I.15Доступность и ассистивные технологии

bosonai/higgs-audio-v3-stt-v2 — англоязычная модель распознавания речи Boson AI на архитектуре HiggsAudio3. Это дообученный чекпойнт bosonai/higgs-audio-understanding-v3-1.7b, в который слиты веса LoRA ранга 64 и alpha 128. Модель принимает аудио и преобразует речь в текст; карточка указывает задачу automatic-speech-recognition и формат safetensors. Модель предназначена для транскрибирования английской речи. В обучающую смесь вошли части AMI IHM, GigaSpeech, LibriSpeech, SpgiSpeech, TED-LIUM и VoxPopuli; для Earnings22 данные пропускались. В README приведены результаты оценки WER на AMI, Earnings-22 и GigaSpeech по методике Open ASR Leaderboard. Модель распространяется по лицензии Apache-2.0. Результаты зависят от записи и условий распознавания; сведения об ограничениях качества за пределами приведённых оценок в карточке не представлены.

Huihui-Qwen3.5-27B-Claude-4.6-Opus-abliterated-4bit — мультимодальная модель для преобразования изображений и текста в текст, доступная в формате MLX. Она преобразована сообществом mlx-community из модели huihui-ai/Huihui-Qwen3.5-27B-Claude-4.6-Opus-abliterated с использованием mlx-vlm версии 0.4.0; базовая модель указана как Jackrong/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled. Модель предназначена для сценариев визуального анализа и генерации текста по изображениям, включая описание изображений. В README указаны размер 27B параметров, плотная архитектура и 4-битное представление, оптимизированное для запуска в экосистеме MLX. Для работы рекомендуется пакет mlx-vlm. Поддерживаемые языки и размер контекстного окна в предоставленных данных не указаны. К сильным сторонам относятся мультимодальный режим image-text-to-text, 4-битная квантизация и совместимость с MLX. Ограничения включают отсутствие в README подробностей о языках, контекстном окне, результатах оценки и точных характеристиках исходной модели; производительность также зависит от аппаратной платформы и настроек запуска. Модель распространяется по лицензии Apache 2.0.

Heouzen/Huihui-Qwen3-VL-8B-Instruct-FP8-abliterated — мультимодальная модель на архитектуре Qwen3-VL, представленная как версия Huihui-Qwen3-VL-8B-Instruct-abliterated в формате FP8. Она принимает текст и изображения и предназначена для диалога и анализа изображений с ответами на естественном языке. Модель является дообучением huihui-ai/Huihui-Qwen3-VL-8B-Instruct-abliterated. Карточка указывает лицензию Apache-2.0. Данных о размере контекста и поддерживаемых языках в предоставленных метаданных нет; README не содержит доступного описания.

Chenchuhui выпустил модель автоматического распознавания исландской речи, дообученную на базе carlosdanielhernandezmena/wav2vec2-large-xlsr-53-icelandic-ep10-1000h. Это плотная архитектура wav2vec 2.0 с классом Wav2Vec2ForCTC и 402,7 млн параметров; модель принимает аудио и выдаёт распознанный текст. В метаданных указан формат safetensors и лицензия CC BY 4.0. На оценочном наборе указаны loss 0,1262 и WER 0,1544. Карточка не раскрывает состав обучающих данных и подробности оценки, поэтому эти результаты не позволяют судить о качестве на других аудио и условиях записи.

IndexTTS-2 — авторегрессионная модель синтеза речи от IndexTeam, предназначенная для преобразования текста в выразительную речь с управлением длительностью и генерацией голоса без отдельного обучения под диктора. Карточка описывает её как zero-shot text-to-speech модель с эмоциональной выразительностью и контролем длительности. В метаданных указаны языки английский и китайский, а файлы модели представлены в формате safetensors. Модель принимает текст и выдаёт аудио. Лицензия и дополнительные сведения о размере модели и длине контекста в предоставленных данных отсутствуют.

SatwikDutta/kid-whisper-tiny-en-myst — англоязычная модель автоматического распознавания речи, разработанная Satwik Dutta из University of Texas at Dallas и дообученная на openai/whisper-tiny.en. Она принимает аудио и преобразует английскую речь в текст. Репозиторий содержит веса в формате safetensors; базовая модель Whisper — компактная модель для распознавания английской речи. Модель подходит для транскрибации английской речи в приложениях и экспериментах. Карточка обозначена как находящаяся в работе и не сообщает о данных обучения, метриках, тестировании или конкретных сценариях; поэтому качество именно этого дообучения оценить по имеющейся информации нельзя. Лицензия — Apache-2.0.

