I.15Доступность и ассистивные технологии

Voxtral-4B-TTS-GGUF — конверсия и квантизация модели Voxtral-4B-TTS-2603, разработанной Mistral AI и опубликованной под идентификатором mistralai. Модель предназначена для синтеза речи из текста и работает через backend voxtral-tts в составе CrispASR, позволяя использовать её как нативный C++-бинарник без Python. Она поддерживает английский, французский, немецкий, испанский, итальянский, португальский, нидерландский, арабский и хинди, предоставляет 20 предустановленных голосов и генерирует аудио с частотой 24 кГц. Архитектура включает авторегрессионный LLM-бэкбон Ministral-3B с 26 слоями и GQA 32/8, трёхслойный двунаправленный acoustic transformer на основе flow matching и декодер кодека Voxtral. Доступны варианты GGUF в форматах Q4_K размером около 2,4 ГБ, Q8_0 около 4,3 ГБ и F16 около 8,2 ГБ; семантический codebook и эмбеддинги голосов во всех вариантах хранятся в F32. Q4_K ориентирован на запуск в системах с 8 ГБ оперативной памяти, тогда как более точные варианты могут обеспечивать лучшее качество за счёт большего потребления памяти. Модель подходит для многоязычного офлайн-синтеза речи, воспроизводимого генерирования с заданным seed и выбора предустановленных голосов. Ограничения включают работу только с предусмотренными языками и голосами, зависимость от совместимого backend voxtral-tts и отсутствие изменений исходных возможностей при конверсии. Лицензия CC-BY-NC-4.0 допускает использование на некоммерческих условиях; коммерческое применение не разрешено условиями лицензии.

VoXtream2 — потоковая zero-shot модель синтеза речи, разработанная Никитой Торгашовым, Густавом Эйе Хентером и Габриэлем Сканце. Она генерирует речь по тексту с акустической подсказкой — аудиозаписью целевого голоса длительностью 3–10 секунд; записи длиннее 20 секунд обрезаются. Модель позволяет менять целевую скорость речи во время генерации и поддерживает потоковую выдачу аудио. По данным авторов, генерация работает в четыре раза быстрее реального времени, а задержка первого аудиопакета в полном потоковом режиме составляет 74 мс на потребительском GPU. Маскирование текста подсказки позволяет использовать акустические подсказки на разных языках; метаданные указывают английский язык. Модель обучена на Emilia и HiFiTTS2, распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Авторы запрещают генерировать голос человека без его согласия. Входной текст ограничен 1000 символами; длинный текст обрезается.

Это модель автоматического распознавания речи на базе Wav2Vec2, дообученная автором karanthgreeshma на facebook/wav2vec2-xls-r-300m с использованием Common Voice 13.0. Модель построена на архитектуре Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель принимает аудио и предназначена для преобразования речи в текст. В карточке указана оценка WER 0,5229 на наборе оценки; это свидетельствует об ограниченной точности и требует проверки на данных целевого сценария. Модель опубликована в формате PyTorch под лицензией Apache-2.0. README содержит мало сведений о целевом языке и ограничениях применения.

wav2vec2-large-xls-r-300m-kurdish — модель распознавания речи на основе архитектуры Wav2Vec2ForCTC, дообученная infinitejoy на курдской части набора Mozilla Common Voice 7.0. Она преобразует аудио в текст и предназначена для автоматической транскрипции курдской речи. Модель содержит 402,7 млн параметров; в карточке указаны значения Loss 0,2548 и WER 0,2688 на наборе оценки. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не описывает условия записи аудио, декодирование и языковые варианты курдского, поэтому результаты на других данных могут отличаться.

sarpba/wav2vec2-large-xlsr-53-hungarian — модель распознавания венгерской речи, разработанная на основе facebook/wav2vec2-large-xlsr-53 и дообученная на венгерской части Mozilla Common Voice 17.0. Это архитектура Wav2Vec2ForCTC с 402,7 млн параметров, предназначенная для преобразования аудиозаписи в текст; модель работает с библиотекой Transformers и распространяется в формате safetensors. Модель подходит для транскрибации венгерской речи, например записей и аудио из Common Voice. В README приведены результаты оценки: WER 0,2997 и loss 0,1748; также заявлено сравнение с предыдущей моделью на Common Voice 17.0, но приведённые значения отличаются от основного WER, поэтому их следует учитывать с оглядкой на условия оценки и игнорируемые символы. Лицензия — Apache-2.0. Карточка не описывает условия записи аудио, устойчивость к шуму, акцентам или другим языкам; качество за пределами указанного набора оценки не подтверждено.

