I.15Доступность и ассистивные технологии

VoxCPM2 GGUF — это конвертированная в формат GGUF версия модели VoxCPM2, разработанной OpenBMB. Она предназначена для синтеза речи из текста (TTS) и работы с CrispASR, включая локальный инференс и генерацию аудио в формате моно PCM с частотой 48 кГц. Модель поддерживает zero-shot клонирование голоса по эталонной аудиозаписи. Архитектура включает TSLM на базе 28-слойного MiniCPM-4, RALM, LocEnc, LocDiT и AudioVAE; общий объём составляет около 2 млрд параметров. Модель напрямую генерирует аудиопатчи посредством диффузионного процесса без дискретных аудиотокенов, использует CFM с classifier-free guidance и поддерживает 30 языков, включая русский, а также 9 китайских диалектов. Доступны варианты F16, Q8_0 и Q4_K: квантованные версии требуют меньше памяти и могут работать быстрее, но Q4_K несколько уступает по качеству F16. Репозиторий содержит только преобразование и квантование исходных весов без дообучения, слияния или изменения архитектуры и возможностей. Численная валидация заявлена для всех основных стадий инференса. Модель распространяется по лицензии Apache 2.0; права на исходную модель принадлежат OpenBMB.

Карточка модели FrankLiuDundun/voxcpm-finetune-lora на Hugging Face совпадает с карточкой openbmb/VoxCPM2, поэтому описание составлено по ней. VoxCPM2 — разработанная OpenBMB многоязычная модель синтеза речи с 2 млрд параметров. Она использует безтокенизаторную диффузионную авторегрессионную архитектуру на основе MiniCPM-4: LocEnc, TSLM, RALM и LocDiT; для аудио применяется AudioVAE V2. Репозиторий содержит веса в формате safetensors, библиотека для работы — voxcpm. Лицензия Apache-2.0 разрешает коммерческое использование. Модель преобразует текст в речь на 30 языках, включая русский, английский и китайский, а также поддерживает перечисленные в карточке китайские диалекты. Она умеет создавать голос по текстовому описанию, клонировать голос по короткому аудиофрагменту с настройкой стиля и продолжать речь с использованием аудио и его расшифровки. Выходное аудио — 48 кГц; модель поддерживает потоковую генерацию и рассчитана на сценарии от озвучивания текста до управляемого синтеза речи. По заявлению карточки, модель показывает конкурентные результаты на бенчмарках синтеза речи и может работать в реальном времени на подходящем оборудовании. Качество зависит от языка и объёма доступных обучающих данных; результаты задания голоса и управления стилем могут различаться между запусками, а очень длинный или эмоционально насыщенный ввод иногда вызывает нестабильность. Карточка запрещает использовать модель для имитации личности, мошенничества и дезинформации и рекомендует маркировать сгенерированный контент.

Это версия Voxtral-4B-TTS-2603, подготовленная сообществом mlx-community для MLX в формате bf16 на основе mistralai/Voxtral-4B-TTS-2603. Модель с плотной архитектурой и 4 млрд параметров предназначена для синтеза речи из текста; файлы занимают около 8 ГБ. Заявленный контекст — 128 000 токенов. Модель предлагает 20 голосовых пресетов на девяти языках: английском, французском, испанском, немецком, итальянском, португальском, нидерландском, арабском и хинди. Её можно применять для озвучивания текста и голосовых агентов. README приводит показатели скорости на Apple Silicon: для bf16 RTF составляет 6,50x на коротких и 6,32x на длинных примерах; качество и применимость этих показателей зависят от оборудования и сценария. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения.

Это модель распознавания речи на эсперанто, созданная автором xekri путём дообучения facebook/wav2vec2-large-xlsr-53 на наборе Mozilla Common Voice 13.0. Она использует архитектуру wav2vec2 с CTC-декодированием и предназначена для преобразования речи в текст. В README приведены результаты оценки: CER 0,0208 и WER 0,0687; модель рассчитана на аудио с частотой дискретизации 16 кГц. Модель подходит для транскрибирования записей на эсперанто, включая материалы Common Voice. В карточке указана лицензия Apache-2.0. В README отмечено, что записи без речи или с сильными искажениями могут вызывать галлюцинации и ошибочные транскрипции; для таких входов автор не нашёл доступного значения уверенности распознавания.

Hyuk разработал Hyuk/wav2vec2-korean-v2 — дообученную модель распознавания речи на архитектуре Wav2Vec2 с декодированием CTC. Модель содержит 404,1 млн параметров и предназначена для преобразования корейской речи в текст. В README приведён результат оценки: loss 0,4514 и WER 0,1679. Модель подходит для транскрибирования корейских аудиозаписей и голосового ввода. Репозиторий содержит веса PyTorch. В README не описаны обучающие данные, условия оценки и ограничения применения; лицензия в доступных сведениях не указана.

