IV.8Государственное управление, правосудие и чрезвычайные ситуации

Карточка модели KIEFERSA/Sophea-Nemo-Reranker на Hugging Face совпадает с карточкой ayoubkirouane/Sophea-Nemo-Reranker, поэтому описание составлено по ней. Sophea-Nemo-Reranker — кросс-энкодерный реранкер Kiefer SA для переоценки релевантности документов запросу на греческом и английском языках. Модель дообучена на базе nvidia/llama-nemotron-rerank-1b-v2 и использует двунаправленную архитектуру LlamaBidirectionalForSequenceClassification с одним логитом релевантности. Размер модели — 1,2 млрд параметров, длина контекста — до 131 072 токенов; формат весов — safetensors. Модель предназначена для второго этапа двухэтапного поиска: после первичного отбора кандидатов, например эмбеддером Sophea-Nemo-Embedding, она переупорядочивает фрагменты по соответствию запросу. README описывает применение в греческом RAG и сообщает об улучшении nDCG@10 на пяти тестовых доменах относительно базовой модели. Наибольшая польза отмечена для сложных случаев, включая медицинские и финансовые запросы; на уже сильных результатах эмбеддера дополнительное ранжирование может давать небольшой выигрыш или ухудшать качество. Для подачи данных используется последовательность с шаблоном «question:{q} passage:{p}». README указывает на необходимость trust_remote_code при использовании Transformers. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с карточкой модели и файлами лицензии репозитория.

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.

BSC-LT/whisper-3cat-cv21-valencian — акустическая модель распознавания речи, созданная лабораторией Language Technologies Laboratory Барселонского суперкомпьютерного центра. Это дообучение Whisper large-v3 с 905,2 млн параметров на 397 часах 55 минутах аудиозаписей из Corts Valencianes и Common Voice v21, отобранных для валенсийского акцента каталанского языка. Модель предназначена для транскрибации аудио на каталанском языке, особенно с валенсийским акцентом, в обычный текст без пунктуации. Она принимает аудио и выдаёт текст; использует архитектуру Whisper и библиотеку Transformers. Лицензия — Apache-2.0.

ADELIE-SFT — языковая модель для извлечения информации, разработанная Yunjia Qi, Hao Peng, Xiaozhi Wang, Bin Xu, Lei Hou и Juanzi Li. Модель создана инструкционным дообучением LLaMA 2 7B на корпусе IEInstruct и предназначена для закрытого, открытого и выполняемого по запросу извлечения информации, включая распознавание сущностей, извлечение событий и отношений. Модель основана на плотной архитектуре LLaMA с причинным языковым моделированием, содержит 6,6 млрд параметров и имеет контекст длиной 2048 токенов. Она принимает текст и генерирует текст; заявленный язык — английский. В карточке приведены результаты на наборах данных извлечения информации и общих бенчмарках. Использование регулируется лицензией LLaMA 2.

BLING-Phi-1.5B-v0 — дообученная модель llmware на базе Microsoft Phi-1.5B для инструктивных сценариев RAG. Она предназначена для ответов на вопросы по заданному контексту, извлечения значений и краткого суммирования документов в рабочих процессах с базой знаний, в том числе в финансовой, юридической и регуляторной сферах. Модель использует архитектуру Phi для генерации текста, поддерживает английский язык и имеет контекстное окно 2048 токенов. В тестировании на RAG-Instruct-Benchmark-Tester модель набрала 87,75 балла из 100; качество ответов на сложные вопросы и суммирования оценено как среднее или низкое. Результаты тестирования не гарантируют точность на других данных: ответы могут быть неполными или неверными, поэтому их следует проверять. Модель распространяется по Microsoft Research License и не может использоваться в коммерческих целях.

LayoutLMv3-Fine-Tuning-FUNSD — дообученная модель Ammar alhaj ali на базе microsoft/layoutlmv3-base для классификации токенов в документах с учётом их текстового и визуального контекста. Она предназначена для извлечения структурированных элементов из форм и других документов, представленных текстом и изображением страницы. Модель содержит 151,8 млн параметров, использует архитектуру LayoutLMv3ForTokenClassification и имеет контекст до 514 токенов. В оценке на наборе FUNSD указаны F1 0,925, точность 0,918 и полнота 0,931. Основной сценарий применения — разметка и извлечение полей в документах, похожих на формы из FUNSD. Модель дообучена на датасете nielsr/funsd-layoutlmv3; сведений о поддерживаемых языках в предоставленных данных нет. В метаданных не указана лицензия, поэтому условия использования следует сверить с карточкой модели и лицензией базовой модели.

