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

Модель tiantiaf/wavlm-large-broader-accent — дообученная Microsoft WavLM Large модель для классификации английской речи по широким категориям акцента. Она различает три категории: Британские острова, Северная Америка и другие акценты. Модель предназначена для анализа речевых записей и характеристики речи и говорящих; в карточке она связана с исследованием Vox-Profile и датасетами EDACC и Common Voice 11.0. Модель принимает аудио и выдаёт категорию акцента. Веса опубликованы в формате safetensors, лицензия — OpenRAIL. Карточка не описывает точность и ограничения классификатора; три широкие категории не позволяют определять конкретные акценты внутри каждой группы.

Young-Children-Storyteller-Mistral-7B — языковая модель для генерации текстов, ориентированная на создание историй для маленьких детей. Исходная модель разработана ajibawa-2023, а представленная версия представляет собой набор GGUF-квантизаций, подготовленных bartowski с использованием llama.cpp. Модель обучалась на датасете Children-Stories-Collection и предназначена прежде всего для генерации детских рассказов, а также образовательных и познавательных текстов на английском языке. В основе лежит архитектура Mistral с 7 миллиардами параметров. Модель работает в текстовой модальности и распространяется в формате GGUF, совместимом с llama.cpp и связанными инструментами локального запуска. Доступны варианты квантизации от Q8_0 до Q2_K с размером файлов примерно от 2,71 до 7,69 ГБ. В README не указаны размер контекста, требования к оперативной памяти, дополнительные языки или результаты формальной оценки качества. Более высокие варианты квантизации обычно лучше сохраняют качество, тогда как низкие требуют меньше ресурсов, но могут заметно уступать по качеству генерации. Модель лицензирована по Apache License 2.0. Ее сильные стороны — специализация на детских историях, возможность локального использования и широкий выбор квантизаций под разные ограничения по памяти. Ограничения включают ориентацию на английский язык, неизвестные параметры контекста и отсутствие опубликованных количественных оценок; качество и безопасность содержания следует проверять перед использованием с детьми.

Intel/zoedepth-nyu-kitti — модель ZoeDepth, дообученная на наборах данных NYU и KITTI. Она основана на DPT и предназначена для оценки глубины по одному изображению: в отличие от относительной оценки, модель предсказывает метрические значения глубины. ZoeDepth была представлена в работе Shariq и соавторов о переносе zero-shot для метрической глубины. Модель подходит для получения карты глубины из изображения, в том числе при переносе на новые сцены без отдельного обучения под каждую из них. В репозитории опубликованы веса Safetensors; заявлена лицензия MIT. Карточка не приводит численный размер модели и конкретные ограничения качества.

4D-RGPT-8B — мультимодальная языковая модель NVIDIA для понимания видео на уровне отдельных областей и рассуждений о 3D-сценах во времени. Модель построена на NVILA-Lite-8B: использует визуальный энкодер SigLIP, мультимодальный проектор и языковую модель; содержит 8 млрд параметров. При обучении применялась дистилляция перцептивных сигналов, включая глубину и оптический поток, а временные метки кадров кодируются методом Timestamp Positional Encoding. Модель принимает видео, изображения и текстовые запросы, а отвечает текстом. Она предназначена для вопросов и ответов о видео с временными и региональными подсказками, оценки на бенчмарках и исследований 3D/4D-рассуждений. Среди возможных областей прототипирования — робототехника, автономное вождение и промышленный контроль. Карточка указывает английский язык; отдельное максимальное окно контекста не приводится. Модель разработана NVIDIA и опубликована для исследований и разработок. Для запуска используется NVILA; обучение проводилось на NVIDIA A100 с 80 ГБ памяти, поэтому практическое применение требует подходящей GPU-инфраструктуры и проверки на данных конкретной задачи. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование.

YesayaAlvinK/bible-search-project — sentence-transformers-модель на базе indobenchmark/indobert-base-p1, дообученная для поиска семантически близких предложений и абзацев. Она кодирует текст в плотные векторы размерностью 768 и сравнивает их с помощью косинусного сходства; архитектура включает BertModel и mean pooling. Модель рассчитана прежде всего на индонезийский текст: обучающие примеры состоят из парафраз библейских фрагментов. Максимальная длина входа — 512 токенов. Модель подходит для поиска релевантных библейских отрывков по запросу и сопоставления перефразированных фрагментов. Она принимает текст и выдаёт векторные представления, но сама не генерирует ответы. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Charlotte-2b — разговорная языковая модель, разработанная Clemylia и обученная с нуля. Это плотная GPT-2-модель с 2 млрд параметров, предназначенная для диалогов и генерации текста на французском языке. Её ответы ориентированы на темы надежды, дружбы и этики; модель может использовать авторские неологизмы и поэтические выражения. Модель подходит для обсуждения этических дилемм, философских вопросов и создания вдохновляющих текстов. Контекст ограничен 182 токенами, поэтому она рассчитана на короткие запросы и ответы. Карточка предупреждает о возможных выдуманных фактах, необычной лексике и сниженной точности в технических и фактологических вопросах. Лицензия указана как other, конкретные условия использования в карточке не описаны.