SpideyDLK/wav2vec2-large-xls-r-300m-sinhala-low-LR-part1 — модель автоматического распознавания речи на архитектуре Wav2Vec2ForCTC, опубликованная пользователем SpideyDLK на Hugging Face. По названию репозитория она предназначена для распознавания сингальской речи; карточка модели содержит стандартный пример запуска через Transformers, но не описывает обучение, данные или оценку качества. Модель принимает аудио и выдаёт текстовую транскрипцию. В метаданных указано около 402,7 млн параметров и формат Safetensors. Сведения о лицензии, длине контекста и ограничениях качества в доступных источниках отсутствуют.

cstr/wav2vec2-large-xlsr-53-japanese-GGUF — это GGUF-конверсия и набор квантизированных вариантов модели jonatasgrosman/wav2vec2-large-xlsr-53-japanese, подготовленные для использования с CrispASR. Модель предназначена для автоматического распознавания японской речи и транскрибации аудиозаписей. В основе лежит архитектура Wav2Vec2ForCTC с размером скрытого состояния 1024, 16 головами внимания, 24 трансформерными слоями и CTC-словарём из 2341 токена. Поддерживается японский язык и аудиомодальность; текстовый ввод и генерация произвольного текста не заявлены. Доступны варианты F16 размером около 635 МБ, Q8_0 около 365 МБ и Q4_K около 221 МБ, причём Q4_K указан как целевой вариант для автоматической загрузки. Квантизация уменьшает требования к памяти, тогда как F16 и Q8_0 сохраняют более высокую числовую точность. Модель подходит для локального распознавания японской речи через CrispASR, включая транскрибацию аудиофайлов. Ограничения, точность на различных типах аудио, поддерживаемые форматы и требования к аппаратному обеспечению в карточке не указаны. Репозиторий содержит только конверсию формата и квантизацию исходных весов, без обучения, дообучения или изменения архитектуры и словаря. Лицензия Apache-2.0, такая же, как у исходной модели. Разработчиком исходной модели указан jonatasgrosman; данный репозиторий распространяет её преобразованные и квантизированные версии и не заявляет о создании новой модели.

Konstantin-Bogdanoski/wav2vec2-macedonian-base — модель автоматического распознавания речи на архитектуре Wav2Vec2ForCTC, обученная и дообученная на пользовательском наборе данных для македонского языка. Она преобразует аудио с речью в текст и подходит для транскрибации македонской речи в приложениях распознавания речи. Модель содержит 113,3 млн параметров и доступна в форматах PyTorch и Safetensors для использования с библиотекой Transformers. Модель принимает аудио и выдаёт текстовую транскрипцию. В README для подготовки аудио упоминается частота дискретизации 22050 Гц. Указана лицензия MIT, допускающая свободное использование на её условиях. Заявления README о высокой точности не сопровождаются метриками или описанием тестирования; качество на других языках и акустических условиях не установлено.

AndrewMcDowell/wav2vec2-xls-r-1b-japanese-hiragana-katakana — модель распознавания японской речи, созданная дообучением facebook/wav2vec2-xls-r-1b на японской части набора Mozilla Common Voice 8.0. Это плотная модель Wav2Vec2ForCTC с 1,3 млрд параметров, принимающая аудио и выдающая текст; карточка указывает японский язык и библиотеку Transformers с весами PyTorch. Модель предназначена для автоматической транскрипции японской речи. В README приведены результаты на тестовой выборке: WER 1,0132 и CER 0,1609. Указана лицензия Apache-2.0. Оценка WER выше 1 означает существенные ошибки распознавания, поэтому качество следует проверять на данных целевого сценария.

Wav2Vec2-XLS-R-2B — мультиязычная предварительно обученная модель Facebook AI для получения речевых представлений на основе архитектуры wav2vec 2.0. Она содержит 2,8 млрд параметров по метаданным и обучена на 436 тысячах часов неразмеченной речи из нескольких корпусов, включая VoxPopuli, Multilingual LibriSpeech, Common Voice, BABEL и VoxLingua107. Модель рассчитана на аудио с частотой дискретизации 16 кГц и охватывает 128 языков. Модель служит основой для дообучения под распознавание речи, перевод речи и классификацию, включая определение языка и другие задачи анализа аудио. В статье XLS-R сообщается о результатах на задачах распознавания и перевода речи для языков с разным объёмом обучающих данных. Это предварительно обученный чекпойнт, а не готовая система транскрибации: для прикладной задачи требуется дообучение и соответствующая выходная голова. Модель распространяется по лицензии Apache-2.0.

