II.8Инженерия данных и аналитика

Модель snnh/paddleocr_vl_code_ocr — дообученная snnh на PaddleOCR-VL-1.6 модель для распознавания текста на скриншотах, связанных с разработкой. Она извлекает видимый текст из интерфейсов IDE, терминалов и отладчиков, включая код, конфигурации, логи, Traceback, Git diff, фрагменты документации и таблицы API, стараясь сохранять структуру и порядок элементов. Модель принимает изображение и формирует текстовый результат; в карточке указано 318,2 млн параметров, а метаданные задают контекст до 131 072 токенов. Обучение выполнено методом LoRA с последующим объединением весов; использовались 1102 обучающих примера. Модель опубликована под лицензией Apache-2.0. README приводит результат 58,4427 на версии 5.2 бенчмарка из 304 заданий, но предупреждает, что оценки разных версий бенчмарка, промптов и параметров генерации нельзя напрямую сравнивать. Сложные таблицы, длинные трассировки ошибок, интерфейсы с несколькими областями и вложенные конфигурации могут распознаваться с ошибками структуры или порядка чтения. Мелкий шрифт, размытые снимки и редкие символы снижают точность; результат может содержать пропуски, неверно распознанные знаки или повторы и требует проверки человеком. Модель предназначена для транскрипции, а не для генерации или исправления кода либо анализа безопасности.

nvidia/parakeet-tdt-0.6b-v3 — модель автоматического распознавания речи, разработанная NVIDIA. Она преобразует аудиозаписи в текст и предназначена для транскрибации речи в приложениях, работающих с аудио, включая записи встреч, выступлений и других разговорных сценариев. Модель интегрируется с Transformers и обучалась с использованием наборов данных NVIDIA Granary и nemo/asr-set-3.0. Модель содержит около 0,6 млрд параметров и использует архитектуру FastConformer/Conformer с компонентами Transformer и TDT (Token-and-Duration Transducer). Поддерживается широкий набор языков, включая английский, испанский, французский, немецкий, русский, украинский и другие европейские языки. В README не указана длина контекста. На тестах заявлены значения WER от 1,93% на LibriSpeech clean до 20,7% на греческом варианте FLEURS; качество зависит от языка и акустических условий. Ограничения по шуму, качеству записи и доменной адаптации отдельно не описаны. Лицензия — CC BY 4.0.

Sinequa passage-ranker-v1-XS-multilingual — компактная модель ранжирования пассажей на основе Sinequa BERT-Mini, обученная методом MonoBERT. Она принимает запрос и пассаж текста и выдаёт оценку релевантности, по которой можно упорядочить результаты поиска. Модель содержит около 17 млн параметров, поддерживает английский, французский, немецкий и испанский языки, нечувствительна к регистру и акцентам; максимальная длина контекста — 512 токенов. Модель предназначена для повышения качества поиска: она повторно оценивает найденные пассажи и помогает расположить наиболее релевантные выше. По README среднее значение NDCG@10 на 14 наборах BEIR составило 0,453; на MIRACL приведены результаты для французского, немецкого и испанского языков. Указанные ограничения включают требования к окружению: Sinequa версии не ниже 11.10.0 и CUDA с compute capability выше 5.0 (выше 6.0 для FP16). Лицензия в предоставленных данных не описана.

nectec/Pathumma-whisper-th-large-v3 — модель распознавания речи команды Pathumma Audio Team. Она основана на Whisper large-v3 от OpenAI и дообучена для распознавания тайского языка; карточка также указывает английский среди языков модели. Модель содержит около 905,2 млн параметров и доступна в формате safetensors для библиотеки Transformers. Модель предназначена для преобразования аудиозаписей в текст. Её можно использовать для транскрибации тайской и английской речи. README содержит пример запуска через класс pipeline в Transformers, но не приводит подробностей о данных дообучения или результатах оценки качества. Лицензия — Apache-2.0.

