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

gctian/qwen2.5-14B-roleplay-zh — модель для ролевого общения, созданная полным дообучением Qwen2.5-14B-Chat на крупном наборе данных для ролевых сценариев. Архитектура — плотная причинная языковая модель Qwen2 с 14 млрд параметров; модель принимает текст и генерирует текст в диалоговом формате. Контекстное окно составляет 32 768 токенов. Модель предназначена для отыгрыша персонажей и ведения ролевых диалогов, прежде всего на китайском языке; метаданные также указывают английский. Автор сообщает, что по результатам оценки ролевые способности превосходят Doubao-Pro, но подробности методики и результатов не приведены. Для развёртывания README рекомендует LLama-Factory с шаблоном qwen. Лицензия — Apache-2.0.

Qwen3.5-2B-rk3588 — аппаратно оптимизированный порт мультимодальной модели Qwen3.5-2B, разработанный Q-engineering для работы на NPU Rockchip RK3588 и RK3588S. Модель предназначена для сценариев edge AI и встраиваемых систем, где требуется анализ изображений и генерация текстовых ответов непосредственно на устройстве, например для описания изображений и задач image-text-to-text. Модель использует архитектуру Vision-Language Transformer и состоит из языковой части объёмом 2B параметров и vision encoder. Языковая модель представлена в квантизации W8A8, vision encoder работает в FP16. Поддерживается обработка изображений с разрешением 448 × 448. Для запуска требуются RKNPU2, RKLLM версии 1.3.0, RKNN и OpenCV; заявленная реализация использует runtime RKLLM и RKNN. В тестах на RK3588 указано потребление около 2,9 ГБ RAM и производительность до 11 токенов в секунду, при этом время запуска зависит от холодного или тёплого старта. Сильными сторонами модели являются аппаратное ускорение на совместимых Rockchip-платформах, сочетание визуального и языкового ввода и относительно низкие требования к памяти для мультимодальной модели. Ограничения включают зависимость от конкретного оборудования и программного стека Rockchip, фиксированное указанное разрешение изображений, а также отсутствие в предоставленных данных сведений о поддерживаемых языках, размере контекстного окна и лицензии.

Qwen3.8-27B-Humanlike-Chat-GGUF — текстовая модель для локального запуска, разработанная LessThanThreeAI. Она представляет собой GGUF-квантизации модели huihui-ai/Huihui-Qwen3.8-27B-abliterated, основанной на Qwen/Qwen3.8-27B, с адаптером Humanlike Chat ранга 256 и шагом 576. Адаптация направлена на более естественный, краткий и взаимный диалог вместо типичных ответов ассистента. Модель предназначена прежде всего для ролевого общения с персонажами, companion chat, интерактивной художественной прозы и NPC с заданной личностью. Она поддерживает работу с character card или системным промптом для задания идентичности, окружения и отношений. Модель текстовая, рассчитана на запуск через llama.cpp и доступна в вариантах от IQ4_XS до BF16 объёмом примерно от 15,10 до 53,81 ГБ; наиболее сбалансированным вариантом README называет Q4_K_M размером 16,56 ГБ. Нативная длина контекста составляет 262 144 токена, при этом для начала рекомендуется 32 768 токенов, поскольку увеличение контекста требует дополнительной памяти под KV-кэш. Сильными сторонами являются ориентация на естественный персональный диалог, ролевые сценарии и локальное использование; ограничения включают текстовую модальность и значительные требования к памяти, зависящие от квантизации и длины контекста. Модель распространяется по лицензии Apache-2.0.

Qwen-Image-2.1-LoRAs — набор LoRA-адаптеров, разработанный WarmBloodAban для базовой модели Qwen/Qwen-Image-2.1. Репозиторий предназначен главным образом для редактирования изображений в аниме-стилистике, включая повышение согласованности персонажа при работе с референсами и изменении выражений лица. В README указан адаптер Qwen2.1_Anime_consistency, обученный преимущественно на листах персонажей с четырьмя ракурсами и примерах редактирования мимики. Модель находится в экспериментальной стадии, поэтому стабильность и конкретные результаты редактирования не гарантируются. Это LoRA-модель для Diffusers с поддержкой image editing; сведения о размере, точной архитектуре адаптера, мультимодальных возможностях, языках и максимальном контексте не указаны. Для использования рекомендуется применять официальные настройки Qwen-Image 2.1 для числа шагов сэмплирования и CFG Scale, а вес LoRA первоначально устанавливать в диапазоне 0,6–0,8 с последующей корректировкой под задачу. Модель распространяется по лицензии Apache-2.0.