FluidInference подготовила преобразованные версии модели синтеза речи Kokoro-82M и Kokoro-82M-v1.1-zh для Apple Core ML. Репозиторий содержит конверсии для английского, японского и китайского (мандаринского) языков и оптимизации выполнения; исходные модели и предобученные веса созданы hexgrad. Для запуска предлагается FluidAudio SDK, который принимает текст и голоса соответствующего языкового варианта. Конверсии рассчитаны на устройства Apple с macOS 15 или iOS 18 и новее; лицензия — Apache-2.0. Ключевая особенность репозитория — интеграция с Core ML и маршрутизация вычислений между CPU, Neural Engine и GPU. README приводит результаты локальных замеров на Apple M5 Pro, но они получены на отдельных выбранных примерах и не являются оценкой на корпусе или для разных устройств. Физический запуск на iOS не проверен; некоторые альтернативные политики вычислений завершались аварийно, поэтому опубликованные замеры следует считать исследовательскими наблюдениями, а не гарантией производительности.

Kokoro TTS Kazakh (kmm1) — односпикерная модель синтеза казахской речи, созданная Nuraidar Mambetaly, Anuar Sultanbekov и Altair Balakhazy. Это дообучение Kokoro-82M на корпусе ISSAI KazakhTTS2 с обучающим конвейером на основе StyleTTS2; модель использует голос km_m1 — мужской голос одного диктора. В README указано, что архитектура содержит 82 млн параметров и работает с частотой дискретизации 24 кГц. Модель преобразует текст на казахском языке в речь и рассчитана на локальный запуск, в том числе на CPU без GPU. Авторы сообщают о быстродействии выше реального времени на AMD Ryzen 5 5500U и приводят оценку WER 16,4% на отложенном наборе из 20 предложений; это результаты конкретной внутренней проверки, а не универсальная гарантия качества. Модель распространяется по лицензии Apache-2.0. Она предназначена для казахского языка и одного мужского голоса; результаты оценки и производительности могут отличаться на других текстах и устройствах.

ydshieh/kosmos-2-patch14-224 — реализация модели Kosmos-2 от Microsoft для Transformers, размещённая пользователем ydshieh на Hugging Face. Это мультимодальная модель на архитектуре Kosmos-2, которая принимает изображение вместе с текстовым запросом и генерирует текстовый ответ. Она предназначена для описания изображений, ответов на вопросы о визуальном содержимом и связывания упомянутых в тексте объектов с их областями на изображении; обработчик может извлекать сущности и рамки объектов. В README приведены примеры генерации описаний, ответов на вопросы и phrase grounding. Репозиторий использует веса PyTorch и требует загрузки удалённого кода через Transformers; автор карточки отмечает, что эта реализация устарела, и указывает на возможные проблемы совместимости. Лицензия в доступных данных не указана.

LFM2.5-VL-1.6B — мультимодальная модель для работы с текстом и изображениями, разработанная Liquid AI и преобразованная сообществом litert-community в формат LiteRT-LM для локального запуска на устройствах через runtime Google LiteRT. Модель предназначена для сценариев on-device и edge-инференса, включая ответы на вопросы по изображениям, описание содержимого, OCR и другие задачи image-text-to-text. Она поддерживает одно изображение на запрос; изображение автоматически приводится к размеру 512×512 и представляется 256 визуальными токенами. В основе модели — гибридная текстовая архитектура LFM2 с 16 слоями, объединяющая gated short-convolutions и grouped-query attention; размер скрытого представления составляет 2048, словарь — 64 тысячи токенов. Используется крупная vision-башня SigLIP2 из 27 слоёв с размером скрытого представления 1152. Максимальный контекст KV-кэша — 4096 токенов. Доступны варианты квантования int8 и int4; размер int4-сборки составляет около 1,30 ГБ, int8 — около 1,81 ГБ. Поддерживаются CPU и GPU при использовании совместимого LiteRT-LM. Ключевое ограничение исходной сборки связано с ошибкой в vision-пути LiteRT-LM 0.16.0 и текущей основной ветке: модель фактически видит только верхнюю четверть изображения. Поэтому хорошо работают описание, вопросы о цветах и OCR крупных объектов, но позиционные задачи, подсчёт и перечисление объектов могут давать неверные ответы или приводить к деградации генерации. В репозитории доступна исправленная int4-сборка fixB, возвращающая модели полный видимый диапазон изображения, однако координатное распознавание остаётся ограниченным по сравнению с 3B-версией семейства. Модель распространяется по лицензии lfm-open-license-v1.0; дополнительные условия следует проверять в файле LICENSE репозитория.