ClothesClassificationhnm1 — классификатор изображений одежды, созданный пользователем IrshadG и опубликованный как автоматически сгенерированная модель HuggingPics. Модель предназначена для определения класса одежды на изображении; карточка не уточняет перечень классов или сценарии применения. Модель построена на архитектуре Vision Transformer (ViT) и содержит 113,2 млн параметров. Она принимает изображения и выдаёт метку класса. В репозитории указаны веса в формате safetensors. README не приводит сведения о лицензии, языках меток или обучающих данных.

Карточка модели eventdata-utd/ConfliBERT-scr-uncased на Hugging Face совпадает с карточкой snowood1/ConfliBERT-scr-uncased, поэтому описание составлено по ней. ConfliBERT-scr-uncased — предварительно обученная языковая модель семейства BERT для анализа политических конфликтов и насилия. Модель разработана авторами ConfliBERT; эта версия обучена с нуля с использованием собственного словаря без различения регистра. Модель предназначена для языковых задач в тематике политических конфликтов и насилия. Она реализована как BertForMaskedLM с 136,3 млн параметров и контекстом до 512 токенов; доступный формат весов — PyTorch. Основная задача по метаданным — заполнение пропусков в тексте. Модель не является чат-ассистентом и предназначена для предсказания замаскированных токенов, а не для свободной генерации ответов. README не сообщает языки обучающих данных или результаты оценки качества. Лицензия — GPL-3.0.

Intel DPT-Hybrid, также известная как MiDaS 3.0, — модель Dense Prediction Transformer для оценки глубины по одному изображению. Её разработали Intel и Hugging Face на основе работы Ranftl и коллег «Vision Transformers for Dense Prediction» (2021). Модель содержит 113,2 млн параметров и использует гибридную архитектуру ViT с дополнительными блоками для плотного предсказания. Модель предназначена для оценки относительной глубины объектов на изображении без обязательного дообучения и для переноса между наборами данных. Она обучалась на 1,4 млн изображений, собранных из нескольких наборов данных; в README приведены результаты сравнения с MiDaS и DPT-Large на нескольких бенчмарках. Для конкретной прикладной задачи может потребоваться дообучение. Лицензия — Apache 2.0.

EE-LMaid-7B-Slerp — экспериментальная слитая языковая модель на 7,1 млрд параметров, созданная с помощью LazyMergekit. Она объединяет SanjiWatsuki/Loyal-Macaroni-Maid-7B и ND911/EE-Maid-7B-Slerp методом SLERP; последняя также основана на слиянии моделей SanjiWatsuki/Silicon-Maid-7B и maywell/Synatra-7B-v0.3-RP. Архитектура — плотная MistralForCausalLM, веса опубликованы в формате safetensors, контекст — до 8192 токенов. Модель предназначена для генерации текста в ролевых диалогах с персонажами и обычном общении; README указывает на использование с SillyTavern и Min-P. Карточка характеризует слияние как экспериментальное. Лицензия в предоставленных данных не указана.

PhilflowIO разработала эту разговорную Gemma 3 12B как дообученную версию google/gemma-3-12b-it для немецких текстов сайтов и маркетинговых материалов. Модель генерирует текст и предназначена прежде всего для подавления шаблонных рекламных фраз из заданного списка; автор рекомендует использовать её вместе со специальным системным промптом. В опубликованном сравнении на 36 тестовых запросах сочетание модели с промптом дало меньше совпадений с обучающим бан-листом, чем базовая модель с тем же промптом. Этот показатель измеряет подавление выбранных фраз, а не общее качество текста. В тех же тестах отмечены ухудшение структуры предложений, ошибки грамматики и непоследовательное обращение du/Sie; слепые оценки не выбрали её тексты лучшими. Поэтому модель подходит для создания черновиков с последующей редактурой человеком, но не для выпуска готового текста без проверки. Это плотная модель семейства Gemma 3 с 12 млрд параметров и поддержкой чата; базовая Gemma 3 также поддерживает понимание изображений, но README описывает эту донастройку для генерации немецкого текста. Для корректной загрузки автор требует transformers==4.56.2: с transformers 5.x параметры checkpoint не сопоставляются, и модель может выдавать бессвязный текст. Использование регулируется условиями Gemma и политикой запрещённого использования Google.

