распознавания речи. Это дообученная версия facebook/wav2vec2-large-xlsr-53, обученная на данных Common Voice для распознавания речи на 56 языках. Репозиторий содержит веса PyTorch и safetensors; для входной речи рекомендуется частота дискретизации 16 кГц. Модель подходит для транскрибирования аудиозаписей и построения систем распознавания речи на нескольких языках. В карточке приведены результаты WER и CER для части языков, но также указаны значительные риски смещений: предсказания могут воспроизводить вредные стереотипы. Лицензия — Apache-2.0.

Whisper Hindi Medium — модель распознавания речи, дообученная Vasista22 на основе openai/whisper-medium на данных для автоматического распознавания речи на хинди из нескольких открытых корпусов. Она предназначена для преобразования аудиозаписей на хинди в текст, в том числе для обработки речевых корпусов и оценки качества транскрипции. Модель построена на архитектуре Whisper и содержит около 455,8 млн параметров; доступны форматы PyTorch и Flax. Для работы с Flax в карточке упоминается библиотека whisper_jax. Обучение использовало GramVaani ASR Corpus, ULCA ASR Corpus, Shrutilipi ASR Corpus и обучающую и валидационную части Google Fleurs. Лицензия — Apache-2.0. Карточка не приводит количественных оценок качества, поэтому точность на конкретных типах записей по ней определить нельзя.

mohammadjavadnasri/whisper-large-v3-farsi-cv17 — дообученная модель распознавания речи на основе openai/whisper-large-v3, обученная на наборе Common Voice 17.0. Она принимает аудио и преобразует речь в текст; модель содержит 905,2 млн параметров и использует архитектуру WhisperForConditionalGeneration. В оценке на тестовом наборе указаны WER 23,4723 и орфографический WER 27,5624. Модель предназначена прежде всего для транскрибации речи на фарси. Это вариант мультиязычной Whisper large-v3, однако карточка сообщает о дообучении на Common Voice 17.0, а не о проверке качества для других языков. Доступна в формате safetensors для Transformers. Лицензия — Apache-2.0.

NbAiLab/nb-wav2vec2-1b-bokmaal-v2 — модель автоматического распознавания речи, опубликованная лабораторией искусственного интеллекта Национальной библиотеки Норвегии (NbAiLab). Она преобразует норвежскую речь на букмоле в текст и предназначена для транскрибирования аудиозаписей. Модель использует архитектуру Wav2Vec2 с классификатором CTC и содержит 1,3 млрд параметров; карточка указывает применение через Transformers и лицензию Apache-2.0. Родственная модель NbAiLab с названием без суффикса v2 дообучена на основе XLS-R и оценивалась на норвежском корпусе парламентской речи; найденные материалы не позволяют уверенно переносить эти результаты на версию v2. Распознавание оптимизировано для букмола, поэтому качество на других языках и вариантах норвежского не подтверждено.

Kkonjeong/wav2vec2-base-korean — модель распознавания корейской речи, разработанная Чонхёном Парком и Джеёном Кимом. Это дообученная версия facebook/wav2vec2-base с архитектурой Wav2Vec2ForCTC, содержащая 113,3 млн параметров. Модель обучена на Zeroth-Korean и преобразует аудиозаписи корейской речи в текст, используя для распознавания корейские джамо.

gchhablani/wav2vec2-large-xlsr-mr-3 — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 для маратхи. Она принимает аудио и выдаёт текстовую транскрипцию; для входной речи требуется частота дискретизации 16 кГц. Модель основана на архитектуре Wav2Vec2 с CTC и содержит около 402,7 млн параметров. Модель обучалась на OpenSLR SLR64 и наборах маратхи из Interspeech 2021: по 1412 примеров из каждого источника. В карточке приведены результаты тестирования 14,15% на OpenSLR и 27,14% на Interspeech; отдельно указано 19,05% для оценки на 10% данных маратхи из OpenSLR. Эти показатели относятся к описанным наборам и протоколам. Набор OpenSLR содержит только женские голоса, что ограничивает репрезентативность обучения. Модель распространяется по лицензии Apache-2.0.

