I.15Доступность и ассистивные технологии

Parakeet TDT 0.6B V2 CoreML — модель автоматического распознавания речи, разработанная командой FluidInference на основе Parakeet TDT 0.6B V2 от NVIDIA. Она преобразована в формат CoreML для высокопроизводительного локального вывода на устройствах Apple, включая Apple Silicon и iOS. Модель предназначена для транскрибирования англоязычной речи в реальном времени и интеграции в приложения на macOS и iOS. Она использует архитектуру FastConformer-TDT, содержит около 0,6 млрд параметров, принимает аудио с частотой дискретизации 16 кГц и поддерживает английский язык. Заявлены macOS 14+, iOS 17+ и интеграция со Swift через репозиторий FluidAudio. К сильным сторонам относятся оптимизация для устройств Apple, возможность выполнения распознавания непосредственно на устройстве, высокая заявленная скорость работы — коэффициент реального времени около 110× на M4 Pro — и относительно небольшой пиковый объём памяти около 800 МБ. Ограничения включают поддержку только английского языка, зависимость от платформ Apple и отсутствие в README подробных сведений о точности, устойчивости к шуму и поддерживаемых вариантах входного аудио. Модель распространяется по лицензии CC-BY-4.0.

Parler-TTS Mini v1 — компактная модель синтеза речи из текста, разработанная проектом Parler-TTS. Она построена на архитектуре ParlerTTSForConditionalGeneration и обучена на 45 тысячах часов аудиоданных. Модель генерирует естественно звучащую речь на английском языке; её характеристики можно задавать текстовым описанием голоса и звучания. Модель подходит для озвучивания текста и управляемой генерации речи: в описании можно указать голос, темп, высоту тона, пол говорящего, реверберацию и уровень фонового шума. Для согласованного голоса доступны 34 описанных диктора. Проект предоставляет веса и обучающие материалы; библиотека Transformers поддерживается для работы с моделью. Модель распространяется по лицензии Apache-2.0. В карточке описано управление параметрами звучания через подсказки, однако приведённых данных недостаточно для оценки качества на других языках или точных требований к оборудованию.

Parler-TTS Mini v1 ft. ParaSpeechCaps — англоязычная модель синтеза речи, созданная дообучением Parler-TTS Mini v1 авторами проекта ParaSpeechCaps на данных Emilia и ParaSpeechCaps. Она преобразует текст в речь и позволяет задавать стиль звучания текстовым описанием: управлять высотой голоса, ритмом, чёткостью артикуляции и эмоцией, а также описывать особенности говорящего и ситуацию произнесения. Модель построена на архитектуре ParlerTTSForConditionalGeneration и распространяется в формате Safetensors для Transformers. Модель подходит для генерации озвучки с заданными голосовыми и выразительными характеристиками, например для получения речи с определённым темпом или манерой произношения. Карточка описывает поддержку английского языка. Модель выпущена под лицензией CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов.

PhoWhisper-large — модель автоматического распознавания речи на вьетнамском языке, разработанная Thanh-Thien Le, Linh The Nguyen и Dat Quoc Nguyen. Она создана тонкой настройкой многоязычной Whisper и предназначена для преобразования вьетнамской речи в текст. Модель относится к семейству Whisper, использует архитектуру WhisperForConditionalGeneration и содержит около 905,2 млн параметров. Авторы обучали семейство PhoWhisper на 844-часовом наборе данных с разными вьетнамскими акцентами; в описании исследования сообщается о высоких результатах на тестах распознавания вьетнамской речи. Репозиторий содержит веса PyTorch. Модель подходит для транскрибации вьетнамской речи с различными акцентами. Она рассчитана на аудиовход и выдаёт текст; данных о поддержке других языков этой версией нет. Лицензия — BSD 3-Clause.

Qwen2.5-VL-7B-Abliterated-Caption-it — дообученная PrithivMLmods мультимодальная модель для создания подробных описаний изображений. Она основана на Qwen/Qwen2.5-VL-7B-Instruct и предназначена для генерации развернутых подписей к обычным, художественным, техническим, абстрактным и стилизованным изображениям, включая контент, который другие модели могут фильтровать. Модель принимает изображение и текстовую инструкцию, отвечает текстом и поддерживает разные соотношения сторон и разрешения; основной язык вывода — английский, также заявлена генерация на других языках. Модель использует архитектуру Qwen2.5-VL с 7,1 млрд параметров и распространяется в формате safetensors для Transformers. Её можно применять для подготовки описаний визуальных наборов данных, творческих сценариев и исследований модерации и безопасности. Обозначение abliterated указывает на ослабление обычных фильтров; это повышает риск нежелательных описаний. Лицензия — Apache-2.0.