onnx-community/whisper-base.en_timestamped — модель на базе openai/whisper-base.en, подготовленная в формате ONNX для совместимости с библиотекой Transformers.js. Разработчиком исходной модели является OpenAI, а данный репозиторий предоставляет её ONNX-веса. Модель предназначена для использования в приложениях, поддерживающих Transformers.js, включая веб-сценарии и среды, где требуется запуск моделей с ONNX-весами. README не содержит подробных сведений о задачах, архитектуре, размере, языках, модальностях, длине контекста или точных возможностях временной разметки, поэтому эти характеристики нельзя достоверно уточнить по имеющимся данным. Ключевое преимущество — адаптация весов к ONNX и возможность интеграции с Transformers.js. Решение является временным форматом распространения до более широкого внедрения WebML. Лицензия в README не указана.

Whisper Base Hindi — модель автоматического распознавания речи, разработанная на основе Whisper Base и дообученная автором arun100 на подмножестве hi_in датасета google/fleurs. Она принимает аудио и генерирует текстовую расшифровку на хинди. Модель содержит 51,7 млн параметров и опубликована в формате safetensors. На оценочном наборе указаны loss 0,4468 и WER 27,7206. Модель предназначена для распознавания речи на хинди; качество на других языках и в иных условиях записи не описано. Лицензия — Apache-2.0.

nurzhanit/whisper-enhanced-ml — дообученная модель распознавания речи семейства Whisper с архитектурой WhisperForConditionalGeneration. В README указано, что она обучена на датасете Common Voice 11.0; размер модели — 153,1 млн параметров. Модель предназначена для преобразования речи в текст на хинди. В README приведены результаты оценки: loss 0,0002 и WER 0,0. Эти значения относятся к указанному набору оценки; подробности его состава и методики не приведены, поэтому результат нельзя считать гарантией качества на других аудиозаписях. Модель опубликована в формате safetensors. Условия лицензии в доступных данных не указаны.

Это модель автоматического распознавания речи на телугу, созданная Liodon AI путём дообучения openai/whisper-large-v3. Она преобразует аудиозаписи на телугу в текст и подходит для транскрибации записей и речевых данных на этом языке. Модель основана на архитектуре Whisper large-v3 и обучена на примерно 119 тысячах аудиопримеров из датасетов Kathbath, IndicVoices-R и FLEURS. В карточке приведены промежуточные значения WER на валидационной части Kathbath: от 48,79% на шаге 0,10 до 40,78% на шаге 0,30; это указывает на ограничения качества данного чекпойнта. Указан epoch 1 checkpoint, а дальнейшее обучение продолжается. Лицензия — Apache-2.0.

Sagicc/whisper-small-sr-yodas-v2 — модель распознавания речи на основе Whisper Small от OpenAI, дообученная на объединённых наборах Common Voice 16, Fleurs, JuzneVesti-SR, LBM и YODAS. Она предназначена для преобразования аудиозаписей в текст; карточка приводит результаты оценки: WER 0,1220 и WER Ortho 0,2328. Модель содержит 153,1 млн параметров и распространяется в формате Safetensors. В названии и обучающих данных указаны сербский язык и южносербские новости; также в обучении использованы многоязычные наборы Common Voice, Fleurs и YODAS. Базовый Whisper Small поддерживает распознавание речи на нескольких языках. Модель опубликована под лицензией Apache 2.0. Карточка не уточняет ограничения применения и условия оценки метрик.