Harrier Tipitaka v1 — Sentence Transformer, дообученный dhammanana на базе microsoft/harrier-oss-v1-270m для семантического поиска по буддийским текстам. Модель преобразует предложения и абзацы в плотные векторы размерности 640; близость текстов оценивается косинусным сходством. Архитектура включает Gemma3TextModel, pooling по последнему токену и нормализацию эмбеддингов. В метаданных указано 257 млн параметров и контекст до 32 768 токенов, тогда как карточка модели задаёт максимальную длину последовательности 128 токенов. Модель предназначена для поиска релевантных отрывков Типитаки и сопоставления буддийских пассажей по смыслу. Для обучения использованы пары запрос–документ с MultipleNegativesRankingLoss; README приводит пример сопоставления палийского текста с английским переводом. Прикладной сценарий ограничен текстом, а качество для других тематик и языков карточка не подтверждает. Репозиторий содержит веса Safetensors и ONNX; сведения о лицензии в предоставленных данных отсутствуют.

UltimateIntent/HeatSeeker-284B-A13B-GGUF — англоязычная текстовая модель, представленная как дообученная версия Huihui-DeepSeek-V4-Flash-0731-abliterated-GGUF. Автор или организация-разработчик в карточке явно не указаны; по идентификатору можно связать модель с UltimateIntent. Формат GGUF предназначен для использования в совместимых средах локального запуска. Модель ориентирована на генерацию текста, творческое письмо, ролевые сценарии и контент для взрослых, включая NSFW и ERP. В метаданных она также обозначена как MoE-модель с параметрами LoRA и семейства DeepSeek. Обозначение 284B-A13B присутствует в имени модели, однако подробности архитектуры, фактический объём активных параметров и требования к ресурсам не раскрыты. Заявленный язык — английский. Данные о поддерживаемых модальностях, размере контекста, точных характеристиках качества и ограничениях применения отсутствуют. Основная особенность модели — специализация на творческих и ролевых текстовых сценариях, включая контент не для всех аудиторий; пригодность для общих задач, фактологической работы и других языков по представленным данным не подтверждена. Лицензия — MIT.

IDM-VTON — модель для виртуальной примерки одежды на изображениях, официальная реализация работы «Improving Diffusion Models for Authentic Virtual Try-on in the Wild». Она дообучена на базе Stable Diffusion XL 1.0 Inpainting и предназначена для переноса одежды на изображение человека с сохранением естественного вида. Модель принимает изображения и выдаёт изменённое изображение; в репозитории представлены форматы Diffusers, ONNX, PyTorch и Safetensors. Карточка содержит демоверсию и код инференса, но обучение модели не описано. Лицензия CC BY-NC-SA 4.0 ограничивает использование условиями некоммерческого распространения и требует сохранять ту же лицензию для производных работ.

Morality_binary — модель классификации текста, дообученная Ajrayman на базе microsoft/deberta-v3-base. Она предназначена для бинарной классификации по признаку, связанному с моральностью текста; подробное описание меток и сценариев в карточке отсутствует. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 для классификации последовательностей и принимает текст длиной до 512 токенов. На оценочном наборе указаны accuracy 0,7098, precision 0,7154, recall 0,6958, F1 0,7054 и AUC 0,7768. Язык и состав обучающих данных не описаны, поэтому качество и применимость к конкретным языкам или типам текстов требуют отдельной проверки. Модель распространяется по лицензии MIT.

MuQ-Eval-A1 — модель оценки качества музыки, разработанная zhudi2825. Она использует замороженный аудиоэнкодер OpenMuQ/MuQ-large-msd-iter, attention pooling и отдельные MLP-головы для прогнозирования оценок MI и TA с функцией потерь MSE. На вход подаётся аудиосигнал с частотой 24 кГц длительностью до 10 секунд; модель предназначена для оценки качества музыки, созданной музыкальными генераторами. Модель обучалась на наборе MusicEval и оценивалась с помощью пятифолдовой кросс-валидации на 2 748 клипах от 31 системы преобразования текста в музыку. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT.

