I.15Доступность и ассистивные технологии

Moonshine Streaming Tiny — Japanese — модель распознавания японской речи с потоковой транскрипцией, разработанная Moonshine AI. Она предназначена для инкрементальной расшифровки аудио на устройствах с ограниченными ресурсами: модель выдаёт текст по мере поступления речи, используя аудиофронтенд 50 Гц и Transformer-кодировщик со скользящими окнами. Архитектура включает кодировщик и декодер по 6 слоёв шириной 320 с 8 головами внимания; в README указано 27 млн параметров, а метаданные каталога сообщают 13,8 млн. Модель обучена для японского языка на автоматически размеченных аудиозаписях подкастов и YouTube, а также на смеси записанной речи, включающей Common Voice Japanese. На тестах FLEURS и ReazonSpeech показаны значения CER без учёта пробелов; качество заметно ниже на коротких спонтанных высказываниях. Обучающие транскрипты в основном созданы моделью-учителем Whisper, поэтому возможны ошибки в именах, числах и переключении языков. Лицензия — MIT.

MOSS-TTS-v1.5-GGUF — конвертированная в формат openmoss-ggml версия модели MOSS-TTS-v1.5, разработанной OpenMOSS-Team. Это модель синтеза речи с поддержкой zero-shot клонирования голоса, длинных текстов, управления длительностью на уровне токенов и паузами через конструкции вида [pause X.Ys]. Она предназначена для локального многоязычного синтеза речи и запускается через moss-tts-server на базе C++/GGML и libllama. В основе используется языковой backbone Qwen3-8B, квантованный в Q8_0, и кодек MOSS-Audio-Tokenizer с частотой 24 кГц. Модель поддерживает китайский, кантонский, английский, русский и ряд других языков, включая арабский, немецкий, испанский, французский, японский, корейский, португальский, турецкий и вьетнамский. Для работы обязательны два файла: основной GGUF размером около 8,7 ГБ и sidecar-файл extras.gguf размером около 3,9 ГБ; стандартный llama.cpp эту модель не запускает. На Apple Silicon для кодека требуется режим --aux-cpu. Распространяется по лицензии Apache-2.0; веса не переобучались, выполнены только конвертация формата и квантование backbone.

Карточка модели erenyeager-1/OmniVoice на Hugging Face совпадает с карточкой k2-fsa/OmniVoice, поэтому описание составлено по ней. 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.

OuteTTS-0.3-1B — модель синтеза речи от OuteAI на базе OLMo-1B с плотной архитектурой причинного языкового моделирования. Она расширяет языковую модель возможностью преобразовывать текст в речь; README также заявляет поддержку преобразования речи в речь. Модель содержит 1,2 млрд параметров, использует формат safetensors, рассчитана на контекст до 4096 токенов и интегрируется через библиотеку outetts. Модель обучена на примерно 20 000 часах речевых данных и поддерживает английский, японский, корейский, китайский, французский и немецкий языки. Версия 0.3 учитывает знаки пунктуации при синтезе, что улучшает связность и естественность речи. Управление голосом присутствует в экспериментальном виде и может работать непоследовательно. README указывает, что модель лучше всего работает с генерацией партиями около 30 секунд; доступное окно сокращается с учётом длины образца голоса. Базовая модель — OLMo-1B, лицензированная Apache-2.0, но сама OuteTTS-0.3-1B распространяется по CC-BY-NC-SA-4.0. Лицензия ограничивает коммерческое использование; при выборе сценария следует учитывать условия лицензии и происхождение обучающих данных.

PhoWhisper-tiny-for-L-N — вариант PhoWhisper для распознавания вьетнамской речи. PhoWhisper разработан Thanh-Thien Le, Linh The Nguyen и Dat Quoc Nguyen и получен дообучением многоязычной Whisper на датасете объёмом 844 часа с разными вьетнамскими акцентами. В карточке описаны высокие результаты семейства PhoWhisper на тестах распознавания вьетнамской речи. Модель принимает аудио и генерирует текстовую транскрипцию; этот репозиторий содержит веса ONNX для Transformers.js. Архитектура — Whisper, размер — 29,4 млн параметров. Модель предназначена для распознавания вьетнамской речи, в том числе с различными акцентами. Лицензия репозитория указана как WTFPL; README рекомендует цитировать статью PhoWhisper при публикации результатов или включении модели в программное обеспечение.