Mirage-Photo-Classifier — модель классификации изображений, созданная на основе google/siglip2-base-patch16-224 и дообученная для бинарного определения подлинности фотографий. Она использует архитектуру SiglipForImageClassification и относит изображение к классу Real (настоящее) или Fake (сгенерированное ИИ). Разработчик в карточке модели не назван. Модель предназначена для поиска синтетических изображений в новостях, социальных сетях и наборах данных, а также для поддержки цифровой экспертизы и модерации контента. В README приведён отчёт на тестовой выборке из 10 000 изображений: точность составила 94,64%, F1 для классов Real и Fake — 0,9446 и 0,9481 соответственно. Эти результаты относятся к указанной выборке и не гарантируют такую же точность на других типах изображений. Модель принимает изображения и выдаёт метки классов. В метаданных указан английский язык карточки; другие поддерживаемые языки не заявлены. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

BLING-1.4b-0.1 — инструктивная модель llmware на архитектуре GPT-NeoX, дообученная на дистиллированных инструкционных данных. Она содержит 1,7 млрд параметров и рассчитана на локальный запуск на CPU без специальных оптимизаций квантования; контекст — до 2048 токенов. Модель предназначена для ответов на вопросы по предоставленному контексту, извлечения ключевых значений и базового суммирования, особенно в сценариях RAG и прототипирования с конфиденциальными данными. Модель обучена преимущественно для английского языка и ориентирована на фактические, извлекательные задачи. В описанном тестировании RAG-Instruct-Benchmark она набрала 82,25 балла из 100; качество суммирования оценено как связное, но преимущественно извлекательное, а сложные вопросы и математико-логические задачи показали слабые результаты. Результаты тестирования ограничены двумя прогонами, поэтому ответы следует проверять. Базовая модель — EleutherAI/Pythia-1.4b-v0. Лицензия — Apache 2.0.

GLiNER-PII Small v1.0 — модель распознавания сущностей на основе GLiNER, разработанная Wordcab совместно с Knowledgator. Она принимает текст и заданный пользователем список типов сущностей, а затем выделяет соответствующие фрагменты текста; модель настроена для обнаружения персональных, медицинских и платёжных данных (PII, PHI и PCI) и также поддерживает пользовательские типы сущностей в режиме zero-shot. Модель предназначена для локальной обработки транскрипций, документов, журналов чатов и других текстов, когда важно не передавать чувствительные данные внешним API. Для репозитория указана лицензия Apache-2.0; доступны реализации в форматах PyTorch и ONNX, включая варианты FP16 и UINT8.

Intern-Decision-2B — мультимодальная модель структурированного принятия решений, созданная дообучением Qwen/Qwen3.5-2B. Она принимает общее описание состояния, схему с именованными вопросами и вариантами ответов, а также необязательные изображения; за один проход модели выдаёт для каждого поля распределение вероятностей и типизированный ответ в JSON. Архитектура — плотная Qwen3.5ForConditionalGeneration с 2 млрд параметров; для работы используется Transformers и формат весов safetensors. Модель предназначена для пакетного выбора среди заданных вариантов, оценки по категориям и бинарных решений. В README описан masked-next-token метод: модель оценивает допустимые символы вариантов, а затем применяет к вероятностям отдельную калибровку. Можно передать от 1 до 16 вопросов, до 62 вариантов на вопрос и до 8 изображений; максимальная длина входа по умолчанию — 8192 токена, при превышении запрос отклоняется без усечения. Лицензия — Apache-2.0.

Ita-Search — плотная модель эмбеддингов на базе Qwen3-Embedding-0.6B, дообученная для семантического поиска на итальянском языке. Её разработчик — DeepMount00. Модель преобразует запросы и документы в векторы размерностью 1024; сходство оценивается косинусной мерой. Максимальная длина последовательности — 32 768 токенов. Модель предназначена для поиска итальянских документов по запросам, ранжирования passages, поиска в академических и технических материалах, систем вопросов и ответов и баз знаний. Она ориентирована на понимание разговорных запросов и итальянской терминологии; в обучающих данных представлены медицина, STEM, финансы, право, сельское хозяйство, разработка ПО и другие области. Модель использует библиотеку Sentence Transformers и формат safetensors. Лицензия — Apache-2.0. Она оптимизирована для итальянского языка, а качество может снижаться на узкоспециализированных темах, не представленных в обучении.

