IV.9Медиа, журналистика, культура, архивы и игры

TencentARC/t2iadapter_color_sd14v1 — адаптер T2I-Adapter для управляемой генерации изображений с помощью Stable Diffusion. Разработан авторами работы «T2I-Adapter: Learning Adapters to Dig out More Controllable Ability for Text-to-Image Diffusion Models». Адаптер принимает изображение с цветовой палитрой 8×8 и использует её как дополнительное условие для генерации изображения по текстовому запросу. Модель предназначена для сценариев, где нужно задать цветовую гамму результата, сохранив текстовое управление генерацией. README связывает этот чекпойнт со Stable Diffusion 1.4, тогда как метаданные указывают базовую модель runwayml/stable-diffusion-v1-5; поэтому совместимость следует сверять с используемым чекпойнтом. Репозиторий содержит веса PyTorch, лицензия — Apache 2.0. README указывает английский язык; характеристики размера и контекста для этого адаптера не приводятся.

Cran-May/T.E-8.1 — дообученная диалоговая модель для ролевого общения, созданная на базе Qwen/Qwen2.5-7B-Instruct. Она использует плотную архитектуру Qwen2 и содержит 7,1 млрд параметров; принимает текстовые запросы и генерирует текст. По метаданным, модель поддерживает китайский и английский языки, а её контекст составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для ролевых диалогов и генерации ответов в чате. Она распространяется по лицензии CC BY-NC-SA 4.0, которая требует указания авторства, распространяет производные работы на тех же условиях и запрещает коммерческое использование. Карточка не сообщает подробностей о качестве ролевых ответов и специальных ограничениях модели.

Textolite 24B V.2 — объединённая языковая модель на архитектуре Mistral, созданная OddTheGreat на основе четырёх моделей: Delta-Vector/Rei-24B-KTO, Doctor-Shotgun/MS3.2-24B-Magnum-Diamond, OddTheGreat/Mechanism_24B_V.1 и zerofata/MS3.2-PaintedFantasy-v2-24B. Модель содержит 23,4 млрд параметров и рассчитана на генерацию текста, прежде всего ролевые диалоги в жанрах приключений и симуляции жизни, а также творческую прозу. По карточке, модель сохраняет контекст и следует инструкциям на достойном уровне; она тестировалась с Mistral V7-Tekken T1.01. Поддерживаются английский и русский языки, длина контекста — до 131 072 токенов. Модель принимает и генерирует текст, распространяется в формате Safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

THAI-BLIP-2 — модель для создания текстовых описаний изображений на тайском языке, разработанная дообучением Salesforce/blip2-opt-2.7b-coco на тайских подписях к изображениям MSCOCO2017. Она использует архитектуру BLIP-2 с языковой частью OPT-2.7B и предназначена для генерации подписи по изображению. Модель работает с изображениями и выдаёт текст; для использования предусмотрена библиотека Transformers, веса опубликованы в формате safetensors. Лицензия — MIT.

Thespis-Llama-3.1-8B — языковая модель семейства Thespis от Locutusque для ролевых диалогов, творческого письма и интерактивных историй. Это плотная авторегрессионная модель Llama 3.1 с 7,5 млрд параметров, дообученная методом Group Relative Policy Optimization (GRPO) на наборе roleplay4fun/aesir-v1.1. Модель ориентирована на связные ответы, последовательность персонажа и сокращение повторов и шаблонных фраз; поддерживает диалоговый режим и контекст до 131 072 токенов. Модель подходит для отыгрыша персонажей, создания художественных сцен и интерактивного повествования. Карточка отмечает, что это ранний выпуск: возможны непоследовательность и непредсказуемые ответы, а обучение модели планируется продолжать. Лицензия — Llama 3.1.

Карточка модели ariefvoltax/TRELLIS.2-4B на Hugging Face совпадает с карточкой microsoft/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.

