I.15Доступность и ассистивные технологии

sitwala/whisper-large-v3-turbo-anv-zul-150h — дообученная модель распознавания речи на базе OpenAI Whisper large-v3-turbo. Она предназначена для преобразования аудио в текст, с настройкой на набор данных dsfsi-anv/za-african-next-voices. В оценке на тестовой выборке указаны Loss 0,3443 и WER 25,2022. Модель использует архитектуру WhisperForConditionalGeneration, содержит 905,2 млн параметров и доступна в формате safetensors для библиотеки Transformers. Исходная Whisper large-v3-turbo — мультиязычная модель распознавания речи и перевода аудио в текст; карточка этой версии не уточняет языки и режимы, проверенные при дообучении. Лицензия — MIT.

onnx-community/whisper-large-v3-turbo_timestamped — это версия модели OpenAI Whisper large-v3-turbo, подготовленная сообществом onnx-community. Репозиторий содержит ONNX-веса, совместимые с Transformers.js, и предназначен для запуска модели в средах, поддерживающих этот фреймворк, включая веб-приложения. Модель ориентирована на задачи автоматического распознавания речи и основана на Whisper large-v3-turbo. README не содержит подробностей о размере модели, архитектуре, поддерживаемых языках, модальностях, длине контекста, точности, производительности или наличии функции временных меток, отражённой в идентификаторе модели. Также не указаны сильные стороны и ограничения по сравнению с исходной моделью. Условия лицензирования в README не указаны. Репозиторий описывает ONNX-веса как временное решение до более широкого распространения WebML и рекомендует использовать Optimum для конвертации моделей в ONNX и подготовки их к работе в веб-средах.

PhanithLIM разработал Whisper Small Khmer — модель автоматического распознавания речи, полученную дообучением openai/whisper-small на кхмерских речевых данных. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров; она предназначена для преобразования аудио на кхмерском языке в текст. Для обучения использованы публичные и пользовательские наборы данных, включая датасеты PhanithLIM, OpenSLR и Google FLEURS. В карточке указаны результаты оценки: loss 0,0776 и WER 78,5976; высокий WER указывает на существенные ошибки распознавания в этой оценке. Модель распространяется по лицензии Apache-2.0.

Lingalingeswaran дообучил модель openai/whisper-small на наборе данных Sinhala ASR, чтобы распознавать речь на сингальском языке и преобразовывать её в текст. Модель построена на архитектуре Whisper, содержит 153,1 млн параметров и рассчитана прежде всего на транскрибирование речи на сингальском; также в карточке указана поддержка определения языка. Репозиторий использует Transformers и формат safetensors. Модель подходит для создания текстовых расшифровок сингальской речи, в том числе записей с разными голосами и стилями речи. По данным карточки, качество может снижаться на шумных записях, при выраженных акцентах и для языков или диалектов, недостаточно представленных в обучающих данных; для других языков модель оптимизирована хуже. Лицензия — Apache-2.0.

onnx-community/whisper-small_timestamped — это веб-совместимая версия модели openai/whisper-small, подготовленная сообществом ONNX Community. Репозиторий содержит ONNX-веса, предназначенные для использования с библиотекой Transformers.js, а исходная модель разработана OpenAI. Модель предназначена для задач автоматического распознавания речи в приложениях, работающих через Transformers.js, включая веб-сценарии. Архитектура, размер, поддерживаемые языки, модальности и размер контекста в предоставленных данных отдельно не указаны; известно только, что базовой моделью является whisper-small. Ключевое преимущество — наличие ONNX-весов, упрощающих запуск модели в средах, совместимых с Transformers.js. Ограничение состоит в том, что README не содержит подробностей о производительности, точности, требованиях к ресурсам и фактическом наборе поддерживаемых сценариев. Лицензия в предоставленных данных не указана.

aci-yoruba-phase7 — модель автоматического распознавания речи на архитектуре Wav2Vec2 с CTC-декодированием, разработанная Awesome-x. Она дообучена на базе Awesome-x/aci-yoruba-phase7; в карточке указано, что название обучающего набора данных не приведено. Модель содержит 402,7 млн параметров и принимает аудио, выдавая распознанный текст. Модель предназначена для преобразования речи в текст. В оценке на тестовом наборе указаны loss 0,9616 и WER 0,3836. Подробности о применении, языковом охвате, обучающих данных и ограничениях в карточке отсутствуют. Лицензия не указана.

