I.15Доступность и ассистивные технологии

Chatterbox-Turbo-TTS-fp16 — версия Chatterbox Turbo для MLX, подготовленная mlx-community из ResembleAI/chatterbox-turbo с помощью mlx-audio-plus 0.1.6. Это плотная модель синтеза речи, принимающая текст и создающая аудио; карточка указывает английский язык. Модель предназначена для преобразования текста в речь в приложениях, работающих через mlx-audio-plus. Для запуска нужны веса S3TokenizerV2 из mlx-community/S3TokenizerV2; README сообщает, что они загружаются автоматически. Репозиторий распространяется в формате safetensors и помечен fp16; для использования требуется библиотека mlx-audio-plus. Сведения о лицензии и числовых характеристиках модели в предоставленных данных отсутствуют.

Это версия Cohere Transcribe, подготовленная ctyau в формате CoreML FP16 для Apple Silicon. В основе лежит CohereLabs/cohere-transcribe-03-2026 — модель распознавания речи семейства Conformer и Transformer; карточка базовой модели указывает 2 млрд параметров, тогда как для этой версии в метаданных указано 151 млн. Модель принимает аудио после преобразования в log-mel спектрограмму и выдаёт текстовую транскрипцию. Поддерживаемый язык в метаданных — английский; контекст составляет 1024 токена. Экспорт использует CoreML MLState для кэширования состояний декодера и рассчитан на ускорение вывода на Apple Neural Engine и Apple GPU. README приводит результаты тестов на Apple M5 и описывает комплект файлов для интеграции в приложения диктовки и транскрибации. Заявленные скорости относятся к указанной конфигурации оборудования и не гарантируют такой же производительности на других устройствах. Модель распространяется по лицензии Apache-2.0. Для использования описанного stateful CoreML-пакета README указывает требования iOS 18 или macOS 15 и новее.

ghofrani/common7 — модель распознавания речи на базе архитектуры Wav2Vec2, дообученная на персидской части набора Mozilla Common Voice 7.0. Она принимает аудио и преобразует речь в текст; подходит для автоматической транскрипции персидской речи. Модель содержит 402,8 млн параметров и опубликована в формате PyTorch. На оценочном наборе указаны значение функции потерь 0,3448 и WER 0,3478. README не приводит дополнительных сведений о сценариях применения или обучающих данных. Лицензия в предоставленных материалах не указана.

Yzamari/f5tts-hebrew-v2 — модель синтеза речи на иврите, разработанная Yzamari путём дообучения F5-TTS v1 Base. Это нерекуррентная модель F5-TTS, обученная на 68 569 сегментах общей длительностью около 158 часов; аудиоданные прошли повторную вокализацию с Phonikud G2P с добавлением знаков ударения, а сегменты не на иврите были исключены. Модель выдаёт монофоническую речь в формате WAV с частотой 24 кГц. Предусмотрены 58 встроенных голосов и клонирование голоса. Для загрузки чекпойнта README рекомендует использовать model_state_dict, согласовать text_num_embeds с размером словаря и взять соответствующий vocab.txt; также отмечено, что стандартные API и CLI F5TTS для этой дообученной модели не работают, поэтому следует вызывать model.sample() напрямую. Модель распространяется по лицензии Apache-2.0.

firstpixel/F5-TTS-pt-br — экспериментальный чекпойнт синтеза речи на бразильском португальском, дообученный Firstpixel на базе SWivid/F5-TTS. Репозиторий содержит веса PyTorch в формате Safetensors; в карточке также указан датасет firstpixel/pt-br_char. Модель предназначена для преобразования текста в речь на португальском языке Бразилии. Автор описывает обучение на смешанных данных Common Voice и Facebook и приводит сведения о нескольких этапах обучения. README предупреждает, что это предварительная тестовая версия, которая говорит только по-португальски; для чисел рекомендуется подавать их словами, а текст — в нижнем регистре. Лицензия — CC BY-NC 4.0, предусматривающая некоммерческое использование. README упоминает обработку ссылок на голос и эмоцию через обёртку AgentF5TTS, но не подтверждает, что это отдельные возможности самого чекпойнта.