Карточка модели mr4425390/TRELLIS.2-4B на Hugging Face совпадает с карточкой microsoft/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.

Это конверсия модели microsoft/TRELLIS.2-4B в конвейер diffusers-3d, опубликованная suvadityamuk. Она создаёт 3D-модели по входному изображению и поддерживает варианты генерации с разрешением 512, 1024 и 1536, включая каскадные пресеты. В репозитории сохранены компоненты TRELLIS.2, кроме кодировщика изображений DINOv3: его веса нужно получить отдельно, приняв лицензию Meta на странице facebook/dinov3-vitl16-pretrain-lvd1689m, и передать при загрузке модели. Конвейер может возвращать сетку с цветом вершин; для генерации PBR-текстурированной сетки требуется CuMesh, а для рендеринга Gaussian splats — дополнительный бэкенд gsplat. Веса модели не изменены, а формат репозитория адаптирован для diffusers-3d. Для модели указана лицензия MIT; при использовании CuMesh действуют отдельные условия, включая некоммерческую лицензию NVIDIA для cubvh.

Карточка модели Yuro1991/TripoSR на Hugging Face совпадает с карточкой stabilityai/TripoSR, поэтому описание составлено по ней. TripoSR — быстрая модель генерации и реконструкции 3D, разработанная совместно Stability AI и Tripo AI. Она по одному изображению строит трёхмерное представление объекта в прямом проходе, без итерационного процесса генерации. Архитектура следует подходу LRM и включает улучшения в подготовке данных, модели и обучении. Модель предназначена для быстрого получения 3D-объектов из изображений, например для прототипирования и создания исходных ассетов. Обучение проводилось на отобранных рендерах из Objaverse с методом рендеринга, рассчитанным на лучшее соответствие реальным изображениям. Репозиторий содержит веса PyTorch; лицензия — MIT. Качество реконструкции зависит от входного изображения, а описание не обещает готовность результата к игровому или производственному использованию. Разработчики рекомендуют более новую модель SF3D для получения более быстрых и готовых к играм ассетов. Модель не следует использовать для создания оскорбительных или тревожащих 3D-объектов либо контента, распространяющего стереотипы.

ludis/tsukasa-7b-qlora — это дообученная модель генерации текста на базе Mistral-7B-v0.1, созданная с помощью Axolotl. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров; указанная длина контекста — 32 768 токенов. Модель обучали методом QLoRA с рангом 16 для всех модулей. После настройки на koishi её дообучили на датасетах PIPPA и LimaRP в формате Metharme completion. Она предназначена для генерации текста и ролевых диалогов. Лицензия в предоставленных данных не указана.

Tsukasa Llama 3 8B QLoRA — разговорная языковая модель для генерации текста и ролевых диалогов. Её создал ludis на основе Meta Llama 3 8B Instruct, последовательно дообучив на наборах PygmalionAI/PIPPA и LimaRP. В README указано, что обучение проходило в два этапа по две эпохи, с контекстом 32 000 токенов на каждом этапе. Модель имеет плотную архитектуру Llama и около 7,5 млрд параметров. Модель предназначена для диалогов и ролевой игры; для запросов рекомендуется формат Llama 3 Instruct. Автор приводит настройки генерации, включая температуру 1 и Min-P 0,05, а также альтернативные параметры, которые могут уменьшить повторения ценой возможной потери достоверности. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

Модель yusufekorman/turkce-edebiyat-embedding-bge-m3-basic — дообученная модель эмбеддингов для турецких литературных текстов. Она предназначена для поиска семантически близких фрагментов, сравнения предложений и кластеризации произведений или отрывков на турецком языке. Модель построена на XLM-RoBERTa с pooling и нормализацией; размер эмбеддинга — 1024, максимальный контекст — 8194 токена. В метаданных указаны 658,7 млн параметров, библиотека Sentence Transformers и формат Safetensors. Для проверки автор приводит результаты на небольших наборах из 89 и 111 примеров; они не гарантируют аналогичного качества на других корпусах. Дообучение выполнено на открытых литературных материалах, классике турецкой литературы в общественном достоянии и структурированных paraphrase-триплетах. Базовая модель — nezahatkorkmaz/turkce-embedding-bge-m3. Лицензия в предоставленных данных не указана.