ACI Yoruba Phase X — модель автоматического распознавания нигерийского языка йоруба в аудио, разработанная авторами репозитория Awesome-x. Это дообученная акустическая модель Wav2Vec2ForCTC размером около 402,7 млн параметров, объединённая с 5-граммовой языковой моделью KenLM и фонетической картой постобработки. В репозитории собраны веса, декодер KenLM и карта. Модель предназначена для транскрибирования речи на йоруба. В README сообщается о WER 7,09% на отложенной выборке из 55 записей AR_Audios после нормализации текста; улучшение относительно предыдущей конфигурации получено настройкой декодирования и более крупным униграммным корпусом, а акустические веса общие с Phase 10. Результат измерен на небольшой выборке из одного датасета, поэтому перед практическим применением качество следует проверить на целевых записях. Модель выпущена под лицензией Apache-2.0.

beaunix/Aegis-Art-Atelier-Qwen2.5-VL-7B — дообученная beaunix мультимодальная модель на архитектуре Qwen2.5-VL, созданная на базе unsloth/qwen2.5-vl-7b-instruct. Она принимает изображения и текст и генерирует текстовые ответы, поэтому подходит для диалога и задач визуального анализа. Модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и рассчитана на английский язык. Модель поставляется в формате safetensors и распространяется по лицензии Apache-2.0. В README указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL; сведений о специализации дообучения и сравнительных оценках качества нет.

Edge0/Audio8-ASR-0.1B-iOS-ANE — пакет модели распознавания речи Audio8-ASR-0.1B, подготовленный для локальной работы на iPhone. Он предназначен для преобразования речи в текст в iOS-приложениях и включает Swift SDK, демонстрационное приложение и готовые файлы модели. Размер базовой модели в идентификаторе указан как 0,1 млрд параметров; в метаданных размер не приведён. Аудиобашня выполняется через Core ML на Apple Neural Engine, а декодер языковой модели — через ONNX Runtime на CPU с весами int4. Пакет поддерживает английский, китайский, кантонский, французский, немецкий, японский и корейский языки. Обработка аудио выполняется локально и не требует сетевого запроса. Для Swift-пакета требуются iOS 18 или macOS 15; README рекомендует Apple Silicon Mac для разработки. Модель ориентирована на компактное офлайн-распознавание на устройстве; заявленная демонстрационная нагрузка памяти составляет около 200 МБ и зависит от устройства и условий измерения. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

AudioCPP-Voxtral-Mini-4B-Realtime-2602-GGUF — репозиторий с квантованными GGUF-чекпойнтами модели Voxtral Mini 4B Realtime для автоматического распознавания речи. Чекпойнты предназначены для запуска через C++/GGML-фреймворк audio.cpp, разработанный проектом 0xShug0, и содержат встроенную спецификацию модели и необходимые дополнительные компоненты. Репозиторий поддерживается пространством mistral-experimental; исходный разработчик базовой модели в README явно не указан. Модель рассчитана на офлайн- и потоковое ASR, включая локальное распознавание речи через CLI и серверные интерфейсы audio.cpp. Доступны варианты Q8_0 размером около 4,8 GiB и Q4_K размером около 2,9 GiB. Q8_0 позиционируется как сбалансированный вариант с высоким качеством и меньшим потреблением памяти по сравнению с BF16, а Q4_K — как более компактный и быстрый вариант, качество которого рекомендуется проверять на конкретной предметной области. В README не указаны поддерживаемые языки, точные параметры архитектуры, модальности кроме аудио и размер контекста. По приведённым CUDA-измерениям Q8_0 обеспечивает около 14,7–16,7-кратной скорости реального времени в офлайн-режиме и примерно 5,4-кратной скорости в потоковом режиме, снижая пиковое потребление VRAM относительно BF16. Q4_K в тестах был ещё быстрее, а расшифровки почти полностью совпали с Q8_0, однако результаты зависят от GPU, драйверов, backend, длины аудио и настроек декодирования. Для работы требуется audio.cpp с подходящим backend, например CUDA, Metal, Vulkan или CPU. Лицензия в README не указана.