OuteAI Llama-OuteTTS 1.0 1B GGUF — компактная модель синтеза речи и клонирования голоса, разработанная OuteAI и предназначенная для использования через библиотеку outetts. Модель преобразует текст в речь, выполняет автоматическое выравнивание текста по словам и поддерживает однократное клонирование голоса примерно по 10 секундам эталонной аудиозаписи. Модель имеет размер около 1 млрд параметров и поставляется в формате GGUF. Она поддерживает текстовый ввод на английском, арабском, китайском, нидерландском, французском, немецком, итальянском, японском, корейском, литовском, русском, испанском, португальском, белорусском, бенгальском, грузинском, венгерском, латышском, персидском, польском, суахили, тамильском и украинском языках. Для повышения качества используется аудиоэнкодер DAC с двумя кодбуками, что улучшает точность реконструкции речи, но увеличивает скорость генерации до 150 аудиотокенов в секунду. К сильным сторонам относятся мультиязычная поддержка без необходимости романизации, автоматическое выравнивание слов, улучшенное качество синтеза и более естественное клонирование голоса. Ограничением является чувствительность к настройкам сэмплирования: штраф за повторения должен применяться к окну последних 64 токенов, а не ко всему контексту, иначе качество может существенно снизиться. Для корректной работы рекомендуется библиотека outetts или точная реализация указанных требований. Лицензия — CC BY-NC-SA 4.0, допускающая использование с обязательным указанием авторства и на условиях некоммерческого распространения производных работ.

Llasa-8B — система синтеза речи HKUSTAudio, созданная на основе Llama 3.1 8B Instruct. Модель дообучена для работы с речевыми токенами кодовой книги XCodec2 из 65 536 токенов и содержит 7,8 млрд параметров. Для синтеза она принимает текст, а также может использовать речевой промпт; заявлены поддержка китайского и английского языков и контекст длиной до 131 072 токенов. Модель предназначена для генерации речи из текста и синтеза с заданным речевым промптом. Авторы обучали её на 250 000 часах китайско-английских речевых данных и отмечают способность работать со сложными предложениями. Для использования требуется XCodec2. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Mega-ASR-MLX-int8 — сборка Mega-ASR в формате MLX от littlebearlabs, созданная на основе mlx-community/Mega-ASR-MLX-bf16 и предназначенная для распознавания речи на устройствах Apple Silicon. Mega-ASR повышает устойчивость Qwen3-ASR-1.7B: аудиомаршрутизатор определяет, чистая ли запись или ухудшенная, и при необходимости подключает LoRA-адаптер во время инференса. 344 линейные проекции аудиоэнкодера и текстового декодера квантизированы в int8 с размером группы 64; фронтенд, нормализации, маршрутизатор и LoRA-адаптер сохранены в bf16. Упакованные веса загружаются напрямую через native loader mlx-mega-asr без квантизации при запуске. Репозиторий содержит токенизатор Qwen2 BPE. README сообщает о близком качестве int8 и bf16 на LibriSpeech test-clean, однако проверка охватывает только 20 файлов. Модель основана на Qwen3-ASR-1.7B, для которой в карточке указаны английский и китайский языки. Лицензия — Apache-2.0.

MeloTTS-Japanese — японская версия многоязычной системы синтеза речи MeloTTS, разработанной MyShell.ai. Она преобразует текст в речь и предназначена для озвучивания японских текстов. README описывает MeloTTS как высококачественную многоязычную библиотеку синтеза речи, способную работать в реальном времени на CPU; приведённый пример локального использования основан на Python-библиотеке MeloTTS. Модель опубликована в формате PyTorch под лицензией MIT. Метаданные указывают задачу text-to-speech и язык ko, тогда как идентификатор репозитория и назначение этой версии указывают на японский; сведения о языках в карточке противоречат друг другу. README не приводит точных параметров голоса, архитектуры, размера модели или длины контекста.

