I.15Доступность и ассистивные технологии

Это многоязычная модель распознавания речи NVIDIA Parakeet-TDT-0.6B-v3, подготовленная в формате MLX с квантованием смешанной точности Q4/Q8 и сохранённая в safetensors. Вариант создан на основе проверенного чекпойнта mlx-community/parakeet-tdt-0.6b-v3 и предназначен для транскрибации аудио на Apple Silicon с использованием MLX и совместимого загрузчика parakeet_unified_mlx.py. Веса занимают 0,401 ГБ: матрицы энкодера используют Q4, а точечные свёртки и компоненты предиктора и joint — Q8; часть тензоров хранится в BF16. Исходная модель поддерживает 25 европейских языков. В полной оценке на FLEURS для немецкого, французского, нидерландского, шведского, датского и финского языков получен макро-WER 11,17%; качество сопоставимо с контрольным вариантом INT4, а объём весов меньше. Лицензия — CC-BY-4.0. Модель работает в офлайн-режиме с полным контекстом и жадным декодированием; потоковая обработка не заявлена. Результаты могут меняться в зависимости от акцента, предметной области, шума и условий записи. Для целевого аудиораспределения нужна отдельная оценка; текущие подробные тесты охватывают только шесть из 25 языков.

Parler-TTS Mini: Expresso — англоязычная модель синтеза речи проекта Parler-TTS, дообученная на наборе данных Expresso на основе Parler-TTS Mini v0.1. Она преобразует текст в речь и позволяет управлять характеристиками звучания с помощью текстового описания: выбирать одну из голосовых идентичностей Jerry, Thomas, Elisabeth и Talia, задавать эмоцию, например радость, растерянность, смех или грусть, и указывать темп речи. Модель относится к семейству Parler-TTS и распространяется в формате safetensors для Transformers. Модель рассчитана на генерацию естественно звучащей речи с устойчивыми голосами и эмоциональной выразительностью; при обучении также учитывались описания темпа. В README демонстрируется сценарий синтеза речи из текстового запроса с заданными голосом, эмоцией и скоростью. Лицензия — Apache-2.0. В карточке не приведены размер модели и длина контекста.

Это репозиторий EryriLabs с GGUF-моделями синтеза речи Pocket TTS, подготовленными для запуска через llama.cpp. В README описаны языковые варианты Pocket TTS от Kyutai и отдельная валлийская модель EryriLabs, обученная с нуля по рецепту Pocket TTS на 173 часах открыто лицензированной валлийской речи. Для французского варианта используется контрольная точка Kyutai french_24l с 24 слоями; остальные описанные варианты имеют около 100 млн параметров и 16 слоёв. Модели преобразуют текст в речь и рассчитаны на локальный запуск на CPU; для синтеза требуется соответствующая пара файлов GGUF — модель и mmproj — и практически необходим файл с голосовым образцом. README сообщает о скорости около 5,5–6 раз быстрее реального времени для большинства вариантов, около 2,9 раза для французского и около четырёх раз для валлийского при восьми потоках. Валлийский вариант поддерживает перенос голоса по короткому образцу, но примерно 40% генераций не проходят проверку озвончения, особенно на длинных фразах; автор рекомендует разделять текст на предложения и выбирать удачный вариант. Репозиторий распространяется по лицензии CC-BY-4.0. Метаданные связывают модель с kyutai/pocket-tts и указывают GGUF, тогда как README описывает преобразование формата без квантования.

Taoufik/Qwen2.5-VL-3B-Instruct-Q4_K_M-GGUF — это конвертированная в формат GGUF версия мультимодальной модели Qwen/Qwen2.5-VL-3B-Instruct, разработанной командой Qwen. Конвертацию выполнил пользователь Taoufik с использованием llama.cpp и сервиса GGUF-my-repo. Модель предназначена для задач image-text-to-text: обработки изображений совместно с текстовыми запросами и генерации текстовых ответов. В карточке указана поддержка английского языка. Модель основана на архитектуре Qwen2.5-VL и содержит около 3 миллиардов параметров. Квантование Q4_K_M уменьшает требования к памяти по сравнению с полноразмерной версией и делает модель подходящей для локального запуска через llama.cpp, включая CLI и серверный режим. В README приведён пример использования с контекстом 2048 токенов, однако максимальный контекст модели отдельно не указан. Сильной стороной является сочетание визуального и текстового ввода при относительно небольшом размере, а ограничениями — зависимость от совместимого мультимодального runtime и возможная потеря качества из-за квантования. Модель распространяется по лицензии qwen-research.