GetmanY1/wav2vec2-xlarge-fi-150k-finetuned — модель автоматического распознавания финской речи, разработанная Ярославом Гетманом и Тамашем Гросом. Это дообученная на распознавании версия GetmanY1/wav2vec2-xlarge-fi-150k, основанная на архитектуре Wav2Vec2 и классе Wav2Vec2ForCTC; число параметров по метаданным — 1,3 млрд. Модель преобразует финскую речь в текст. Для её обучения использовали 4600 часов аудио с частотой дискретизации 16 кГц: разговорную речь из Lahjoita puhetta и записи заседаний финского парламента. На вход следует подавать аудио с частотой дискретизации 16 кГц. Модель предназначена для транскрибации финской речи, включая разговорную речь и парламентские выступления. Выпускается по лицензии Apache-2.0.

Модель aapot/wav2vec2-xlsr-300m-finnish разработана Aapo Tanskanen и Rasmus Toivanen как акустическая модель распознавания финской речи. Это дообученная версия facebook/wav2vec2-xls-r-300m на 275,6 часах размеченной финской речи; архитектура Wav2Vec2ForCTC содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст. Модель предназначена для транскрибации финской речи, в том числе коротких записей. В README приведена оценка на тестовой части Common Voice 7.0; для этой модели указаны WER 17,92 и CER 3,36 без языковой модели, а с KenLM-декодированием — WER 8,16 и CER 1,97. Для декодирования с языковой моделью авторы также указывают отдельную версию Finnish-NLP/wav2vec2-xlsr-300m-finnish-lm. Обучающие аудиофрагменты ограничивались длиной 20 секунд, поэтому модель, вероятно, лучше работает на коротких записях. Большая часть обучающих данных получена из заседаний финского парламента, что может ухудшать распознавание повседневной речи, диалектов, а также речи детей и женщин. Лицензия — Apache-2.0.

Модель Pirnazar — версия Whisper large-v3-turbo, дообученная для распознавания туркменской речи. Это самостоятельный чекпойнт с объединённым в веса LoRA-адаптером; отдельная загрузка адаптера или базовой модели не требуется. Модель построена на архитектуре Whisper и принимает аудио, выдавая текстовую транскрипцию. Для распознавания рекомендуется задавать язык tk и режим транскрипции. При обучении использовался датасет mamed0v/TurkmenSpeech; LoRA ранга 8 обучалась на проекциях q_proj и v_proj. В карточке приведены результаты валидации на 500 примерах: WER 29,51% и CER 6,59%; это метрики обучения, а не независимая оценка тестового набора. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Whisper Telugu Medium — модель распознавания речи, разработанная Vasista22 на основе Whisper Medium от OpenAI и дообученная на корпусах речи на телугу. Она преобразует аудио на телугу в текст и предназначена для транскрибации записей и оценки систем ASR. Модель построена на архитектуре Whisper и содержит около 455,8 млн параметров; доступны веса PyTorch и Flax. В обучении использованы несколько публичных корпусов, включая CSTD IIIT-H, ULCA, Shrutilipi, Microsoft Speech Corpus, Fleurs и Babel. Модель распространяется по лицензии Apache-2.0.

Breeze ASR 25 — это модель распознавания речи MediaTek Research, дообученная на базе Whisper-large-v2. Она предназначена для транскрибации тайваньского мандаринского китайского языка, включая традиционное письмо, а также речи с переключением между китайским и английским языками внутри фраз и между фразами. Улучшенное выравнивание временных меток подходит для автоматического создания субтитров. Модель имеет архитектуру Whisper и содержит около 905,2 млн параметров. В описании приведены результаты на коротких и длинных аудиозаписях: на нескольких тестах Breeze ASR 25 показывает более низкую частоту ошибок слов, чем сравниваемые версии Whisper и COOL-Whisper. Данные обучения включают синтетическую китайскую речь, английскую речь Common Voice и примеры переключения языков. Модель принимает аудио и выдаёт текстовую транскрипцию. Карточка указывает лицензию Apache-2.0. Оптимизация ориентирована на тайваньский мандаринский и китайско-английскую речь; качество для других языков и условий записи в карточке не охарактеризовано.