WoWolf/Qwen2_5vl-7b-fm-tuned — дообученная разработчиком WoWolf мультимодальная модель семейства Qwen2.5-VL на базе Qwen/Qwen2.5-VL-7B-Instruct. Она принимает текст и изображения и формирует текстовые ответы; предназначена для диалогового взаимодействия и задач анализа визуального содержимого. В карточке указаны 7,1 млрд параметров, архитектура Qwen2_5_VLForConditionalGeneration и контекст до 128 000 токенов. Дообучение выполнено на наборах mllm_demo, the identity и alpaca_en_demo. Метаданные указывают поддержку image-text-to-text, чата и vision; конкретные специализации и результаты оценки не описаны. Модель опубликована в формате safetensors под лицензией other, поэтому условия использования следует уточнять по карточке и лицензии базовой модели.

mlx-community/Qwen3.5-9B-4bit — это 4-битная версия модели Qwen3.5-9B, преобразованная сообществом mlx-community в формат MLX с использованием mlx-vlm 0.3.12. В качестве базовой модели указана Qwen/Qwen3.5-9B-Base, разработанная командой Qwen. Модель предназначена для задач image-text-to-text: она принимает текст и изображения и генерирует текстовые ответы; в README приведён сценарий описания изображения. Из известных характеристик указаны размер 9B и 4-битное представление, а также совместимость с библиотекой mlx-vlm. README не содержит сведений о поддерживаемых языках, размере контекста, точной архитектуре, результатах тестирования, сильных сторонах и ограничениях качества. Модель распространяется по лицензии Apache-2.0; подробные условия следует уточнять в лицензии исходной модели Qwen/Qwen3.5-9B.

Qwen3-ASR-0.6B-Khmer — модель автоматического распознавания речи, созданная дообучением Qwen/Qwen3-ASR-0.6B компанией Seanghay. Она предназначена для транскрибации кхмерской речи: модель принимает аудио и выдаёт текст с распознанной речью. Модель семейства Qwen3-ASR имеет плотную архитектуру и 0,6 млрд параметров; для распознавания использован набор DDD-Cambodia/khmer-speech-dataset объёмом около 700 часов речи. В тестах CER составил 1,96% на 1 000 фрагментах из домена обучения и 7,91% на 2 906 фрагментах вне него. Модель лучше всего подходит для чистой, заранее подготовленной речи на кхмерском языке; точность снижается на шумной, спонтанной и смешанной кхмерско-английской речи. Результат обычно не содержит пунктуации и имеет минимальную сегментацию, а в длинной речи с паузами и повторами возможны повторения фраз. Модель распространяется по лицензии Apache-2.0.

Карточка модели shahidijaz/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.

sam-audio-large-fp16 — версия модели facebook/sam-audio-large, преобразованная в формат MLX сообществом mlx-community с помощью mlx-audio 0.2.10. Она предназначена для обработки аудио и выделения голоса из звуковой записи. Модель принимает аудио и выдаёт обработанное аудио; карточка показывает сценарий voice isolation. Репозиторий содержит веса safetensors и использует библиотеку mlx-audio. Лицензия указана как other; условия исходной модели следует уточнять в её карточке.