Qwen-Image-Edit-LoRA-Collection — это набор адаптеров LoRA для базовой модели Qwen/Qwen-Image-Edit-2511, предназначенный для задач редактирования и преобразования изображений по принципу image-to-image. Коллекция интегрируется с библиотекой Diffusers и позволяет применять различные дополнительные настройки модели для генерации визуальных результатов. Модель разработана авторами, указанными в карточке как Stranger Zone и Prithiv Sakthi; репозиторий размещён под идентификатором mario-d-robot/Qwen-Image-Edit-LoRA-Collection. Коллекция ориентирована на эксперименты с художественными стилями и другими визуальными сценариями, однако README не содержит подробностей о назначении отдельных адаптеров, поддерживаемых языках, модальностях, размере модели или длине контекста. Ключевая особенность и одновременно ограничение — наличие нескольких checkpoint-файлов LoRA в одном наборе. Поэтому коллекция менее удобна для прямого использования через inference providers; для работы требуется выбрать и подключить нужный адаптер к совместимой базовой модели. Лицензия — Apache-2.0.

fhai50032/RolePlayLake-7B-Toxic — англоязычная текстовая модель для генерации ролевых диалогов и творческих текстов с менее строгими ограничениями на содержание. Её разработал fhai50032, дообучив RolePlayLake-7B методом QLoRA; в карточке указаны архитектура Mistral, около 7,1 млрд параметров и контекст до 32 768 токенов. Модель рассчитана на форматы диалога Alpaca и ChatML. Дообучение на наборе Undi95/toxic-dpo-v0.1-sharegpt и других данных, снижающих ограничения, предназначено для более свободной генерации. Приведённые в README результаты отдельных тестов не гарантируют качество в других сценариях. Модель распространяется по лицензии Apache-2.0.

Roleplay-Mistral-7B — разговорная модель на архитектуре Mistral, разработанная vicgalle и дообученная на базе Mistral-Instruct-7B-v0.2. Она предназначена для ролевых диалогов и формирует ответы в заданном формате: реплика персонажа с описанием действия. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Карточка указывает на обучение с использованием датасета ResplendentAI/NSFW_RP_Format_DPO; модель рассчитана на ролевые сценарии, в том числе взрослого содержания. Доступны веса в формате Safetensors для Transformers. Лицензия — Apache-2.0.

Карточка модели officialmobai/rostam на Hugging Face совпадает с карточкой prog-love/rostam, поэтому описание составлено по ней. Рустам V4 — независимая персоязычная языковая модель, разработанная проектом prog-love на архитектуре GPT-2. Модель прошла последовательное дообучение на классической персидской литературе и инструкционных примерах; текущая версия расширена до 36 слоёв методом Progressive Layer Stacking и содержит около 117,5 млн параметров. Для токенизации используется собственный Byte-Level BPE, контекст ограничен 256 токенами. Модель предназначена для генерации текста на персидском языке и выполнения инструкций: она может отвечать на запросы, поддерживать простые диалоги и создавать тексты, опираясь на классическую персидскую поэзию и прозу. В обучении использованы датасеты Persian Alpaca, Shahnameh и Ganjoor. Карточка заявляет способность к многошаговым рассуждениям, однако короткое контекстное окно и размер модели ограничивают сложные задачи и работу с длинными материалами. Распространяется по лицензии MIT.

Sarv-Hybrid — модель семейства Sarv от artindnr для генерации персидской поэзии. Она дообучена методом LoRA на artindnr/strawberry-1 и выпущена со слитыми с базовыми весами адаптерами. Архитектура — GPT-OSS с mixture-of-experts; в репозитории указаны веса Safetensors, 1,6 млрд параметров и контекст до 131 072 токенов. Модель поддерживает диалоговый режим и рассчитана на персидский язык. Sarv-Hybrid выбирает в зависимости от запроса, использовать ли перед стихотворением канал рассуждений: это может помочь при заданных метре, рифме, радифе или эмоциональной структуре, а для простых тем позволяет отвечать короче. Модель подходит для генерации персидских стихов и экспериментов с автоматическим выбором глубины рассуждений. Решение о рассуждении не гарантировано: модель может рассуждать на простом запросе или пропустить этот шаг на сложном. Лицензия — Apache-2.0.