huihui-ai/Phi-4-mini-reasoning-abliterated — экспериментальная версия Microsoft Phi-4-mini-reasoning, созданная автором huihui-ai методом abliteration: из модели удалены отказы на запросы. Автор характеризует реализацию как грубое доказательство концепции; модель рассчитана на диалоговое использование и генерацию текста, в том числе для математических рассуждений и программирования, унаследованных от базовой модели. Модель загружается через библиотеку Transformers; автор также приводит вариант запуска через Ollama и тег версии 3.8b. В метаданных указаны английский язык, архитектурное семейство Phi-3, поддержка чата и кода, а также формат safetensors. Лицензия — MIT. Abliteration снижает склонность к отказам, поэтому поведение модели может отличаться от исходной версии; автор предупреждает, что переключатель режима рассуждений /no_think срабатывает не всегда.

PwC-Embedding-expr — мультиязычная модель эмбеддингов, разработанная PwC-AXNode и дообученная на базе intfloat/multilingual-e5-large-instruct для повышения качества представления корейских текстов. Авторы использовали расширенные наборы данных для задач семантического сходства и сбалансировали их при дообучении. Модель построена на архитектуре XLM-RoBERTa и выдаёт векторы размерности 1024. Она подходит для сравнения предложений и оценки семантического сходства; в README приведены результаты оценки на корейской части MTEB, включая KLUE-STS. Максимальная длина входа — 514 токенов. Модель экспериментальная и находится в разработке; распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-0.5B-Instruct-4bit — компактная инструкционно настроенная модель для генерации текста и работы с программным кодом. Модель создана сообществом mlx-community путём конвертации Qwen/Qwen2.5-Coder-0.5B-Instruct в формат MLX с использованием mlx-lm 0.19.3. Модель предназначена для задач программирования, генерации и продолжения кода, а также диалоговых сценариев. Она поддерживает текстовую модальность и указана для английского языка. Размер базовой модели составляет 0,5 млрд параметров, а 4-bit-квантизация снижает требования к памяти, что делает её подходящей для локального запуска в экосистеме MLX через библиотеку mlx-lm. К сильным сторонам относятся компактность, экономичность по памяти и специализация на коде. Ограничения связаны с небольшим размером модели: по сравнению с более крупными моделями она может уступать им в качестве рассуждений, точности генерации и работе со сложными программными задачами. В README не указаны архитектура, размер контекста и дополнительные языки. Модель распространяется по лицензии Apache 2.0.

roleplaiapp/Qwen2.5-Coder-14B-Instruct-Uncensored-Q4_K_M-GGUF — это квантованная версия модели Qwen2.5-Coder-14B-Instruct-Uncensored, опубликованная Andrew Webby от RolePlai. Модель предназначена для генерации текста и использования в сценариях, где требуется запуск через llama.cpp или другое программное обеспечение, поддерживающее формат GGUF; исходное семейство позиционируется как instruct-модель для задач, связанных с программированием. Модель содержит 14 миллиардов параметров и представлена в формате GGUF с методом квантования Q4_K_M, что уменьшает требования к памяти по сравнению с полноразмерной версией. README не содержит сведений об архитектуре, поддерживаемых языках, размере контекста и мультимодальности. Указание Uncensored означает заявленную особенность исходной модели, однако подробности ограничений и поведения не приведены. Лицензия и точные условия использования в README не указаны. Сильной стороной является сочетание кодировочной instruct-модели с 4-битным квантованием, потенциально удобным для локального запуска, но качество и совместимость зависят от используемого движка и конкретного сценария применения.