Wellyowo/whisper-tiny-zh-tw — дообученная версия Whisper Tiny, опубликованная Wellyowo и обученная на наборе Common Voice 13.0. Модель предназначена для автоматического распознавания речи и выдачи текстовой расшифровки. Это плотная модель архитектуры Whisper с 29,4 млн параметров; репозиторий содержит веса в формате Safetensors. В карточке приведены результаты оценки: WER 59,22 и орфографический WER 60,0. Модель рассчитана на китайский язык (Тайвань) согласно названию репозитория. Лицензия — Apache-2.0.

Plim/xls-r-300m-cv_8-fr — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на французской части набора Mozilla Common Voice 8.0. Она использует архитектуру wav2vec2 с CTC-декодированием и содержит 402,7 млн параметров. Модель принимает аудио и преобразует французскую речь в текст. Её можно применять для транскрибации записей и оценки качества распознавания на тестовых наборах французской речи. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Модель специализирована на французском языке и данных Common Voice 8.0. README не приводит результатов оценки, поэтому качество на других источниках аудио и в реальных условиях по имеющимся данным оценить нельзя.

ZONOS2-GGUF — это GGUF-квантизованные веса модели ZONOS2, разработанной Zyphra для синтеза речи из текста. Модель предназначена для высококачественного многоязычного text-to-speech, низколатентной генерации аудио и клонирования голоса по образцу. Вся цепочка, включая ECAPA-TDNN-энкодер говорящего, MoE-основу и DAC-вокодер, доступна в нативной реализации C++ zonos2.cpp без Python, PyTorch и обязательных CUDA-ядер во время инференса; поддерживаются CPU и CUDA. Модель обучена более чем на 6 миллионах часов многоязычной речи и ориентирована на естественное, выразительное звучание и высокую точность клонирования голоса. Поддерживаются английский, китайский, японский, корейский, русский, итальянский, португальский, французский, испанский, вьетнамский, немецкий, иврит, нидерландский и ряд других языков, включая украинский, польский, арабский, хинди и индонезийский. Доступны варианты от F16 размером 15,3 ГБ до Q4_K размером 4,9 ГБ; в квантизованных версиях F16 сохраняется для attention, router, embeddings и speaker projection, а квантизуются только матрицы MoE-экспертов. Q8_0 рекомендован как практически без потерь, тогда как Q4_K подходит для систем с ограниченной VRAM и сохраняет близкое к полной точности качество аудио. Ограничения включают значительный объём файлов и зависимость от zonos2.cpp для запуска GGUF, а качество клонирования и синтеза может зависеть от выбранного уровня квантизации и исходного голосового образца. Модель распространяется по лицензии Apache-2.0.

Canopy Labs Orpheus 3B De Finetuned — Llama-основанная речевая языковая модель для синтеза речи по тексту. Эта версия выпущена 9 апреля 2025 года и объединяет Orpheus 3B с Meta Llama 3.2 3B Instruct; в репозитории указаны веса Safetensors, а лицензия — Apache-2.0. Модель предназначена для естественного и выразительного синтеза речи, включая управление интонацией и эмоциями с помощью тегов, клонирование голоса без предварительного дообучения и потоковую генерацию с малой задержкой. В карточке заявлена задержка около 200 мс, снижаемая примерно до 100 мс при потоковой подаче текста. Карточка указывает немецкий язык.

aci-yoruba-phase8 — модель распознавания речи на базе архитектуры Wav2Vec2, дообученная Awesome-x. Она принимает аудио и преобразует речь в текст; в метаданных указано 402,7 млн параметров и формат весов Safetensors. В README приведён результат оценки: WER 0,3410 и loss 1,5843. Карточка не описывает назначение модели подробнее, набор данных, языковую поддержку и условия применения. Название указывает на йоруба, но отдельного подтверждения языка в карточке или метаданных нет. Лицензия также не указана в доступных сведениях.

AfriVoices East Africa — ASR multilingue edge — это система распознавания речи для шести восточноафриканских языков, разработанная для соревнования AfriVoices East Africa: ASR Hackathon. Акустическая часть основана на Facebook Wav2Vec2-BERT 2.0 с CTC-головой и общим символьным словарём из 67 символов; для декодирования используются отдельные 5-граммные языковые модели KenLM для каждого языка. Метаданные указывают 402,7 млн параметров и формат Safetensors. Модель предназначена для офлайн-транскрибации аудио на встраиваемых устройствах, включая Raspberry Pi 4 и Android. В README приведены результаты соревнования с макроусреднённым WER около 0,455 для лучшей конфигурации и показатели производительности на CPU; заявлено потребление памяти до 6,71 ГБ в прямом режиме и оконный резервный режим для длинных записей. Поддерживаются суахили, сомали, кикуйю, луо, календжин и маасаи. Лицензия — Apache-2.0.