Orca-Sonar — мультиязычный классификатор документов компании Patronus AI на основе mmBERT (ModernBERT). Модель относит текст или документ к одной из девяти тематических категорий и рассчитана на маршрутизацию текстов по уровню риска перед передачей LLM, проверкой DLP или сохранением. Она распознаёт тему содержимого даже в запросах-обёртках вроде просьбы кратко изложить договор. Модель дообучена на jhu-clsp/mmBERT-small, содержит 140,5 млн параметров и принимает последовательности длиной до 8192 токенов. В карточке описана поддержка немецкого и английского языков; модель возвращает метку класса с оценкой уверенности. Доступны веса safetensors и экспорт ONNX в FP16. Лицензия — Apache-2.0. В тестировании на отложенной выборке из реальных данных заявлены точность 0,942 и macro-F1 0,940. Для немецкого и английского языков авторы отмечают высокую точность, но другие языки не тестировались. Возможны ложные срабатывания; устойчивость к adversarial-входам, данным вне распределения, чистым персональным данным и патологически длинным текстам ограничена. Для важных сценариев маршрутизации рекомендуется порог уверенности или отказ от решения, а для DLP — предварительная детерминированная проверка длины и PII.

PP-OCRv4_server_seal_det — серверная модель обнаружения текста на печатях из семейства PaddleOCR, разработанная PaddlePaddle. Она предназначена для поиска областей с текстом на изображениях печатей и используется как модуль конвейера распознавания текста печатей в документах и изображениях. Модель ориентирована на запуск на серверах с достаточными вычислительными ресурсами и заявляет метрику Hmean 98,21% на тестовом наборе PaddleX из 500 изображений круглых печатей. Это показатель обнаружения текста на указанном наборе, а не гарантия качества на других данных. Для получения распознанного текста её используют вместе с модулем распознавания текста; конвейер может также включать анализ разметки документа, классификацию ориентации и выравнивание изображения. Модель распространяется под лицензией Apache-2.0. Она рассчитана на обработку изображений печатей; карточка указывает английский и китайский языки, но не уточняет архитектуру, размер, длину контекста или отдельные ограничения качества.

privacy-filter-br — модель BERTimbau, дообученная Lucian Fialho для обнаружения персональных и конфиденциальных данных в текстах на бразильском португальском языке. Это BERT для классификации токенов с разметкой BIOES: модель распознаёт 22 категории, включая имена, CPF, CNPJ, RG, электронную почту, телефоны, адреса, даты и некоторые идентификаторы транзакций. Размер — 136,1 млн параметров, контекст — до 512 токенов; доступны форматы ONNX и Safetensors. Лицензия — Apache-2.0. Модель предназначена для извлечения чувствительных фрагментов из документов, чтобы затем их можно было скрыть или удалить. Для обработки реальных документов автор рекомендует применять её вместе с br-pii-guardrail, который объединяет фрагменты токенов и дополняет NER регулярными выражениями и проверками контрольных сумм. В приведённом автором тесте на 30 документах CVM F1 по совпадению областей составляет 0,8536 в среднем для четырёх категорий; для CPF и CNPJ указан F1 1,0, а для имён — 0,7143. Качество зависит от категории и формата документа: точность границ дат в тесте CVM ограничена, а адреса в этом наборе не оценивались. Схема не охватывает некоторые бразильские финансовые идентификаторы, в том числе ключ PIX EVP и ключ NF-e. Для производственной обработки потребуется учитывать эти ограничения и проверять качество на собственных документах.

kkatiz/thai-trocr-thaigov-v2 — модель распознавания текста на изображениях, разработанная на основе архитектуры Vision Encoder-Decoder. В качестве энкодера используется microsoft/trocr-base-handwritten, а декодером служит airesearch/wangchanberta-base-att-spm-uncased. Модель дообучена на 250 тысячах синтетических изображений текста, созданных с помощью SynthTIGER на основе корпуса ThaiGov V2. Модель предназначена для OCR на тайском языке: преобразует изображение с текстом в текстовую последовательность. Карточка отмечает её применимость к задачам тайского OCR. В репозитории указаны веса в формате safetensors и библиотека Transformers. Сведений о лицензии в предоставленных данных нет.