IbrahimAmin/egyptian-arabic-wav2vec2-xlsr-53 — модель распознавания речи на базе wav2vec2-large-xlsr-53, дообученная Ibrahim Amin на арабских речевых данных. Она предназначена для преобразования аудио в текст, в первую очередь для египетского разговорного арабского, а также для современного литературного арабского и диалектов Персидского залива и Леванта. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров; модель работает с аудио и выдаёт текст. В обучении использованы записи YouTube, MASC, Common Voice 15, MGB-3 и Arabic Speech Corpus; в карточке также приведено сравнение на тестовой выборке Common Voice 17 для арабского языка. Модель можно применять для транскрибации разговоров и вещательной речи. Распространяется по лицензии Apache-2.0. README не сообщает длину входных записей или ограничения по условиям записи; качество распознавания может различаться между диалектами и акустическими условиями.

kstunlp/kstu-asr — модель автоматического распознавания кыргызской речи, созданная KSTU NLP как полное дообучение facebook/mms-1b-all. Это модель на базе Wav2Vec2 с архитектурой CTC и примерно 1 млрд параметров; она принимает аудио и выдаёт распознанный текст на кыргызском языке. Для декодирования в примере используется жадный CTC-декодер с целевым языком kir. Модель обучали на кыргызских речевых данных KSTU NLP, Common Voice 21 и FLEURS-ky, дополнив их синтетическими данными. В приведённых испытаниях она показала WER 12,93% на тестовой выборке FLEURS-ky и 16,17% на отдельной разговорной выборке; эти результаты относятся к описанным наборам и нормализации текста. Для использования указаны Transformers и аудио 16 кГц, моно. Лицензия в метаданных обозначена как other, поэтому конкретные условия распространения следует сверить с репозиторием.

Модель Linagora представляет собой дообученную версию NVIDIA French FastConformer Hybrid Large для автоматического распознавания французской речи. Это гибридная ASR-модель на архитектуре FastConformer/Parakeet с 115 млн параметров, обученная с функциями потерь Transducer и CTC; по умолчанию используется Transducer. Для дообучения использовано более 10 000 часов французской речи с ручной транскрипцией и пунктуацией: записи включают чтение, спонтанную речь, разговоры, встречи, разные акценты и условия записи. Модель предназначена для транскрибирования аудио во французский текст в пакетном и потоковом сценариях, в том числе через LinTO STT API. В README указана оценка на нескольких корпусах, включая отдельный тестовый набор SUMM-RE; результаты описаны как близкие к лучшим, но числовая таблица метрик в предоставленных данных отсутствует. Модель может хуже распознавать редкую лексику, сильные акценты и перекрывающуюся речь, а пунктуация может быть менее точной на длинных фрагментах. Модель распространяется по лицензии CC BY 4.0. README указывает использование с Transformers и NVIDIA NeMo; для Transformers требуется версия 5 или новее для ParakeetForRNNT. Метаданные указывают формат safetensors и французский язык.

DigitalUmuganda/Mbaza-ASR-Afrivoice-660h — модель автоматического распознавания речи, опубликованная DigitalUmuganda для работы в NVIDIA NeMo. Это акустическая модель на архитектуре Conformer с CTC, предназначенная для транскрибирования аудио и доступная как предварительно обученный чекпойнт для инференса или дообучения на другом наборе данных. Модель принимает монофонические WAV-записи с частотой дискретизации 16 кГц. По метаданным она связана с набором данных Afrivoice_Kinyarwanda и ориентирована на киньяруанда. Модель распространяется по лицензии CC BY 4.0. В карточке не приведены размер модели, длина контекста или оценка качества; пригодность для других языков и акустических условий не подтверждена.

NbAiLab/Nb-wav2vec2-1b-bokmaal — модель автоматического распознавания речи, разработанная командой NbAiLab для норвежского языка букмол. Она дообучена на базе XLS-R от Facebook/Meta и использует архитектуру Wav2Vec2 с CTC-декодированием; размер модели — 1,3 млрд параметров. Для обучения использовался Norwegian Parliamentary Speech Corpus (NPSC). Модель предназначена для преобразования норвежской речи в текст. На тестовом наборе указана оценка WER 6,33% и CER 2,48% с 5-граммовой языковой моделью KenLM; без неё — WER 7,38% и CER 2,63%. Для применения с другими типами речи качество может отличаться. Модель распространяется по лицензии Apache 2.0.