Slpk32/saved — модель LoRA для генерации изображений по текстовому описанию, опубликованная пользователем Slpk32. Она предназначена для использования в экосистеме Diffusers поверх базовой модели lopi999/Wan2.2-I2V_General-NSFW-LoRA; в карточке также указан тег text-to-image. Пример виджета демонстрирует генерацию изображения по текстовому запросу, однако подробное назначение и специализация адаптера не описаны. Известно, что это адаптер LoRA, но его размер, точная архитектура, поддерживаемые языки, рабочий контекст, требования к аппаратному обеспечению и конкретные сильные стороны не указаны. В метаданных отсутствует instance prompt. README не содержит сведений о лицензии и явных ограничениях использования, поэтому условия распространения и применения определить нельзя.

Abdrah/scout-eccv-v17 — модель SCOUT для поиска людей в видео по текстовому описанию. Она создана для системы Sim-to-Real Text-Based Person Retrieval и представлена в работе для воркшопа ECCV 2026. Модель сочетает замороженный видеокодировщик V-JEPA2 ViT-L/16, замороженный текстовый кодировщик EmbeddingGemma-300M и обучаемый предиктор из 24 слоёв. Всего в рецепте 1 161,8 млн параметров, из них обучаемых — 549,6 млн. Модель кодирует изображения и текст в нормализованные векторы, пригодные для сопоставления текстового описания с видеоданными и поиска подходящих людей. В репозитории находятся обученные параметры предиктора и конфигурация; веса замороженных кодировщиков загружаются из отдельных публичных источников. Валидационные показатели, приведённые в README: mAP@10 0,8639 и Hit@10 0,9862. Лицензия — Apache-2.0. Указанная конфигурация принимает изображения размером 384×384 и текстовые описания; поддерживаемые языки в карточке не обозначены. Модель ориентирована на исследовательский сценарий поиска людей по видео, поэтому приведённые результаты не гарантируют такую же точность на других данных и условиях съёмки.

SikuGPT2-poem — языковая модель JeffreyLau для генерации китайской классической поэзии. Это плотная модель семейства GPT-2, представленная в формате PyTorch и предназначенная для генерации текста. Для обучения использован корпус китайской поэзии; модель дообучена на базе SikuGPT2, которая обучалась на полном тексте энциклопедии «Сыку цюаньшу». Она подходит для создания стихотворных текстов в китайской классической традиции. Контекст модели — 1024 токена. В README отмечено, что при использовании Hosted Inference API специальные токены, например [SEP] и [UNK], могут удаляться, из-за чего результат отображается некорректно. Лицензия в предоставленных сведениях не указана.

Модель создана Pinguin как дообученная с помощью DreamBooth версия Stable Diffusion для генерации изображений в стиле карты мира Smario. Для создания изображения в нужном стиле в запросе следует использовать формулировку «a map in style of sks». Модель предназначена для генерации изображений по текстовому описанию. Репозиторий содержит модель в форматах Diffusers и PyTorch. Лицензия — MIT. Карточка не приводит сведения о размере модели, поддерживаемых языках или длине контекста.

SpoomplesMaxx Card Maker V1 — модель aimeri, дообученная на базе IBM Granite 4.1 8B Base для генерации карточек персонажей SillyTavern. Она преобразует короткое описание или набор ограничений в готовую карточку формата V2/V3 с описанием, характером, сценарием, первым сообщением и примерами реплик; иногда добавляет lorebook. Модель содержит 8,4 млрд параметров, использует архитектуру Granite и поддерживает контекст до 131 072 токенов. Она рассчитана на английский язык и выдаёт непосредственно текст карточки, без вступления в стиле ассистента. Модель подходит для создания персонажей по архетипу, имени, профессии или краткой идее, включая проработку голоса персонажа и сцены первого сообщения. Это генератор карточек для одного запроса, а не модель для ролевого диалога, общего общения или ответов на фактические вопросы. Результат не гарантированно соответствует схеме и перед импортом в SillyTavern требует проверки. В обучающих данных есть безопасные и откровенные карточки; возможен зрелый или нежелательный контент, а также унаследованные предубеждения. Лицензия — Apache 2.0.