cswk/sayit-asr-gguf — это набор GGUF-весов для локального автоматического распознавания речи (ASR), используемый приложением SayIt для Windows, разработанным как open-source приложение для голосового ввода. Репозиторий поддерживается авторами SayIt, но сами модели не обучались ими: это неизменённые конверсии моделей NVIDIA и Alibaba FunAudioLLM и Qwen, переопубликованные из репозитория handy-computer. В состав входят Parakeet, SenseVoice, Nemotron, Fun-ASR Nano и Qwen3-ASR в нескольких вариантах квантования и размерах. Набор предназначен для диктовки, голосового ввода и преобразования речи в текст на потребительском оборудовании через runtime transcribe.cpp. Поддерживаются разные сценарии: Parakeet оптимален для быстрого распознавания английской речи, SenseVoiceSmall требует минимальный объём памяти, Fun-ASR-Nano подходит для китайской диктовки, а Nemotron и Qwen3-ASR предлагают более широкое языковое покрытие. В зависимости от файла доступны английский, китайский, японский, корейский, кантонский и другие языки; для отдельных моделей заявлена поддержка до 30 и более языковых вариантов или 32 локалей. Файлы имеют размер от 253 МБ до 1,52 ГБ, используют квантование Q4_K_M, Q5_K_M или Q8_0 и требуют примерно от 0,35 до 2,6 ГБ оперативной памяти во время работы. Ключевое ограничение — это не единая модель, а набор специализированных вариантов с разной точностью, скоростью, языками и требованиями к памяти; например, Parakeet предназначен только для английского и возвращает пустую строку на китайской речи. GGUF-файлы совместимы с transcribe.cpp и несовместимы с llama.cpp и whisper.cpp. Лицензия указана как mixed-upstream-licenses: условия использования зависят от лицензий исходных моделей и компонентов.

senga-LUK-aligned-stoploss-speecht5 — дообученная модель SpeechT5 для синтеза речи из текста. Она основана на microsoft/speecht5_tts и использует архитектуру SpeechT5ForTextToSpeech; веса опубликованы в формате safetensors. В README приведён результат оценки Loss 0,1300, но не описаны набор данных и условия оценки. Модель предназначена для преобразования текстового ввода в речь. Репозиторий распространяется по лицензии MIT. В карточке нет сведений о поддерживаемых языках, голосах или ограничениях применения.

snorTTS-Indic-v0 — мультиязычная модель синтеза речи, разработанная snorbyte. Она генерирует речь на девяти индийских языках: хинди, тамильском, телугу, маратхи, каннада, малаялам, пенджаби, гуджарати и бенгальском. Модель также поддерживает клонирование голоса, переключение языков в одной фразе и перенос голоса между языками. Модель основана на плотной архитектуре LLaMA 3.2 с 3,3 млрд параметров и принимает текст, а для управления голосом использует идентификаторы дикторов и речевые примеры. Для представления звука применяется кодек SNAC с частотой 24 кГц и тремя кодбуками. Указанное в метаданных контекстное окно — 131 072 токена. Веса доступны в формате Safetensors; лицензия — Apache-2.0. Модель подходит для создания озвучки и многоязычных речевых интерфейсов, а также для экспериментов с клонированием и переносом голоса. Качество и естественность речи могут различаться между языками и дикторами; в README приведены рекомендованные идентификаторы дикторов и настройки скорости лишь для части языков.

mlx-community/Soprano-1.1-80M-bf16 — версия модели Soprano-1.1-80M, подготовленная сообществом mlx-community для запуска через библиотеку mlx-audio. Модель на базе архитектуры Qwen3ForCausalLM содержит 75,5 млн параметров и предназначена для синтеза речи из текста; формат репозитория — safetensors. Модель подходит для преобразования текста в речь в приложениях, использующих MLX. Согласно описанию базовой модели, она ориентирована на быстрое создание выразительной английской речи. Контекст модели — 1024 токена. README указывает на исходную карточку ekwek/Soprano-1.1-80M для подробностей; лицензия и дополнительные языки в предоставленных данных не описаны.

Shinzmann/soro-tts-hau — модель синтеза речи на хауса из системы Soro-TTS для нигерийских языков. Это дообученная версия facebook/mms-tts-hau на подмножестве hau_tts корпуса WAXAL NLP; модель основана на архитектуре VITS и содержит около 83 млн параметров по README. Метаданные указывают 3,5 млн параметров, поэтому размер модели в источниках расходится. Модель преобразует текст на хауса в речь и подходит для озвучивания новостей, повествовательных текстов и других заранее подготовленных материалов. Обучение проводилось на 10,45 часа студийных записей одного диктора; частота дискретизации синтезированного аудио — 16 кГц. Оценка CER по распознаванию синтезированной речи составила 24,51% на 20 примерах; это косвенная оценка разборчивости, а не естественности звучания. Модель наследует голос и акцент диктора из обучающих записей. Разговорная, неформальная и смешанная с другими языками речь может выходить за пределы обучающих данных; отсутствие диакритических знаков тонов может ухудшать интонацию или смысл. Лицензия CC BY-NC 4.0 разрешает использование на условиях указания авторства и запрещает коммерческое применение.