Mungert/Qwen2.5-VL-7B-Instruct-GGUF — набор GGUF-файлов модели Qwen2.5-VL-7B-Instruct, подготовленный автором репозитория Mungert с использованием imatrix-файла и актуальной сборки llama.cpp. README не указывает разработчика исходной модели. Модель предназначена для мультимодальных сценариев image-text-to-text, в частности для анализа изображений и генерации текстовых ответов по ним. Для работы требуются основной GGUF-файл модели и отдельный файл mmproj, содержащий мультимодальный проектор. Использование vision поддерживается через fork llama.cpp и CLI-инструмент llama-mtmd-cli. Доступны варианты с разными форматами и уровнями квантования, включая F16, BF16, Q4, Q6, Q8 и ультранизкобитные варианты IQ1/IQ2. Это позволяет выбирать между качеством, скоростью и требованиями к памяти; низкобитные варианты ориентированы на устройства с ограниченными ресурсами, но могут снижать точность. В метаданных указано, что модель работает с английским языком. Размер исходной модели — 7B параметров; поддерживаемые модальности — текст и изображения. Ограничения включают необходимость специальной версии llama.cpp, отдельного mmproj-файла и потенциальную потерю качества при сильном квантовании. Репозиторий распространяется по лицензии Apache-2.0.

mlx-community/Qwen3.5-2B-4bit — квантизированная 4-битная версия мультимодальной модели Qwen3.5-2B, преобразованная сообществом mlx-community в формат MLX из Qwen/Qwen3.5-2B с использованием mlx-vlm 0.3.12. Модель предназначена для задач преобразования изображений и текста, в частности для генерации текстовых ответов по изображениям; запуск предусмотрен через библиотеку mlx-vlm на совместимом оборудовании Apple MLX. Из доступных данных известны размер 2B и поддержка сценариев image-text-to-text. Точные сведения об архитектуре, поддерживаемых языках, размере контекста, наборе обучающих данных и результатах тестирования в этой карточке не указаны. 4-битное представление снижает требования к памяти и может быть удобным для локального запуска, но потенциально ограничивает точность по сравнению с полноразмерной версией. Модель распространяется по лицензии Apache-2.0; дополнительные условия и характеристики следует уточнять в оригинальной карточке Qwen/Qwen3.5-2B.

nlpguy/Qwen3.8-27B-Fimi-4 — объединённая мультимодальная модель семейства Qwen3.5, созданная разработчиком nlpguy с помощью mergekit. В основе слияния использована Qwen/Qwen3.5-27B; в объединение также вошли семь моделей Qwen-совместимых семейств, включая варианты для диалогов, рассуждений и генерации текста. Метаданные указывают архитектуру Qwen3_5ForConditionalGeneration и формат safetensors. Модель предназначена для диалогов и работы с изображениями в формате «изображение-текст»: она принимает текст и изображения и формирует текстовые ответы. Карточка не описывает отдельные прикладные сценарии, языки, размер контекста или лицензию, поэтому эти характеристики не уточняются.

oddadmix/qwen3-asr-0.6b-arabic-dialectal — дообученная Oddadmix модель распознавания речи на основе Qwen/Qwen3-ASR-0.6B-hf. Это мультимодальная LLM-ASR с плотной архитектурой Qwen3-ASR; в README указано 0,6 млрд параметров (также приведена оценка 938 млн). Модель предназначена для транскрибации арабской речи из разных диалектных регионов, включая левантийский, магрибский, египетский, заливный, суданский и иракский арабский, а также литературный арабский. Она принимает аудио и выдаёт текст без диакритических знаков. На тестовом наборе из 932 фрагментов дообученная версия показала WER 0,676 и CER 0,408 против 0,756 и 0,454 у базовой модели в режиме zero-shot. Модель дообучена всеми параметрами на примерно 36,8 тыс. обучающих примеров после фильтрации; данные включали аугментации шума, музыки, скорости, голоса и реверберации. Подходит для офлайн-транскрибации коротких записей и оценки распознавания арабских диалектов. По данным README, обрабатывает фрагменты длительностью до 30 секунд и не поддерживает потоковое распознавание. Качество на реальных записях и отдельных диалектах может различаться; магрибские диалекты названы наиболее сложными. Лицензия — Apache-2.0; автор рекомендует проверять качество на собственных данных перед производственным использованием.