spoomplesmaxx-cardmaker-v2 — текстовая модель aimeri, созданная полным дообучением Ministral 3 14B на датасете SillyTavern-карточек. Она преобразует короткий запрос на естественном языке в готовую карточку персонажа V2/V3: описание, характер, сценарий, первое сообщение, примеры диалога и иногда лорбук. Модель рассчитана на генерацию англоязычных карточек для SillyTavern; её обучали на базовом, а не instruct-чекпойнте, поэтому она выдаёт содержимое карточки без вступления от ассистента. Размер — 13,4 млрд параметров, архитектура — плотная Ministral 3, длина контекста — до 262 144 токенов. Формат весов — safetensors, библиотека — Transformers. Модель предназначена для однократной генерации карточки персонажа по концепции, архетипу, имени и ограничениям или даже по одной строке описания. Это не универсальный ассистент и не модель для многоходового общения или ролевой игры. Результат — сгенерированный текст, его структура не гарантируется, поэтому перед импортом в SillyTavern карточку следует проверить валидатором. Обучение включало безопасные и откровенные карточки, поэтому возможен зрелый или неприемлемый контент; также модель наследует жанровые и демографические перекосы источников. Лицензия — Apache 2.0.

SportsBERT — англоязычная модель семейства BERT, разработанная Prithvishankar Srinivasan в Microsoft и обученная с нуля на спортивных новостях. Это плотная модель с архитектурой BERT base uncased и примерно 120,9 млн параметров; контекст — до 512 токенов. Для спортивной тематики создан отдельный токенизатор с расширенным спортивным словарём. Основная задача — предсказывать замаскированные слова в спортивных текстах, например подбирать вероятные продолжения фразы с пропуском. Модель подходит как основа для дообучения классификаторов и систем извлечения сущностей из спортивных материалов. В обучающем корпусе были новости о футболе, баскетболе, хоккее, крикете, бейсболе, Олимпийских играх, теннисе, гольфе и MMA. Модель принимает текст и выдаёт вероятности токенов для заполнения маски. Её специализация ограничивает применимость к неспортивным текстам, а для классификации и извлечения сущностей требуется дополнительное дообучение. Доступны веса PyTorch и Flax; лицензия в предоставленных данных не указана.

wren11ws/sunup — англоязычная причинно-следственная языковая модель, разработанная на основе distilgpt2 и дообученная на оригинальных текстах песен. Она предназначена для генерации ритмичных строк и текстов песен с учётом рифмы, стихотворного размера и последовательного построения лирики, в частности для работы с Suno Custom Mode. Модель построена на архитектуре GPT-2 и содержит около 81,9 млн параметров. Она принимает текст и генерирует текст, использует токенизатор GPT-2 и поддерживает контекст до 1024 токенов. В README сообщается о 3500 примерах и завершении 300 шагов обучения; отдельной оценки качества не приведено. Модель распространяется по лицензии Apache-2.0. Она специализирована на англоязычных песенных текстах и стихотворной ритмике; качество для других языков и общих задач не подтверждено.

Карточка модели SYNAPSEai1/Synapse-Music-Cover на Hugging Face совпадает с карточкой HeartMuLa/MuLaCover, поэтому описание составлено по ней. MuLaCover — модель для создания кавер-версий песен и музыкальных ремиксов, разработанная командой HeartMuLa и представленная в репозитории HeartMuLa. Она преобразует исходную музыку с учётом текста песни и структурированного текстового описания стиля; также поддерживает генерацию на основе мелодии или аккордов в формате MIDI. Модель предназначена для управляемого преобразования музыкального аудио: можно задавать текст и стиль, чтобы получить новую версию композиции, или использовать MIDI-мелодию и аккорды как основу. Для запуска применяется библиотека MuLaCover; для некоторых сценариев нужны дополнительные контрольные точки HeartCodec, Qwen3-Embedding-0.6B, YourMT3 и ChordNet. В репозитории опубликованы конфигурация архитектуры, токенизатор и разделённые на части веса в формате safetensors. Модель принимает аудио, а также использует текстовые подсказки, текст песни и MIDI для управления генерацией. Лицензия CC BY-NC 4.0 разрешает использование на условиях указанных ограничений, включая запрет коммерческого использования.