Shinzmann/soro-tts-ibo — модель синтеза речи на игбо из системы Soro-TTS для нигерийских языков. Это дообученная версия facebook/mms-tts-ibo на подмножестве ibo_tts набора WAXAL, собранного в рамках инициативы Google Research. По метаданным модель использует архитектуру VITS, библиотеку Transformers и веса Safetensors; в карточке указано 3,6 млн параметров. README приводит другую оценку размера — около 83 млн параметров, поэтому размер модели в источниках расходится. Синтез выполняется с частотой дискретизации 16 кГц. Модель предназначена для преобразования текста на игбо в речь, например для озвучивания новостей и повествовательных текстов. Обучающие записи студийного качества охватывают 20,58 часа аудио и представлены одним или двумя дикторами на язык. В оценке на 20 примерах CER по распознаванию синтезированной речи составил 44,84%; это прокси-оценка разборчивости, а не естественности звучания. Модель воспроизводит голос и акцент обучающих дикторов. Разговорные, неформальные и смешанные языковые тексты могут отличаться от обучающих данных; для корректной передачи тонов игбо важны диакритические знаки. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Модель Sandiago21/speecht5_finetuned_facebook_voxpopuli_french — дообученная на датасете VoxPopuli версия SpeechT5 от Microsoft для синтеза речи из текста. Она использует архитектуру SpeechT5ForTextToSpeech и распространяется в форматах PyTorch и Safetensors. Карточка приводит значение функции потерь 0,4379 на оценочной выборке, но не описывает методику оценки или качество звучания. Модель предназначена для преобразования текста в речь на французском языке. Она выпущена под лицензией MIT. В README не приведены сведения о голосе, поддержке других языков и практических ограничениях синтеза.

ClementXie/speecht5_finetuned_multilingual_librispeech_italian9h — дообученная модель SpeechT5 от Microsoft для синтеза речи по тексту. Она основана на microsoft/speecht5-tts и обучена на корпусе multilingual_librispeech; в карточке приведено значение loss 0,4342 на оценочной выборке. Модель предназначена для преобразования текста в речь на итальянском языке. Веса доступны в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана. Карточка не описывает голосовые характеристики, качество синтеза и ограничения применения.

Willie999/speecht5_twi_tts — модель синтеза речи из текста на базе SpeechT5, дообученная автором репозитория на неизвестном наборе данных. Архитектура относится к семейству SpeechT5; веса опубликованы в формате safetensors. Модель предназначена для преобразования текста в аудио. В README приведено значение loss 1,8945 на наборе оценки, но описание набора данных и подробности оценки отсутствуют. Репозиторий распространяется по лицензии MIT.

ctaguchi/ssc-kbd-mms-model — модель распознавания речи, дообученная на основе facebook/mms-1b-all. Она построена на архитектуре wav2vec2 и содержит 1,3 млрд параметров; модель принимает аудио и преобразует речь в текст. В README приведены результаты оценки: CER 0,0920 и WER 0,5172, однако набор данных указан как None, поэтому эти оценки не позволяют судить о качестве на конкретном языке или в практических условиях. Модель предназначена для автоматического распознавания речи. Карточка не уточняет языки и сценарии применения дообученной версии. Базовая модель поддерживает более тысячи языков, но это не подтверждает, что данная настройка сохраняет поддержку всех этих языков. Лицензия — CC BY-NC 4.0; коммерческое использование не разрешено условиями этой лицензии.

Step-Audio-R1 — аудиоязыковая модель компании StepFun для понимания и рассуждений по аудио. Она принимает аудиовход и генерирует текстовые ответы с цепочками рассуждений, опирающимися на акустические характеристики, а не только на текстовую расшифровку. Модель предназначена для анализа речи, окружающих звуков и музыки, в том числе для задач, где полезно выделить больше вычислений на этапе вывода. В README описан подход Modality-Grounded Reasoning Distillation (MGRD), который обучает модель связывать рассуждения с аудиосигналом. Для запуска авторы указывают Linux, Python 3.10 или новее, GPU NVIDIA с CUDA и специализированную сборку vLLM; приведённый пример сервера задаёт максимальную длину контекста 16 384 токена. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Размер модели в доступных данных не указан.