CosyVoice2-0.5B — модель синтеза речи на основе LLM от команды FunAudioLLM. Она преобразует текст в речь и предназначена для многоязычной озвучки, включая сценарии клонирования голоса по образцу и потоковой генерации речи. В README для семейства CosyVoice описаны поддержка китайского, английского, японского, корейского, немецкого, испанского, французского, итальянского и русского языков, управление языком, эмоцией, темпом и громкостью с помощью инструкций, а также потоковый ввод текста и вывод аудио. Для версии 2.0 указана поддержка потокового вывода и доступность интеграции с vLLM; конкретные показатели задержки в README относятся к CosyVoice 3.0. В репозитории указаны форматы ONNX и safetensors; идентификатор модели и README указывают на вариант объёмом 0,5 млрд параметров. Модель подходит для озвучивания текста, создания многоязычных голосовых интерфейсов и потокового синтеза речи. Лицензия — Apache-2.0. README содержит общее описание нескольких поколений CosyVoice, поэтому заявленные в нём возможности CosyVoice 3.0, включая отдельные показатели качества и задержки, нельзя автоматически приписывать версии 2.0.

CosyVoice-300M — модель синтеза речи из текста от команды FunAudioLLM. В README она относится к линейке CosyVoice и описана как базовая модель на 300 млн параметров; для этого репозитория указано представление ONNX. Лицензия — Apache-2.0. Модель предназначена для преобразования текста в речь и поддерживает китайский, английский, японский, корейский, немецкий, испанский, французский, итальянский и русский языки. В README для семейства CosyVoice также заявлены клонирование голоса с нулевым обучением, межъязыковой синтез, управление языком, диалектом, эмоцией, скоростью и громкостью, потоковая генерация и коррекция произношения. Эти возможности описаны для семейства; карточка не уточняет, какие из них доступны именно в варианте 300M. README указывает на потоковый режим и поддержку нормализации чисел, символов и разных текстовых форматов. Ограничения производительности или качества именно этой версии в карточке не приведены; перечисленные в README результаты сравнения относятся к линейке моделей и не позволяют уверенно оценить вариант 300M отдельно.

heeaiworld/dama-aibrain — дообученная модель heeaiworld на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit. Она использует плотную архитектуру Gemma 4 и предназначена для диалоговой работы с текстом и изображениями: модель принимает текстовые запросы и изображения и формирует текстовые ответы. Карточка сообщает, что обучение проводилось с Unsloth и библиотекой Hugging Face TRL. Репозиторий содержит веса в форматах Safetensors и GGUF F16. Модель распространяется по лицензии Apache-2.0. Метаданные указывают английский язык; сведения о размере модели и длине контекста в предоставленных данных отсутствуют.

DoDuyTTS — многоязычная модель синтеза речи, созданная на основе k2-fsa/OmniVoice. Она поддерживает более 600 языков, синтез речи по тексту в режиме zero-shot, клонирование голоса и создание голосового образа. Архитектура основана на диффузионной языковой модели; веса опубликованы в формате Safetensors, а для работы предназначен пакет doduytts. Модель рассчитана на озвучивание текста, создание речи заданным голосом и потоковый синтез в серверных сценариях. В README заявлена скорость инференса до RTF 0,025 на GPU; пакет также включает сервер с потоковой обработкой предложений и динамическим микробатчингом. Репозиторий указывает лицензию Apache-2.0. Клонировать голос можно только при наличии разрешения: README запрещает несанкционированную имитацию голоса и незаконное или неэтичное использование.