Yuang/unilm-base-chinese-news-sum — китайская модель для суммаризации новостей на базе архитектуры UniLM/BERT с условной генерацией текста. В README указано, что для работы используется совместимый с Hugging Face код UniLM; метаданные указывают 129,5 млн параметров и контекст длиной до 512 токенов. Модель предназначена для создания краткого пересказа китайских новостных текстов. Доступны веса PyTorch, лицензия Apache-2.0. Подробности о качестве, обучающих данных и дополнительных режимах работы в карточке не приведены.

BAAI/URSA-1.7B-FSQ320 — модель генерации и редактирования видео по текстовым запросам из семейства BAAI-Vision-URSA, разработанная BAAI. Она дообучена на базе Qwen/Qwen3-1.7B и использует дискретную диффузию; размер модели — 1,7 млрд параметров, точность FP16. Модель работает с видео разрешением 512×320 и запускается через библиотеку Diffusers. URSA предназначена для исследований генеративных моделей, а также для создания видеоматериалов в образовательных и творческих инструментах, дизайне и художественных проектах. Лицензия — Apache-2.0. Модель не гарантирует достоверного изображения людей и событий, не обеспечивает фотореализм и плохо генерирует сложный читаемый текст и детали вроде пальцев. Автокодирование приводит к потерям; обучающие данные включают контент для взрослых и сцены насилия, поэтому возможны предвзятость и небезопасные результаты.

Valorant Diffusion — модель генерации изображений по текстовому описанию, обученная автором на заставках персонажей Valorant и дополнительных иллюстрациях с официального сайта. Она основана на Stable Diffusion и распространяется в формате Diffusers с весами Safetensors. Для воспроизведения художественного стиля в запросе рекомендуется использовать токен «valorant style». Модель предназначена для создания портретов и пейзажей в стилистике иллюстраций Valorant; качество генерации других объектов, в частности автомобилей, ограничено. Автор отмечает, что модель обучена методом DreamBooth, а не textual inversion. Лицензия CreativeML OpenRAIL-M допускает использование и распространение производных моделей с условиями и ограничениями лицензии. Автор не связан с Riot Games и предупреждает об ответственности пользователя за результаты и соблюдение лицензии.

VerbaMaxima-12B — экспериментальная объединённая языковая модель на архитектуре Mistral, созданная автором Retreatcost с помощью mergekit. В репозитории указано, что она объединяет несколько моделей семейства Mistral Nemo; размер составляет 12,1 млрд параметров, формат весов — safetensors, библиотека — Transformers, лицензия — Apache-2.0. Заявленная длина контекста — 1 024 000 токенов. Модель предназначена для генерации текста и диалогов, особенно для ролевых сценариев и совместного написания историй. Автор стремился получить более сдержанный стиль без чрезмерно вычурной прозы, более правдоподобные взаимодействия и развитое построение мира. Слияние экспериментальное: README предупреждает, что некоторые аспекты могут работать не так, как задумано, а поведение менее предсказуемо.

jimenezalbert0/videomae-base-finetuned-ucf101-subset — модель для классификации видео, дообученная автором репозитория на базе MCG-NJU/videomae-base. Она использует архитектуру VideoMAEForVideoClassification и содержит 113,2 млн параметров. Метаданные указывают задачу video-classification; README сообщает о точности 0,8286 и значении loss 0,7217 на оценочном наборе, но не описывает его состав и число классов. Модель предназначена для отнесения видеоклипов к категориям по их содержимому. Основа VideoMAE предварительно обучена без учителя и рассчитана на последующее извлечение признаков и дообучение для классификации видео. Данные о поддерживаемых языках и длине контекста неприменимы или не приведены. Репозиторий распространяет веса в формате Safetensors и использует библиотеку Transformers. Лицензия CC BY-NC 4.0 требует указания авторства и ограничивает коммерческое использование. README не раскрывает обучающий датасет и подробно не описывает ограничения модели.