shigureui/Qwen3-VL-Embedding-2B-FP8 — мультимодальная embedding-модель на базе Qwen/Qwen3-VL-Embedding-2B, сжатая в формат FP8 с помощью llmcompressor. Модель предназначена для преобразования текстов, изображений и их сочетаний в векторные представления, которые можно использовать для оценки семантического сходства, поиска и сопоставления мультимодального контента. Для запуска поддерживается vLLM в режиме pooling. Известно, что модель имеет размер 2B параметров в базовой версии и поддерживает контекст до 20 480 токенов в приведённой конфигурации vLLM. В примерах показано сравнение текстовых описаний с изображением, а также совместная обработка изображения и текста. Сжатие в FP8 заявлено как способ ускорения работы как минимум на 50%, однако подробные результаты бенчмарков и условия измерений не приведены. Поддерживаемые языки, точная архитектура и дополнительные ограничения по модальностям в README не указаны. Модель распространяется по лицензии MIT. README не содержит сведений о качестве на конкретных наборах данных, устойчивости результатов, требованиях к аппаратному обеспечению или ограничениях применения, поэтому эти характеристики требуют отдельной проверки.

mlx-community/Qwen3-VL-Reranker-2B-bf16 — преобразованная в формат MLX модель переранжирования, основанная на Qwen3-VL-Reranker-2B и созданная сообществом mlx-community. Она предназначена для оценки релевантности и упорядочивания текстовых результатов поиска; метаданные также указывают на мультимодальную архитектуру Qwen3-VL. Модель представлена в формате safetensors и распространяется по лицензии Apache-2.0. README указывает на использование пакета mlx-embeddings для работы с MLX.

Карточка модели Gen-Verse/ReasonFlux-Coder-4B на Hugging Face совпадает с карточкой Gen-Verse/ReasonFlux-Coder-7B, поэтому описание составлено по ней. ReasonFlux-Coder-7B — языковая модель для генерации кода, представленная разработчиками семейства ReasonFlux-Coders. В README указано, что модели семейства обучены с помощью алгоритма CURE, который совместно развивает способности к написанию кода и генерации модульных тестов; отдельные численные результаты для версии 7B не приведены. Модель предназначена для генерации кода и тестов, а также для использования в агентных сценариях программирования и подходах с масштабированием вычислений на этапе вывода. Это плотная причинная модель архитектуры Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов. Метаданные указывают на поддержку чата и интерфейса вызова инструментов. Репозиторий содержит веса Safetensors. Лицензия MIT. README не сообщает об ограничениях качества или поддерживаемых естественных языках; заявленное сравнение с другими моделями относится к семейству в целом и не позволяет установить результаты именно версии 7B.

ARGA100/ru-reranker-modernbert-small — компактная модель-реранкер для русского языка, разработанная ARGA100. Это cross-encoder на базе deepvk/RuModernBERT-small с архитектурой ModernBertForSequenceClassification и 34,4 млн параметров; она оценивает пару «запрос — документ» и помогает упорядочить найденные документы по релевантности. Для обучения использовалась выборка из 3,2 млн русскоязычных пар запросов и документов ARGA100/ru-reranker-mega. Модель предназначена для улучшения результатов поиска и ранжирования кандидатов в системах ответа на вопросы и RAG. В README заявлены NDCG@10 0,74444 на MTEB RuBQReranking и скорость инференса примерно втрое выше указанной модели сравнения BCE-reranker-base_v1; эти показатели приведены автором карточки. Метаданные указывают контекст до 8192 токенов, тогда как README задаёт максимальную длину последовательности 2048 токенов. Модель принимает текстовые пары и выдаёт оценки релевантности для ранжирования. Она дообучена на русскоязычных данных, но базовая модель поддерживает русский и английский. Распространяется по лицензии MIT.

masahiroid/ruri-v3-reranker-310m-mlx — неофициальная конверсия японского реранкера Ruri, разработанного проектом Ruri при Nagoya University / cl-nagoya. Модель основана на ModernBERT и предназначена для оценки релевантности пар текстов и сортировки кандидатов в поиске и RAG. Конверсия позволяет запускать её нативно на Apple Silicon через пакет mlx-embeddings. Модель содержит 314,6 млн параметров, использует точность bfloat16 без квантизации и поддерживает контекст до 8192 токенов. Карточка указывает японский и английский языки. Репозиторий распространяется по лицензии Apache-2.0; это неофициальная версия сообщества, а не выпуск команды cl-nagoya.