Модель Francesca9805 — дообученная на базе goldfish-models/nld_latn_10mb языковая модель GPT-2, обученная с помощью TRL и сохранённая в формате safetensors. Она предназначена для генерации текста; в карточке приведён пример ответа на открытый вопрос. Контекст модели составляет 512 токенов. Модель можно применять для коротких текстовых продолжений и ответов на вопросы в экспериментальных сценариях. Карточка не описывает обучающие данные, целевые языки или условия лицензии, поэтому языковую специализацию и лицензионные условия установить по доступным сведениям нельзя.

Poisson Denoising + 4x Super-Resolution — сверточная остаточная нейросеть, разработанная для соревнования DLP 26T2 NPPE3. Модель с 1,52 млн параметров совместно подавляет пуассоновский шум и увеличивает тёмные изображения в четыре раза: с 160×256 до 640×1024 пикселей. Архитектура включает 16 остаточных блоков, глобальный пропуск и два этапа PixelShuffle; к выходу добавляется бикубически увеличенное исходное изображение. Модель рассчитана на восстановление тёмных сцен с пуассоновским шумом, соответствующим параметру g=2,55. Она сохраняет исходную яркость и оптимизирована по PSNR яркостного канала, а не по субъективной резкости или воспринимаемому качеству. Усреднение результатов восьми диэдральных преобразований даёт небольшой дополнительный прирост качества. Опубликованный результат на открытом лидерборде Kaggle — 39,68299 PSNR. Модель ожидает изображения фиксированного размера 160×256. Она может работать хуже на более ярких изображениях, а гауссов шум, артефакты сжатия и размытие не соответствуют обучающим данным. Результат может выглядеть сглаженным, особенно на границах. Лицензия — MIT.

PornMaster-flux2-klein-9b — NSFW-файнтюн базовой модели FLUX.2 klein 9B, связанный с автором iamddtla и распространяемый в репозитории cl0537furry. Модель предназначена для генерации и редактирования изображений и фотографий, включая откровенный контент, а также может применяться для обычных визуальных сцен. Она поддерживает текстовое управление и сценарии image-to-image; для редактирования используются компоненты экосистемы Diffusers. В основе лежит архитектура FLUX.2 klein 9B с моделью размера 9 млрд параметров. В комплекте доступны варианты UNET в форматах GGUF и safetensors с различными уровнями квантизации, текстовый энкодер Qwen3-VL-8B и VAE flux2-vae. В метаданных заявлены английский и китайский языки. Рекомендуется использовать подробные естественно-языковые или структурированные JSON-промпты с описанием сцены, позы и фотографических параметров. Для базовой версии доступна Turbo LoRA, ускоряющая генерацию до четырёх шагов; версия V4 Turbo уже рассчитана на работу без дополнительной Turbo LoRA. Сильные стороны модели — ориентация на фотореалистичные и NSFW-сценарии, поддержка детальных промптов, нескольких форматов распространения и ускоренного режима инференса. Ограничение, указанное в README, заключается в слабом редактировании поз и эмоций; для таких изменений рекомендуются другие инструменты. Конкретный размер контекста и требования к аппаратным ресурсам не указаны. Лицензия обозначена как flux-non-commercial-license, поэтому использование ограничено некоммерческими условиями этой лицензии.

Rootformer v15 Sovereign Transmutation Engine — модель Enver, связанная с AynEngine и Университетом Приштины. Это плотная текстовая модель семейства Rootformer с 390,9 млн параметров и контекстом 2048 токенов, предназначенная прежде всего для перевода классического арабского текста на английский с морфологическим анализом, восстановлением грамматических отношений и академической транслитерационной глоссировкой терминов. В карточке описаны специализированные механизмы для арабской фонологии и корневой морфологии, различения значений, межъязыковых заимствований и выбора между шестью тематико-регистровыми областями. Модель принимает текст и генерирует текст. Карточка заявляет проверку на классических арабских текстах, включая философские, богословские, медицинские и научные материалы, однако приведённые показатели качества являются заявлениями автора. Поддерживаемые языки по метаданным — арабский и английский; для описанного сценария основная пара — классический арабский и английский. Репозиторий содержит веса Safetensors. Указана лицензия aynengine-uni-prishtina-academic, но её условия в предоставленных данных не раскрыты.