Stream-Omni — разработанная Shaolei Zhang, Shoutao Guo, Qingkai Fang, Yan Zhou и Yang Feng сквозная мультимодальная чат-модель семейства StreamOmniLlama с 7,5 млрд параметров. Она принимает текст, изображения и речь, а в ответ генерирует текст и речь; при голосовом взаимодействии также может выдавать промежуточную транскрипцию и текст ответа, пока продолжается обмен аудио. Заявлена поддержка сочетаний мультимодальных входов и сквозное обучение на небольшом объёме мультимодальных данных. Модель предназначена для голосовых ассистентов и диалоговых сценариев, где нужно объединить речь, текст и зрительную информацию, например для общения по изображению с голосовым ответом. В метаданных указаны контекст до 131 072 токенов, формат safetensors и лицензия GPL-3.0. Карточка описывает возможности модели, но не приводит количественных оценок качества или подробных ограничений по отдельным входным форматам и языкам.

TADA-3B-ml — мультиязычная модель синтеза речи от Hume AI, дообученная на Llama 3.2 3B. Она связывает текстовые токены и речевые представления взаимно однозначным выравниванием и генерирует речь авторегрессионно: на каждом шаге модель обрабатывает один текстовый токен и определяет длительность и просодию соответствующего речевого фрагмента. Модель предназначена для синтеза речи по тексту и генерации продолжения речи; поддерживает английский по умолчанию, а также арабский, китайский, немецкий, испанский, французский, итальянский, японский, польский и португальский через языковые выравниватели. Размер модели — 3,2 млрд параметров, базовая архитектура — Llama, формат весов — Safetensors, контекст — до 131 072 токенов. Заявленные особенности — естественная просодия, выравнивание текста и речи и генерация с переменной длительностью речевых фрагментов без фиксированной частоты аудиокадров. Для работы требуется доступ к базовой модели Meta Llama 3.2 и общий с другими чекпойнтами TADA кодек HumeAI/tada-codec. Встроенное распознавание речи в энкодере поддерживает только английский; для промптов на других языках нужно передавать транскрипт, иначе качество выравнивания может снизиться. Лицензия — Llama 3.2.

Карточка модели cveavy/train2 на Hugging Face совпадает с карточкой Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign, поэтому описание составлено по ней. Qwen3-TTS-12Hz-1.7B-VoiceDesign — модель синтеза речи, разработанная командой Qwen. Она принимает текст и инструкции на естественном языке для создания речи с заданными тембром, эмоцией и просодией; вариант VoiceDesign предназначен для гибкого описания желаемого голоса. Модель относится к семейству Qwen3-TTS, использует плотную архитектуру Qwen3TTSForConditionalGeneration и представление речи на основе токенизатора Qwen3-TTS-Tokenizer-12Hz с дискретной многокодовой языковой моделью. Репозиторий содержит веса safetensors; для работы предусмотрена библиотека qwen-tts. Семейство поддерживает китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки, а также голосовые профили с различными диалектами. Для семейства заявлена потоковая генерация с задержкой синтеза от 97 мс. Карточка приводит оценку WER для варианта Base, поэтому она не подтверждает качество именно VoiceDesign. Модель распространяется по лицензии Apache-2.0.

Harveenchadha/vakyansh-wav2vec2-bengali-bnm-200 — модель автоматического распознавания речи, опубликованная пользователем Harveenchadha в рамках проекта Vakyansh, посвящённого speech-to-text для индийских языков. Она предназначена для преобразования аудиозаписей на бенгальском языке в текст и может использоваться через Transformers как pipeline automatic-speech-recognition или напрямую через AutoModelForCTC. Модель основана на архитектуре wav2vec2 и Wav2Vec2ForCTC. Конфигурация указывает 12 transformer-слоёв, 12 attention heads, hidden size 768, intermediate size 3072 и словарь из 65 токенов бенгальского письма. Ожидаемая частота дискретизации аудио — 16 кГц; входная модальность — речь, выходная — текст на бенгальском языке. Размер файла весов составляет около 378 МБ. Название указывает на обучение на объёме около 200 часов, однако подробности датасета и результаты оценки в карточке модели не приведены. Сильная сторона модели — специализированное распознавание бенгальской речи на основе wav2vec2 с готовой интеграцией в экосистему PyTorch и Transformers. Ограничения включают отсутствие подробной model card, опубликованных метрик качества, описания границ применимости и подтверждённой информации о поддержке других языков или модальностей. Лицензия в доступных материалах репозитория не указана, поэтому условия использования следует уточнять перед применением.