Карточка модели inclusionAI/Ming-omni-tts-tokenizer-12Hz на Hugging Face совпадает с карточкой inclusionAI/Ming-omni-tts-0.5B, поэтому описание составлено по ней. Ming-omni-tts-0.5B — модель синтеза речи и аудио от InclusionAI. Она принимает текст и инструкции на естественном языке и генерирует речь с управляемыми темпом, высотой, громкостью, эмоцией и диалектом. Также модель поддерживает подбор голоса по описанию, более 100 встроенных голосов и генерацию речи, фоновых звуков и музыки в одном аудиоканале. Модель использует плотную архитектуру BailingMMNativeForConditionalGeneration, непрерывный аудиотокенизатор с частотой 12,5 Гц и стратегию Patch-by-Patch; размер в названии модели — 0,5 млрд параметров. В README описаны возможности для китайской речи, включая управление кантонским диалектом, а также нормализация математических выражений и химических формул. Модель распространяется по лицензии Apache-2.0. Заявленные в карточке оценки относятся к указанным разработчиком бенчмаркам и не гарантируют аналогичного качества на произвольных данных. README приводит пример запуска через репозиторий проекта, но не описывает подробно требования к оборудованию или полный интерфейс управления генерацией.

MioTTS-1.7B — модель синтеза речи на основе языковой архитектуры, разработанная Aratako и дообученная на базе Qwen/Qwen3-1.7B-Base. Она преобразует текст в аудио на английском и японском языках и поддерживает клонирование голоса по короткому аудиофрагменту. Модель содержит 1,7 млрд параметров, использует архитектуру Qwen3 и аудиокодек MioCodec-25Hz-24kHz; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации речи с низкой задержкой, в том числе на потребительских GPU и периферийных устройствах. Обучение проводилось примерно на 100 000 часах англоязычных и японских данных; в метаданных указаны датасеты HiFiTTS-2 и Emilia. Для работы с весами в формате safetensors используется Transformers. Лицензия — Apache 2.0. Клонирование голосов требует учитывать права и согласие людей; разработчики предостерегают от обманного использования синтезированной речи.

MMS_10langs_simultane — дообученная модель распознавания речи на базе facebook/mms-1b-all, разработанная автором репозитория ilyes25. Она принимает аудио и преобразует речь в текст; архитектура — Wav2Vec2ForCTC семейства wav2vec2, размер — 1,3 млрд параметров. В README приведены результаты оценки: loss 0,3003, WER 0,3716, BLEU 0,4691, ROUGE-1 0,6871, ROUGE-2 0,5597 и ROUGE-L 0,6859. Модель предназначена для автоматического распознавания речи. README не раскрывает набор данных, языки и условия оценки, поэтому результаты нельзя уверенно переносить на конкретные языки и сценарии. Лицензия CC BY-NC 4.0 допускает использование с соблюдением условий лицензии, включая некоммерческий характер.

Модель csikasote/mms-1b-all-bigc_mini-train-drodat-gdro-1.15e-5-dat-0.207-no-sd-0.00-42 — дообученная версия facebook/mms-1b-all, созданная на наборе BIGC_MINI - BEM. Это плотная модель wav2vec2 с архитектурой Wav2Vec2ForCTC и 1,3 млрд параметров, предназначенная для автоматического распознавания речи и преобразования аудио в текст. В карточке приведены результаты оценки на тестовом наборе: Loss 35,7283 и CER 0,1251. Модель распространяется в формате safetensors и доступна по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Данных о языках и более подробных сценариях обучения в карточке нет.