FastSpeech2ConformerWithHifiGan — модель синтеза речи из текста, объединяющая FastSpeech2Conformer и вокодер HiFi-GAN для более простого использования. FastSpeech2Conformer использует нев autoreгрессивную архитектуру: она быстро преобразует текст в мел-спектрограммы, а HiFi-GAN превращает их в аудиоволну. Модель рассчитана на англоязычный синтез речи и работает через библиотеку Transformers. Модель подходит для озвучивания текстов и создания речевых аудиофайлов. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка не сообщает ограничений по качеству или применению.

Это экспорт модели FunAudioLLM Fun-CosyVoice3-0.5B-2512 в формат GGUF для движка loom.cpp. В составе — языковая модель Qwen2-0.5B для речевых токенов, flow-matching DiT и вокодер HiFT; модель сама кодирует входной текст и синтезирует речь с частотой 24 кГц на девяти языках: китайском, английском, японском, корейском, немецком, испанском, французском, итальянском и русском. Репозиторий содержит неизменённые веса базовой модели, упакованные в GGUF для использования через loom-py-rt. Модель предназначена для преобразования текста в речь, в том числе для многоязычной озвучки и клонирования голоса по короткому аудиообразцу. В поставке есть один встроенный голос на основе образца речи на мандаринском диалекте; для других голосов нужно отдельно подготовить голосовой файл с помощью двух ONNX-моделей и Python. Синтез случайный, но его можно воспроизводить с заданным seed. Лицензия — Apache-2.0.

Gemma 3 27B IT 4bit — мультимодальная модель Google для диалогов и понимания изображений, преобразованная сообществом mlx-community в формат MLX для запуска на устройствах Apple Silicon. В карточке указано, что исходная модель — google/gemma-3-27b-it; метаданные каталога связывают её с предварительно обученной google/gemma-3-27b-pt и указывают архитектуру Gemma 3 с 27 млрд параметров. Модель принимает текст и изображения и формирует текстовые ответы. Её можно применять для диалогов, ответов на вопросы по изображению и описания визуального содержимого. README описывает преобразование через mlx-vlm версии 0.1.18; в идентификаторе модели указана 4-битная точность. Лицензия — Gemma. README отсылает к карточке исходной модели за подробностями, поэтому конкретные языки и ограничения здесь не установлены.

Это дообученная модель семейства Gemma 4, опубликованная dkingtutcd. Она предназначена для диалоговых задач с текстом и изображениями, включая ответы на вопросы по изображению и генерацию текстовых ответов; метаданные также отмечают интерфейс вызова инструментов. Модель основана на dkingtutcd/gemma-E4B-mt-b-split2 и дообучена с использованием Unsloth и библиотеки TRL. В репозитории размещены веса в формате safetensors, в карточке указана лицензия Apache-2.0. Язык карточки — английский; сведения о размере модели и длине контекста в предоставленных данных отсутствуют.

Gepard-1.0 — модель синтеза речи Gepard и веса декодера NanoCodec, размещённые EugeneHP как staging-перепубликация контрольной точки для запусков через RLX. Репозиторий содержит веса в форматах GGUF F16 и Safetensors, а также токенизатор и конфигурацию; README указывает на пакет RLX `rlx-gepard` для генерации аудиофайла из текста. Модель предназначена для преобразования текста в речь. В README приведён пример генерации WAV из английского текста, но сведений о поддерживаемых языках, архитектуре или размере исходной модели нет. Указанная лицензия репозитория — Apache-2.0. Репозиторий обозначен как staging-перепубликация, а не как основной runtime-пакет RLX; для использования нужно учитывать инструкции RLX и актуальный путь загрузки весов.

ICE-012 Audio — мультиязычная модель синтеза речи, разработанная DarkPs, организацией FanuonAI. Она генерирует речь из текста, поддерживает потоковую выдачу аудио и клонирование голоса по образцу записи. Архитектура включает активный акустический адаптер: он обрабатывает эмбеддинги аудиокодека перед основной моделью и уточняет скрытые состояния после неё. Для управления синтезом доступны настройки пола и возраста голоса, высоты тона, акцента, стиля и скорости речи. Модель принимает название языка или его короткий код; карточка заявляет поддержку 590 названий и вариантов языков. Для клонирования требуется референсная WAV-запись. Репозиторий использует формат safetensors и библиотеку iceAudio. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Ichigo-llama3.1-s-instruct-v0.4 — звуковая языковая модель, разработанная Homebrew Research. Это версия Llama 3.1, дообученная методом supervised fine-tuning на более чем 1 млрд токенов датасета Instruction Speech WhisperVQ v4. Модель принимает звук и текст, а генерирует текст; она рассчитана на понимание речи и текстовые диалоги на английском языке. Версия v0.4 улучшает устойчивость к шуму и поддерживает многоходовые речевые диалоги. Её можно применять для ответов на вопросы по аудио, диалогового взаимодействия с речевым вводом и исследований понимания звука. Модель имеет 7,5 млрд параметров, архитектуру LlamaForCausalLM и контекст 131 072 токена. Выпущена под лицензией Apache-2.0.

