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

Модель разработана Elizabeth Mwangi и представляет собой дообученную версию Whisper Small для автоматического распознавания нестандартной, в том числе дизартрической, речи на суахили. Это второй этап двухэтапного дообучения на наборе Kenyan Swahili Non-Standard Speech; в метаданных также указаны датасеты Swahili Afrivoice и Common Voice Swahili Small. Модель содержит 153,1 млн параметров и распространяется в формате safetensors. Модель принимает аудио и выдаёт текстовую расшифровку. Она предназначена для транскрибирования нестандартной речи на суахили, включая аудио с различной степенью выраженности дизартрии. На тестовом наборе из 849 примеров указаны нормализованные WER 45,5% и CER 21,7%; средний WER составляет 36,8%, а ошибки возрастают с тяжестью нарушения речи. Модель распространяется по лицензии Apache-2.0. Приведённые метрики показывают, что качество распознавания может быть ограниченным, особенно для речи с тяжёлой дизартрией; перед практическим применением следует оценить её на целевых записях.

Paulanerus/AncientGreekVariantSBERT — модель Sentence Transformers, дообученная на базе pranaydeeps/Ancient-Greek-BERT для поиска семантически близких древнегреческих библейских текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768 и рассчитана на сравнение стихов, поиск вариантов текста, кластеризацию параллельных фрагментов и семантический поиск по библейским корпусам. Модель использует архитектуру BERT и содержит 140,1 млн параметров; максимальная длина контекста — 512 токенов. Для обучения применялась Multiple Negatives Ranking Loss. README сообщает об устойчивости к распространённым орфографическим вариантам и приводит Accuracy@3 и Accuracy@5, равные 1,00, на описанной задаче поиска. Для наилучших результатов входной текст следует привести к нижнему регистру и удалить диакритические знаки с помощью NFD-нормализации. Модель оптимизирована для древнегреческих библейских текстов, поэтому на классических, гомеровских и других жанрах качество может быть ниже. Лицензия — MIT.

LequeuISIR/AU-extraction_Qwen2.5-7B-Instruct — дообученная исследовательской группой LequeuISIR инструктивная языковая модель Qwen2.5-7B для извлечения аргументативных единиц из текста. Она предназначена для автоматической разметки аргументативных фрагментов; авторы сообщают, что использовали её для аннотирования набора GDN-CC-large и считают лучшей своей моделью для этой задачи. Модель построена на плотной архитектуре Qwen2ForCausalLM, содержит 7,1 млрд параметров и имеет контекст 32 768 токенов. Для запуска авторы рекомендуют vLLM; карточка указывает датасеты GDN-CC и GDN-CC-large и французский язык. Модель выдаёт текст, поэтому результат извлечения и его формат зависят от инструкции и способа вызова. Указанная лицензия в предоставленных данных отсутствует. Карточка не приводит количественной оценки качества или подробных ограничений по применению за пределами задачи извлечения аргументативных единиц.

KasuleTrevor дообучил модель распознавания речи на базе Qwen3-ASR для транскрибации нетипичной речи на лугандийском языке. Это плотная модель архитектуры Qwen3ASRForConditionalGeneration; в обучении использовался набор данных ugandan_luganda_nonstandard_speech_v1.0 и полный режим дообучения. Выбран чекпойнт checkpoint-750. Модель предназначена для транскрибации речи с учётом метаданных о тяжести нарушения, его типе и этиологии. По инструкции она сохраняет повторы, запинки, ложные начала и незавершённые слова, не исправляя грамматику и не нормализуя речь. Эксперимент использует сведения о дикторе из метаданных, поэтому его результаты следует рассматривать отдельно от базовых сценариев распознавания без таких подсказок. В тестировании указаны нормализованные WER 0,507 и CER 0,211. Модель распространяется по лицензии Apache-2.0.