facebook/mms-tts-cym — модель синтеза речи на валлийском языке из проекта Massively Multilingual Speech компании Meta (Facebook). Она преобразует входной текст в речевую аудиоволну; отдельный чекпойнт MMS-TTS обучен для каждого языка. Модель построена на архитектуре VITS и содержит текстовый энкодер на основе Transformer, потоковый модуль, стохастический предиктор длительности и декодер HiFi-GAN-типа. Размер модели — 3,5 млн параметров; веса доступны в форматах PyTorch и Safetensors. Для использования предусмотрена библиотека Transformers версии 4.33 и выше. Модель предназначена для озвучивания валлийского текста. Стохастический предиктор позволяет получать варианты с разным ритмом; для воспроизводимого результата требуется фиксированное начальное значение генератора. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

facebook/mms-tts-kaz — модель синтеза казахской речи из текста, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она предназначена для озвучивания казахских текстов и доступна через библиотеку Transformers версии 4.33 и новее. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS: текст преобразуется непосредственно в речевую аудиоволну. Стохастический предиктор длительности позволяет варьировать ритм произношения; из-за этого генерация недетерминирована, и для повторения результата требуется фиксировать seed. Модель подходит для создания казахской озвучки из текста. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-rel — модель синтеза речи на языке рендилле, выпущенная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст в речевую аудиоволну и предназначена для озвучивания текстов на рендилле. Модель построена на архитектуре VITS; в репозитории указано 3,5 млн параметров, веса доступны в форматах PyTorch и safetensors. VITS объединяет текстовый энкодер на основе Transformer, вариационный автоэнкодер, потоки нормализации, предсказатель длительности и декодер, похожий на HiFi-GAN. Стохастический предсказатель длительности позволяет получать разные ритмические варианты произношения одного текста; для повторяемого результата требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Moonshine Streaming Tiny — это компактная модель автоматического распознавания речи (ASR), разработанная UsefulSensors и представленная здесь в формате GGUF для использования с CrispStrobe/CrispASR. Репозиторий содержит только конвертации и квантованные варианты исходной модели, без дообучения, дистилляции или изменения архитектуры и возможностей. Модель предназначена для потоковой транскрипции английской речи с низкой задержкой, в том числе на периферийных устройствах. Она использует потоковую архитектуру encoder-decoder: фронтенд обрабатывает необработанный аудиосигнал без mel-спектрограмм, encoder применяет sliding-window Transformer, а autoregressive decoder формирует текст. Архитура включает по 6 слоёв encoder и decoder с размерностью 320, SiLU-gated MLP и частичным RoPE; поддерживается упреждение 80 мс. Размер модели — около 34 млн параметров. Доступны вариант F32 размером 168 МБ и квантованный Q4_K размером 31 МБ. Квантованный вариант требует меньше памяти и лучше подходит для устройств с ограниченными ресурсами, но README не приводит количественную оценку влияния квантования на качество. Модель поддерживает только английский язык; сведения о точности, обучающих данных и других ограничениях в карточке не указаны. Для работы требуется файл tokenizer.bin в той же директории, что и модель. Лицензия — MIT.

Moonshine Tiny Arabic — модель распознавания речи семейства Moonshine, разработанная Moonshine AI (ранее Useful Sensors). Это компактная seq2seq-модель на 27 млн параметров для транскрибации арабской речи в арабский текст, в том числе при переключении между языками. Она предназначена для разработчиков систем распознавания речи, которым нужно запускать транскрибацию в реальном времени на устройствах с ограниченными памятью и вычислительными ресурсами. Модель поддерживается библиотекой Transformers, использует аудио на входе и выдаёт текст; в метаданных указан контекст длиной 194 токена. В карточке сообщается о сравнительных оценках на Fleurs и Common Voice 17, но результаты зависят от набора данных и не гарантируют точности в конкретной среде. Возможны галлюцинации и повторение фрагментов, особенно на коротких или обрезанных аудиозаписях. Распознавание речи не следует использовать для субъективной классификации людей или для решений с высокими последствиями; запись людей без их согласия также не рекомендуется. Лицензия указана как other, поэтому конкретные условия следует проверить в карточке модели.

