Higgs TTS 3 от Boson AI синтезирует выразительную многоязычную речь из текста с управлением подачей и клонированием голоса по образцу.

Подходит для: озвучивание ответов голосового чат-бота · создание многоязычной озвучки для видео и подкастов · синтез речи с заданной эмоцией и темпом

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

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

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

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

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

IndexTTS-2 — авторегрессионная zero-shot модель для синтеза эмоционально выразительной речи с контролем длительности.

Подходит для: синтез выразительной речи из текста · озвучивание текста на английском и китайском языках · генерация речи с управлением длительностью

Набор моделей Whisper в формате Core ML для локального распознавания речи и транскрибации на устройствах Apple Silicon.

Подходит для: локальная транскрибация аудиозаписей на устройствах Apple · преобразование речи в текст в приложениях для Apple Silicon · распознавание речи без отправки аудио на сервер

LocateAnything-3B — мультимодальная модель NVIDIA для обнаружения объектов и привязки текстовых запросов к областям и точкам на изображениях.

Подходит для: поиск объектов на изображении по названию или описанию · обнаружение множества объектов в загруженных сценах · выделение области изображения, соответствующей фразе

Модель синтезирует длинные выразительные разговорные аудиозаписи на английском и китайском языках с участием до четырёх говорящих.

Подходит для: создание многосторонних подкастов по текстовому сценарию · озвучивание длинных диалогов несколькими голосами · генерация разговорных аудиоматериалов для исследований синтеза речи

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

Многоязычная модель семейства MOSS-TTS для синтеза речи из текста, включая потоковую генерацию и управление произношением.

Подходит для: озвучивание текста на нескольких языках · создание потоковой речи для голосовых приложений · генерация смешанной китайско-английской речи

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

Конверсия Whisper small в формат CTranslate2 для распознавания речи из аудио, в том числе с помощью faster-whisper.

Подходит для: транскрибация русскоязычных аудиозаписей · расшифровка многоязычных интервью и встреч · преобразование аудио в текст в приложениях на CTranslate2

Orpheus 3B 0.1 Finetuned — Llama-based Speech-LLM для выразительного синтеза английской речи, потокового озвучивания и клонирования голоса.

Подходит для: потоковое озвучивание текста в реальном времени · генерация естественной речи для диалоговых приложений · озвучивание текста с заданной эмоцией и интонацией

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

Kokoro-82M — компактная многоязычная модель синтеза речи с несколькими голосами для локальных приложений и сервисов.

Подходит для: озвучивание текста в приложениях · создание аудиоверсий статей и документов · генерация речи для голосовых интерфейсов

Модель CanopyAI на базе Llama преобразует текст в выразительную речь с управлением интонацией, потоковой генерацией и клонированием голоса.

Подходит для: озвучивание текстов естественным голосом · потоковая речь для голосовых интерфейсов · управление эмоциями и интонацией в синтезированной речи

Мультимодальная модель Qwen3-VL на 8 млрд параметров для диалога, анализа изображений и видео, OCR и визуального рассуждения.

Подходит для: ответы на вопросы по изображениям · распознавание текста и разбор структуры документов на изображениях · поиск событий и их временных меток в видео

Дообученная Wav2Vec2-модель для распознавания японской речи в аудио с частотой дискретизации 16 кГц.

Подходит для: транскрибация японской речи из аудиозаписей · распознавание японской речи в голосовых сообщениях · создание текстовых расшифровок японских аудиоматериалов

Мультимодальная модель AutoTrust для выбора и оценки вариантов по тексту или изображениям с выдачей вероятностей и опциональным адаптивным рассуждением.

Подходит для: классификация текстовых запросов по категориям · ранжирование результатов поиска по релевантности · выбор наиболее важной новости для рекомендации

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

Дообученная на польской речи модель wav2vec2 для преобразования аудиозаписей в текст.

Подходит для: транскрибация речи на польском языке · распознавание польской речи в аудиозаписях с частотой 16 кГц · подготовка текстовых расшифровок для материалов Common Voice

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