Карточка модели luozx/piper-zh-cn-huayan-medium на Hugging Face совпадает с карточкой Trelis/piper-zh-cn-huayan-medium, поэтому описание составлено по ней. Trelis подготовила и разместила модель синтеза речи Piper zhCN-huayan-medium — женский голос, говорящий на путунхуа. Это сквозная модель VITS среднего размера, поставляемая в формате ONNX; она преобразует текст в аудио с частотой дискретизации 22,05 кГц. Модель обучена на данных HuaYan TTS и дообучена на основе lessac medium. Модель предназначена для озвучивания китайского текста в приложениях и других сценариях синтеза речи. Для запуска можно использовать piper-tts либо ONNX отдельно; во втором случае требуется espeak-ng. Репозиторий переиздан из rhasspy/piper-voices. Лицензия модели указана как other; README отдельно указывает GPL для piper-tts и MIT для варианта с ONNX без зависимости от piper-tts, поэтому условия распространения и использования самих весов следует сверять с источником.

Ertugrul/Qwen2.5-VL-7B-Captioner-Relaxed — дообученная мультимодальная модель на базе Qwen/Qwen2.5-VL-7B-Instruct с архитектурой Qwen2.5-VL и 7,1 млрд параметров. Она принимает изображения вместе с текстовыми инструкциями и создаёт подробные описания на естественном языке, в том числе указывает расположение объектов. Модель настроена на подготовленном вручную наборе данных для текстово-графических моделей и форматы подписей, подходящие для датасетов генерации изображений. По сравнению с исходной моделью она выдаёт более подробные описания и менее ограничена в их формулировках. Основное назначение — автоматическая генерация подписей к изображениям; качество на других задачах может быть ниже, чем у базовой модели. Контекст — до 32 768 токенов; заявлена поддержка английского языка. Модель распространяется под лицензией Apache-2.0.

Qwen2.5-VL-7B-Instruct-GGUF — мультимодальная instruction-модель семейства Qwen2.5-VL, разработанная Qwen и представленная в формате GGUF компанией Second State Inc. Модель предназначена для обработки изображений и текста с генерацией текстовых ответов, поэтому подходит для визуальных вопросов и ответов, анализа изображений и других сценариев image-text-to-text. Модель основана на Qwen/Qwen2.5-VL-7B-Instruct и имеет около 7 миллиардов параметров. В комплекте предусмотрен отдельный визуальный модуль Qwen2.5-VL-7B-Instruct-vision.gguf; заявленный размер контекста составляет 32 000 токенов. Для запуска рекомендуется LlamaEdge с prompt template qwen2-vision. В README указан английский язык, поэтому поддержка других языков по этим данным не подтверждена. Доступно несколько вариантов квантования от 2 до 8 бит, а также версия f16, что позволяет выбирать между размером файлов, требованиями к памяти и качеством. Рекомендуемыми названы варианты Q4_K_M, Q5_K_M и Q5_K_S; более агрессивное квантование может приводить к заметной или существенной потере качества. Модель распространяется по лицензии Apache-2.0.

dealignai выпустил производную модель Qwen3.5-VL-122B-A10B-JANG_4K-CRACK на основе Qwen/Qwen3.5-122B-A10B. Это мультимодальная модель семейства Qwen с архитектурой MoE: 122 млрд параметров, 256 экспертов, из которых активны 8 на токен, гибридная архитектура GatedDeltaNet SSM и полного внимания. Модель принимает текст и изображения и предназначена для диалога, ответов по изображениям и других задач визуально-языкового взаимодействия. Веса квантизированы в формате JANG_4K со смешанной точностью: 8-битные веса внимания, 4-битные эмбеддинги и 3-битные эксперты; заявленный размер — 62 ГБ. Также в README указано удаление поведения отказа от ответов на уровне весов. Для запуска требуется совместимое ПО для MLX на Apple Silicon, в частности MLX Studio или пакет jang-tools; другие приложения могут не поддерживать JANG. Лицензия — Apache-2.0.