Vikhr-2-VL-2b-Instruct-experimental — компактная мультимодальная модель Vikhr Team на архитектуре Qwen2-VL, дообученная на переведённом датасете LLAVA-150K для работы с русскоязычными запросами об изображениях. Она принимает текст и изображения и формирует текстовые ответы; подходит для диалога, визуального анализа и ответов на вопросы по изображениям. Модель насчитывает 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Также заявлена поддержка английского языка. Модель является экспериментальной: ответы могут быть непредсказуемыми, а распознавание текста на изображениях (OCR) особенно ненадёжно. Распространяется по лицензии Apache-2.0.

Vision-OPD-4B — мультимодальная языковая модель для понимания изображений, разработанная на основе Qwen/Qwen3.5-4B и дообученная методом Vision On-Policy Distillation. Метод переносит умение отвечать на вопросы по мелким деталям с изображения-фрагмента на целое изображение: модель обучается на собственных ответах, сопоставляя восприятие фрагмента и полного изображения. Для этого использован набор из 6,2 тысячи синтетических примеров Vision-OPD-6K. Модель предназначена для диалога по изображениям и вопросов, требующих распознавания небольших объектов и визуальных деталей. При обработке целого изображения она учитывает тонкие детали за один проход, без внешних инструментов увеличения или многошагового агента. Поддерживаемые языки по карточке — английский и китайский. Модель загружается через Transformers и распространяется по лицензии Apache-2.0. В README заявлено улучшение тонкого визуального понимания при сохранении общих мультимодальных возможностей на тестах. Это заявление основано на оценках авторов; фактическое качество может зависеть от изображения и формулировки запроса.

Vision-OPD-9B — мультимодальная языковая модель на базе Qwen/Qwen3.5-9B, разработанная авторами Vision-OPD. Модель дообучена методом Vision On-Policy Distillation на наборе Vision-OPD-6K: изображение целиком служит входом для модели-ученика, а восприятие фрагмента того же изображения — источником самодистилляции. В карточке указано, что обучение использовало 6,2 тысячи автоматически синтезированных примеров и один проход по данным. Модель предназначена для диалога по изображениям и вопросов о мелких визуальных деталях, которые трудно заметить на полном изображении. По заявлению авторов, эффект визуального приближения усвоен так, что при использовании не нужны внешние инструменты кадрирования или многошаговый агентный вывод; также заявлено сохранение общих мультимодальных способностей на контрольных задачах. Архитектура — плотная Qwen3.5 с 9 млрд параметров; заявленные языки карточки — английский и китайский. Для загрузки указан Transformers версии 5.5 или выше. Модель распространяется по лицензии Apache-2.0. Оценки превосходства над другими моделями и сохранения способностей приведены авторами; карточка не содержит независимой проверки этих сравнений. Длина контекста и более подробные ограничения по качеству в README не описаны.

nateraw разработал модель на основе Vision Transformer (ViT), дообученную для классификации возраста человека по изображению лица. Она предназначена для сценариев, где нужно автоматически отнести лицо к возрастной категории; модель содержит 113,2 млн параметров и опубликована в форматах PyTorch и Safetensors. В карточке указан датасет FairFace. Модель принимает изображение и выдаёт результат классификации. Языковой ввод и вывод не предусмотрены. Лицензия в предоставленных данных не указана.