Audio8 TTS Preview 0.6B ONNX INT4 — мультиязычная модель синтеза речи с zero-shot клонированием голоса, разработанная Audio8 и распространяемая в формате ONNX для локального запуска на CPU. Модель предназначена для преобразования текста в речь, создания локальных голосовых профилей по короткой эталонной записи с транскриптом, потоковой генерации аудио, работы через CLI, web UI, HTTP API и OpenAI-совместимый endpoint. Основная модель содержит около 601 млн параметров без учёта кодека и использует архитектуру DualAR: медленный autoregressive-трансформер предсказывает семантические токены аудиокадров, а быстрый — кодовые книги кодека. Медленный блок имеет 24 слоя, быстрый — 4 слоя; ширина обоих блоков составляет 896, используются 14 attention heads и 2 KV heads. Акустическое представление включает 10 кодовых книг по 4096 элементов, кодек работает с частотой 44,1 кГц и выдаёт монофонический аудиосигнал FP32. Контекст ограничен 2048 объединёнными текстовыми и аудиопозициями. Поддерживаются кантонский, китайский, нидерландский, английский, французский, немецкий, итальянский, японский, корейский, польский и испанский языки. К сильным сторонам относятся компактный размер, INT4-квантизация весов, отсутствие необходимости в CUDA и возможность работы через ONNX Runtime CPUExecutionProvider; заявленное потребление памяти при обычном запуске составляет около 1 ГиБ, а файлы модели занимают примерно 572 МиБ. Это preview-релиз с намеренно ограниченным языковым покрытием, поэтому качество и стабильность для других языков не гарантируются. Для клонирования голоса требуется эталонная запись длительностью 0,5–30 секунд и её точная расшифровка. Лицензия — Apache 2.0.

Audio8 TTS Preview 0.6B ONNX INT4 — мультиязычная модель синтеза речи с клонированием голоса в zero-shot режиме, разработанная Audio8 AI. Данная версия представляет CPU-ориентированную ONNX Runtime-сборку базовой модели Audio8-TTS-Preview-0.6b и предназначена для локальной генерации речи, потокового воспроизведения и интеграции через локальные сервисы и API. Модель содержит около 601 млн параметров и использует архитектуру DualAR: медленный авторегрессионный трансформер формирует семантические токены аудиокадров, а быстрый авторегрессионный трансформер предсказывает кодовые книги аудиокодека. В состав входят 24 слоя Slow AR, 4 слоя Fast AR, ширина 896, 14 attention heads и 2 KV heads; используются 10 кодовых книг по 4096 элементов. Контекст составляет до 2048 упакованных текстовых и аудиопозиций. Веса авторегрессионных компонентов представлены в формате weight-only INT4, активации и KV-cache используют FP16, а выходной звук формируется в формате FP32 с частотой 44,1 кГц, моно. Поддерживаются кантонский, китайский, нидерландский, английский, французский, немецкий, итальянский, японский, корейский, польский и испанский языки. К сильным сторонам относятся компактный размер, работа на CPU без CUDA, сравнительно низкое потребление памяти и локальное клонирование голоса по эталонной записи длительностью от 0,5 до 30 секунд с транскрипцией. Это preview-версия с ограниченным языковым охватом, поэтому качество и стабильность для языков вне рекомендованного набора не гарантируются; заявленные характеристики памяти проверены преимущественно на macOS arm64 и Apple M2. Модель распространяется по лицензии Apache 2.0.