Карточка модели mitra-mir/setfit-model-Misinformation-on-Organizations-GoFundMe-WEF на Hugging Face совпадает с карточкой mitra-mir/setfit-model-Misinformation-on-Global-Support, поэтому описание составлено по ней. Это модель Sentence-Transformers на архитектуре MPNet, разработанная автором репозитория mitra-mir. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель распространяется в формате PyTorch. Название репозитория указывает на тему дезинформации о глобальной поддержке, однако README не описывает специализированные функции или результаты классификации по этой теме. Модель подходит для получения текстовых эмбеддингов и поиска семантически близких фрагментов. Для использования описан интерфейс библиотеки Sentence-Transformers. Лицензия в предоставленных данных не указана.

zeromodels представляет конверсию Google SigLIP Base Patch16-224 для библиотеки Keras 3. Это мультимодальный двойной энкодер изображений и текста, обученный с попарной сигмоидной функцией потерь; модель принимает изображения и текстовые подсказки и сопоставляет их для классификации изображений без обучения на целевых классах. Реализация работает с TensorFlow, PyTorch и JAX. Модель подходит для классификации изображений по текстовым описаниям и выбора наиболее подходящей подписи или категории из заданного пользователем списка. Размер изображения — 224 × 224 пикселя, патчи — 16 × 16. Лицензия — Apache 2.0. Английский текст указан в описании базовой модели; поддержка других языков в предоставленных данных не подтверждена.

SPLADE-BERT-Mini-BS256-distil — разреженный текстовый энкодер, дообученный Yosefw на базе yosefw/SPLADE-BERT-Mini-BS256 с использованием Sentence Transformers. Он преобразует предложения и абзацы в разреженные векторы размерности 30 522, пригодные для семантического поиска и разреженного поиска документов; сходство оценивается скалярным произведением. Архитектура сочетает BERT с маскированным языковым моделированием и SPLADE pooling с max-пулингом и ReLU. Модель принимает последовательности длиной до 512 токенов и содержит около 12 млн параметров. Модель подходит для кодирования запросов и документов в поисковых системах и информационно-поисковых приложениях. В README приведены метрики dot_accuracy@1 0,5018, @3 0,8286 и @5 0,9194; также указано обучение на наборе из 1 млн примеров с запросами, релевантными и нерелевантными текстами. Языки обучения или целевые языки в доступных данных явно не названы. Репозиторий содержит веса safetensors и использует библиотеку sentence-transformers; сведения о лицензии отсутствуют.

TEmA-small — дообученная на базе многоязычной BERT-модели LaBSE модель для сравнения смысловой близости азербайджанских текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768; базовая модель LaBSE строит общее пространство эмбеддингов для 109 языков. Репозиторий содержит веса PyTorch объёмом около 168,7 млн параметров, максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, кластеризации текстов и ранжирования предложений по смысловой близости. В README приведены результаты сравнительных тестов STS и показатели точности при использовании косинусного, манхэттенского и евклидова расстояний. Модель распространяется по лицензии CC BY 4.0. Специализация заявлена для азербайджанского языка; результаты на других языках в карточке отдельно не подтверждены.

TinyMistral-6x248M — компактная языковая модель M4-ai на архитектуре Mixtral с механизмом смеси экспертов (MoE). Она создана с помощью LazyMergekit путём слияния шести моделей семейства TinyMistral, включая варианты для инструкций, диалогов и генерации кода, а затем предварительно обучена на 600 тысячах примеров набора nampdn-ai/mini-peS2o. В метаданных указано 215,2 млн параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста, в том числе ответов на запросы и кода. Для инференса автор рекомендует включать семплирование и приводит настройки температуры, top-p, top-k и штрафа за повторы. Автор предупреждает о заметном снижении качества при использовании Inference API. Модель распространяется по лицензии Apache-2.0.