Карточка модели Anjan9320/IndicF5 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.

Nepali Parler-TTS — дообученная версия Indic Parler-TTS для синтеза речи на непальском языке. Модель использует архитектуру ParlerTTSForConditionalGeneration и библиотеку parler-tts; веса представлены в формате safetensors. Модель преобразует текст на непальском языке в речь. В карточке указаны результаты обучения: 5236 шагов и наилучшая валидационная потеря 6,6421. Подробности о голосах, качестве звучания и лицензии в доступных данных не приведены.

InternVL3-1B — мультимодальная чат-модель семейства InternVL3, разработанная OpenGVLab. Она предназначена для диалогов и задач, где нужно анализировать изображения или видео и отвечать на вопросы по визуальному содержимому, а также для текстовых задач и мультимодального рассуждения. Модель построена по схеме ViT-MLP-LLM: InternViT-300M-448px-V2_5 обрабатывает изображения, а языковая часть основана на Qwen2.5-0.5B; для обмена признаками используется MLP-проектор. Поддерживаются изображения с динамическим разбиением на фрагменты 448×448, несколько изображений и видео. В карточке также заявлены возможности применения инструментов, понимания GUI и 3D-сцен, однако их пригодность зависит от конкретной задачи и способа запуска. Репозиторий содержит дообученную версию OpenGVLab/InternVL3-1B-Instruct в формате safetensors. Модель предназначена для запуска через Transformers и распространяется по лицензии Apache-2.0. К ограничениям относятся компактный размер языковой части по сравнению с крупными моделями и зависимость качества анализа изображений и видео от разрешения, нарезки на фрагменты и доступного контекста.

mlx-community/InternVL3-38B-4bit — мультимодальная чат-модель семейства InternVL3, преобразованная сообществом mlx-community из models/InternVL3-38B в формат MLX с 4-битным представлением. Она предназначена для диалога по изображениям и задач визуального понимания, а также поддерживает генерацию текста. В метаданных указаны архитектура InternVLChatModel, плотная модель и мультиязычная поддержка. README сообщает о конвертации с помощью mlx-vlm версии 0.1.25; метаданные указывают библиотеку Transformers и лицензию Apache-2.0. Длина контекста и точное число параметров этой сборки в предоставленных данных не подтверждены.

Это пакет голосов Kokoro-82M, подготовленный Backpack для локального синтеза речи. Он содержит неизменённые артефакты модели hexgrad/Kokoro-82M в формате PyTorch и предназначен для использования с голосовым runtime Backpack; пакет не заменяет выбранную пользователем чат-модель и не является результатом обучения Backpack. Модель преобразует текст в аудио. В комплект входят четыре файла голосов: af_heart, am_michael, bf_emma и bm_george. В README указана поддержка нескольких языков, а метаданные описывают базовую модель как компактную многоязычную систему синтеза речи. Пакет прошёл проверку загрузки и детерминированного вывода аудио. Для запуска README рекомендует kokoro==0.9.4 и интерфейсы KModel и KPipeline. Лицензия — Apache-2.0. Ограничения качества синтеза для отдельных языков и акцентов могут различаться; в README также отмечено, что синтезированная речь может вводить в заблуждение.