oddadmix/qwen3-asr-0.6b-arabic-dialectal-v2 — дообученная oddadmix модель распознавания речи на основе Qwen/Qwen3-ASR-0.6B-hf. Она предназначена для транскрибации речи на разных диалектах арабского языка; модель принимает аудио и выдаёт текст без диакритических знаков. Обучение проведено на диалектно-сбалансированном наборе oddadmix/lahgtna-v3-small. Архитектура — плотная Qwen3-ASR с 0,6 млрд параметров; доступны веса safetensors для Transformers. В README приведён WER 0,5514 и CER 0,2148 на тестовой выборке примерно из 2 600 клипов с нормализованным текстом. В сравнении на этой выборке результат уступает указанным вариантам Whisper. Качество заметно зависит от диалекта: в README отмечено, что магрибские варианты арабского распознаются сложнее, чем диалекты стран Персидского залива и Леванта. Лицензия — Apache-2.0.

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.

pzol/qwen3vl-5772-v11 — дообученная pzol мультимодальная модель семейства Qwen3-VL на базе unsloth/Qwen3-VL-8B-Instruct-bnb-4bit. Она предназначена для диалоговых задач, в которых нужно анализировать изображения и отвечать текстом; в метаданных также отмечен интерфейс вызова инструментов. Модель обучалась с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает специализацию дообучения, качество на конкретных задачах или ограничения; поддержка английского указана в метаданных.

prithivMLmods разработал Qwen3-VL-8B-Instruct-c_abliterated-v3 — дообученную мультимодальную модель семейства Qwen3-VL с 8 млрд параметров. Она принимает изображения и текстовые инструкции, а отвечает текстом; поддерживает анализ изображений разных разрешений, подробное описание сцен и визуальное рассуждение. Для работы используется библиотека Transformers, веса опубликованы в формате safetensors. Модель предназначена для генерации подробных подписей и описаний изображений, визуального анализа и исследований отказов и предвзятостей мультимодальных моделей. README указывает, что последовательное abliteration-настройка ослабляет механизмы отказа, поэтому модель может выдавать откровенные или оскорбительные описания. Для инференса требуется значительная видеопамять, особенно при обработке изображений высокого разрешения и длинного текста. Лицензия — Apache-2.0.

rostam-r1-stage13-1 — дообученная модель prog-love/rostam-r1-stage13, созданная с использованием TRL. По метаданным это плотная модель семейства Gemma 4 с архитектурой Gemma4ForConditionalGeneration и поддержкой изображений; её основная задача — диалоговое преобразование изображений и текста в текст. Карточка показывает пример генерации ответа на текстовый вопрос, но не описывает отдельные специализированные сценарии или результаты обучения. Модель подходит для диалога и ответов на запросы с изображениями. Репозиторий содержит веса в формате safetensors; для запуска в карточке приведён пример с Transformers и CUDA. Сведения о лицензии, числе параметров, длине контекста и поддерживаемых языках в доступных данных отсутствуют.

Карточка модели hiahiaxixi/s2-pro на Hugging Face совпадает с карточкой fishaudio/s2-pro, поэтому описание составлено по ней. Fish Audio S2 Pro — модель синтеза речи, разработанная Fish Audio. Она преобразует текст в речь и поддерживает управление интонацией, эмоциями и другими особенностями произношения с помощью текстовых инструкций в квадратных скобках, которые можно размещать рядом с нужными фрагментами текста. Архитектура объединяет декодерный трансформер с аудиокодеком RVQ и состоит из двух авторегрессионных частей: модель на 4 млрд параметров предсказывает основной семантический код, а компонент на 400 млн параметров генерирует девять остаточных кодов для акустических деталей. Модель предназначена для многоязычной генерации речи, включая потоковый синтез. В карточке заявлена поддержка более 80 языков; среди основных — японский, английский и китайский, а также русский, корейский, испанский, португальский, арабский, французский и немецкий. Модель принимает текст и выдаёт аудио. Авторы сообщают о потоковом движке инференса на базе SGLang и скорости генерации выше реального времени на NVIDIA H200; эти показатели зависят от оборудования и конфигурации. Лицензия указана как «other», поэтому условия использования следует проверить на странице репозитория Hugging Face.

SepFormer-DNS4-16k — модель SpeechBrain для подавления шума и улучшения разборчивости речи в аудио. SepFormer основана на архитектуре Transformer и обучена на 1300 часах данных Microsoft DNS-4 с частотой дискретизации 16 кГц. Модель принимает зашумлённую речь и выдаёт очищенное аудио. В README приведены результаты оценки DNSMOS на dev-наборе DNS4 2022: SIG 2,999, BAK 3,076 и OVRL 2,437 по шкале от 1 до 5. В метаданных указана поддержка английского, немецкого, русского, французского, итальянского и испанского языков. Модель подходит для очистки записей речи и шумоподавления в аудиосистемах. SpeechBrain предупреждает, что качество на других наборах данных не гарантируется. Лицензия — Apache-2.0.