Это мультимодальная квантованная сборка Qwen3.6-35B-A3B, подготовленная FreedomAISVR в формате GGUF для llama.cpp. Она принимает текст и изображения и предназначена для диалогов, ответов по изображениям и других сценариев визуального анализа с языковой моделью. В основе — текстовая MoE-модель с 35,95 млрд параметров, из которых активны около 3 млрд на токен, и 256 экспертами; визуальный энкодер ViT содержит 27 слоёв. Контекст модели составляет 262 144 токена. Веса представлены в NVFP4 с эффективной плотностью около 4,55 бит на вес; для аппаратного ускорения этого формата нужна видеокарта NVIDIA поколения Blackwell, например RTX 50-й серии. В репозитории также есть BF16-файл визуального проектора. Квантование позволяет хранить модель компактнее, но может влиять на качество относительно исходной версии. Лицензия — Apache-2.0.

Карточка модели AtomicChat/Qwen3.8-27B-MLX-AD-5.00bpw-DWQ-17.7GB на Hugging Face совпадает с карточкой AtomicChat/Qwen3.8-27B-MLX-AD-3.80bpw-DWQ-13.7GB, поэтому описание составлено по ней. AtomicChat/Qwen3.8-27B-MLX-AD-3.80bpw-DWQ-13.7GB — мультимодальная плотная модель семейства Qwen3.5 на 27 млрд параметров, подготовленная AtomicChat на основе Qwen/Qwen3.8-27B для работы в формате MLX. Она предназначена для диалогов и задач, где нужно анализировать изображения и формировать текстовый ответ. Карточка также указывает поддержку vision и conversational-взаимодействия. Модель принимает текст и изображения, выдаёт текст. Репозиторий использует safetensors, а для базовой модели указана лицензия Apache-2.0. README описывает преобразование в MLX с помощью mlx-lm 0.31.3; сведений о контекстном окне и ограничениях качества карточка не приводит.

Srota-Conv — модель автоматического распознавания речи, созданная командой susrota.com на основе Qwen/Qwen3-ASR-0.6B. Она дообучена всеми параметрами на корпусе HiACC для транскрибации спонтанной разговорной речи на хинглише, где в одном высказывании смешиваются хинди и английский. В транскрипте модель сохраняет естественное написание: слова на хинди передаёт письмом деванагари, а английские — латиницей. Модель использует архитектуру Qwen3-ASR с аудиоэнкодером AuT, проектором и языковой моделью Qwen3; общий размер — около 780 млн параметров. В тесте HiACC авторы сообщают WER 14,23% против 24,53% у базовой модели. Модель предназначена прежде всего для разговорной речи, а не для технических обучающих материалов. Она распространяется по лицензии Apache-2.0. Обучающая часть HiACC содержит около пяти часов речи, а в разбиениях корпуса пересекаются дикторы. Поэтому тестовый результат не подтверждает качество на новых дикторах и может не переноситься на другие акценты, диалекты и варианты хинглиша. Метрика также рассчитана с нормализацией, отличающейся от применявшейся в некоторых опубликованных базовых результатах.

Qwen3-ASR-1.7B-hf Orze — дообученная и полностью объединённая специализация модели Qwen/Qwen3-ASR-1.7B-hf от Orze для распознавания английской речи. Это плотная аудиотекстовая модель для транскрибации коротких аудиозаписей; она загружается напрямую через Transformers и использует детерминированное beam search-декодирование с четырьмя лучами. Веса в формате safetensors содержат около 2,04 млрд параметров. Модель обучали на открытых англоязычных наборах, включая Switchboard, Common Voice, TED-LIUM, AMI, LibriSpeech, VoxPopuli, Earnings22 и SPGISpeech. Она предназначена для транскрибации разговоров, выступлений и других коротких записей на английском языке. В README приведены результаты самостоятельной оценки на открытых тестовых наборах, однако публичные тестовые оценки участвовали в выборе чекпойнта и настроек декодирования, поэтому эти результаты не являются независимой оценкой обобщения и не подтверждены владельцами лидерборда. Мультиязычные возможности исходной модели после дообучения не проверялись; для задач, где важна широкая мультиязычная поддержка, README рекомендует исходный чекпойнт. Модель распространяется по лицензии Apache-2.0.