Claudius Latin 400M — языковая модель fbandov для продолжения текста на латинском языке. Это дообученная модель семейства Llama с 341,8 млн параметров, созданная с нуля на корпусе из примерно 6,8 млрд токенов классической, средневековой и новолатинской прозы; дополнительная настройка смещает стиль к классической латыни и изложению. Модель принимает текстовый фрагмент и генерирует его продолжение, поддерживает контекст до 2048 токенов и выдаёт текст прописными буквами. Она подходит для черновиков на латыни, стилизации и творческого продолжения текста. Модель не обучалась диалогу и не предназначена для надёжных ответов на фактические вопросы: она может уверенно выдумывать сведения. В стиле сохраняется влияние средневековых текстов, могут встречаться заголовки глав и книг; греческий текст она не поддерживает. Веса распространяются по лицензии CC BY-SA 4.0.

Это декодер аудиокодека Descript Audio Codec (DAC) с частотой дискретизации 44,1 кГц, подготовленный проектом loom-ai-org для запуска в loom.cpp. Репозиторий содержит веса исходной модели descript/dac_44khz в формате GGUF; согласно карточке, параметры не изменялись. Модель принимает девять потоков кодов на кадр и восстанавливает из них аудиоволну: каждый кадр длится 1/86,13 секунды и соответствует 512 отсчётам. Декодер предназначен для восстановления аудио из кодов DAC, например в конвейере генерации речи или музыки, если другой компонент уже сформировал выровненные кодовые потоки. Это только декодирующая часть кодека: аудио в коды она не преобразует. Для запуска карточка рекомендует библиотеку loom-py-rt. Лицензия — MIT.

lihicarmeli/fashion-minilm-finetuned — дообученный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2 для построения семантических представлений текстов о моде. Модель кодирует предложения и абзацы в плотные векторы размерности 384; архитектура включает энкодер BERT, усредняющий пулинг и нормализацию, а для сравнения используется косинусное сходство. В метаданных указано 25,9 млн параметров и контекст до 512 токенов, а в README — максимальная длина последовательности 256 токенов. Модель обучена с контрастивной функцией потерь на 16 000 пар текстов с метками сходства. Примеры обучающих данных описывают цветотипы, цвета одежды, стили и категории предметов гардероба. Векторы подходят для семантического поиска и сравнения описаний в fashion-сценариях. Вход и выход — текст и его векторное представление соответственно; заявлена поддержка текста, язык данных в карточке не указан. Лицензия в предоставленных источниках не указана.

GLiNER2-multi-v1-CMNEE — модель извлечения информации, дообученная whr778 на базе fastino/gliner2-multi-v1 с использованием датасета CMNEE. Она предназначена для извлечения событий из китайских военных новостей: определяет типы событий и триггерные фрагменты, а также извлекает аргументы и их роли. В датасете представлены 8 типов событий и 11 ролей аргументов. Модель использует библиотеку gliner2 и распространяется в формате safetensors. На отложенном тесте F1 для типов событий составил 0,986, для триггеров событий — 0,874, а для аргументов — 0,221 при строгом сопоставлении и 0,709 при расслабленном. Это указывает на заметно менее надёжное точное извлечение аргументов. Лицензия указана как other; условия её использования следует сверить с карточкой модели и источником датасета.

Карточка модели jioezhong/IDM-VTON на Hugging Face совпадает с карточкой yisol/IDM-VTON, поэтому описание составлено по ней. 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.

Kei — разговорная модель генерации текста на архитектуре Llama, созданная ResplendentAI. Она предназначена для интимных диалогов, прозы и поэзии; карточка характеризует её как модель с ослабленными ограничениями на ответы. Модель содержит 7,5 млрд параметров, принимает текст и выдаёт текст, поддерживает английский язык и имеет контекстное окно 8192 токена. Она создана слиянием нескольких моделей Llama 3, включая ResplendentAI/Aura_Llama3, ResplendentAI/BlueMoon_Llama3, ResplendentAI/Luna_Llama3, jeiku/Chaos_RP_l3_8B и Undi95/Llama-3-Unholy-8B. Доступна по лицензии Apache-2.0.