Карточка модели suliniacats/dots.tts-base на Hugging Face совпадает с карточкой dots-studio/dots.tts-base, поэтому описание составлено по ней. dots.tts-base — базовая предварительно обученная модель синтеза речи от разработчиков проекта dots.tts. Это сквозная авторегрессионная система с 2 млрд параметров: семантический энкодер передаёт текст в LLM, а акустическая голова на основе flow matching генерирует аудио через непрерывное латентное представление AudioVAE с частотой 48 кГц. Дискретные аудиокодеки в конвейере не используются; LLM основана на Qwen2.5-1.5B-Base и принимает текст в BPE-токенах без фонемной транскрипции. Модель обучена на примерно 1,5 млн часов речи и предназначена для преобразования текста в речь, включая клонирование голоса по аудиореференсу. Контрольный чекпойнт предлагается как отправная точка для дообучения. По README, качество на малоресурсных и недостаточно представленных языках ниже, в частности для арабского, хинди, турецкого и вьетнамского; обучение на речевых данных не охватывает пение и совместную генерацию речи со звуками. Лицензия — Apache-2.0.

Это модель автоматического распознавания речи на основе wav2vec2, дообученная jssaluja на базе facebook/mms-1b-all. Она предназначена для преобразования аудио на пенджаби в текст; обучение проводилось на наборах с речью, аудиокнигами, киртаном, подкастами, лекциями и другими записями. Модель содержит 1,3 млрд параметров и использует архитектуру Wav2Vec2ForCTC. В карточке приведены результаты оценки: WER 0,3195 и CER 0,0798. Это указывает на ошибки распознавания, поэтому результат может требовать проверки и исправления, особенно для аудио вне тематики и условий обучающих данных. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства, но не коммерческое использование.

Карточка модели rsolanki1822/IndicF5-mirror на Hugging Face совпадает с карточкой ai4bharat/IndicF5, поэтому описание составлено по ней. IndicF5 — полиглотная модель синтеза речи от AI4Bharat, обученная на 1417 часах аудио из Rasa, IndicTTS, LIMMITS и IndicVoices-R. Она преобразует текст в речь на 11 индийских языках: ассамском, бенгальском, гуджарати, хинди, каннада, малаялам, маратхи, одиа, пенджаби, тамильском и телугу. Для генерации нужны текст, эталонный аудиофрагмент и его расшифровка; эталон задаёт характеристики голоса и просодию. Модель предназначена для синтеза речи с управлением голосом по примеру, например для озвучивания текстов и создания голосовых интерфейсов на поддерживаемых языках. Авторы характеризуют качество как близкое к человеческому. Лицензия — MIT. Использовать клонирование голоса разрешено только при наличии явного согласия владельца; несанкционированное клонирование запрещено.

Indic Parler-TTS — мультиязычная модель синтеза речи, разработанная в сотрудничестве команд Hugging Face Audio и AI4Bharat. Это дообученная версия Indic Parler-TTS Pretrained на наборе данных объёмом 1 806 часов; модель построена на архитектуре Parler-TTS и распространяется в формате Safetensors через Transformers. Модель преобразует текст в речь на 21 языке, включая английский и 20 языков Индии. Дополнительное текстовое описание задаёт характеристики звучания: голос, темп, высоту, эмоциональную окраску, выразительность, акцент, реверберацию и фоновый шум. Заявлена поддержка 69 голосов; для трёх дополнительных языков — чхаттисгархи, кашмири и пенджаби — поддержка неофициальная. Эмоциональные подсказки официально поддерживаются для десяти языков, а для остальных заявлены без подробного тестирования. Рекомендуемые голоса и качество могут различаться по языкам; смена языка определяется по тексту запроса. Лицензия — Apache-2.0.