MOSS-TTS-Local-Transformer-v1.5-GGUF — версия модели синтеза речи MOSS-TTS, преобразованная в формат GGUF командой LocalAI на основе MOSS-TTS-Local-Transformer-v1.5 от OpenMOSS-Team. Модель предназначена для локального преобразования текста в речь и запускается через moss-tts.cpp — реализацию инференса на C++17 и ggml без Python, ONNX и PyTorch во время выполнения. Архитектура включает 36-слойный Qwen3-трансформер с размерностью скрытого состояния 2560 в качестве глобальной основы, однослойный локальный GPT-J-блок для обработки кодбуков и бинарную голову принятия решения о продолжении или завершении аудио. Для генерации используются 12 RVQ-кодбуков, декодируемых MOSS-Audio-Tokenizer-v2 в стереозвук с частотой 48 кГц. Поддерживаемые языки и максимальная длина контекста в README не указаны. Доступны варианты f16 размером около 9,4 ГБ и q8_0 размером около 6,0 ГБ; q8_0 заявлен как рекомендуемый вариант, близкий к исходному качеству. Порт численно проверен относительно реализации на PyTorch, а на CPU заявлена примерно двукратная скорость обработки каждого кадра при той же точности f32. Для работы требуются отдельные GGUF-файлы кодека и токенизатора, а также собранный moss-tts.cpp. Модель распространяется по лицензии Apache-2.0.

Модель tristayqc/my_zh_CN_asr_cv13_model — дообученная версия Wav2Vec2-large-XLSR-53 для распознавания речи на китайском языке с преобразованием аудиозаписей в текст. Её разработали на основе jonatasgrosman/wav2vec2-large-xlsr-53-chinese-zh-cn и дообучили на Common Voice 13.0. Архитектура — Wav2Vec2ForCTC, размер — 406,2 млн параметров; модель принимает аудио и выдаёт текст. Модель подходит для автоматической расшифровки китайской речи, в том числе записей, похожих на данные Common Voice. В README указаны результаты на тестовой выборке: CER 0,0674 и WER 0,375. Модель распространяется по лицензии Apache-2.0.

Модель leosanjit10/nepali_caption_model_output — дообученная версия Salesforce/blip-image-captioning-base на неизвестном наборе данных. Она принимает изображение и генерирует текстовую подпись; архитектура основана на BLIP и включает визуальный энкодер ViT Base. В README приведено значение loss 2.5699 на оценочном наборе, но состав набора и подробности обучения не раскрыты. Модель опубликована в формате safetensors и распространяется по лицензии BSD-3-Clause.

Модель atul10/nepali_male_v1 — голосовая модель синтеза речи на основе VITS, разработанная ProcitBV и опубликованная на Hugging Face через ITH (Nepal). Она преобразует текст в речевую аудиоволну; карточка указывает непальский язык и также упоминает хинди. Архитектура VITS объединяет текстовый энкодер, вероятностные потоки, стохастический предсказатель длительности и декодер в стиле HiFi-GAN. Модель содержит 3,6 млн параметров и распространяется в формате safetensors. Подходит для озвучивания текста на непальском языке и создания речевого аудио из текстовых фраз. Из-за стохастического предсказателя длительности результаты могут различаться при повторной генерации; для воспроизводимого аудио нужен фиксированный seed. Метаданные указывают лицензию Apache-2.0.

Это BF16-версия в формате GGUF модели nvidia/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16, опубликованная пользователем DevQuasar. По метаданным, она предназначена для диалоговой работы с текстом и изображениями и поддерживает анализ визуального содержимого. Модель подходит для вопросов по изображениям и текстового диалога с визуальным контекстом. Карточка сообщает о конвертированном формате GGUF, но не приводит дополнительных сведений о точном размере, длине контекста, поддержке аудио и видео или условиях лицензии.

OmniVoice-4bit — 4-битная версия модели преобразования текста в речь OmniVoice, подготовленная сообществом mlx-community в формате MLX для компьютеров Apple Silicon. Она предназначена для многоязычного синтеза речи с нуля на основе текста и поддерживает клонирование голоса; компактный вариант подходит для экономии памяти и используется как вариант по умолчанию в Space проекта. В репозитории сохранены конфигурация и токенизатор официальной модели, а также необходимые компоненты аудиотокенизатора. Для надежного кодирования голоса при клонировании нужны полные, а не облегченные ресурсы аудиотокенизатора. Указанная лицензия — Apache-2.0; README отмечает, что для исходной модели и использования вне MLX авторитетны карточка и репозиторий k2-fsa/OmniVoice.

Это польский голос для синтеза речи Piper с именем jarvis_wg_glos. Модель перепакована из репозитория WitoldG/polish_piper_models для использования с Speaches и распространяется в формате ONNX. Модель предназначена для преобразования польского текста в речь. Карточка не приводит сведений об архитектуре, размере, длине контекста, лицензии или дополнительных характеристиках звучания.