Rosier 8B v1 — экспериментальная модель для написания историй, созданная на основе Llama 3. Она использует плотную архитектуру LlamaForCausalLM с 7,5 млрд параметров и контекстом до 8196 токенов. В карточке предложен формат запроса с заголовком, тегами и текстом истории; модель может работать и с другими форматами. Модель обучалась на англоязычных рассказах, включая эротические и фетишистские материалы, поэтому предназначена для создания художественной прозы для взрослой аудитории. Автор отмечает, что отдельно модель показывает слабые результаты, и предполагает использовать её как компонент для слияния с другими моделями. Лицензия в доступных данных не указана.

ibyteohdear/Lightricks-LTX-2-DISTILLED-10-Eros — производная экспериментальная версия модели LTX-2.3 от Lightricks, настроенная автором репозитория на генерацию откровенных видео. Основа — диффузионная DiT-модель для генерации видео и синхронизированного аудио; карточка описывает варианты image-to-video и рекомендует тщательно формулировать запросы и при необходимости использовать LoRA. В метаданных основная задача указана как image-to-video, а среди поддерживаемых языков перечислены английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский. Автор репозитория сообщает о проблемах с анатомией, дрейфом лиц, неожиданными переходами и субтитрами, а также о необходимости дорабатывать промпты и применять LoRA-стеки. Модель может не точно следовать запросу и выдавать неподходящий или оскорбительный контент; качество аудио без речи может быть ниже. Репозиторий содержит веса safetensors, лицензия указана как other.

Mitra Bo-Zh Tagger — модель проекта MITRA на архитектуре Qwen3.5, дообученная для лингвистической разметки классического тибетского текста в транслитерации Wylie и буддийского китайского. Она обрабатывает текст одним проходом: делит его на предложения и слова, присваивает словам укрупнённые части речи, отмечает группы слов, соответствующие санскритским лексемам или составным словам, а для китайского восстанавливает пунктуацию. Вывод оформляется в заданной текстовой схеме с тегами частей речи и границами санскритских единиц. Модель содержит 7,2 млрд параметров, принимает текстовый запрос без шаблона чата и имеет контекст длиной до 262 144 токенов. Однако обучающие примеры рассчитаны на фрагменты длиной примерно до 1 000 символов Wylie для тибетского и до 200 символов для китайского; более длинные тексты рекомендуется разбивать на части. В тестах README сообщает F1 границ слов 0,95 для тибетского и 0,94 для китайского, точность частей речи 0,94 для обоих языков и F1 границ предложений 0,87 и 0,81 соответственно. Разметка санскритских единиц слабее остальных компонентов. Модель создана проектом MITRA на основе этапа 2 Qwen3.5-9B проекта MITRA, который продолжительно обучался на буддийских текстах на санскрите, тибетском и китайском языках, а также параллельных данных. Распространяется по лицензии Apache-2.0. Проверочные данные небольшие, а эталонные аннотации были исправлены моделью и не прошли проверку человеком; качество может снижаться на небуддийских регистрах классического китайского и тибетского.

julian-schelb/multilingual-e5-large-emb-lat-intertext-v2 — модель эмбеддингов Sentence Transformer, созданная дообучением intfloat/multilingual-e5-large для поиска интертекстуальных связей между текстами классических латинских авторов. Она предназначена для формирования векторных представлений латинских текстов и их сравнения в сценариях семантического поиска и выявления параллелей. Модель обучена с online contrastive loss на одном из пяти разбиений датасета бенчмарка Loci Similes с экспертно проверенными связями; README указывает на использование с API пакета LociSimiles. Модель основана на XLM-RoBERTa-large, содержит 658,7 млн параметров и принимает последовательности длиной до 514 токенов. Она рассчитана на латинский язык и выдаёт текстовые эмбеддинги. Для сохранения качества поиска необходимо использовать соответствующие обучению prompt prefixes и имена prompts. Лицензия — Apache 2.0.

Noromaid-20b-v0.1.1 — модель генерации текста, созданная IkariDev и Undi. Она предназначена для ролевых диалогов, эротических ролевых сценариев и общих текстовых запросов; README описывает форматы промптов SillyTavern и Alpaca. Модель основана на архитектуре Llama, содержит 19,8 млрд параметров и имеет контекст до 4096 токенов. В репозитории размещены веса FP16 в формате safetensors. При обучении использовались датасет no_robots и набор Aesir Private RP. Авторы отмечают, что это тестовая версия и не гарантируют, что всё будет работать; рекомендованные настройки ещё не подготовлены. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое использование.

