PhoneBuddy-4B — мультимодальный чекпойнт Qwen3.5 VL для исследований телефонных агентов, визуального рассуждения и вызова инструментов.

Подходит для: анализ снимков экрана телефона · исследование визуальных агентов для смартфонов · выбор действий интерфейса по изображению экрана

PhoneBuddy-4B-RealApp — экспериментальный мультимодальный агент на базе Qwen3.5 VL для исследований управления телефоном через реальные приложения и инструменты.

Подходит для: исследование управления приложениями на смартфоне по снимкам экрана · оценка визуального рассуждения агента о действиях на телефоне · сравнение обучения агента на реальных приложениях без mockapps

OmniVoice — многоязычная модель преобразования текста в речь с клонированием голоса и настройкой его характеристик.

Подходит для: озвучивание текста на разных языках · клонирование голоса по короткой аудиозаписи · создание голоса по заданным характеристикам

Компактный мультимодальный чекпойнт Qwen3.5 VL для экспериментов с телефонными агентами, визуальным рассуждением и использованием инструментов.

Подходит для: эксперименты с телефонным агентом · выбор действий по скриншотам интерфейса телефона · проверка мультимодального вызова инструментов

Дообученная Pipecat на базе Nemotron 3 Nano языковая модель для быстрых телефонных агентов с многоходовым диалогом и вызовом инструментов.

Подходит для: обработка входящих звонков в службу поддержки · совершение исходящих звонков от имени компании · ответы клиентам финансовых сервисов по телефону

PersonaPlex — дообученная NVIDIA модель для потоковых англоязычных голосовых диалогов с одновременным распознаванием речи и генерацией ответа.

Подходит для: создание голосового ассистента с быстрым чередованием реплик · голосовое обслуживание клиентов · диалоги с перебиваниями и одновременной речью

Whisper-модель для автоматического распознавания речи на бемба и преобразования её в текст.

Подходит для: транскрибация аудиозаписей на бемба · создание текстовых расшифровок речи на бемба · распознавание бемба в голосовых сообщениях

Ultravox — модель Fixie.ai, которая понимает речь и текст и генерирует текстовые ответы для голосовых агентов, анализа речи и речевого перевода.

Подходит для: создание голосового агента с текстовыми ответами · анализ содержания аудиосообщений · распознавание устной речи

Ringg Router E2B — текстовая модель Ringg AI для маршрутизации диалогов, выбора инструментов, проверки условий и извлечения полей в агентных сценариях.

Подходит для: выбор следующего шага в многошаговом голосовом сценарии · маршрутизация звонка по намерению клиента · выбор подходящего инструмента или функции для агента

AutoGLM-Phone-9B — мультимодальная модель для понимания экранов Android и поддержки автоматизации задач на смартфоне через Phone Agent.

Подходит для: выполнение заданий на смартфоне по текстовой команде · поиск информации в мобильных приложениях · навигация по интерфейсу Android по снимкам экрана

Модель NVIDIA NeMo и Suno.ai для быстрого преобразования английской речи в текст.

Подходит для: транскрибирование англоязычных аудиозаписей · распознавание речи в телефонных разговорах · пакетная расшифровка WAV-файлов

Модель классифицирует первые две секунды английского телефонного аудио, чтобы отличить голосовую почту от ответа живого человека.

Подходит для: определение голосовой почты в исходящих звонках · фильтрация голосовой почты в автоматизированных продажах · отбор звонков для телефонного помощника

Компактная текстовая модель Google для вызова функций и создания специализированных локальных агентов после дообучения.

Подходит для: Преобразование команд пользователя в вызовы функций приложения · Управление игровыми действиями по текстовым командам · Преобразование запросов в системные действия Android

Компактная англоязычная модель AAC для преобразования символов в фразы и поддержки офлайн-коммуникации на Apple Watch и других малоресурсных устройствах.

Подходит для: Преобразование выбранных AAC-символов в естественную фразу · Формулирование сообщения о медицинской или бытовой экстренной ситуации · Уточнение ответов «да» и «нет» по выбору символов

Гибридная MoE-языковая модель Liquid AI для быстрых локальных диалогов, извлечения данных и агентных задач на устройствах с ограниченными ресурсами.

Подходит для: ведение многоходового диалога на устройстве · извлечение полей и сведений из текста · ответы по внутренним документам в RAG-сценариях

Компактная модель VITS из проекта MMS, которая синтезирует речь на телугу по входному тексту.

Подходит для: озвучивание текстов на телугу · создание голосовых ответов на телугу · генерация аудиоверсий сообщений и объявлений

Дообученная компактная модель на базе Gemma 4 E2B для локальных многоходовых бесед с пониманием эмоций и эмоциональной поддержкой.

Подходит для: эмпатичные ответы в личных беседах · поддержка пользователя в эмоционально сложном разговоре · многоходовой диалог с локальным чат-ботом

Ultravox v0.5 — речевая языковая модель Fixie.ai, которая понимает аудио и текст и генерирует текст для голосовых агентов, анализа речи и перевода.

Подходит для: создание голосового агента, отвечающего на голосовые сообщения · транскрибирование речи в текст · анализ содержания spoken audio

Компактная дообученная Gemma преобразует команды на английском и хинглише в вызовы инструментов для управления функциями телефона.

Подходит для: установка будильников и таймеров голосовой командой · включение фонарика, Wi-Fi и Bluetooth · изменение громкости и яркости экрана

Англоязычная модель Wav2Vec2 для расшифровки телефонных разговоров и другой речи в текст.

Подходит для: расшифровка англоязычных телефонных звонков · транскрибация разговорной речи · создание текстовых расшифровок аудиозаписей с частотой 16 кГц

Крупная модель NVIDIA NeMo и Suno.ai для преобразования английской речи из моноаудио в текстовую расшифровку.

Подходит для: транскрибирование английских телефонных разговоров · расшифровка совещаний и интервью на английском языке · создание субтитров для англоязычных видео и лекций

Компактная дообученная текстовая модель для создания специализированных агентов, преобразующих команды пользователя в вызовы функций.

Подходит для: преобразование команд в вызовы функций приложения · управление функциями Android по текстовой команде · обработка команд для логики интерактивной игры

Многоязычная модель VinAI извлекает контекстные представления фонем для улучшения систем синтеза речи.

Подходит для: кодирование фонем для нейросетевого синтеза речи · улучшение естественности и просодии синтезированной речи · поддержка обучения TTS на ограниченных данных

Модель Anyreach AI анализирует стереоаудио разговора и в реальном времени оценивает активность речи, будущие реплики и завершение хода для пользователя и агента.

Подходит для: определение, кто говорит в каждом кадре диалога · обнаружение пауз и завершения реплики пользователя · прогнозирование скорого начала речи пользователя или агента