The-Owl-House-Diffusion — модель генерации изображений по текстовому описанию, созданная Theodora527 методом DreamBooth с помощью ноутбука TheLastBen fast-DreamBooth. Она предназначена для генерации изображений с концепцией, активируемой токеном «tohdana»: например, портретов эльфийской девушки или замка среди болот. Модель работает с Stable Diffusion через Diffusers и может использоваться для создания иллюстраций по текстовым запросам. Модель опубликована в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки; английские примеры запросов показывают типичный формат использования.

Модель tihon-nth/timesformer-fc-loss-8-10-epochs-5_class_1_p0_full_splited-1789192796.4996567 — дообученная версия facebook/timesformer-base-finetuned-k400 для классификации видео. Она использует архитектуру TimeSformer и содержит 113,2 млн параметров. В README указаны результаты на оценочном наборе: accuracy 0,794 и loss 0,3319. Модель предназначена для отнесения видео к классам целевого набора данных, однако названия классов, состав набора и конкретные сценарии применения в карточке не раскрыты. Базовая модель обучена распознавать 400 категорий действий Kinetics-400, но неизвестно, сохранены ли эти категории после дообучения. Лицензия репозитория — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

blueapple8259/TinyStoriesWriter-korean — языковая модель автора blueapple8259 для генерации коротких историй на корейском языке. Она предварительно обучена на наборе TinyStories-Korean, а затем дополнительно обучена на данных, где к 1% историй добавлены описания. Модель использует плотную архитектуру LlamaForCausalLM и содержит 40,8 млн параметров. Она принимает текстовые подсказки и генерирует текст; длина контекста составляет 512 токенов. Репозиторий содержит веса в формате safetensors, лицензия — MIT.

TrackWan 1.3B — исследовательский чекпойнт для генерации видео из изображения с управлением движением по траекториям точек. Модель дообучена на базе Wan2.1-Fun-1.3B-InP; обученный компонент — WanTransformer3DModel с дополнительной головой track-conditioning. Текстовый энкодер и VAE используются от базовой модели. Модель принимает исходное изображение и покадровые траектории точек с данными об их видимости, чтобы создавать видео с заданным движением объектов или областей сцены. Это двунаправленный вариант обучения merged_bias, чекпойнт 4800. Веса трансформера представлены в bf16 в формате safetensors; для запуска требуется специализированная архитектура WanTrack в форке FastVideo и компоненты Wan2.1-Fun-1.3B-InP. Лицензия — Apache-2.0.

Модель Allenbv — версия Stable Diffusion, дообученная методом DreamBooth для генерации изображений в стиле True-GUWEIZ. Для активации стиля в текстовом запросе используется токен truegwz; модель предназначена для создания изображений по текстовым описаниям с характерной стилизацией True-GUWEIZ. Модель опубликована в формате Diffusers/PyTorch и использует лицензию CreativeML OpenRAIL-M. Карточка демонстрирует примеры генерации, но не приводит сведения о конкретной версии Stable Diffusion, размере модели, длине контекста или поддерживаемых языках. Качество и применимость за пределами изученного стиля могут зависеть от формулировки запроса.

Vāgdhenu — модель синтеза санскритского песнопения, разработанная автором модели на базе IndicF5. Она предназначена для озвучивания классических санскритских текстов в стиле pā­rāyaṇa — для декламации, учебных материалов и повышения доступности текстов. Модель односпикерная; для синтеза использует архитектуру F5-TTS с flow-matching DiT примерно на 337 млн параметров и вокодер BigVGAN-v2, дообученный на мел-спектрограммах F5. Санскрит подаётся в записи каннада, поскольку деванагари приводит к нежелательному выпадению гласных. Модель корректно произносит сложные сочетания согласных, включая ретрофлексные придыхательные, а в README для экспертной оценки указана MOS около 4,6. Просодия зависит от аудиопримера: произвольное задание просодии не поддерживается. Ведические svaras модель не синтезирует. Лицензия — Apache-2.0; голос принадлежит автору, поэтому разработчик просит использовать его ответственно и не выдавать синтез за речь другого человека.

locih/violence_classification — дообученная модель Vision Transformer для классификации изображений по наличию насилия. Она предназначена для выявления сцен насилия и разделения изображений на категории «насильственные» и «ненасильственные». Модель содержит 113,2 млн параметров и представлена в формате Safetensors. Обучение проводилось на Violence Detection Dataset с Kaggle, содержащем изображения насильственных и ненасильственных сцен. Карточка не приводит результаты оценки и подробности о применении. Лицензия в доступных данных не указана.