Qwen3-TTS-12Hz-0.6B-Base-bf16 — модель синтеза речи, конвертированная пользователем theoracleguy из исходной Qwen/Qwen3-TTS-12Hz-0.6B-Base в формат MLX с помощью библиотеки mlx-audio версии 0.3.0. Модель имеет размер 0,6 млрд параметров согласно идентификатору и предназначена для локального запуска в экосистеме MLX. Модель преобразует текст в речь и поддерживает сценарии генерации голоса, включая клонирование голоса с использованием референсного аудиофайла. Она может применяться через mlx-audio, а также совместимые локальные приложения, например OpenVox, и интегрироваться с их API и MCP-интерфейсами. В метаданных указан pipeline-тег text-to-speech и библиотека mlx-audio. Модель распространяется по лицензии Apache-2.0. Для клонирования голоса требуется референсная аудиозапись, а фактические возможности и качество зависят от исходной модели Qwen3-TTS, выбранного рабочего процесса и совместимости окружения MLX. Поддерживаемые языки и длина контекста в доступных материалах не указаны.

Карточка модели Jinstudio/Qwen3-TTS-12Hz-0.6B-CustomVoice на Hugging Face совпадает с карточкой Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice, поэтому описание составлено по ней. Qwen3-TTS-12Hz-0.6B-CustomVoice — многоязычная модель синтеза речи, разработанная командой Qwen. Это вариант CustomVoice с архитектурой Qwen3TTSForConditionalGeneration и токенизатором 12 Hz; модель поддерживает девять голосовых тембров и позволяет управлять интонацией, ритмом и эмоциональной окраской с помощью инструкций на естественном языке. Модель преобразует текст в речь на китайском, английском, японском, корейском, немецком, французском, русском, португальском, испанском и итальянском языках. Она рассчитана на потоковую генерацию с низкой задержкой; в README заявлена задержка синтеза от 97 мс. Для наилучшего звучания рекомендуется использовать голос на его родном языке. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит число параметров этого чекпойнта; обозначение 0.6B входит в его название.

Карточка модели dee2d/Qwen3-TTS-12Hz-1.7B-CustomVoice на Hugging Face совпадает с карточкой Qwen/Qwen3-TTS-12Hz-1.7B-Base, поэтому описание составлено по ней. Qwen3-TTS-12Hz-1.7B-Base — базовая плотная модель семейства Qwen3-TTS, разработанная командой Qwen. Она предназначена для синтеза речи по тексту и быстрого клонирования голоса по аудиопримеру длительностью около трёх секунд; также её можно использовать как основу для дообучения других моделей. Модель поддерживает китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки. Архитектура использует дискретную языковую модель с несколькими кодовыми книгами и токенизатор речи Qwen3-TTS-Tokenizer-12Hz. Заявлена потоковая и непотоковая генерация с низкой задержкой, а модель рассчитана на локальный запуск через пакет qwen-tts или vLLM-Omni. В README заявлена поддержка управления голосовыми характеристиками инструкциями для семейства Qwen3-TTS, но для варианта Base такая поддержка отдельно не отмечена. Модель принимает текст и аудио для клонирования голоса и выдаёт синтезированную речь. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Для запуска могут потребоваться значительные вычислительные ресурсы; README рекомендует FlashAttention 2 на совместимом оборудовании.

Карточка модели ughurabbasov/qwen3-tts-azerbaijani-female на Hugging Face совпадает с карточкой Qwen/Qwen3-TTS-12Hz-0.6B-Base, поэтому описание составлено по ней. Qwen3-TTS-12Hz-0.6B-Base — базовая модель синтеза речи из семейства Qwen3-TTS, разработанного командой Qwen. Это плотная модель с архитектурой Qwen3TTSForConditionalGeneration и дискретной многокодовой языковой архитектурой; она использует разработанный для семейства токенизатор речи Qwen3-TTS-Tokenizer-12Hz. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Модель предназначена для генерации речи по тексту и быстрого клонирования голоса по предоставленному аудио. Семейство поддерживает китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки. В карточке также заявлены потоковая генерация с низкой задержкой и управление характеристиками голоса естественными языковыми инструкциями. Для клонирования требуется аудиопример голоса; качество результата зависит от входного текста и аудио. Карточка описывает возможности семейства в целом, поэтому отдельные показатели и свойства именно версии 0.6B Base подтверждены не полностью.