Модель gwonny/nox-solar-10.7b-v4-kolon-ITD-5-v2.0 — языковая модель для диалоговой генерации текста, разработанная для Kolon. Это дообученная версия davidkim205/nox-solar-10.7b-v4: авторы сообщают об использовании QDoRA с параметрами 256 и 64 и NEFTune, пяти эпохах обучения и частных данных. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 10,6 млрд параметров; нативное контекстное окно — 4096 токенов. Репозиторий содержит веса PyTorch. Модель предназначена для генерации ответов и диалоговых сценариев, связанных с Kolon. В карточке указаны корейский и английский языки, однако сведения о качестве на отдельных задачах и более конкретных сценариях использования не приведены. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией и ограничивает коммерческое применение.

Nucleus-1B-alpha-1 — небольшая авторегрессионная языковая модель семейства Mistral, разработанная командой NucleusOrg. Модель содержит 1 млрд параметров, использует архитектуру MistralForCausalLM и принимает текст. Для неё указан контекст до 32 768 токенов. Модель последовательно дообучали на TinyStories и TinyTextBooks; карточка описывает её как proof of concept. Она предназначена для генерации продолжений текста и простых экспериментов с языковыми моделями. В README отмечены ранние перспективные результаты, однако обучение основано на 420 тысячах строк данных, знаний модели может не хватать, а для задач программирования она плохо подходит. Лицензия — MIT. Модель доступна в формате safetensors; для запуска в README рекомендуются Transformers и Accelerate.

Ojisan-translator-v1-Qwen-3.5-9B — модель Marimonald для преобразования японских текстов в стиль «одзисан-конструкций» (おじさん構文): с характерными эмодзи, выражениями, личными отступлениями и фамильярно-доброжелательной интонацией. Это плотная языковая модель Qwen3.5 с архитектурой Qwen3_5ForCausalLM и 7,2 млрд параметров, дообученная на unsloth/Qwen3.5-9B методом SFT, а затем KTO. В README указаны 750 примеров для SFT и 850 пар предпочтений для KTO; обучающий корпус опубликован отдельно. Модель предназначена для стилистического преобразования повседневных, деловых и неформальных сообщений на японском языке. Можно задавать желаемую длину и особенности стиля через инструкцию. Модель принимает текст и генерирует текст; метаданные указывают контекст до 262 144 токенов. Опубликована в формате safetensors по лицензии Apache 2.0, допускающей коммерческое использование, изменение и распространение при соблюдении условий лицензии. Специализация модели узкая: её следует использовать для имитации заданного разговорного стиля, а не как универсальный переводчик или помощника для ответов на вопросы. Вывод может содержать намеренно чрезмерные эмодзи, личные отступления и фамильярные формулировки, поэтому он может быть неуместен в официальной коммуникации.

Elfrino/PsyMedLewd_20B_Task_V6 — объединённая языковая модель на архитектуре Llama, созданная с помощью mergekit. В объединение вошли Undi95/PsyMedRP-v1-20B в качестве базовой модели и Undi95/MXLewd-L2-20B; использован метод task arithmetic с весами 0,639 и 0,361. Модель содержит 19,8 млрд параметров и принимает текст для генерации текста; заявленный контекст составляет до 4096 токенов. Модель предназначена для генерации продолжений и ответов в текстовом формате. Названия базовых моделей указывают на ролевую тематику, однако README не описывает конкретные сценарии применения и не приводит оценок качества. Лицензия в доступных данных не указана.

Xenova/quickdraw-mobilevit-small — модель классификации изображений на архитектуре MobileViT Small, подготовленная Xenova для использования с Transformers.js. Репозиторий содержит веса PyTorch и ONNX, чтобы запускать классификатор в JavaScript-среде, включая веб-приложения. Модель предназначена для отнесения входного изображения к одному из классов набора Quick, Draw!. Это позволяет распознавать пользовательские рисунки и использовать классификацию в интерактивных веб-приложениях. Данные подтверждают задачу классификации изображений и архитектуру, но не сообщают размер модели, контекст или перечень поддерживаемых языков.