Это модель AudioMAE ViT-B/16, перенесённая в формат библиотеки timm разработчиком gaunernst. Она представляет собой Vision Transformer, применённый для анализа аудио: предварительно обучена методом masked autoencoder на AudioSet-2M и дообучена для классификации аудио на AudioSet-20K. Модель предназначена для классификации звуковых записей и может использоваться как backbone для извлечения аудиопризнаков. Модель принимает аудио и выдаёт классы звуков; также README указывает на использование для получения эмбеддингов. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Creative Commons Attribution 4.0 (CC BY 4.0).

Это GGUF-конверсия модели Wan2.1-Fun-14B-Control, разработанной alibaba-pai и дополнительно подготовленной пользователем city96. Модель предназначена для генерации видео по текстовому описанию и работы с видеогенерационными сценариями. Указанные языки — английский и китайский. Модель имеет размер 14B параметров и распространяется в формате GGUF, что делает её ориентированной на запуск через совместимую инфраструктуру, включая ComfyUI с пользовательским узлом ComfyUI-GGUF. Для работы требуются базовая модельные компоненты, VAE и дополнительные файлы Wan2.1; в данном репозитории они не включены и должны загружаться отдельно. Конкретные архитектурные характеристики, поддерживаемые модальности, размер контекста и варианты квантования в README не указаны. Модель распространяется по лицензии Apache-2.0. Её сильными сторонами являются поддержка видеогенерации и наличие GGUF-конверсии для интеграции с ComfyUI, однако качество, требования к ресурсам и ограничения конкретных вариантов квантования README не описывает.

Это конвертированная в формат Diffusers версия Wan2.1-Fun-V1.1-1.3B-InP от Alibaba PAI. Модель использует архитектуру WanTransformer3DModel с 1,3 млрд параметров и конвейер WanImageToVideoPipeline; веса преобразованы из формата VideoX-Fun с сопоставлением ключей без изменения архитектуры. Для работы указаны Diffusers и файлы safetensors, лицензия — Apache 2.0. Модель предназначена для генерации видео на основе изображения. Рекомендуемое разрешение — 480 × 832, длина ролика — 49 кадров при 16 кадрах в секунду, около трёх секунд. В составе репозитория также используются VAE и текстовый энкодер UMT5-XXL из Wan2.1-T2V-1.3B-Diffusers. Архитектура рассчитана на обработку шума, маски и латентного представления изображения, что соответствует варианту InP. Карточка не описывает качество генерации или поддерживаемые языки текстовых запросов; характеристики нельзя переносить с базовой модели без подтверждения.

Wan2.1_I2V_14B_FusionX-GGUF — это квантованная версия модели Wan14BT2VFusioniX для преобразования изображений в видео. Базовую модель разработал пользователь vrgamedevgirl84, а GGUF-конвертацию выполнил lym00 с использованием скриптов city96 из проекта ComfyUI-GGUF. Модель предназначена для сценариев image-to-video и может использоваться в ComfyUI через специальный узел ComfyUI-GGUF. Основная модель имеет размер 14B параметров и поставляется в формате GGUF. Для работы также требуются текстовый энкодер umt5-xxl-encoder и VAE Wan2_1_VAE_bf16. В метаданных указан английский язык, однако подробные сведения о поддерживаемых языках, максимальном контексте, архитектурных особенностях и характеристиках генерируемого видео не приведены. Ключевые преимущества модели — поддержка GGUF и интеграция с ComfyUI, что упрощает использование квантованных вариантов в соответствующей среде. Ограничения включают необходимость установки дополнительных компонентов и отсутствие в README данных о требованиях к памяти, производительности, качестве, типах квантования и совместимости с другими инструментами. Модель распространяется по лицензии Apache-2.0, при этом сохраняются исходные лицензии и ограничения базовых моделей.