Модель автоматического распознавания речи, созданная дообучением facebook/w2v-bert-2.0. В карточке она названа моделью для раджастхани, магадхи, маратхи, чхаттисгархи, бходжпури и марвари. Архитектура — Wav2Vec2-BERT с CTC-выходом; модель содержит 402,8 млн параметров и распространяется в формате safetensors для библиотеки Transformers. Модель преобразует аудио в текст и подойдёт для распознавания речи на перечисленных языках. В README приведены результаты оценки: loss 2,0250 и CER 0,1801. Сведения о наборе данных, методике оценки и ограничениях применения в карточке не раскрыты. Лицензия — MIT.

Røst-wav2vec2-315m-v2 — датская модель автоматического распознавания речи, разработанная компанией Alvenir в рамках проекта CoRal. Это Wav2Vec2ForCTC, дообученная на базе facebook/wav2vec2-xls-r-300m на корпусе CoRal-v2, содержащем разговорную и начитанную датскую речь разных возрастных групп, полов и диалектов. В метаданных указано 402,7 млн параметров; файлы представлены в формате safetensors. Модель предназначена для транскрибирования датской речи, в том числе диалектной, в разговорных записях и начитанном аудио. В оценке на CoRal-v2 для начитанной речи указаны CER 6,5% и WER 16,3%; результаты на разговорной речи предварительные и получены на тестовой выборке всего с пятью дикторами. Для оценки применялась языковая модель как постобработка. Модель распространяется по лицензии OpenRAIL, адаптированной под лицензию CoRal-v2. README указывает, что коммерческое использование допускается с ограничениями, включая синтез речи и биометрическую идентификацию; следует ознакомиться с условиями лицензии перед использованием.

S1-mini-MLX-4bit — это 4-битная MLX-конверсия модели S1-mini от Superwhisper, выполненная сообществом mlx-community из исходных BF16-весов с помощью mlx-lm. Модель дообучена на базе Qwen3-0.6B и предназначена для одной задачи: преобразования необработанных расшифровок речи в аккуратный письменный текст. Модель удаляет слова-паразиты, исправляет обрывы и самокоррекции, добавляет пунктуацию и заглавные буквы, а также преобразует произнесённые числа, даты, время, валюты и адреса электронной почты в письменный вид. Она рассчитана на английский язык и сценарии speech-to-text, диктовки и последующей нормализации транскриптов. Управление стилем, структурой и контекстом выполняется специальной строкой в начале входа; модель не является универсальным чат-ботом и не предназначена для выполнения общих инструкций. Это каузальная языковая модель примерно на 596 млн уникальных параметров: 28 слоёв, 16 голов внимания для Q и 8 для KV с GQA. Рекомендуемый объём входа — до примерно 1000 токенов, более длинные транскрипты следует разбивать на части. 4-битный файл занимает около 462 МиБ и рассчитан на работу на CPU ноутбука. На отложенном наборе из 7519 английских примеров исходная модель достигла 94,8% точности по токенам, однако для MLX-версии приведена лишь небольшая проверка на шести случаях, поэтому её качество следует оценивать на собственных данных. В README указана лицензия Apache 2.0 с дополнительным условием о наименовании; метаданные репозитория также обозначают лицензию как s1-mini-license. Перед использованием, особенно в собственном приложении, необходимо ознакомиться с файлом LICENSE.