BreezeBlue/Breeze-TTS-2 — открытая модель синтеза речи от разработчиков Breeze. Модель с плотной архитектурой BreezeForConditionalGeneration содержит 1,4 млрд параметров и рассчитана на генерацию речи на английском и китайском языках. Заявленная длина контекста — 2048 токенов. Модель предназначена для озвучивания текста в реальном времени, клонирования голоса по чистой аудиозаписи и её точной расшифровке, создания голоса по текстовому описанию и управления подачей речи при сохранении голоса-образца. Текст также может содержать пометки вокальных событий, например смеха или кашля. README сообщает о потоковой генерации с низкой задержкой; приведённые показатели получены на NVIDIA H100 и зависят от конфигурации оборудования. Для запуска требуются Linux, Python 3.10 или новее и CUDA-совместимый GPU; для стандартного режима рекомендуется видеокарта с 12 ГБ памяти, для ускоренного режима — 24 ГБ. Исходный код распространяется по Apache 2.0, но веса модели, производные модели и результаты локального запуска разрешены только для исследований и некоммерческого использования. Для других условий применения следует проверить файл лицензии.

Chatterbox Multilingual — открытая модель синтеза речи (TTS), разработанная Resemble AI и представленная в экспортированном формате ONNX сообществом onnx-community. Модель предназначена для преобразования текста в естественно звучащую речь, голосовых агентов, создания озвучки для видео, игр и мемов, а также для zero-shot клонирования голоса и voice conversion. Модель поддерживает арабский, датский, немецкий, греческий, английский, испанский, финский, французский, иврит, хинди, итальянский, японский, корейский, малайский, нидерландский, норвежский, польский, португальский, русский, шведский, суахили, турецкий и китайский языки. Указана архитектура с backbone на базе Llama размером 0,5 млрд параметров; обучение проводилось на 0,5 млн часов очищенных данных. Экспорт ONNX позволяет выполнять переносимый и быстрый вывод через ONNX Runtime на разных платформах. Для генерации доступны управление выразительностью и интенсивностью эмоций, а также опциональная водяная маркировка аудио. К сильным сторонам относятся широкая языковая поддержка, zero-shot TTS для английского языка, управление экспрессией и заявленная устойчивость генерации благодаря alignment-informed inference. Ограничения заключаются в том, что README не приводит подробных количественных характеристик качества, требований к ресурсам, ограничений по длительности контекста или сопоставимого качества для всех поддерживаемых языков; повышенная выразительность также может ускорять речь. Модель распространяется по лицензии MIT.

Chatterbox-Multilingual TTS GGUF — это преобразованная в формат GGUF версия мультиязычной модели синтеза речи Chatterbox T3, разработанной Resemble AI и опубликованной пользователем BricksDisplay. Модель предназначена для преобразования текста в естественно звучащую речь на 23 языках, а также поддерживает клонирование голоса по эталонному WAV-файлу с использованием отдельного речевого токенизатора S3T. Архитектура разделена на Llama-520M backbone и компонент codec_lm: backbone содержит 30 слоёв, скрытое представление размерностью 1024, 16 голов внимания, MLP размерностью 4096 и Llama 3 RoPE scaling; codec-компонент включает декодер flow-matching, HiFi-GAN vocoder и адаптер языковой модели. Доступны варианты квантования от F32 до Q2_K, что позволяет выбирать между качеством и требованиями к памяти. Для запуска используются llama.cpp и codec.cpp, а для клонирования голоса требуется файл chatterbox-mtl-s3t.gguf. Поддерживаются арабский, датский, немецкий, греческий, английский, испанский, финский, французский, иврит, хинди, итальянский, японский, корейский, малайский, нидерландский, норвежский, польский, португальский, русский, шведский, суахили, турецкий и китайский языки. Ограничения включают необходимость совместимого runtime и комплекта из нескольких GGUF-файлов; README не приводит количественных оценок качества, скорости или требований к оборудованию. Модель распространяется по лицензии MIT.