Карточка модели rtrthryjh/Kokoro-82M-Backpack-TTS на Hugging Face совпадает с карточкой backpack-run/Kokoro-82M-Backpack-TTS, поэтому описание составлено по ней. Это пакет голосов Kokoro-82M, подготовленный Backpack для локального синтеза речи. Он содержит неизменённые артефакты модели hexgrad/Kokoro-82M в формате PyTorch и предназначен для использования с голосовым runtime Backpack; пакет не заменяет выбранную пользователем чат-модель и не является результатом обучения Backpack. Модель преобразует текст в аудио. В комплект входят четыре файла голосов: af_heart, am_michael, bf_emma и bm_george. В README указана поддержка нескольких языков, а метаданные описывают базовую модель как компактную многоязычную систему синтеза речи. Пакет прошёл проверку загрузки и детерминированного вывода аудио. Для запуска README рекомендует kokoro==0.9.4 и интерфейсы KModel и KPipeline. Лицензия — Apache-2.0. Ограничения качества синтеза для отдельных языков и акцентов могут различаться; в README также отмечено, что синтезированная речь может вводить в заблуждение.

Kokoro-82M-ONNX — модель синтеза речи из текста, опубликованная сообществом onnx-community на основе hexgrad/Kokoro-82M. Она предназначена для преобразования текстовых данных в аудио и может использоваться в приложениях озвучивания, голосовых интерфейсах, генерации аудиоконтента и других сценариях text-to-speech. Модель поддерживает английский язык и предоставляет несколько американских и британских голосов, включая мужские и женские варианты. Модель содержит около 82 миллионов параметров и работает в формате ONNX, что упрощает запуск через Transformers.js, kokoro-js и ONNX Runtime. Заявлена поддержка контекста до 512 токенов, частота выходного аудио составляет 24 кГц. Доступны варианты квантования и точности fp32, fp16, q8, q4 и q4f16, позволяющие выбирать между качеством, размером модели и требованиями к вычислительным ресурсам. Среди ограничений — явно указана поддержка только английского языка, а сведения о качестве на различных типах текста и о возможностях клонирования или настройки голоса отсутствуют. Модель распространяется по лицензии Apache-2.0.

Kokoro-82M-v1.1-zh — компактная модель синтеза речи из серии Kokoro, обученная Hexgrad на базе hexgrad/Kokoro-82M. Короткий дополнительный этап обучения добавил данные более чем о 100 китайских дикторах из профессионального набора и три часа синтетических английских записей. Модель содержит 82 млн параметров и построена на архитектуре StyleTTS 2 с ISTFTNet; это декодер без диффузии. Модель предназначена для преобразования текста в речь на китайском и английском языках, в том числе с выбором голоса из доступных. В README указано 103 голоса и приведены примеры генерации аудио с частотой 24 кГц. Выпуск опубликован для сбора отзывов о новых голосах и токенизации и не является безусловным улучшением предыдущей версии: часть прежних голосов в нём отсутствует. Модель распространяется по лицензии Apache 2.0. Карточка описывает ограниченный состав обучающих данных и ранний выпуск; качество и покрытие отдельных голосов могут отличаться.

Kokoro_GGUF — набор GGUF-файлов модели синтеза речи Kokoro, разработанной командой hexgrad; репозиторий mmwillet2 предназначен для хранения вариантов, совместимых с TTS.cpp. Модель преобразует текст в аудио и ориентирована на локальное использование в приложениях и системах text-to-speech. Доступны два варианта обработки текста: с использованием espeak для фонемизации и с нативной фонемизацией TTS. Файлы представлены в форматах с 32-битной плавающей точкой, а также с квантованием Q4_0, Q5_0 и Q8_0 и с 16-битной плавающей точкой. Базовая модель — hexgrad/Kokoro-82M; её размер составляет около 82 миллионов параметров. README не указывает поддерживаемые языки, набор голосов, максимальный контекст или дополнительные модальности. Сильные стороны модели — наличие нескольких вариантов точности и квантования, позволяющих выбирать между качеством, требованиями к памяти и производительностью, а также совместимость с TTS.cpp. Ограничения и требования к аппаратному обеспечению в README не описаны. Модель распространяется по лицензии MIT.