Sa2VA-1B — мультимодальная модель ByteDance для диалога с изображениями и видео, визуального понимания и сегментации объектов. Она объединяет возможности языковой модели с визуальным компонентом Sa2VA; в описании семейства указаны InternVL2.5-1B как базовая мультимодальная модель и Qwen2.5-0.5B-Instruct как языковая часть. Метаданные связывают репозиторий с OpenGVLab/InternVL2.5-1B отношением merge. Модель предназначена для ответов на вопросы по изображениям и видео, понимания визуальных подсказок, локализации объектов и плотной сегментации. По данным авторов, она показывает сопоставимые с Qwen2-VL и InternVL2.5 результаты на бенчмарках ответов на вопросы и высокие результаты в задачах визуальной локализации и сегментации. Репозиторий создан в январе 2025 года, веса опубликованы в формате safetensors, запуск описан через Transformers. Модель принимает изображения и видео вместе с текстовыми запросами и генерирует текстовые ответы, а также результаты сегментации. Указана лицензия Apache-2.0. README не приводит сведения о длине контекста или конкретных поддерживаемых языках; тег multilingual указывает на многоязычность, но не уточняет набор языков.

SALMONN-2 8B — открытая аудиоязыковая модель, представленная в репозитории marcoyang/SALMONN-2-8B. Она предназначена для понимания речи, музыки и других аудиозаписей, включая паралингвистические характеристики. Архитектура объединяет аудиоэнкодер SPEAR, многослойный адаптер слияния признаков и Qwen3-8B; в чекпойнт включены объединённые веса Qwen LoRA, аудиоэнкодер, аудиоконнектор и файлы токенизатора. Модель распространяется в формате safetensors и использует библиотеку Transformers с пользовательским кодом модели. Модель подходит для ответов на вопросы об аудио, анализа речи и музыки, а также сравнения нескольких аудиозаписей и мультимодального контекстного обучения. В README указано обучение на 18,2 тыс. часов аудиотекстовых данных и представлены результаты на бенчмарках понимания аудио. Метаданные задают pipeline_tag feature-extraction, однако по описанному назначению пользователя главная задача — генерация текстовых ответов по аудио. Лицензия — Apache-2.0. Для загрузки через Transformers требуется разрешить пользовательский код репозитория; данные README не уточняют поддерживаемые языки, длину контекста или конкретные ограничения качества.

Ismailzeine/schema-bac-qwen-model — дообученная модель для диалога с изображениями, созданная на базе Qwen2.5-VL-7B-Instruct. В карточке указано, что обучение выполнялось с Unsloth и библиотекой TRL; архитектура — Qwen2.5-VL с плотной моделью условной генерации. Модель принимает текст и изображения и отвечает текстом, поэтому подходит для визуальных вопросов и диалога по содержимому изображений. Модель основана на unsloth/qwen2.5-vl-7b-instruct-unsloth-bnb-4bit и распространяется по лицензии Apache-2.0. Карточка не описывает специализированную область обучения или конкретные тесты качества; пригодность для точных прикладных сценариев следует оценивать на собственных данных.

Sopro-v2-turbo — компактная модель синтеза речи с клонированием голоса из семейства Sopro, опубликованная Samuel Vitorino. Модель содержит 120 млн параметров и распространяется под лицензией Apache-2.0. Репозиторий содержит веса в формате safetensors; для запуска требуются актуальные версии библиотеки sopro или браузерного ONNX-рантайма Sopro. Модель преобразует текст в речь на английском, европейском португальском, французском и немецком языках. Она поддерживает потоковую генерацию и zero-shot клонирование голоса по 5–20 секундам образца аудио; также предусмотрен запуск на CPU ноутбука и в браузере. По данным карточки, задержка до первого аудио в потоковом режиме составляет около 300 мс на CPU ноутбука. К ограничениям относятся ошибки произношения некоторых сокращений, чисел и символов, а также слабая работа с текстом, смешивающим языки. Потоковый режим может уступать офлайн-режиму по качеству, а мобильная браузерная версия использует квантизацию и может давать худший результат или аварийно завершаться на устройствах с малым объёмом памяти. Веса не снабжены водяными знаками; разработчики просят не использовать клонирование для выдачи себя за других людей.

Модель kiran1254/speecht5_finetuned_emirhan_tr — дообученная версия SpeechT5 от Microsoft для синтеза речи из текста. Она предназначена для преобразования текстового ввода в аудио; архитектура использует SpeechT5ForTextToSpeech, веса представлены в формате safetensors. Название модели указывает на возможную ориентацию на турецкий язык, но README не подтверждает язык или датасет обучения. Модель распространяется по лицензии MIT. Подробности об обучающих данных, оценке качества и ограничениях в карточке не раскрыты.