Chatterbox-TTS-8bit — преобразованная для MLX модель синтеза речи из текста, созданная сообществом mlx-community на основе ResembleAI/chatterbox с помощью mlx-audio-plus версии 0.1.0. Она предназначена для генерации речи по тексту и запуска через библиотеку mlx-audio-plus. Базовая модель Resemble AI поддерживает многоязычный синтез выразительной речи и клонирование голоса по аудиообразцу. В README для этой версии не описаны отдельные настройки клонирования или языковой охват. Репозиторию также требуются веса S3TokenizerV2 из mlx-community/S3TokenizerV2; README сообщает, что они загружаются автоматически. Лицензия в предоставленных данных не указана.

vokra/cosyvoice2-0.5b — конвертированная в формат Vokra GGUF модель синтеза речи CosyVoice2-0.5B от FunAudioLLM. Репозиторий содержит веса исходной модели, перепакованные для использования в среде инференса Vokra; это конверсия, а не новое обучение. Лицензия — Apache-2.0. Модель предназначена для преобразования текста в речь. Для подачи текста требуется внешний фронтенд G2P; карточка указывает, что нужно использовать тот, который ожидает эта голосовая модель, но подробности о нём в доступном описании отсутствуют. Файл модели занимает около 2,45 ГБ; архитектура обозначена как cosyvoice2.

Это языковая часть конвейера CosyVoice3 для синтеза речи на албанском языке, созданная автором репозитория nardi на основе FunAudioLLM/Fun-CosyVoice3-0.5B-2512. Чекпойнт Qwen2 с 0,5 млрд параметров и расширенным словарём объединяет базовую модель с LoRA, дообученной для албанского синтеза речи. В README указаны 55 часов албанской новостной речи VOA и 20 711 аудиофрагментов для обучения. Модель принимает текст и предназначена для генерации албанской речи в составе CosyVoice3. Для работы ей требуется акустический стек CosyVoice3, включающий flow-matching DiT и HiFi-GAN; сам репозиторий содержит языковую часть. Контекст составляет 32 768 токенов. Указана лицензия Apache-2.0. README описывает узкую обучающую выборку из новостной речи, поэтому качество на иных жанрах, регистрах и вариантах произношения может отличаться.

cstr/dots-tts-soar-GGUF — это GGUF-конверсия модели dots.tts-soar, разработанной dots и адаптированная для портативного речевого движка CrispASR. Модель предназначена для синтеза речи из текста на английском и китайском языках, включая локальный инференс без Python и PyTorch во время выполнения. Она может работать на CPU, а также использовать Metal, CUDA или Vulkan через CrispASR. Архитектура включает авторегрессионную языковую модель Qwen2.5-1.5B, 24-слойный PatchEncoder на основе VAE, 18-слойную flow-matching DiT-голову и вокодер BigVGAN с выводом аудио 48 кГц. Акустические признаки генерируются в непрерывном латентном пространстве, без дискретного аудиокодека. Доступны варианты F16 размером около 4,6 ГБ, смешанно-квантизованные Q8_0 размером около 3,1 ГБ и Q4_K размером около 2,0 ГБ. Для каждого основного файла требуется отдельный вокодер BigVGAN размером около 0,36 ГБ; CAM++ размером около 0,01 ГБ используется опционально для клонирования голоса. Сильные стороны модели — переносимый формат GGUF, возможность локального запуска и уменьшенный размер квантизованных вариантов при сохранении DiT-головы в F16 для стабильности генерации. Ограничения включают необходимость CrispASR и обязательного файла вокодера, а также зависимость качества и скорости от числа шагов flow matching и доступных ресурсов. Лицензия Apache-2.0 унаследована от upstream-модели dots.tts-soar; репозиторий содержит только конверсию и квантизацию без дополнительного обучения или изменения архитектуры.

Dumpling-Qwen2.5-VL-7B — мультимодальная диалоговая модель на основе huihui-ai/Qwen2.5-VL-7B-Instruct-abliterated, дообученная nbeerbower методом QLoRA ORPO. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает текст и изображения, чтобы вести диалог и отвечать на вопросы по изображениям. Для неё заявлено контекстное окно 128 000 токенов; метаданные указывают английский язык. Модель подходит для анализа изображений в диалоге, визуальных вопросов и ответов, а также задач физического рассуждения и следования инструкциям. В карточке перечислены датасеты для предпочтений, правдивости, помощи, литературы и других сценариев, но отдельные показатели качества не приведены. Базовая модель описана как вариант с удалёнными отказами. Репозиторий содержит веса в формате Safetensors; лицензия в предоставленных данных не указана.