ViTPose++ Large — модель компьютерного зрения на основе обычного, неиерархического Vision Transformer и лёгкого декодера для оценки позы человека. Разработана командой ViTAE-Transformer; карточка опубликована в Transformers и указывает авторов Yufei Xu, Jing Zhang, Qiming Zhang и Dacheng Tao. Модель принимает изображения и определяет координаты ключевых точек тела человека, например суставов. Семейство ViTPose показало высокие результаты на бенчмарке MS COCO Keypoint; README приводит оценку до 81,1 AP для ViTPose++. Модель подходит для анализа поз на изображениях, а при обработке кадров — и видео, включая отслеживание упражнений, движений и действий. Обучающие и оценочные данные включают MS COCO, AI Challenger, MPII, CrowdPose и OCHuman. Карточка описывает ограничения семейства: результаты могут зависеть от окклюзий и качества входных данных, а дополнительные архитектурные улучшения ещё не исследованы. Репозиторий распространяется по лицензии Apache-2.0.

Модель tiantiaf/voxlect-french-dialect-mms-lid-256 предназначена для классификации французских диалектов в аудиозаписях. Она разработана Tiantian Feng в рамках работы Voxlect: A Speech Foundation Model Benchmark for Modeling Dialect and Regional Languages Around the Globe и дообучена на базе facebook/mms-lid-256, модели Facebook на архитектуре Wav2Vec2 для идентификации языков по речи. Модель различает французскую речь, связанную с Африкой, Францией, Канадой, а также Швейцарией, Бельгией и Германией. Она принимает аудио и выдаёт метку класса диалекта. В карточке указан формат safetensors и библиотека Transformers. Лицензия CC BY-NC 4.0 запрещает коммерческое использование; не следует применять модель для клинической диагностики, наблюдения или вмешательства в частную жизнь. При использовании необходимо соблюдать требования к согласию и конфиденциальности говорящих.

Waltz_with_Bashir_Diffusion — модель генерации изображений на основе Stable Diffusion v1.5, дообученная на кадрах мультфильма «Вальс с Баширом». Разработчик — владелец репозитория mikesmodels. Для получения изображений в характерной стилистике модели рекомендуется добавлять к запросу ключевое слово «wltzwthbshr». Модель принимает текстовые запросы на английском языке и создаёт изображения; карточка демонстрирует работу через Diffusers и указывает форматы Diffusers и PyTorch. В примере генерации показаны настройки Euler a, 35 шагов, CFG 7 и разрешение 1024×1024 с high-res fix, но это параметры примера, а не гарантированные характеристики модели. Указана лицензия CreativeML Open RAIL-M. Модель специализирована на стилистике исходного мультфильма, поэтому её результаты могут быть менее предсказуемы для запросов вне этой области.

alianurrahman выпустил модель wav2vec2-base, дообученную для распознавания эмоций в индонезийской речи. Это аудиоклассификатор на архитектуре Wav2Vec 2.0 с 113,3 млн параметров, основанный на facebook/wav2vec2-base и сохранённый в формате safetensors. Модель принимает речь на индонезийском языке и относит её к одному из пяти классов: злость, отвращение, страх, радость или грусть. Модель подходит для анализа эмоциональной окраски индонезийских голосовых записей. В README указаны точность 0,8223 и loss 0,5023 на наборе оценки. Для дообучения использовался RAVDESS, описанный в карточке как 1440 записей на индонезийском языке; подробности о методике оценки и ограничениях не приведены. Лицензия — Apache-2.0.

Модель canlinzhang/wav2vec2_speech_emotion_recognition_trained_on_IEMOCAP — дообученная на IEMOCAP модель wav2vec2 для классификации эмоций в речи. Она принимает аудиозаписи, нормализованные по громкости и дополненные шумом, изменением высоты тона и растяжением; перед обучением аудио обрезали или дополняли до 8 секунд. Модель различает четыре класса: радость, гнев, грусть и нейтральное состояние; класс frustration не включён. Модель основана на facebook/wav2vec2-base и содержит 113,3 млн параметров. В независимом от говорящего разделении Ses05F использовался для валидации, а Ses05M — для тестирования. В README указана точность около 67% на валидации после 10 эпох. Лицензия и поддерживаемые языки в предоставленных данных не описаны.