HanzoHuang/Qwen3.5-2B-RKLLM — аппаратно-специфичная конверсия мультимодальной vision-language модели Qwen3.5-2B, разработанной командой Qwen, для NPU-платформ Rockchip RK3576 и RK3588. Репозиторий содержит артефакты RKLLM для языковой модели и соответствующие энкодеры изображений RKNN, предназначенные для совместного использования в VLM-приложениях. Модель рассчитана на задачи, требующие обработки текста и изображений на устройствах Rockchip, включая развёртывание через RKLLM VLM runtime и Docker API. Для каждой целевой SoC-платформы необходимо использовать парные файлы из одной директории: языковую модель .rkllm и vision encoder .rknn. Доступны варианты квантизации W4A16 с group size 128 для RK3576, а также W8A8 для RK3576 и RK3588. Конверсия выполнена с использованием RKLLM Toolkit версии 1.3.0 и RKNN vision conversion. Сильной стороной модели является поддержка мультимодального вывода на специализированных NPU Rockchip и наличие вариантов, адаптированных под разные микросхемы. При этом это не checkpoint для Transformers, а аппаратно-зависимые артефакты; языковая модель и энкодер изображения несовместимы между платформами и должны использоваться строго согласованной парой. Необходимо отдельно проверять предварительную обработку изображений, потребление памяти и совместимость runtime на конкретном устройстве. Модель и конвертированные компоненты распространяются по лицензии Apache-2.0.

jspr/smut_llama_8b_smutromance_32k_merged — языковая модель jspr, дообученная на базе unsloth/llama-3-8b-bnb-4bit с использованием Unsloth и библиотеки TRL. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она принимает текст и генерирует текст, поддерживая контекст до 32 768 токенов. Название указывает на специализацию на откровенной романтической прозе и smut-сценариях. Модель предназначена для генерации художественных текстов и продолжения романтических сюжетов, в том числе с откровенным содержанием. Доступна по лицензии Apache-2.0. Карточка не сообщает результаты оценки качества или подробности обучающих данных.

Карточка модели Jack04810/Spac-Qwen3-14B-Spatial-PE-0.008 на Hugging Face совпадает с карточкой Jack04810/spac-qwen3-4b-spatial-pe-8ep, поэтому описание составлено по ней. Jack04810 разработал SPAC Qwen3-14B Spatial-PE — дообученную плотную авторегрессионную модель семейства Qwen3 для понимания и генерации 3D-сеток. Модель содержит 14,2 млрд параметров и использует расширенный словарь из 200 824 токенов: базовую BPE-токенизацию и специальные пространственные токены для сеток и координат. Она принимает текстовые запросы и последовательности пространственных токенов, выдаёт текст и последовательности токенов 3D-сетки. Модель предназначена для диалоговых сценариев с 3D-сетками: описания, интерпретации и генерации сеток по тексту. Контекст составляет 40 960 токенов. Для инференса требуется SPAC spatial-PE wrapper и таблица слияния hf_main_merge_table.json, чтобы воспроизвести позиционное кодирование, применённое при обучении. Указанная лицензия — other; конкретные условия следует уточнить в карточке репозитория.

SurGe — модель для восстановления трёхмерной геометрии сцены по изображению. Она разработана как метод прямого прохода: предсказывает карты точек и оценивает глобальную 3D-геометрию. В архитектуре используется декодер Neighborhood Attention Decoder (NAD), который постепенно увеличивает разрешение признаков и применяет Neighborhood Attention для локального смешивания информации; обучение включает функцию потерь сопоставления градиентов точек для повышения точности локальной геометрии поверхности. Модель принимает RGB-изображения в формате BCHW со значениями пикселей от 0 до 1 без нормализации ImageNet. В метаданных указано дообучение facebook/dinov2-large и формат весов safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение. Карточка не сообщает размер модели, поддерживаемые языки или длину контекста; текстовый ввод не предусмотрен.