Vintern-1B-v3.5 — мультимодальная модель с визуально-языковой архитектурой InternVLChat, разработанная 5CD-AI и дообученная на базе OpenGVLab/InternVL2_5-1B. Она принимает изображения и текстовые запросы, а в ответ генерирует текст. Модель предназначена прежде всего для распознавания текста и понимания документов на вьетнамском языке, сохраняя возможности работы с англоязычными данными. Модель рассчитана на OCR и извлечение сведений из счетов, юридических документов, рукописей и таблиц, а также на ответы на вопросы по изображениям документов. В README указаны 1 млрд параметров и возможность запуска на GPU T4; сравнительные результаты приведены для vi-MTVQA, DocVQAtest и InfoVQAtest. Метаданные указывают поддержку вьетнамского, английского и китайского языков, формат весов safetensors и библиотеку Transformers. Модель распространяется по лицензии MIT. README не приводит длину контекста и конкретные ограничения качества; результаты бенчмарков сами по себе не гарантируют точность на новых документах и сценариях.

Xor 1.2 — разработанная Juspay и дообученная на базе Qwen/Qwen3.6-35B-A3B модель для типизированных задач принятия решений. Она принимает текстовое состояние и вопросы типов «да/нет», категориального выбора или порядковой оценки, а затем выдаёт вероятности и распределения вероятностей. Запросы также могут содержать до восьми изображений или одно видео, чтобы классифицировать информацию в тексте и медиа. Модель построена на архитектуре причинной языковой модели Mixture-of-Experts; веса Xor 1.2 получены постобучением с LoRA ранга 16, объединённой с базовыми весами BF16. Размер файлов модели — около 66 ГБ. Для воспроизводимой работы требуется использовать совместимую обвязку TypeSafe и указанный в карточке inference-конфиг с детерминированным считыванием кандидатов, проверкой порядка вариантов и калибровкой вероятностей. Проверена работа на одной GPU с SGLang. Модель подходит для структурированной классификации и оценивания по заданной схеме, включая вопросы по изображениям или видео. Для изображений и видео надёжное различение типа медиа не гарантируется; в одном запросе лучше передавать только один вид медиа. Размер тела запроса ограничен 8 МБ, что оставляет примерно 6 МБ на медиа после Base64-кодирования. Распространяется по лицензии Apache-2.0.

GLiNER ContractNER Multi — многоязычная модель распознавания сущностей, дообученная Agile Lab на наборе ContractNER. Она извлекает из юридических договоров фрагменты текста, соответствующие заданным типам сущностей, включая стороны договора, должности, даты, условия продления, суммы и ссылки на законы и нормативные акты. Модель основана на GLiNER Multi v2.1 с энкодером mDeBERTa-v3-base и содержит около 209 млн параметров; поддерживает задаваемые пользователем метки, а для обученной схемы предусмотрено 18 типов сущностей. Модель предназначена для предварительного анализа договоров, проверки юридических документов и мониторинга сроков действия и продления договоров. В тесте на выборке из 158 примеров она показала micro F1 72,49% при пороге 0,9. Основная оптимизация выполнена для англоязычных договоров; качество может снижаться для языков с небольшим объёмом данных, а контекст ограничен 384 токенами, поэтому для длинных документов рекомендуется обработка скользящими окнами. Модель распространяется по лицензии Apache-2.0.

HYPJUDY/layoutlmv3-large-finetuned-funsd — модель Microsoft LayoutLMv3 Large, дообученная на наборе FUNSD для извлечения и классификации сущностей в формах и других документах. Архитектура LayoutLMv3 объединяет обработку текста и изображения с учётом расположения элементов на странице; модель содержит 454,1 млн параметров и принимает последовательности длиной до 514 токенов. Модель подходит для разметки слов и токенов в сканах форм, например для выделения вопросов, ответов и заголовков. В README указана оценка F1 92,15 на тестовой части FUNSD. Модель использует формат PyTorch и лицензию CC BY-NC-SA 4.0, предусматривающую атрибуцию и распространение производных материалов на тех же условиях с ограничением коммерческого использования.