Это дообученная модель Whisper, созданная на основе parthiv11/indic_whisper_hi_multi_gpu. Она предназначена для автоматического распознавания речи и транскрибирования аудио; карточка указывает хинди в названии модели, а базовая модель каталога имеет подтверждённую поддержку хинди. Модель реализована как WhisperForConditionalGeneration и распространяется в формате safetensors. В README приведены результаты оценки: loss 0.5186 и Global WER 26.4368. Описание набора данных, условия оценки и подробные сценарии применения в карточке не раскрыты, поэтому результаты нельзя переносить на другие данные без проверки. Лицензия — MIT.

Janus-Pro-7B — мультимодальная авторегрессионная модель сообщества DeepSeek, объединяющая понимание изображений и генерацию изображений с обработкой текста. В карточке указано, что семейство Janus-Pro построено на базовой модели DeepSeek-LLM-7B и использует единую архитектуру трансформера с раздельными путями визуального кодирования для понимания и генерации. Для понимания изображений применяется энкодер SigLIP-L с поддержкой входа 384 × 384 пикселя; для генерации изображений используется отдельный токенизатор с понижением разрешения в 16 раз. Модель предназначена для ответов на вопросы об изображениях и создания изображений по текстовым запросам. Метаданные указывают архитектуру JanusForConditionalGeneration, библиотеку Transformers и формат весов safetensors; модель опубликована по лицензии MIT. Карточка описывает Janus-Pro как универсальную мультимодальную систему, способную объединять визуальное понимание и генерацию в одном фреймворке.

Kokoro-82M — компактная модель синтеза речи с открытыми весами, содержащая 82 млн параметров. Модель основана на дообучении StyleTTS2-LJSpeech и предназначена для преобразования текста в аудио; автор карточки представляет её как быструю и экономичную альтернативу более крупным TTS-моделям. В карточке приведён пример использования через библиотеку kokoro: конвейер принимает текст и создаёт аудио с частотой дискретизации 24 кГц. Указана поддержка английского языка; README также упоминает китайский и некоторые другие неанглийские языки в контексте установки дополнительных компонентов и резервной обработки. Веса распространяются по лицензии Apache-2.0, что допускает использование в производственных и личных проектах. README заявляет о качестве, сопоставимом с более крупными моделями, но не приводит деталей сравнительной оценки.

LocateAnything-3B-GGUF — мультимодальная модель для визуального заземления объектов и областей на изображениях. Исходную модель разработала NVIDIA, а данный репозиторий содержит её GGUF-конверсии, подготовленные yuuko-eth для работы с llama.cpp и мультимодальным стеком mtmd. Модель принимает изображение и текстовый запрос на английском языке, после чего возвращает метку объекта или области и координаты ограничивающей рамки либо точки в нормализованном диапазоне 0–1000. Архитектура включает vision tower MoonViT-SO-400M, Eagle MLP и языковую модель Qwen2.5-3B. Доступны варианты BF16, Q8_0, Q6_K, Q5_K_M и Q4_K_M; для работы каждому варианту языковой модели требуется отдельный vision projector mmproj в формате BF16. Модель подходит для поиска объектов, регионов интерфейса, текста на изображении, отдельных точек и нескольких экземпляров по описанию. К сильным сторонам относятся компактные квантизованные варианты и близкое к BF16 качество у Q4_K_M и более высоких разрядностей. Для запуска требуется специальная ветка llama.cpp с интеграцией LocateAnything mtmd; стандартная версия llama.cpp эти GGUF-файлы не загружает. При использовании llama-server необходим параметр --special, иначе координаты, представленные управляющими токенами, не будут выведены. Проверена работа с одним изображением и одним запросом; пакетная обработка нескольких изображений в llama-server не валидирована. Для некоторых CUDA-бэкендов может потребоваться отключение flash attention из-за vision head_dim=72. Лицензия NVIDIA разрешает только некоммерческое и исследовательское использование; коммерческое использование зарезервировано за NVIDIA и её аффилированными лицами.