Это конвертированная в формат MLX модель Meta Sapiens2 для оценки нормалей поверхности на человеко-ориентированных изображениях. Она предсказывает направление нормали для каждого пикселя и выдаёт плотную карту, соответствующую разрешению входного изображения. Модель содержит 1,5 млрд параметров; веса представлены в bfloat16, а проекции q/k/v объединены в тензоры wqkv для совместимости с реализацией Sapiens2 в mlx-vlm. Модель предназначена для анализа геометрии поверхности человека на изображении, например для построения карт нормалей в задачах компьютерного зрения и графики. Для работы используется библиотека MLX и пакет mlx-vlm. Это производная от facebook/sapiens2-normal-1b модель; README отсылает к карточке исходной модели за сведениями о назначении и лицензии, а метаданные указывают лицензию other.

SSA-HuBERT-base-60k — самоконтролируемая речевая модель семейства HuBERT, представленная авторами исследования Africa-Centric Self-Supervised Pre-Training for Multilingual Speech Representation in a Sub-Saharan Context на AfricaNLP 2024. Модель содержит 113,3 млн параметров и предварительно обучена примерно на 60 тысячах часов речи на 21 языке и языковом варианте стран Африки к югу от Сахары, включая бамбара, хауса, суахили, волоф и французский. Обучающие записи включают студийную речь и шумные спонтанные уличные интервью. Модель предназначена для извлечения речевых представлений, которые можно использовать как энкодер при дообучении систем распознавания речи для отдельных языков. В README описана настройка через SpeechBrain на данных FLEURS с двумя линейными слоями и выходом softmax; приведены результаты CER и WER для распознавания без языковой модели. В репозитории доступны веса PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

SupraLabs разработала SupraLabs/StorySupra-10M — компактную авторегрессионную языковую модель семейства Llama для генерации коротких историй. По конфигурации это плотная модель с 8 слоями, размером скрытого состояния 256 и контекстом до 256 токенов; в метаданных указано около 10,5 млн параметров. Модель обучали три эпохи на 200 тысячах примеров TinyStories, что задаёт её специализацию на простых рассказах, в том числе детских. Модель принимает текст и продолжает его связной прозой на английском языке. Небольшой размер позволяет запускать её на CPU, однако короткий контекст и узкая обучающая выборка ограничивают длину и разнообразие генерации, а приведённые в карточке примеры содержат смысловые несоответствия. Распространяется по лицензии Apache-2.0.

MusicLang text-chord-predictor — генеративная модель семейства MusicLang, разработанная Флорианом Гарденом для быстрого продолжения гармонической структуры песни. Она принимает последовательность аккордов в текстовой поп-нотации и предсказывает следующие аккорды; для лучшей работы в начале запроса рекомендуется токен START. Модель построена на архитектуре GPT-2, имеет контекст 4096 токенов и распространяется в формате safetensors. Модель подходит для создания и продолжения последовательностей аккордов, набросков гармоний и музыкальных идей. Она работает с мажорными, минорными, септаккордами, уменьшёнными и увеличенными аккордами, а также с обращениями, обозначенными через косую черту. Ограничения: модель не задаёт гармонический ритм, поддерживает ограниченный набор типов аккордов и требует, чтобы басовая нота обращения входила в аккорд; для некоторых аккордов нужно использовать энгармонический эквивалент. Лицензия разрешает бесплатное использование для исследований и проектов с открытым исходным кодом; коммерческое применение требует согласования с разработчиком.

FoxBaze/Try_On_Qwen_Edit_Lora_Alpha — альфа-версия LoRA-адаптера, разработанная FoxBaze для базовой модели Qwen/Qwen-Image-Edit. Модель предназначена для многореференсной виртуальной примерки одежды: на вход подаётся одно изображение человека, предпочтительно полноформатное, и несколько изображений предметов одежды; на выходе формируется стилизованное изображение человека в одежде со всех референсов. Рекомендуемые текстовые запросы уточняют пол человека и указывают использовать каждый предмет одежды с нижнего ряда изображения. Адаптер рассчитан на работу с image-to-image pipeline и библиотекой Diffusers, а использовать его можно, в частности, через ComfyUI с предоставленным workflow. Рекомендованы разрешение 832×1248, 30 шагов, CFG 2.5, сэмплер Euler и планировщик Simple; также приведён ряд альтернативных разрешений. Адаптер обучен с помощью Ostris ai toolkit. Данные о точном размере, архитектуре LoRA, поддерживаемых языках и длине контекста не указаны. Модель специализирована на многогарментной примерке и может хорошо подходить для визуализации комплектов одежды при наличии качественных изображений одежды. Она ограниченно обобщается на другие задачи редактирования изображений, требует точного согласования запроса и испытывает трудности при использовании пяти и более предметов одежды. 4- и 8-шаговые lightning-LoRA, согласно README, работают с этим адаптером неудовлетворительно. Модель распространяется по лицензии Apache-2.0.