Shenava-Koochik v1.5 — модель распознавания персидской (фарси) речи в текст, разработанная Reza2kn. Это дообученная 114-миллионная FastConformer-модель NeMo с гибридной архитектурой RNNT и CTC: CTC-голова сохранена от v1.0, а RNNT-голова исправлена и заново обучена. Для распознавания можно выбрать любую из двух голов; автор рекомендует CTC для развёртывания. В приведённом автором тесте на golden-6669 обе головы показывают WER 8,12% для CTC и 9,50% для RNNT, а CER составляет около 2,6%. RNNT-вывод может быть разговорным, поскольку модель обучалась на расшифровках, сохраняющих особенности речи. Для загрузки и распознавания автор приводит пример с библиотекой NeMo. Модель распространяется по лицензии Apache-2.0.

Soprano-80M — компактная модель синтеза речи от разработчиков проекта Soprano. Она преобразует текст в выразительную речь и предназначена для локального запуска на устройстве, пакетной обработки и потокового воспроизведения. В карточке заявлена высокая скорость генерации: до 2000× реального времени на GPU и до 20× на CPU. Модель построена на архитектуре Qwen3 и содержит 75,5 млн параметров. Она принимает текст и выдаёт аудио; поддерживает английский язык и контекст до 512 токенов. Модель не поддерживает клонирование голоса, а редкие слова может произносить неверно из-за ограниченного объёма обучающих аудиоданных. Лицензия — Apache-2.0.

Spark-TTS-0.5B-bf16 — версия модели Spark-TTS, конвертированная сообществом mlx-community в формат MLX из prince-canuma/Spark-TTS-0.5B. Это модель синтеза речи с архитектурой Qwen2ForCausalLM и примерно 506,6 млн параметров; для работы с ней README рекомендует библиотеку mlx-audio. Модель принимает текст и генерирует аудио; в метаданных указаны английский и китайский языки, а контекст составляет до 32 768 токенов. Репозиторий содержит веса safetensors. Модель предназначена для синтеза речи из текста в среде MLX. Лицензия CC BY-NC-SA 4.0 требует атрибуции, распространяет производные работы на тех же условиях и ограничивает коммерческое использование. Подробности о качестве речи и специальных ограничениях следует смотреть в карточке исходной модели.

Supertonic 2 — модель преобразования текста в речь, разработанная Supertone и экспортированная организацией loom-ai-org для запуска на устройстве через loom.cpp. Репозиторий содержит исходные неизменённые веса Supertone/supertonic-2 в формате GGUF; модель сама кодирует текст и не требует внешнего фонемизатора. Для работы предусмотрена библиотека loom-py-rt. Модель синтезирует речь на английском, корейском, испанском, португальском и французском языках. В GGUF встроен голос F1, а в репозитории также доступны десять предвычисленных голосовых стилей F1–F5 и M1–M5. Один вызов синтеза ограничен 512 токенами текста — примерно 490 символами; более длинный текст нужно разделить самостоятельно. Экспорт не включает энкодеры стиля, поэтому создать новый голос по собственной аудиозаписи нельзя. Лицензия указана как other; конкретные условия следует сверять с карточкой модели и лицензией исходной модели.

loulou2/tiny_janus — модель семейства Janus для условной генерации текста по изображению. Она представлена в формате safetensors и предназначена для сценариев, где нужно передать изображение модели и получить текстовый ответ или описание. Репозиторий использует Transformers и архитектуру JanusForConditionalGeneration с поддержкой зрения. Автор, размер модели, языки обучения и базовая модель в карточке не указаны. README содержит лицензию DeepSeek License Agreement 1.0 от 23 октября 2023 года с ограничениями на отдельные сценарии использования; перед применением и распространением следует проверить её полные условия. Карточка не приводит результатов оценки и сведений о конкретных ограничениях качества.