LFM2.5-Audio-1.5B-bf16 — конвертированная в формат MLX модель семейства Liquid AI, опубликованная mlx-community. Это аудиомодель с плотной архитектурой: Conformer-кодировщик обрабатывает входящее аудио, языковая основа LFM объёмом 1,5 млрд параметров выполняет мультимодальную обработку, а Depthformer-декодер и нейронный декодер формируют аудио. Модель рассчитана на работу через библиотеку mlx-audio на устройствах Apple с поддержкой MLX. Модель поддерживает преобразование текста в речь, транскрибацию аудио в текст и речевой диалог с аудиовходом и аудиовыходом. Также доступны чередование текстовых и аудиофрагментов в ответе и потоковая генерация для приложений с низкой задержкой. Карточка указывает английский язык; другие языки не заявлены. Веса сохранены в safetensors в формате bf16. В метаданных указана лицензия other; конкретные условия следует сверять с оригинальной карточкой LiquidAI/LFM2.5-Audio-1.5B. Практическое использование и скорость зависят от аппаратной поддержки MLX; сведения о точности распознавания и перечне поддерживаемых голосов в предоставленных данных отсутствуют.

onnx-community/LFM2.5-VL-450M-ONNX — ONNX-версия мультимодальной модели LFM2.5-VL-450M, разработанной Liquid AI и основанной на языковом backbone LFM2.5-350M. Модель предназначена для обработки изображений и текста, включая описание изображений, общее визуально-языковое понимание, обнаружение объектов и предсказание ограничивающих рамок. Также поддерживает function calling для текстового ввода. Архитектура включает языковую модель LFM2.5-350M и vision encoder SigLIP2 NaFlex размером 86M параметров. Контекст составляет 32 768 токенов, словарь содержит 65 536 токенов. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский языки. Модель обрабатывает изображения с исходным разрешением до 512×512 пикселей без увеличения, сохраняет нестандартные соотношения сторон и может разбивать крупные изображения на тайлы 512×512 с дополнительным thumbnail-представлением. К сильным сторонам относятся улучшенное следование инструкциям, мультиязычное визуальное понимание, поддержка обнаружения объектов и возможность регулировать число визуальных токенов и тайлов для компромисса между качеством и скоростью. Модель ориентирована на запуск на периферийных устройствах и может использоваться локально через transformers.js и WebGPU. Она хуже подходит для задач, требующих глубоких фоновых знаний, а также для точного OCR и мелкодетального распознавания текста. В README указана лицензия lfm1.0; репозиторий также помечен как использующий лицензию other.

OuteAI разработала OuteTTS 1.0 1B — плотную языковую модель семейства Llama на 1,2 млрд параметров для синтеза речи и клонирования голоса. Она принимает текст и создаёт речь; для клонирования обычно достаточно около 10 секунд образца голоса. Модель использует аудиокодировщик DAC с двумя кодовыми книгами и генерирует примерно 150 аудиотокенов в секунду, уделяя приоритет качеству звучания. Модель поддерживает естественный текст на нескольких языках и сама выравнивает текст по словам, в том числе для китайского и японского. Наиболее полно обучена для английского, арабского, китайского, нидерландского, французского, немецкого, итальянского, японского, корейского, литовского, русского и испанского; для ряда других языков заявлен умеренный объём обучающих данных. Рекомендуемая длительность генерации за один запуск — около 42 секунд, а образец голоса сокращает доступный контекст генерации. Для качества важны параметры сэмплирования из карточки, включая штраф за повторы на окне в 64 токена. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование.

Это 4-битная MLX-версия многоязычной модели Magpie-TTS Multilingual 357M от NVIDIA, подготовленная для Apple Silicon. Модель использует авторегрессионную архитектуру с несколькими кодовыми книгами Nano-Codec: текстовый кодировщик, авторегрессионный декодер аудиокодов и декодер кодека, формирующий монофоническую речь с частотой 22,05 кГц. Всего в модели 357 млн параметров; веса основной модели квантизованы до INT4, тогда как декодер кодека остаётся в FP16. Модель преобразует текст в речь и рассчитана на локальный запуск на устройствах Apple. В карточке заявлена поддержка английского, испанского, немецкого, французского, итальянского, вьетнамского, китайского, хинди и японского языков. Проверка на отдельных предложениях показала хорошие результаты для большинства перечисленных языков, но это ограниченная проверка, а не широкая оценка качества. Для японского требуется предварительная токенизация текста; лицензия указана как other, а README сообщает, что исходные веса NVIDIA распространяются по NVIDIA Open Model License.