felixtran/layoutlmv3-rvl-cdip-small — модель классификации документов на основе LayoutLMv3, дообученная автором репозитория на microsoft/layoutlmv3-base. Она принимает текст документа и его пространственную разметку, а также изображение страницы, чтобы относить документ к категории; архитектура содержит около 151,8 млн параметров и имеет контекст до 514 токенов. Карточка не раскрывает набор категорий и подробности обучения или оценки. Модель подходит для классификации документов по содержимому и макету, например, в системах автоматической сортировки и маршрутизации документов. Доступна в формате PyTorch по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и распространения производных работ на тех же условиях с ограничением на коммерческое использование.

AI-Enthusiast11/pii-entity-extractor — модель Maskify на базе DeBERTa, дообученная для распознавания именованных сущностей, содержащих персональные данные. Она принимает текст и выполняет токенную классификацию, выделяя имена, номера социального страхования, телефоны, номера кредитных карт и банковских счетов, банковские routing-номера и адреса. Модель содержит 306 млн параметров, использует архитектуру DeBERTa v2 и поддерживает контекст до 512 токенов. В карточке описана работа с английским языком; модель подходит для поиска персональных данных в текстовых документах и подготовки данных к обезличиванию. На отложенной части того же размеченного набора данных автор сообщает средние precision, recall и F1 около 0,95. Эти результаты не гарантируют такое же качество на других данных: для применения в чувствительных сценариях рекомендуется ручная проверка и оценка на данных целевого домена. Лицензия в предоставленных сведениях не указана.

Модель ab-ai/pii_model — дообученная версия BERT-base-cased для токенной классификации и обнаружения персональных данных в тексте. Её разработал Abhijeet Santosh Lokhande; модель обучена на датасете generator и распространяется под лицензией Apache-2.0. Модель размечает токены, относящиеся к именам, адресам, датам рождения, телефонам, электронной почте, номерам банковских карт и счетов, SSN, паролям и другим указанным в карточке категориям PII. Она подходит для выявления чувствительных фрагментов перед редактированием или маскированием документов и пользовательских данных. В карточке приведены результаты оценки: precision 95,53%, recall 96,60%, F1 96% и accuracy 99,11%. Это текстовая модель на архитектуре BERT; карточка заявляет поддержку английского языка. Показатели получены на указанной в карточке оценке и не гарантируют аналогичного качества на других данных или для всех типов сущностей. Для критичных сценариев защиты данных необходима проверка результатов.

TEMA Qwen2.5-Omni-7B Evidence GRPO — модель на базе архитектуры Qwen2.5-Omni с 7 млрд параметров, разработанная авторами проекта TEMA и дообученная для ответов на вопросы по нескольким аудиозаписям. Она ведёт многошаговый диалог, находит нужный фрагмент во временной последовательности аудио, обосновывает вывод свидетельствами и формулирует ответ. Для текстовых ответов в README предлагается отключить возврат аудио; основной сценарий модели — аудиовопросы с привязкой к временным фрагментам и подтверждающими свидетельствами. Обучение включает временную инициализацию, SFT для диалога и оптимизацию Evidence GRPO. В бенчмарке TEMA-Bench на 253 диалогах и 1 239 вопросах указаны результаты QA 69,81%, QA+T 58,76%, Span F1@0.5 58,65% и H@0.1 44,39%. Репозиторий содержит объединённые веса и адаптер для базовой модели bluesky7/TEMA-Qwen2.5-Omni-7B-SFT; используется библиотека Transformers и формат safetensors. Лицензия — Apache-2.0. Карточка описывает англоязычную версию; размер контекста не сообщается.

wav2vec2-xls-r-1b-ca-lm — модель распознавания каталонской речи, созданная PereLluis13 и дообученная на основе facebook/wav2vec2-xls-r-300m. Она использует архитектуру wav2vec2 с классификационной CTC-головой и принимает аудио, преобразуя его в текст. Для обучения использованы датасеты Mozilla Common Voice 8.0 (каталонская часть), tv3_parla и parlament_parla. Модель предназначена для автоматической транскрипции каталонской речи. В README отмечено, что точность может быть ниже для менее представленных диалектов; также возможны смещения и особенности исходных краудсорсинговых данных. Модель распространяется по лицензии Apache-2.0.