TrOCR base STR — модель оптического распознавания текста от Microsoft, дообученная на наборах IC13, IC15, IIIT5K и SVT. Она предназначена для распознавания текста на изображениях отдельных строк, например на фотографиях вывесок и коротких надписей. Модель построена по архитектуре vision encoder-decoder: Transformer-кодировщик изображений преобразует изображение в последовательность патчей 16×16, а авторегрессионный Transformer-декодер генерирует текст. Кодировщик инициализирован весами BEiT, декодер — RoBERTa. Репозиторий содержит веса PyTorch. Модель рассчитана на распознавание строк текста; качество для документов, многострочных изображений и других доменов может отличаться от качества на использованных наборах. Лицензия в предоставленных материалах не указана.

fhswf разработала TrOCR_Math_handwritten — трансформерную модель распознавания рукописных математических формул на изображениях. Это модель типа Vision Encoder-Decoder на базе TrOCR, дообученная на части набора MathWriting, преобразованной из InkML в изображения. Для использования указана библиотека Transformers, веса представлены в формате safetensors; лицензия — AFL-3.0. Модель предназначена для OCR одной математической формулы на изображении: она преобразует изображение с формулой в текстовое представление. В карточке приведены результаты распознавания: 77,8% полностью корректных ответов, 85,7% с не более чем одной ошибкой и 89,9% с не более чем двумя ошибками. Эти показатели относятся к оценке, описанной в карточке.

Русская многоголосая модель синтеза речи UtrobinTTS на архитектуре VITS, опубликованная пользователем utrobinmv. Она преобразует обычный текст с пунктуацией в речь и не требует предварительно переводить текст в фонемы. Доступны два голоса: женский (идентификатор 0) и мужской (идентификатор 1); текст следует подавать в нижнем регистре. Модель предназначена для синтеза русской речи. Для улучшения произношения автор рекомендует расставлять ударения перед гласными, например с помощью ruaccent. В метаданных указаны 888,9 тыс. параметров и форматы ONNX и safetensors; README приводит другой размер — 15,1 млн параметров. Лицензия — Apache-2.0.

Veena-GGUF — GGUF-версия модели Veena, разработанной Maya Research для синтеза речи из текста. Модель предназначена для генерации естественной и выразительной речи на хинди и английском языках, включая смешанные англо-хинди сценарии. Она может применяться в голосовых интерфейсах, озвучивании контента и других задачах text-to-speech. В основе лежит авторегрессионный трансформер на архитектуре Llama с примерно 3 млрд параметров. Для кодирования аудио используется нейронный кодек SNAC, выходной звук имеет частоту дискретизации 24 кГц. Доступны четыре голоса: kavya, agastya, maitri и vinaya. В исходной карточке заявлена задержка менее 80 мс на GPU H100-80GB, а также поддержка 4-битного квантования. Данный репозиторий содержит GGUF-модели, созданные с помощью llama.cpp; для некоторых слоёв применено повышение точности квантования, что может улучшать качество при одновременном увеличении размера файла. Сильными сторонами являются поддержка хинди, английского и их смешения, несколько вариантов голоса, высокое качество вывода и возможность эффективного инференса с квантованием. Ограничения включают отсутствие подробных данных о конкретном размере GGUF-файла, вариантах квантования и совместимости с аппаратным обеспечением, а заявленная задержка относится к H100-80GB и не гарантируется на других устройствах. Модель распространяется по лицензии Apache 2.0.

Vero-Qwen35-9B — мультимодальная модель семейства Vero от Z Lab при Принстонском университете, дообученная на базе Qwen/Qwen3.5-9B с применением обучения с подкреплением. Она предназначена для диалогового визуального рассуждения: анализа изображений и диаграмм, задач по STEM, пространственного анализа, распознавания объектов и знаний, локализации, подсчёта, подписей к изображениям и следования инструкциям. Модель принимает текст и изображения и генерирует текстовые ответы. Семейство Vero обучалось для широкого переноса навыков визуального рассуждения; авторы сообщают о сильных результатах на наборе VeroEval и открыли обучающий код, данные и оценивание. Для Vero-Qwen35-9B указаны архитектура Qwen3.5, 9 млрд параметров и библиотека Transformers. Модель распространяется по лицензии Apache-2.0. README не приводит отдельные результаты или ограничения именно этой версии; качество на конкретных задачах следует проверять на собственных данных.