Wan2.2-I2V-A14B-LowNoise-Q4_K_M — это квантизированная версия модели Wan2.2-I2V-A14B, разработанной Wan-AI. Модель предназначена для генерации видео на основе изображений (image-to-video): она преобразует исходное изображение в видеосцену, вероятно с использованием текстовых или иных управляющих параметров, однако подробности поддерживаемых сценариев в предоставленных данных не указаны. Модель распространяется в формате GGUF и представляет собой прямую конверсию базовой модели. Известно, что она относится к варианту LowNoise с квантизацией Q4_K_M; сведения о точном размере, архитектуре, количестве параметров, длине контекста, поддерживаемых модальностях и характеристиках качества не приведены. В метаданных указаны английский и китайский языки. Для работы модель может использоваться с пользовательским узлом ComfyUI-GGUF в ComfyUI; файлы модели размещаются в каталоге ComfyUI/models/unet. Указана лицензия Apache-2.0, при этом для квантизированной версии сохраняются исходные условия лицензирования и ограничения базовой модели. Ключевое ограничение — отсутствие в предоставленном README подробной информации о требованиях к оборудованию, производительности и возможных ограничениях применения.

BrainTheos/wav2vec2-large-mms-1b-all-lingala-ojpl — модель распознавания речи на основе wav2vec2, дообученная на facebook/mms-1b-all на данных audiofolder. Она преобразует входящую речь в текст и предназначена для распознавания речи на лингала; архитектура модели — Wav2Vec2ForCTC, размер — 1,3 млрд параметров. В оценке на тестовой выборке указаны loss 0,8394 и WER 0,2698. Модель подходит для транскрибирования записей и голосовых сообщений на лингала. Репозиторий содержит веса PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка не содержит подробных сведений о сценариях обучения и ограничениях качества.

Aniemore/wav2vec2-xlsr-53-emotion-v1-crosslingual — дообученная модель семейства Wav2Vec2 для распознавания эмоций в речи. Она классифицирует аудио по семи категориям: гнев, отвращение, энтузиазм, страх, радость, нейтральное состояние и грусть. Модель с 402,7 млн параметров обучена на смеси 27 939 фрагментов из восьми языков и разных речевых регистров, включая спонтанную речь; использует архитектуру Wav2Vec2ForSpeechClassification и библиотеку Transformers. Доступны версии весов fp32, int8, fp8 и int4. Модель предназначена для анализа эмоциональной окраски речи в аудиозаписях. На тесте спонтанной русской речи она показала более высокую оценку, чем предыдущая версия, обученная на разыгранных диалогах, но на разыгранной русской речи результат предыдущей версии был лучше. Показатели для семи нерусских языков приведены как внутридоменные и не подтверждают переносимость на новые говорящие. Базовая модель — Aniemore/wav2vec2-xlsr-53-russian-emotion-recognition. Лицензия — Apache-2.0; README указывает на наследование условий лицензии базовой модели.

Whisper-small-kenyan-english-nonstandard-v2 — модель распознавания речи, разработанная Alexander Sheldon Mainye и дообученная на базе openai/whisper-small. Она предназначена для транскрибирования нестандартного кенийского английского, в том числе в полевых условиях с фоновым шумом и артефактами мобильной связи. В обучении применялись шумовая аугментация аудиосигнала, имитация GSM-кодека и SpecAugment; модель содержит 153,1 млн параметров по метаданным и распространяется в формате safetensors. На тестовой выборке из датасета cdli/kenyan_english_nonstandard_speech_v1.0 указаны WER 15,77% на чистом аудио и 21,62% на шумовом. Модель оптимизирована для кенийского английского; качество на стандартном американском и британском английском может быть ниже, чем у исходной Whisper-small. Обучающая выборка невелика, а работа в помещениях с сильной реверберацией не проверялась. Лицензия — MIT.

Zyroxx66/whisper-small-somali — дообученная модель распознавания речи на основе архитектуры Whisper, опубликованная пользователем Zyroxx66. Она предназначена для преобразования сомалийской речи в текст. В README приведены результаты оценки: loss 0,1304 и WER 9,8739; сведения о наборе данных и условиях оценки отсутствуют. Модель распространяется в формате safetensors и рассчитана на работу через Transformers.