Compact Operator-Video Quality Model — компактная модель для оценки качества кадров из видео от первого лица, например с наголовных камер и камер робототелеприсутствия. Её разработчик обучил её имитировать оценки более крупного конвейера анализа видео. Модель содержит 2,5 млн параметров и использует замороженную MobileNetV3 Small 100, объединённую с 14 классическими визуальными признаками, остаточным MLP и отдельными головами для предсказания показателей. На вход модель принимает кадры и за один проход возвращает оценки яркости, резкости, размытия, аномальности, перцептивного качества и сцены; качественные оценки представлены по шкале 0–100, где большее значение означает лучшее качество. Модель предназначена для быстрой пакетной или потоковой оценки, в том числе на устройстве. В README сообщается о скорости в 116,4 раза выше, чем у конвейера учителя, и о согласии с ним по составной метрике PLCC 0,899; это показатели имитации оценок учителя, а не независимая оценка качества. Доступны веса в форматах Safetensors и GGUF, включая варианты int4 и int8 для локального запуска. Лицензия — Apache-2.0.

NicoWANG75/vit-beans-demo — модель классификации изображений, созданная дообучением Vision Transformer google/vit-base-patch16-224-in21k. В репозитории представлены веса Safetensors и формат ONNX; размер модели — 113,2 млн параметров. README сообщает результат оценки: точность 0,9609 и loss 0,1537, но не раскрывает набор классов и данные оценки. Модель предназначена для классификации изображений. По названию репозитория она связана с демонстрацией классификации бобов, однако README не подтверждает конкретные классы и сценарии применения. Лицензия — Apache-2.0. Языковые возможности несущественны для классификации изображений.

Модель разработана Tiantian Feng для классификации диалектов английской речи и представлена как реализация метода из работы Voxlect: A Speech Foundation Model Benchmark for Modeling Dialect and Regional Languages Around the Globe. Она принимает аудио и относит речь к одной из 16 категорий, включая North America, Scottish, Irish, South Asia и Oceania, а также более широкие языковые группы и категории English и Other. Модель дообучена на базе openai/whisper-small; в обучении использованы дополнительные речевые данные TIMIT и ParaSpeechCaps. Репозиторий содержит веса в формате safetensors, а модель рассчитана на классификацию аудио с английской речью. Лицензия OpenRAIL запрещает коммерческое использование; авторы также исключают клиническое применение, наблюдение и вторжение в частную жизнь. При работе с речевыми данными следует учитывать согласие говорящих и применимые законы.

Clementapa дообучила акустическую модель facebook/wav2vec2-base-960h для распознавания фонем нидерландского языка. Модель основана на архитектуре Wav2Vec2 и содержит 113,3 млн параметров; веса представлены в формате PyTorch. Модель принимает аудио и выдаёт последовательность фонем, поэтому подходит для фонетической транскрипции нидерландской речи и акустического анализа произношения. Она предназначена для работы как акустическая модель распознавания речи на основе CTC. Модель обучена на данных Common Voice. Сведения о лицензии и ограничениях качества в предоставленных материалах отсутствуют.

Cnam-LMSSC разработала wav2vec2-spanish-phonemizer — модель распознавания речи на базе архитектуры Wav2Vec2ForCTC, дообученную на facebook/wav2vec2-base-es-voxpopuli-v2 для преобразования испанской речи в фонетическую транскрипцию. Модель содержит 113,3 млн параметров и обучалась на обучающей и валидационной выборках Multilingual Librispeech. На вход подаётся аудио с частотой дискретизации 16 кГц, на выходе — последовательность слов в IPA без знаков пунктуации. На испанской тестовой части Multilingual Librispeech указана оценка PER 2,94%. Модель распространяется по лицензии MIT; в README отмечено, что она работает без языковой модели.

X-Codec WavLM MLS — речевой аудиокодек из семейства X-Codec, основанный на дообученной модели microsoft/wavlm-base-plus. Разработчик в предоставленных данных не назван. Модель предназначена для кодирования речи с разными битрейтами; в README показаны режимы 0,5, 1, 1,5, 2 и 4 кбит/с. Для извлечения признаков используется архитектура XcodecModel, веса представлены в формате safetensors, а обучение проводилось на английской части набора MLS. В метаданных основная задача обозначена как feature-extraction. Модель принимает аудио и выдаёт речевые признаки, используемые в кодировании. Базовая модель WavLM предназначена для обработки речи. Репозиторий распространяется по лицензии CC BY 4.0.