Это независимая экспериментальная сборка потоковой модели распознавания речи VibeVoice-ASR-Streaming-7B, подготовленная schift-io на основе чекпойнта Microsoft. В ней декодер Qwen2 и выходной слой смешанно квантованы в GGUF примерно до 6 ГБ; акустический и семантический токенизаторы и соединительные слои сохранены в bf16. Полная сборка занимает около 8,4 ГБ и включает компоненты для запуска без отдельной загрузки исходных весов. Модель предназначена для потоковой транскрипции аудио с разметкой говорящих, в том числе в многоязычных разговорных сценариях. В README приведена проверка на 20 фрагментах корейских дискуссий: качество транскрипции и совместная метрика транскрипции с диаризацией оказались близки к исходному bf16-чекпойнту. Испытание небольшое, поэтому результаты не гарантируют качество на других данных. Для диаризации унаследовано ограничение исходной модели: в половине проверенных фрагментов она неверно определяла число говорящих, что заметно ухудшало результат. Сборка является независимым экспериментом и официально Microsoft не поддерживается. Лицензия — MIT.

Это модель для создания подписей к изображениям на китайском языке, разработанная yuanzhoulvpi. Она объединяет визуальный энкодер ViT с декодером GPT-2: ViT кодирует изображение, а GPT-2 формирует текстовое описание. В качестве компонентов указаны google/vit-base-patch16-224 и yuanzhoulvpi/gpt2_chinese. Модель принимает изображение и генерирует китайскую текстовую подпись. Она предназначена для автоматического описания изображений и может использоваться, например, для подготовки подписей к фотоколлекциям. Репозиторий содержит веса в форматах PyTorch и Safetensors; лицензия — MIT. Карточка не приводит оценок качества или ограничений применения.

Карточка модели Ayeminko/VoxCPM2 на Hugging Face совпадает с карточкой Tha456/VoxCPM2, поэтому описание составлено по ней. VoxCPM2 — модель синтеза речи, представленная в карточке Tha456. Это авторегрессионная диффузионная модель без токенизатора с архитектурой LocEnc → TSLM → RALM → LocDiT, основанной на MiniCPM-4. Размер модели — 2 млрд параметров; она использует AudioVAE V2 и генерирует речь с частотой 48 кГц. Модель предназначена для многоязычного преобразования текста в речь, создания голоса по текстовому описанию и клонирования голоса по короткому аудиофрагменту, в том числе с управлением стилем. По README поддерживает 30 языков, включая русский, и заявляет потоковую генерацию в реальном времени. Репозиторий использует формат safetensors и библиотеку voxcpm. Лицензия Apache-2.0 разрешает коммерческое использование. Качество Voice Design и управления стилем может меняться между запусками; результаты зависят от языка, а очень длинный или выразительный ввод иногда вызывает нестабильность. README запрещает использовать модель для имитации личности, мошенничества и дезинформации и рекомендует маркировать сгенерированную речь.

VoxCPM2-khmer — многоязычная модель синтеза речи на основе openbmb/VoxCPM2. Автор карточки описывает репозиторий как копию и/или дообученную версию для создания пользовательского сервиса или приложения синтеза речи; метаданные классифицируют её как дообучение базовой модели. Модель принимает текст и генерирует речь с частотой дискретизации 48 кГц. Заявлены синтез речи на нескольких языках, создание голоса по текстовому описанию и клонирование голоса по образцу аудио. Указана лицензия Apache-2.0, допускающая личное и коммерческое применение с соблюдением условий лицензии и ограничений ответственного использования. Карточка не сообщает размер модели и длину контекста; в метаданных есть языковые теги, включая кхмерский, но он не входит в список card_languages.

Voxtral-4B-TTS-2603-mlx-4bit — это 4-битная версия мультиязычной модели преобразования текста в речь Voxtral-4B-TTS-2603, разработанной Mistral AI и адаптированной сообществом mlx-community для MLX. Модель содержит около 4 миллиардов параметров, занимает примерно 2,5 ГБ и предназначена для генерации речи из текста, в том числе на устройствах Apple Silicon через библиотеку mlx-audio. Модель поддерживает девять языков: английский, французский, испанский, немецкий, итальянский, португальский, нидерландский, арабский и хинди. Доступно 20 предустановленных голосов, включая мужские и женские варианты для большинства языков. Генерируемое аудио имеет частоту дискретизации 24 кГц. На Apple Silicon 4-битная версия показывает коэффициент реального времени около 0,97 для коротких запросов и 0,74 для длинных, то есть способна работать быстрее реального времени. Сильные стороны модели — мультиязычность, набор готовых голосов, относительно небольшой размер и эффективное 4-битное представление, удобное для локального запуска. Ограничение заключается в том, что README не содержит подробностей об архитектуре, максимальной длине контекста, качестве синтеза, возможностях управления интонацией или совместимости с платформами, отличными от Apple Silicon и MLX. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства, но некоммерческое.