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

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

Потоковая модель Kyutai синтезирует английскую и французскую речь из текста с низкой задержкой и поддерживает обусловливание голоса готовыми эмбеддингами.

Подходит для: синтез речи по мере поступления текста · озвучивание диалоговых систем с низкой задержкой · генерация английской речи из текста

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

KittenTTS 2 — мультиязычная модель KittenML для синтеза речи из текста с клонированием голоса по контексту и управлением выразительностью.

Подходит для: озвучивание текста выбранным голосом · клонирование голоса по контекстному примеру · синтез речи на нескольких языках с выбором языкового голоса

Higgs Audio v3 TTS (4B) — модель синтеза речи по тексту на базе Qwen3-4B с поддержкой эталонного аудио и выходом в виде монофонической волны 24 кГц.

Подходит для: синтез речи по тексту · создание озвучки с голосом, заданным эталонным аудио · генерация монофонической речи с частотой 24 кГц

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

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

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

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

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

SpecTTTra-β классифицирует короткие аудиофрагменты, определяя, является ли песня синтетической или созданной человеком.

Подходит для: выявление песен, полностью созданных генеративным ИИ · проверка подлинности музыкальных фрагментов длительностью 5 секунд · анализ синтетической музыки для исследований и модерации аудиокаталогов

Компактная версия Soprano в формате MLX для синтеза речи по тексту и клонирования голоса.

Подходит для: синтез речи из текста · локальная генерация речи на устройствах Apple с MLX · клонирование голоса при использовании исходной модели

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

Модель mesolitica для синтеза малайской и английской речи с несколькими голосами и частотой вывода 24 кГц.

Подходит для: синтез речи на малайском языке · синтез речи на английском языке с переключением языков · озвучивание нормализованного текста несколькими голосами

Компактная мультимодальная модель Moondream 2 отвечает на вопросы об изображениях, распознаёт текст и объекты и описывает визуальные сцены.

Подходит для: ответы на вопросы по содержимому изображения · распознавание текста в документах, таблицах и на экране · обнаружение и подсчёт объектов на изображении

MLX-версия многоязычной модели NVIDIA Parakeet-TDT-0.6B-v3 для распознавания речи и транскрибации аудио.

Подходит для: транскрибация аудиозаписей на поддерживаемых языках · преобразование русской речи в текст · распознавание речи в диктовке

SpecTTTra-α-5s классифицирует аудиофрагменты песен как синтетические или созданные человеком.

Подходит для: проверка песни на генерацию искусственным интеллектом · выявление синтетических музыкальных композиций · анализ аудиофрагментов для модерации музыкального контента