Карточка модели BAAI/EVE-7B-v1.0 на Hugging Face совпадает с карточкой BAAI/EVE-7B-HD-v1.0, поэтому описание составлено по ней. EVE-7B-HD-v1.0 — мультимодальная модель семейства EVE, разработанная исследователями из Dalian University of Technology, Beijing Academy of Artificial Intelligence и Peking University. Это плотная авторегрессионная модель с архитектурой EVELlamaForCausalLM и примерно 6,6 млрд параметров; в отличие от VLM с отдельным визуальным энкодером, она обрабатывает визуальные и языковые входы в едином декодере. В карточке семейства EVE описан подход к обучению на 35 млн открытых примеров и сравнение с VLM сопоставимого размера. Модель предназначена для генерации текста по текстовым и визуальным запросам, включая задачи понимания изображений и диалога о них. Контекст составляет 4096 токенов. Доступна в формате PyTorch, лицензия — Apache-2.0. В README указано, что EVE выпускается в вариантах с предварительным обучением и настройкой инструкциями, но точный статус настройки именно версии HD-v1.0 не уточнён.

hviske-v6 — модель автоматического распознавания речи на датском языке, разработанная Syv AI. Она сочетает RoPE-адаптированный энкодер Whisper-large-v3-turbo с декодером Qwen3-0.6B через проектор с объединением кадров; размер модели — 1,24 млрд параметров. Модель принимает монофонические аудиозаписи с частотой 16 кГц и выдаёт текстовую транскрипцию. Записи длиннее 30 секунд автоматически разбиваются по тишине и затем объединяются. Можно управлять регистром букв и пунктуацией специальными входными токенами. Модель предназначена для офлайн-транскрибирования датской речи, в том числе записей разговоров, чтения вслух и парламентских выступлений. В заявленном бенчмарке средний WER составляет 10,19; пропускная способность на RTX 3090 — 48× реального времени при пакетной обработке. Модель обучена на датском корпусе объёмом 2 755 часов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Качество на разговорной речи ниже, чем на других типах аудио, и заметно зависит от диалекта и возраста говорящего. Принудительная пунктуация может ухудшать результат на парламентских записях. Модель не поддерживает другие языки, временные метки, диаризацию и потоковое распознавание.

Карточка модели HuggingFaceM4/idefics-9b-instruct на Hugging Face совпадает с карточкой HuggingFaceM4/idefics-9b, поэтому описание составлено по ней. IDEFICS-9B — мультимодальная модель Hugging Face для работы с изображениями и текстом, созданная как открытая реализация подхода Flamingo. Она принимает текст вместе с одним или несколькими изображениями и генерирует текстовые ответы; без изображений может использоваться как языковая модель. Модель предназначена для визуальных вопросов и ответов, описания изображений и создания историй, связанных с несколькими изображениями. Архитектура объединяет визуальный энкодер CLIP ViT-H/14 и языковую модель LLaMA-65B, связанные новыми блоками Transformer с перекрёстным вниманием. В карточке указано 9 млрд параметров; метаданные репозитория сообщают 6,6 млрд. Модель рассчитана на английский язык, обучалась в том числе на наборах OBELICS, Wikipedia, PMD и LAION-2B-en, а длина контекста составляет 2048 токенов. Она демонстрирует возможности few-shot обучения на визуально-текстовых задачах и может служить основой для дообучения на пользовательских данных. Модель не генерирует изображения. Её ответы могут содержать фактические ошибки и вредные стереотипы, поэтому их следует проверять. Лицензия указана как other; карточка отсылает к отдельному разделу License для условий использования.

milanakdj/indic-parler-tts-nepali-finetuned-dgx-v2.1-cosine — дообученная версия Indic Parler-TTS для синтеза речи на непальском языке. Модель использует архитектуру ParlerTTSForConditionalGeneration и библиотеку parler-tts; веса опубликованы в формате safetensors. Модель предназначена для преобразования текста в речь на непальском. В карточке приведены результаты обучения: 3120 шагов и наилучшая валидационная ошибка 6,7056. Эти сведения сами по себе не позволяют оценить качество звучания или пригодность для конкретного применения. Лицензия в предоставленных данных не указана.