SoulX-Transcriber — аудиоязыковая модель, разработанная Soul AI Lab совместно с группой ASLP Северо-Западного политехнического университета. Она выполняет распознавание речи и диаризацию в многосторонних диалогах в единой сквозной системе: определяет говорящих, сегментирует аудио с временными отметками и формирует согласованную с говорящими расшифровку, в том числе при быстрых сменах реплик и наложении речи. Модель построена на архитектуре Qwen3-Omni-30B-A3B-Instruct и предназначена для расшифровки разговоров с несколькими участниками. В README описано обучение с учетом характеристик говорящих и приведены результаты на наборах AISHELL-4 и AliMeeting. Репозиторий содержит веса safetensors; модель распространяется по лицензии Apache-2.0. Модель подходит для анализа встреч, интервью и других диалоговых записей, где важно связать реплики с участниками и временными интервалами. README не приводит конкретные ограничения качества или сведения о поддерживаемых языках самой модели; описанные в нем китайские и английские данные относятся к конвейеру симуляции диалогов.

whisper-large-v3-ca-punctuated-3370h — акустическая модель распознавания каталонской речи, дообученная Лабораторией языковых технологий Барселонского суперкомпьютерного центра в рамках проекта AINA. Она основана на openai/whisper-large-v3 и предназначена для преобразования каталонских аудиозаписей в текст с пунктуацией и заглавными буквами. Модель с архитектурой Whisper содержит 905,2 млн параметров и обучалась на 3369 часах и 53 минутах каталогских аудиоданных из Common Voice 17.0 и набора 3CatParla. Обучение на тщательно расшифрованных данных помогает сохранять пунктуацию и регистр в транскрипциях. Для работы доступны веса PyTorch и библиотека Transformers; модель принимает аудио и выдаёт текст. Модель рассчитана на распознавание каталонской речи и может уступать при работе с другими языками или акустическими условиями, не представленными в обучающих данных. Лицензия — Apache-2.0.

fast-ukrainian-asr-600m — украинская модель распознавания речи, созданная дообучением 600-миллионного мультиязычного SSL-энкодера GigaAM и адаптированная для телефонного аудио. Она предназначена для преобразования украинской речи в текст, в том числе в телефонных записях с частотой 8 кГц после передискретизации до 16 кГц. Модель использует CTC-архитектуру с символьной выходной головой на 38 классов; принимает монофонический звук с частотой 16 кГц и выдаёт текст. По результатам авторского сравнения модель особенно хорошо распознаёт начитанную речь, в том числе аудио в телефонном канале, но слабее справляется со спонтанной разговорной речью. Она предназначена только для украинского: русский язык не поддерживается. Вывод не содержит пунктуации и заглавных букв, а числа записываются словами. По оценке авторов, на CPU модель требует примерно в 2,4 раза больше времени, чем вариант на 220 млн параметров. Лицензия — MIT.

Granite-speech-3.3-2b — компактная речевая языковая модель IBM, основанная на granite-3.3-2b-instruct и адаптированная к обработке аудио. Она предназначена прежде всего для автоматического распознавания речи (ASR) и автоматического перевода речи (AST), а также поддерживает текстовые сценарии через базовую языковую модель. Модель использует двухэтапную схему: сначала преобразует аудио в текст, затем по отдельному вызову обрабатывает этот текст языковой моделью. Модель поддерживает речевой ввод на английском, французском, немецком, испанском и португальском языках. Она ориентирована на преобразование речи в текст и перевод между этими языками и английским, а также на перевод с английского на японский и мандаринский китайский. В версии 3.3.2 улучшена точность распознавания английской речи благодаря более глубокому акустическому энкодеру и дополнительным данным обучения. Модель содержит около 2 млрд параметров; точное максимальное окно контекста в README не указано. Сильными сторонами являются компактность, мультиязычность, поддержка ASR и AST и пригодность для корпоративных приложений, работающих с речевыми данными. Ограничение двухпроходной архитектуры заключается в необходимости явно выполнять отдельный второй вызов для обработки транскрибированного текста. Лицензия — Apache 2.0.

Qwen3 ASR Enhanced — дообученная модель mrfakename на базе Qwen/Qwen3-ASR-1.7B для распознавания речи и транскрибации аудио с inline-разметкой невербальных вокализаций: смеха, вздохов, кашля, дыхания, прочищения горла и плача. Модель предназначена для расшифровки подкастов, интервью и встреч, создания описательных субтитров, анализа диалогов и подготовки данных для разговорных систем. Модель использует плотную архитектуру Qwen3ASRForConditionalGeneration, принимает аудио и выдаёт текстовую транскрипцию. README заявляет поддержку английского, немецкого и французского языков, устойчивость к шуму, акцентам и длинным записям. Это альфа-версия; автор отмечает нестабильность тегов невербальных звуков и планирует улучшить их, а также добавить диаризацию говорящих. Лицензия — Apache-2.0.