MGM-Omni-TTS-2B-0927 — компонент SpeechLM семейства MGM-Omni, предназначенный для генерации речи; разработчик в предоставленной карточке не назван. Модель основана на Qwen/Qwen3-1.7B и содержит около 1,8 млрд параметров. В метаданных указан контекст 40 960 токенов, а репозиторий включает форматы ONNX и Safetensors. Модель синтезирует речь по тексту и поддерживает клонирование голоса по короткому образцу аудио; в README заявлены сценарии на английском и китайском языках. Версия 0927, по описанию, устойчивее предшественницы при чтении формул и URL. Семейство MGM-Omni также заявляет генерацию длинной и потоковой речи, однако README описывает мультимодальные возможности всего семейства, поэтому их нельзя уверенно приписать этому TTS-компоненту. Модель выпущена по лицензии Apache-2.0. Карточка не приводит конкретных оценок качества именно этой версии, поэтому её практическое качество для целевого голоса, языка и длительности речи следует оценивать на собственных примерах.

MioTTS-0.6B — компактная модель синтеза речи на основе языковой архитектуры Qwen3, разработанная Aratako. Она дообучена на базе Qwen/Qwen3-0.6B-Base и предназначена для преобразования текста в речь на английском и японском языках. Модель содержит 520,7 млн параметров, использует архитектуру Qwen3ForCausalLM и работает с аудиокодеком MioCodec-25Hz-24kHz. В метаданных указан контекст длиной 32 768 токенов. Модель поддерживает клонирование голоса без дополнительного обучения по короткому аудиофрагменту и рассчитана на низкую задержку и сравнительно небольшие требования к ресурсам. Авторы сообщают об обучении примерно на 100 000 часах англоязычных и японских данных. Указанный RTF составляет 0,055–0,065 при генерации примерно 15 секунд аудио на NVIDIA RTX 5090 с vLLM 0.15.1; эти показатели относятся к описанной конфигурации. Модель распространяется по лицензии Apache 2.0. Возможность клонирования голоса требует уважения к приватности и правам людей; авторы предостерегают от клонирования без согласия и от создания вводящих в заблуждение аудиодипфейков.

csikasote/mms-1b-all-nyagen-combined-ft-62 — дообученная csikasote модель распознавания речи на основе facebook/mms-1b-all. Она построена на архитектуре wav2vec2 и использует CTC-декодирование; число параметров — 1,3 млрд. Модель дообучена на датасете NYAGEN - NYA. На оценочной выборке указаны Loss 0,3598 и WER 0,2645. Модель предназначена для преобразования аудиоречи в текст. Базовая модель поддерживает более тысячи языков, однако язык и сценарии, охваченные этим дообучением, в карточке не уточнены. Файлы модели представлены в формате safetensors, для работы используется Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и запрещает коммерческое применение.

facebook/mms-tts-fin — модель синтеза финской речи из текста, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Это отдельный языковой чекпойнт семейства MMS-TTS, предназначенный для озвучивания текста на финском языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Она синтезирует речевую волну напрямую из текстовой последовательности; стохастический предсказатель длительности позволяет варьировать ритм речи. Для одинакового результата при повторной генерации требуется фиксировать seed. Модель доступна через библиотеку Transformers версии 4.33 и новее. Модель подходит для озвучивания финских текстов и создания речевого вывода в приложениях. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Moonshine Streaming Small — Japanese — это потоковая модель распознавания японской речи из семейства Moonshine, опубликованная moonshine-ai. Она принимает аудио и выдаёт текст по мере поступления речи, что подходит для транскрипции на устройствах с ограниченными ресурсами. В метаданных указано 48,2 млн параметров; README приводит другое значение — 112,9 млн, поэтому размер модели в источниках расходится. Модель использует аудиофронтенд с частотой 50 Гц, скользящий оконный Transformer-энкодер и декодер; задержка упреждения составляет около 80 мс. Для работы в Transformers требуется передавать attention mask. Модель обучена для японского языка на автоматически размеченных корпусах подкастов и YouTube, где транскрипты созданы моделью-учителем семейства Whisper. В оценке используются CER без пробелов: макро-CER составил 17,15 на выборке из FLEURS и ReazonSpeech при пакетном размере 1. Это вариант потокового распознавания для японской речи, включая чтение и спонтанную речь. Возможны ошибки в именах собственных, числах и переключении языков; на коротких фрагментах иногда возникают циклы повторения, поэтому следует ограничивать длину вывода. Качество не оценивалось на телефонной речи, детской речи, тяжёлых диалектах и шумной речи с большого расстояния. Модель выпущена под лицензией MIT; README исключает применение для слежки без согласия, идентификации говорящего и решений с высокими ставками.