M-Kiriku ASR — модель распознавания речи, разработанная IA Hub Senegal на основе дообучения OpenAI Whisper large-v3. Она предназначена для транскрибации аудио на волоф, пулаар и серер — языках Сенегала с ограниченными ресурсами для обучения распознавателей речи. Модель принимает аудио и выдаёт текст; для обучения использован корпус примерно из 150 часов речи, включая очищенные и проверенные данные проекта Kallama и открытые наборы данных. Разработчики расширили токенизатор языковыми символами и специальными токенами, добавили нормализацию орфографии и адаптировали декодер для целевых языков. В опубликованных оценках указаны WER 16,34% для волофа, 45,28% для пулаара и 42,99% для серера. Для аудио длиннее 30 секунд README рекомендует нарезку на перекрывающиеся фрагменты. Лицензия — Apache-2.0.

MOSS-TTS-Local-Transformer-v1.5 — мультиязычная модель синтеза речи от команды OpenMOSS, продолженная от MOSS-TTS-Local-Transformer-v1.0. Она преобразует текст в речь, поддерживает синтез без образца голоса и клонирование голоса по аудиореференсу, а также длинные высказывания, управление длительностью на уровне токенов и переключение языков в одной фразе. Модель использует архитектуру MossTTSLocalModel и аудиотокенизатор MOSS-Audio-Tokenizer-v2. Она принимает и генерирует стереозвук с частотой 48 кГц; доступны управление произношением через Pinyin и IPA и явные маркеры пауз. В README заявлена поддержка 31 языка, включая китайский, кантонский и русский; при задании языковой подсказки качество улучшено почти для всех поддерживаемых языков относительно версии 1.0. Версия 1.5 улучшает сходство голоса и стабильность клонирования, работу с длинными референсами и следование паузам, заданным пунктуацией. Для загрузки требуется Transformers с поддержкой Qwen3 и выполнение удалённого кода через trust_remote_code=True. Модель распространяется по лицензии Apache-2.0.

Карточка модели Arsh9210/Nemotron-Labs-Diffusion-VLM-8B на Hugging Face совпадает с карточкой nvidia/Nemotron-Labs-Diffusion-VLM-8B, поэтому описание составлено по ней. Nemotron-Labs-Diffusion-VLM-8B — мультимодальная модель NVIDIA, расширяющая семейство Nemotron-Labs-Diffusion для работы с изображениями и текстом. Она принимает изображения и текст в чередующихся фрагментах и генерирует текст. Модель содержит 8 млрд параметров и использует плотную архитектуру: языковой блок на 34 слоя с размерностью 4096 и визуальный энкодер в стиле Pixtral на 24 слоя с размерностью 1024. Поддерживаются изображения размером до 1540 × 1540 пикселей и контекст длиной до 262 144 токенов. Языковая часть поддерживает авторегрессионный режим, диффузионное декодирование и self-speculation. При диффузионном декодировании модель может формировать блоки токенов параллельно, а затем проверять их авторегрессионно, используя общий KV-кэш. Это позволяет применять модель для диалога и ответов на вопросы по изображениям, сохраняя разные режимы генерации текста. Для работы README указывает Transformers версии 5.0.0 или новее. Лицензия обозначена как other; условия использования следует сверять с условиями NVIDIA.

Paranioar/NEO1_0-9B-SFT — версия NEO1_0-9B после контролируемой донастройки (SFT), созданная в рамках проекта NEO. Это плотная нативная vision-language-модель, разработанная с нуля для объединения визуального восприятия и языковых возможностей в общей архитектуре, без отдельных подключаемых модулей зрения и языка. Модель содержит 9 млрд параметров без учёта эмбеддингов и имеет 42 слоя: 6 слоёв Pre-Buffer и 36 слоёв языковой части. В архитектуре используются Native-Attn, Native-RoPE и групповое внимание запросов (32 головы Q и 8 KV). Модель предназначена для диалогового взаимодействия с изображениями и генерации текстовых ответов на визуальные запросы. В README описана цель проекта — развивать нативные мультимодальные примитивы; конкретные показатели качества для этой SFT-версии не приведены. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Метаданные указывают интерфейс чата и вызова инструментов; поддерживаемые языки, максимальный контекст и отдельные результаты оценки в предоставленных сведениях не описаны.

