Многоязычный речевой энкодер Conformer для извлечения признаков из аудио и последующей настройки моделей распознавания речи или классификации звука.

Подходит для: извлечение речевых эмбеддингов из аудиозаписей · подготовка энкодера для дообучения распознавания речи · подготовка признаков для классификации аудио

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

F5-TTS — модель для синтеза речи по тексту, доступная в нескольких вариантах чекпойнтов.

Подходит для: озвучивание текстов · создание речевых дорожек для видео · генерация голосовых сообщений

Модель Canopy Labs на основе Llama для выразительного синтеза английской речи с потоковой генерацией, управлением эмоциями и клонированием голоса.

Подходит для: синтез английской речи для голосовых интерфейсов · потоковое озвучивание текста в реальном времени · создание выразительной речи с заданной эмоцией и интонацией

AuK — диффузионная модель Tencent на 1,5 млрд параметров для синтеза и редактирования речи по текстовым инструкциям.

Подходит для: синтез речи по тексту · zero-shot синтез голоса · генерация речи по инструкции

Kokoro-82M-bf16 — английская модель синтеза речи в формате MLX для преобразования текста в аудио.

Подходит для: озвучивание английских текстов в приложениях на MLX · создание голосовых сообщений из текста · добавление синтеза речи в локальные приложения на Apple Silicon

Немецкоязычная модель Canopy Labs на базе Orpheus и Llama для выразительного синтеза речи, потоковой генерации и клонирования голоса.

Подходит для: озвучивание немецкого текста естественной речью · потоковая генерация речи для приложений с низкой задержкой · управление эмоциями и интонацией речи с помощью тегов

Нейросетевой аудиокодек Meta AI для сжатия и восстановления речи, музыки и других звуков в реальном времени.

Подходит для: сжатие речи при низком битрейте · сжатие и передача музыки · восстановление аудио после кодирования

Orpheus 3B — англоязычная Llama-модель CanopyAI для выразительного синтеза речи, потокового озвучивания и клонирования голоса.

Подходит для: озвучивание текста естественным голосом · потоковая генерация речи в реальном времени · управление эмоциями и интонацией в синтезированной речи

MioTTS-2.6B — дообученная LLM для быстрого синтеза английской и японской речи с возможностью клонирования голоса по короткому аудиообразцу.

Подходит для: озвучивание английского текста · озвучивание японского текста · клонирование голоса по короткой аудиозаписи

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

E2-TTS — модель синтеза речи из текста с поддержкой zero-shot сценария.

Подходит для: синтез речи по тексту · zero-shot озвучивание текста · создание голосового аудио для приложений

Вокодер HiFi-GAN для преобразования акустических представлений SpeechT5 в аудио при синтезе речи и конвертации голоса.

Подходит для: синтез аудио из представлений речи SpeechT5 · озвучивание текста в связке с моделью SpeechT5 · преобразование голоса в конвейере SpeechT5

Двуязычная модель Breeze для потокового синтеза английской и китайской речи, клонирования голоса и управления его подачей.

Подходит для: озвучивание английского текста с потоковой выдачей аудио · озвучивание китайского текста · клонирование голоса по аудиозаписи и точной расшифровке

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

Dia — англоязычная модель Nari Labs для реалистичного синтеза диалоговой речи с управлением голосом и эмоциями по аудиоусловию.

Подходит для: синтез английских диалогов с двумя говорящими · озвучивание текста выразительной речью · клонирование голоса по образцу аудио

Компактная модель семейства LLaMA для ускорения генерации текста с помощью спекулятивного декодирования EAGLE.

Подходит для: ускорение инференса языковой модели в serving-системах · ускорение генерации ответов чат-моделью · снижение задержки авторегрессионной генерации текста

Компактная модель LuxTTS синтезирует естественную речь по тексту и клонирует голос по образцу с высокой скоростью.

Подходит для: озвучивание текста естественной речью · клонирование голоса по аудиообразцу · быстрая локальная генерация речи

Англоязычная модель ESPnet JETS в формате ONNX для преобразования текста в речь.

Подходит для: озвучивание английского текста в приложении · создание аудиоверсий текстового контента · добавление синтеза речи в конвейер txtai

Полудуплексная по взаимодействию, потоковая голосовая модель Kyutai на базе PersonaPlex, дообученная для более естественных пауз, очередности реплик, подтверждений и обработки перебиваний.

Подходит для: потоковый голосовой диалог с более естественной очередностью реплик · снижение перебиваний пользователя голосовым ассистентом · подбор момента для коротких голосовых подтверждений

Извлечённый из Qwen3-TTS аудиоэнкодер ECAPA-TDNN, который создаёт 2048-мерные эмбеддинги голоса для повторного использования в синтезе речи и связанных задачах.

Подходит для: извлечение эмбеддинга говорящего из аудиозаписи · сохранение голосового представления для последующего синтеза речи · передача эмбеддинга голоса в Qwen3-TTS для клонирования голоса

Сквозная аудиоязыковая модель Liquid AI для голосовых диалогов в реальном времени, распознавания речи и синтеза речи.

Подходит для: голосовой диалог с ассистентом в реальном времени · распознавание английской речи в аудио · преобразование текста в речь

Компактная модель Soprano на базе Qwen3 для быстрого синтеза выразительной английской речи из текста.

Подходит для: озвучивание английских текстов в приложении · локальное преобразование текста в речь · потоковая генерация речи для воспроизведения

Нейросетевой аудиокодек Meta AI для сжатия и восстановления речи, музыки и других аудиосигналов с низким битрейтом.

Подходит для: сжатие речи для потоковой передачи · сжатие музыки с низким битрейтом · восстановление аудио после сжатия