UForm uform3-image-text-english-small — компактная мультимодальная модель от unum-cloud для кодирования изображений и английского текста в общее векторное пространство. Она предназначена для извлечения признаков, поиска изображений по текстовому запросу и сопоставления изображений с текстами. Лицензия Apache-2.0. Модель использует текстовый энкодер на основе BERT из 4 слоёв, принимающий до 64 токенов, и визуальный энкодер ViT-S/16 для изображений размером 224 × 224. Энкодеры совместно используют два слоя; выходные эмбеддинги имеют размерность до 256. Доступны веса в форматах PyTorch, ONNX и CoreML, включая предварительно квантованные варианты. В карточке приведены результаты zero-shot классификации ImageNet: точность Top-1 36,1%, Top-5 60,8%; для поиска текста по изображениям Recall@10 составляет 86% на Flickr и 64,5% на MS-COCO. Модель компактна и поддерживает совместное представление текста и изображений, но ограничена английским языком, коротким контекстом и входными изображениями 224 × 224; результаты на ImageNet указывают на скромную точность классификации по сравнению с крупными моделями.

Карточка модели Hieu25025064/vietnamese_embedding_model_merged на Hugging Face совпадает с карточкой AITeamVN/Vietnamese_Embedding, поэтому описание составлено по ней. Vietnamese_Embedding — модель эмбеддингов на базе Sentence Transformers, разработанная AITeamVN и дообученная от BAAI/bge-m3 для улучшения поиска по вьетнамским текстам. Она принимает текст и выдаёт вектор размерности 1024; для сравнения векторов предусмотрена метрика dot product. Модель обучалась на примерно 300 тысячах триплетов запросов, положительных и отрицательных документов, а максимальная длина последовательности в карточке указана как 2048 токенов. Модель предназначена для семантического поиска и извлечения релевантных документов по вьетнамским запросам; автор приводит оценку на Legal Zalo 2021. В метаданных указаны архитектура XLM-RoBERTa, контекст до 8194 токенов, библиотека sentence-transformers и форматы ONNX и safetensors. Лицензия — Apache 2.0. В README приведена более короткая максимальная длина последовательности, чем контекст в метаданных; качество поиска на других наборах данных отдельно не подтверждено.

Это модель зрения и языка из семейства CLIP, доступная через open_clip и timm. Её вариант в OpenCLIP называется ViT-B-16-quickgelu; визуальный энкодер построен на ViT-Base с патчами 16×16 и входным разрешением 224 пикселя. Модель обучена на наборе MetaCLIP-400M. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах: она сопоставляет изображение и варианты текста, после чего можно выбрать наиболее подходящее описание. Весы доступны в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Это визуальный энкодер SigLIP 2 на архитектуре Vision Transformer (ViT) с патчами 16×16 и входным разрешением 384 пикселя, подготовленный для библиотеки timm. Он соответствует визуальной части мультимодальной модели SigLIP 2 и обучен на наборе данных WebLI. Модель предназначена для извлечения признаков и визуальных представлений изображений, которые можно использовать в поиске по изображениям, сопоставлении изображений с текстовыми представлениями и других задачах анализа изображений. Это только image encoder: карточка не описывает генерацию изображений или обработку текста самой моделью. Модель распространяется под лицензией Apache-2.0. Для запуска используется библиотека timm; веса доступны в форматах PyTorch и safetensors. Карточка не сообщает оценок качества или отдельных ограничений применения.

Это модель CLIP семейства ViT-B/32, опубликованная в репозитории timm и обученная на наборе LAION-400M. Она совместима с open_clip и timm; вариант в OpenCLIP называется ViT-B-32-quickgelu. Модель сопоставляет изображения и текст в общем пространстве признаков, поэтому подходит для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов. Модель можно применять для поиска изображений по тексту и первичной категоризации изображений с помощью заранее заданных текстовых меток. Она принимает изображения и текстовые описания и выдаёт оценки соответствия между ними. Репозиторий содержит веса PyTorch и Safetensors; лицензия — MIT. Карточка не сообщает размер модели, длину контекста или список поддерживаемых языков.