T-Virus_Zeta.VirginKiller-3.2-1B-i1-GGUF — квантизированная GGUF-версия модели T-Virus_Zeta.VirginKiller-3.2-1B, разработанной UmbrellaInc и подготовленной квантизатором mradermacher. Модель предназначена для генерации текста, включая ролевые диалоги и сценарии roleplay; в метаданных она также обозначена как uncensored и ориентированная на контент для взрослой аудитории. Модель относится к семейству Llama и имеет около 1 млрд параметров. Заявлены английский и испанский языки. Это текстовая модель без указаний на поддержку изображений, аудио или других модальностей. Репозиторий содержит множество вариантов квантизации GGUF с размером примерно от 0,6 до 1,2 ГБ; варианты различаются балансом между скоростью, требованиями к памяти и качеством, при этом Q4_K_M отмечен как быстрый и рекомендуемый, а Q4_K_S — как оптимальный по соотношению размера, скорости и качества. К сильным сторонам относятся небольшой размер, возможность локального запуска и широкий выбор вариантов квантизации. Ограничениями являются сравнительно малое число параметров, возможное снижение качества у низкобитных вариантов и отсутствие данных о размере контекстного окна, обучающем наборе и результатах бенчмарков. Использование указано под лицензией llama3.2; перед применением следует учитывать ограничения лицензии и то, что модель ориентирована на сценарии для взрослой аудитории.

UNSEEN Gemma-4-26B NSFW — модифицированная версия мультимодальной модели Google Gemma-4-26B-A4B-it, опубликованная Jommarn. Автор удалил механизмы отказа на уровне весов методом Abliteration с ортогональной проекцией весов слоёв трансформера. Модель принимает текст и изображения и генерирует текст; заявлена поддержка английского и тайского языков, включая разговорный тайский. Архитектура — плотная Gemma4ForConditionalGeneration, веса доступны в формате safetensors. Модель предназначена для диалогов и генерации текста, в том числе откровенного контента, а также для описания изображений с текстовыми запросами. Автор заявляет совместимость с vLLM и Transformers благодаря изменению весов без runtime hooks. Модель ориентирована на взрослую аудиторию; лицензия в предоставленных данных не указана.

Voxlect English Dialect Whisper Large v3 — модель классификации английских диалектов на основе Whisper large-v3, дообученная Tiantian Feng. Она анализирует аудио речи и относит его к одной из 16 категорий, включая региональные группы East Asia, North America, Irish, Scottish, Welsh, South African и другие. Модель предназначена для анализа диалектных различий и исследовательской работы с речью; в README указано, что обучение дополнено данными TIMIT и ParaSpeechCaps. Модель принимает аудио и выдаёт метку класса диалекта. Она не предназначена для клинической диагностики, наблюдения или вторжения в частную жизнь. README запрещает коммерческое использование и требует соблюдать конфиденциальность, получать согласие субъектов данных и учитывать применимые законы. Лицензия в метаданных указана как OpenRAIL.

HamzaSidhu786/wav2vec2-base-word-by-word-quran-asr — дообученная модель распознавания речи на архитектуре wav2vec 2.0, разработанная на основе facebook/wav2vec2-base. Она предназначена для автоматического распознавания чтения Корана с выводом слов по мере распознавания. Модель содержит 113,3 млн параметров и принимает аудио; для распознанной речи в README приведены результаты оценки: WER 0,079 и loss 0,0415. Модель рассчитана на сценарии ASR для чтения Корана. Данные о языке аудиозаписей, датасете и конкретных условиях оценки не приведены, поэтому результаты нельзя считать гарантией качества на других записях или речевых задачах. Лицензия — Apache-2.0.

VasilisAsim/wavlm-finetuned-TESS — дообученная модель классификации аудио на базе microsoft/wavlm-base-plus, разработанная автором репозитория VasilisAsim. Модель содержит 113,3 млн параметров и использует архитектуру WavLMForSequenceClassification; веса опубликованы в формате Safetensors. По названию репозитория модель связана с TESS, однако README не раскрывает обучающий набор данных или классы классификации. Модель предназначена для классификации аудиозаписей. В README указаны результаты на оценочном наборе: accuracy 0,9982 и loss 0,9661; описание набора данных и методики оценки отсутствует, поэтому эти показатели не позволяют оценить качество на других данных. Лицензия в предоставленных источниках не указана.