OmniVoice — многоязычная модель синтеза речи от команды k2-fsa, дообученная на базе Qwen/Qwen3-0.6B. Она использует архитектуру в стиле диффузионной языковой модели и предназначена для преобразования текста в речь, клонирования голоса по короткому аудиореференсу и создания голоса по заданным атрибутам. Модель заявлена для более чем 600 языков. Она поддерживает управление характеристиками голоса, включая пол, возраст, высоту тона, диалект и акцент, а также генерацию невербальных звуков по маркерам и коррекцию произношения с помощью пиньиня или фонем. В README заявлена скорость генерации до 40 раз выше реального времени. OmniVoice подходит для озвучивания текста, создания голосовых прототипов и генерации речи с заданным звучанием. Клонирование голоса допускается только при наличии соответствующих прав и согласия: разработчики запрещают несанкционированное подражание голосу, мошенничество и незаконное или неэтичное использование. Лицензия в предоставленных материалах не указана.

Orpheus 3B 0.1 Finetuned — модель синтеза речи на основе архитектуры Llama, выпущенная командой CanopyAI. Она преобразует текст в речь и предназначена для озвучивания, потокового синтеза в реальном времени и создания выразительных голосовых интерфейсов. Модель поддерживает управление эмоциями и интонацией с помощью тегов, а также клонирование голоса без предварительного дообучения под конкретный голос. В README заявлены естественная интонация, чёткость речи и потоковая задержка около 200 мс, которую можно снизить примерно до 100 мс при потоковой подаче текста. Модель содержит 3,3 млрд параметров, использует LlamaForCausalLM, принимает текст и генерирует аудио; указанный контекст — 131 072 токена. В метаданных указан английский язык. Модель основана на объединении canopylabs/orpheus-3b-0.1-pretrained и meta-llama/Llama-3.2-3B-Instruct. Лицензия — Apache-2.0. README предостерегает от клонирования голоса без согласия и от использования для обмана или мошенничества.

Orpheus-3B Sunbird Multilingual TTS — модель Sunbird AI для синтеза речи из текста. Это дообученная на полном корпусе Sunbird/tts модель unsloth/orpheus-3b-0.1-pretrained с архитектурой Llama и 3,3 млрд параметров. Она генерирует монофоническое аудио с частотой 24 кГц через аудиокодек SNAC; выбор голоса задаётся идентификатором говорящего в запросе, а отдельного переключателя языка нет. Модель охватывает 20 конфигураций языковых данных, включая английский и языки Африки с ограниченными ресурсами: ачоли, африкаанс, эве, фула, хауса, игбо, кикуйю, киньяруанда, лугбара, лингала, луганда, луо, рунянколе, сесото, суахили, атесо, сетсвана, коса и йоруба. Доступность отдельных голосов зависит от языка. Качество различается в зависимости от объёма обучающих данных, поэтому перед применением следует прослушать примеры для нужного языка и голоса. Контекст модели — 131 072 токена. Лицензия — Apache-2.0.

ParakeetKit Pro — модель для автоматического распознавания речи из семейства Parakeet, подготовленная для использования через Argmax Pro SDK. Репозиторий содержит модель в формате TensorFlow Lite; метаданные указывают библиотеку WhisperKit и поддержку аудиовхода. Модель предназначена для локальной транскрибации речи на устройстве. Карточка сообщает, что эти модели совместимы только с Argmax Pro SDK. Лицензия обозначена как other, поэтому условия использования следует сверять с лицензией в репозитории и условиями SDK.