Это визуальный энкодер из семейства CLIP, обученный на датасете MetaCLIP-400M и опубликованный в формате, совместимом с open_clip и timm. В open_clip модель называется ViT-L-14-quickgelu, а в timm — vit_large_patch14_clip_224.metaclip_400m. Архитектура объединяет визуальную часть на основе Vision Transformer с текстовым энкодером CLIP и предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: модель сопоставляет изображение с предложенными вариантами текста. Подходит для прототипирования классификаторов с произвольными текстовыми метками, поиска изображений по описанию и оценки соответствия изображения подписи. Репозиторий содержит веса PyTorch в формате safetensors и поддерживает работу через open_clip и timm. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерческое.

UmarRamzan/w2v2-bert-urdu — модель автоматического распознавания речи на базе Wav2Vec-BERT 2.0, дообученная на урду-разделе набора Common Voice 17. Она преобразует аудиозаписи речи на урду в текст и подходит для транскрибирования речевых данных. Модель содержит 402,7 млн параметров и использует архитектуру Wav2Vec2BertForCTC. На оценочной выборке указана WER 0,2929 и loss 0,3681. Модель распространяется под лицензией MIT; заявленные результаты относятся к указанному оценочному набору и не гарантируют такую же точность на других аудиозаписях.

jayashreedevi2020/wav2vec2-large-xls-r-300m-assamese — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на наборе Common Voice 11.0. Она принимает аудио и преобразует речь на ассамском языке в текст; архитектура основана на Wav2Vec2 с CTC-выходом и содержит около 402,7 млн параметров. Модель подходит для транскрибирования записей и оценки распознавания ассамской речи. В README приведены результаты на оценочной выборке: WER 0,6470 и loss 0,9825; качество может зависеть от условий записи и соответствия аудио данным обучения. Лицензия — Apache-2.0.

Это модель распознавания речи на основе архитектуры Wav2Vec2, разработанная автором репозитория ravirajoshi путём дообучения facebook/wav2vec2-xls-r-300m. Она преобразует аудио на хинди в текст и подходит для автоматической транскрипции речи. Модель содержит 402,7 млн параметров и распространяется в формате PyTorch. В карточке приведены результаты на тестовой выборке: WER 0,3200 и loss 0,7049. Модель выпущена под лицензией Apache-2.0. Название датасета в README указано как None, поэтому сведения о данных обучения ограничены.

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.

mpoyraz/wav2vec2-xls-r-300m-cv7-turkish — модель автоматического распознавания речи на турецком языке, созданная дообучением facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2 с CTC-выходом и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; при дообучении использовались проверенная часть Common Voice 7.0 TR, кроме тестовой выборки, и MediaSpeech. Для улучшения распознавания автор также подготовил турецкую n-граммную языковую модель на материалах Википедии с KenLM. Модель подходит для транскрибации турецкой речи и оценки систем распознавания на наборах Common Voice и Speech Recognition Community. В README приведены результаты: WER 8,62 и CER 2,26 на тестовой выборке Common Voice 7 TR, а также WER 30,87 и CER 10,69 на dev-наборе Speech Recognition Community. Эти значения относятся к указанным наборам и не гарантируют такую же точность на других записях. Модель распространяется по лицензии CC BY 4.0.

Whisper Gujarati Medium — модель распознавания речи на основе Whisper Medium, дообученная Vasista22 на открытых корпусах аудиозаписей на гуджарати в рамках спринта по дообучению Whisper. Модель принимает аудио и генерирует текстовую транскрипцию; её можно применять для расшифровки речи на гуджарати и оценки качества распознавания на тестовых наборах. Модель построена на архитектуре Whisper и содержит около 455,8 млн параметров. В обучении использовались ULCA ASR Corpus, Microsoft Speech Corpus для индийских языков, набор Google Fleurs и OpenSLR; оценка проводилась на тестовых данных Microsoft Speech Corpus и Google Fleurs. Лицензия — Apache 2.0. README не приводит длину контекста или численные результаты оценки.