Whisper Large Norwegian Bokmål — дообученная модель распознавания речи на базе openai/whisper-large-v2, созданная NbAiLab. Она предназначена для автоматической транскрипции норвежской речи на букмоле. Обучение проводилось на корпусе примерно из 5 000 часов аудио: субтитрах NRK, стенограммах выступлений в парламенте Норвегии и записях Norsk Språkteknologi. Модель использует архитектуру Whisper Large v2 с 905,2 млн параметров и принимает аудио, выдавая текст. В README приведён результат на оценочном наборе: WER 10,72 и loss 0,2477; обучение на момент публикации ещё продолжалось, поэтому результаты могут измениться. Репозиторий распространяется по лицензии Apache-2.0.

ynie/albert-xxlarge-v2-snli_mnli_fever_anli_R1_R2_R3-nli — модель ALBERT-XXLarge-v2 для классификации текстовых пар по задаче Natural Language Inference (NLI). Она разработана пользователем ynie и опубликована на Hugging Face; модель также доступна через Transformers в форматах PyTorch и TensorFlow. Обучение выполнено на комбинации SNLI, MNLI, FEVER-NLI и ANLI R1, R2, R3. Модель принимает пару текстов и определяет, является ли второй текст следствием первого, нейтральным утверждением или противоречит ему. Архитектура — AlbertForSequenceClassification: 3,3 млрд параметров, 12 скрытых слоёв, 64 головы внимания, размер скрытого представления 4096; максимальная длина входа составляет 512 токенов. Выходные классы — entailment, neutral и contradiction. Сильная сторона модели — специализация на текстовом логическом выводе и проверке отношений между утверждениями, включая устойчивость к сложным примерам из ANLI. Модель не является генеративной и не предназначена для свободного создания текста; результат зависит от качества и формата входной пары, а длинные входы ограничены контекстом в 512 токенов. Лицензионные условия в доступных данных не установлены.

Bio-Saul-Dolphin-Beagle-Breadcrumbs — слитая диалоговая языковая модель, созданная с помощью mergekit на основе mlabonne/NeuralBeagle14-7B и моделей BioMistral, Saul-Instruct и Dolphin. Она предназначена для генерации текста в диалоге и может применяться для ответов на вопросы, в том числе по биомедицинским и юридическим темам, а также для общих инструкций. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса сохранены в формате safetensors. Слияние выполнено методом breadcrumbs; в конфигурации указаны точность float16 и плотность 0,9. Модель принимает текст и генерирует текст. Лицензия — MIT. Документация не содержит результатов оценивания качества, поэтому надёжность ответов, особенно в медицинских и юридических сценариях, следует проверять.

KB-Whisper Large — модель распознавания речи, выпущенная Национальной библиотекой Швеции (KBLab). Это дообученная версия Whisper large-v3 от OpenAI с архитектурой Whisper и примерно 905 млн параметров; модель принимает аудио и генерирует текстовые транскрипции. Она предназначена прежде всего для шведской речи: обучение проводилось на более чем 50 000 часах шведского аудио с текстовыми расшифровками, а в оценках на FLEURS, CommonVoice и NST авторы сообщают о среднем снижении WER на 47% относительно исходной Whisper large-v3. Доступны варианты транскрипции с разной степенью подробности: стандартный Stage 2, более сжатый Subtitle и более дословный Strict. Модель можно использовать через Transformers, а также в форматах ONNX и CTranslate2; карточка также описывает применение с WhisperX для получения временных меток слов. Лицензия — Apache-2.0. Основное назначение — транскрибация шведской речи; карточка не приводит отдельных ограничений качества для других языков.

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.

PereLluis13/wav2vec2-xls-r-1b-ca — модель автоматического распознавания речи на каталанском языке, созданная дообучением facebook/wav2vec2-xls-r-300m на наборах Common Voice 8.0 для каталанского, tv3_parla и parlament_parla. Она использует архитектуру wav2vec2 с выходной головой Wav2Vec2ForCTC и содержит 1,3 млрд параметров. Модель предназначена для преобразования каталанской речи в текст, в том числе для записей, похожих на данные обучающих корпусов: краудсорсинговую речь, телепередачи и парламентские выступления. Распространяется под лицензией Apache-2.0.