VARGPT-v1.1 — мультимодальная модель семейства VARGPT, разработанная командой VARGPT-family. Она объединяет визуальное понимание и генерацию изображений в одной системе: для понимания использует предсказание следующего токена, а для генерации — предсказание следующего масштаба. В README указана конфигурация 7B+2B; метаданные указывают 7,1 млрд параметров, архитектуру VARGPTQwen2VLForConditionalGeneration и контекст 32 768 токенов. Модель предназначена для мультимодального диалога и генерации изображений по текстовому запросу. В карточке приведены отдельные демонстрации понимания мультимодальных входов и преобразования текста в изображение. Репозиторий содержит веса Safetensors и использует Transformers; лицензия — Apache-2.0. README описывает улучшение модели посредством итеративного instruction tuning и обучения с подкреплением, но базовая модель в метаданных не указана.

VieNeu-TTS v3 Turbo — вьетнамско-английская модель синтеза речи, разработанная Phạm Nguyễn Ngọc Bảo и обученная с нуля. Плотная архитектура VieNeuV3TurboForTTS насчитывает 103,8 млн параметров; модель рассчитана на контекст до 1024 токенов и выдаёт речь с частотой 48 кГц. Для запуска доступны веса Safetensors и экспорт ONNX. Модель предназначена для озвучивания текста на вьетнамском и английском языках, включая переключение между ними в одном тексте. Она поддерживает 20 встроенных голосов с региональными вариантами вьетнамского произношения, клонирование голоса по аудиофрагменту, потоковую генерацию и эмоциональные подсказки. В README также описан запуск через Python SDK: на CPU используется ONNX Runtime, а на CUDA — PyTorch. Модель подходит для озвучивания подкастов, диалогов и длинных текстов, а также для потоковой речи с быстрым началом воспроизведения. Для длинной генерации и пакетной обработки может быть полезен GPU; короткие запросы обычно эффективно выполняются на CPU. README отмечает, что параметр style в версии Turbo принимается интерфейсом, но не влияет на результат. Лицензия модели и включённых в репозиторий артефактов — Apache-2.0.

Карточка модели emglab-ai/vocence-emg-1 на Hugging Face совпадает с карточкой Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign, поэтому описание составлено по ней. Qwen3-TTS-12Hz-1.7B-VoiceDesign — модель синтеза речи, разработанная командой Qwen. Она принимает текст и инструкции на естественном языке для создания речи с заданными тембром, эмоцией и просодией; вариант VoiceDesign предназначен для гибкого описания желаемого голоса. Модель относится к семейству Qwen3-TTS, использует плотную архитектуру Qwen3TTSForConditionalGeneration и представление речи на основе токенизатора Qwen3-TTS-Tokenizer-12Hz с дискретной многокодовой языковой моделью. Репозиторий содержит веса safetensors; для работы предусмотрена библиотека qwen-tts. Семейство поддерживает китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки, а также голосовые профили с различными диалектами. Для семейства заявлена потоковая генерация с задержкой синтеза от 97 мс. Карточка приводит оценку WER для варианта Base, поэтому она не подтверждает качество именно VoiceDesign. Модель распространяется по лицензии Apache-2.0.

Карточка модели eadx/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.

VoxCPM2-8bit — 8-битная версия модели VoxCPM2, подготовленная сообществом mlx-community в формате MLX для запуска через mlx-audio на Apple Silicon. Это многоязычная модель синтеза речи с 2 млрд параметров и выходным аудио с частотой 48 кГц. Она поддерживает создание речи по тексту, клонирование голоса по короткому аудиофрагменту и создание голоса по текстовому описанию без образца. Доступны режимы синтеза с нуля, продолжения аудио и работы с голосовым образцом. Квантизированы до 8 бит только слои языковой модели, а VAE и DiT сохранены в полной точности. По данным карточки, вариант занимает 3,23 ГБ и даёт почти двукратный прирост скорости относительно bf16; указанная скорость для Apple Silicon — 0,85x реального времени при семи шагах. Модель заявлена для 30 языков, включая английский, китайский, индонезийский, японский и корейский. Лицензия — Apache 2.0.