SpeechT5 TTS — модель синтеза речи, разработанная Junyi Ao и соавторами и опубликованная Microsoft в репозитории SpeechT5. Эта версия дообучена для преобразования текста в речь на датасете LibriTTS и предназначена для локального запуска через библиотеку Transformers. SpeechT5 использует общую архитектуру encoder-decoder с отдельными компонентами для обработки текста и речи. Исходная платформа SpeechT5 создана для разных задач обработки речи, однако этот чекпойнт рассчитан на синтез речи. Данные не определяют языковую поддержку этой версии, поэтому конкретный язык синтеза установить нельзя. Модель распространяется по лицензии MIT. Карточка не приводит оценок качества, параметров, ограничений или результатов тестирования; пригодность синтеза для конкретного языка и сценария следует проверять отдельно.

Avitas8485/speecht5_tts_commonvoice_en_06 — дообученная на датасете LJSpeech модель SpeechT5 для синтеза речи из текста. Она принимает текст на английском языке и генерирует аудио; в карточке указана оценка Loss 0,3607 на наборе для оценки. Модель построена на архитектуре SpeechT5 и опубликована в форматах PyTorch и Safetensors. Модель подходит для преобразования английского текста в речь. Она распространяется по лицензии MIT. В карточке нет подробностей о качестве и характеристиках генерируемого голоса; оценка Loss сама по себе не позволяет судить о разборчивости и естественности синтеза.

cstr/speecht5-tts-GGUF — версия SpeechT5, подготовленная для синтеза речи в CrispASR. Модель основана на Microsoft SpeechT5, имеет около 80 млн параметров и использует архитектуру encoder-decoder: трансформерный текстовый энкодер, авторегрессионный речевой декодер, постсет и вокодер HiFi-GAN. GGUF-файлы представлены в формате F16; английская и немецкая версии поставляются отдельными файлами. Модель преобразует текст в речь с частотой 16 кГц. Для управления голосом используется 512-мерный x-вектор говорящего; генерация детерминирована и выполняется жадным декодированием. Репозиторий предназначен для запуска через CrispASR. Он распространяется по лицензии MIT; исходная модель и веса вокодера взяты у Microsoft. Ограничения включают поддержку только английского и немецкого языков и зависимость тембра речи от предоставленного x-вектора.

sapinsapin/speecht5_tts-pld-fil — модель синтеза речи из текста, созданная дообучением SpeechT5 от Microsoft на наборе sapinsapin/pld. Она предназначена для озвучивания текста на филиппинском языке (fil); для формирования голоса использует speaker conditioning с x-вектором SpeechBrain, а для преобразования спектрограммы в аудио — вокодер microsoft/speecht5_hifigan. Модель обучалась 1000 шагов на 1913 аудиофрагментах; в карточке приведено значение eval_loss 0,4433. Репозиторий содержит веса safetensors и распространяется по лицензии MIT.

Thorsten-Voice/tv-orpheus-v2 — немецкая модель синтеза речи проекта Thorsten-Voice, созданная на основе Orpheus TTS и архитектуры Llama. Модель содержит 3,3 млрд параметров и рассчитана на контекст до 131 072 токенов. Это дообученная версия tv-orpheus-v1: сначала базовую модель canopylabs/3b-de-ft-research_release обучили на записях Thorsten-Voice Dataset 2022.10, затем tv-orpheus-v2 дополнительно дообучили на 60 записях нейтральной повседневной речи с частотой 24 кГц. Модель преобразует немецкий текст в речь, стремясь воспроизводить естественную манеру речи исходного диктора. Она предназначена для озвучивания объяснений, утверждений, вопросов и предложений разной длины; по сравнению с v1 улучшены ритм и интонация длинных фраз. В отдельных случаях возможны артефакты и неожиданные паузы. Весовые файлы представлены в формате safetensors. Модель распространяется по лицензии Apache-2.0; обучающие наборы, указанные в карточке, имеют лицензию CC0.