Swecha Gonthuka ASR — модель автоматического распознавания речи на телугу, разработанная Swecha Telangana на основе Wav2Vec2ForCTC и дообученная на наборе данных Swecha Gonthuka. Модель принимает аудио и преобразует речь в текст на телугу; предназначена для транскрибации, повышения доступности и поддержки сохранения языка. Она содержит 113,3 млн параметров и использует библиотеку Transformers. В карточке приведены результаты оценки на тестовых наборах только с телугу: CER составил 6,32% на FLEURS (te_in), 9,00% на OpenSLR66 и 11,92% на Common Voice 22. Оценка выполнялась после нормализации текста до письменности телугу и пробелов, поэтому результаты могут отличаться на данных с английскими словами. Качество зависит от акцента, диалекта, шума и записи; для важных или юридических расшифровок требуется проверка человеком. Лицензия — AGPL-3.0.

Wav2Vec2-XLS-R-2B — мультиязычная предварительно обученная модель Facebook AI для получения речевых представлений на основе архитектуры wav2vec 2.0. Она содержит 2,8 млрд параметров по метаданным и обучена на 436 тысячах часов неразмеченной речи из нескольких корпусов, включая VoxPopuli, Multilingual LibriSpeech, Common Voice, BABEL и VoxLingua107. Модель рассчитана на аудио с частотой дискретизации 16 кГц и охватывает 128 языков. Модель служит основой для дообучения под распознавание речи, перевод речи и классификацию, включая определение языка и другие задачи анализа аудио. В статье XLS-R сообщается о результатах на задачах распознавания и перевода речи для языков с разным объёмом обучающих данных. Это предварительно обученный чекпойнт, а не готовая система транскрибации: для прикладной задачи требуется дообучение и соответствующая выходная голова. Модель распространяется по лицензии Apache-2.0.

SungBeom разработал модель распознавания речи на основе Whisper Small и дообучил её на нескольких крупных наборах данных AI Hub с корейской речью. Она преобразует аудио в текст и рассчитана на распознавание речи в разных сценариях, включая клиентские обращения, разговоры и общую корейскую речь. Модель содержит 153,1 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате PyTorch через библиотеку Transformers. Обучение на нескольких наборах данных призвано повысить устойчивость к различиям между речевыми доменами. При этом качество ASR зависит от домена, а карточка указывает, что распознавание диалектов, детской и пожилой речи может требовать дополнительной адаптации. Лицензия — Apache-2.0.

KB-Whisper Small — модель распознавания речи, выпущенная Национальной библиотекой Швеции (KBLab) на основе OpenAI Whisper Small. Она принимает аудио и преобразует шведскую речь в текст. Модель содержит 153,1 млн параметров и обучена на более чем 50 000 часов шведской речи с текстовыми транскрипциями; для Hugging Face по умолчанию доступна версия Stage 2. Также можно выбрать варианты транскрибирования Subtitle с более сжатым текстом или Strict с более дословной расшифровкой. Модель предназначена для транскрибирования шведской речи, в том числе субтитров, выступлений и записей. В тестах на FLEURS, CommonVoice и NST модели KBLab показали более низкий WER на шведском, чем соответствующие модели OpenAI; README отмечает, что версия Small превзошла Whisper Large v3 на шведской речи. Доступны веса в форматах Hugging Face, ONNX, whisper.cpp/GGML и CTranslate2. Лицензия — Apache-2.0. Результаты оценки относятся к указанным тестам и не гарантируют такое же качество на других типах аудио; модель рассчитана прежде всего на шведский язык.

danurahul/wav2vec2-large-xlsr-pa-IN — модель автоматического распознавания речи на панджаби, созданная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice. Она использует архитектуру Wav2Vec2ForCTC и предназначена для преобразования панджабской речи в текст. Для входного аудио требуется частота дискретизации 16 кГц; доступны веса PyTorch и Flax. В карточке указан результат тестирования 100% на тестовых данных Common Voice, однако метрика не названа, а разделение данных описано неоднозначно: README сообщает об использовании наборов train и validation для обучения, валидации и тестирования. Поэтому результат не позволяет оценить обобщающую способность модели. Лицензия — Apache-2.0.