Это акустическая модель распознавания речи на базе wav2vec2 XLS-R, дообученная автором raniczan для корейской и английской речи с переключением языков. Модель использует архитектуру Wav2Vec2ForCTC и выдаёт посимвольные вероятности по компактному алфавиту примерно из 105 корейских джамо и латинских символов; размер по метаданным — 403,1 млн параметров. Модель предназначена для транскрибирования корейской, английской и смешанной корейско-английской речи. Перед декодированием целевой текст нужно разложить на джамо в нормализации NFD, а результат распознавания собрать обратно в NFC. Обучение проводилось на 17,4 часах чистой синтезированной речи; акустический энкодер базовой модели был заморожен, а CTC-голова обучена заново. Модель распространяется по лицензии Apache-2.0. Обучение на синтезированной речи и ограниченный объём данных могут снижать качество на естественной речи и реальных аудиозаписях; требуется согласованная с моделью обработка корейского текста.

Это модель автоматического распознавания речи на основе Wav2Vec2, дообученная авторами репозитория asr-africa на базе facebook/wav2vec2-xls-r-300m на наборе данных FLEURS. Модель предназначена для преобразования аудиоречи на языке фула в текст. Модель содержит около 402,7 млн параметров и использует архитектуру Wav2Vec2ForCTC. В карточке приведены результаты оценки на тестовой выборке: loss 1,1949, WER 0,6460 и CER 0,2359. Для использования доступны веса в формате safetensors; лицензия — Apache-2.0.

poppysmickarlili/whisper-small-cantonese_07-05-2024-2200 — дообученная модель автоматического распознавания речи на базе Whisper Small, разработанная poppysmickarlili. Она обучена на наборе Common Voice 17.0 и предназначена для преобразования кантонской речи в текст. Архитектура — WhisperForConditionalGeneration с 153,1 млн параметров; модель принимает аудио и выдаёт текст. Репозиторий содержит веса в формате safetensors. На оценочной выборке указаны loss 0,3536 и WER 57,3413, что свидетельствует о заметных ошибках распознавания и требует проверки на целевых аудиоданных перед применением. Модель распространяется по лицензии Apache-2.0.

CKSINGH/whisper-small-hi-iiib — дообученная модель семейства Whisper на основе openai/whisper-medium, предназначенная для автоматического распознавания речи и преобразования аудио в текст. В метаданных указано 153,1 млн параметров; модель использует архитектуру WhisperForConditionalGeneration и распространяется в форматах PyTorch и safetensors. Карточка сообщает результаты оценки: loss 0,1203, WER 10,8852 и CER 3,4179. Язык карточки и тег модели указывают на хинди. Лицензия — Apache-2.0. README не уточняет набор данных и сценарии применения, поэтому качество на других наборах записей и устойчивость к различным условиям записи по имеющимся данным оценить нельзя.

qa2code/whisper-small-vi-finetuned — дообученная qa2code модель автоматического распознавания вьетнамской речи на базе openai/whisper-small. Это encoder-decoder архитектура Whisper с 153,1 млн параметров, рассчитанная на обработку аудио и выдачу транскрипции на вьетнамском языке. Модель обучалась на 17 169 аудиозаписях из набора natmin322/18k_vietnamese_voice_augmented_of_VigBigData; в тесте на отложенной выборке этого корпуса она показала WER 31,74% и CER 19,43%, улучшив результаты исходной модели на той же выборке. Модель подходит для транскрибирования вьетнамской речи, особенно аудио, близкого по стилю к обучающему корпусу. Текст выдаётся строчными буквами, без знаков препинания; числа записываются словами. Для публикации или дальнейшего использования текста может понадобиться восстановление регистра и пунктуации. Качество проверялось только на выборке того же корпуса, поэтому для спонтанной речи, региональных акцентов, телефонного аудио и шумных записей оно может быть заметно ниже. Обучение остановили на 3 000 шагах до выхода кривой потерь на плато; модель также наследует склонность Whisper к галлюцинациям на тишине и неречевых звуках, поэтому перед распознаванием рекомендуется обнаружение речевой активности. Лицензия — Apache-2.0.

biodatlab выпустила дообученную версию OpenAI Whisper Large v2 для распознавания тайской речи. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и распространяется в формате PyTorch. Она обучена на тайской части набора Mozilla Common Voice 11.0; в карточке указаны результаты оценки: loss 0,1244 и WER 15,5103. Модель предназначена для автоматической транскрипции аудио на тайском языке. Лицензия Apache-2.0 разрешает использование в соответствии с её условиями.

Whisper-tiny Hinglish (Romanized) — модель распознавания речи, созданная дообучением openai/whisper-tiny. Она преобразует индийскую речь на хинди, английском и Hinglish с переключением языков в естественный текст латиницей, включая чисто хиндиязычную речь. Модель предназначена для диктовки на устройствах и других сценариев транскрибации; README описывает архитектуру Whisper с 4 слоями энкодера и 4 слоями декодера, входное аудио 16 кГц и размер около 39 млн параметров, тогда как метаданные указывают 29,4 млн. Модель обучали на индийской речи с акцентом и переключением между хинди и английским, в том числе на материалах HiACC, MUCS и Common Voice. Её сильные стороны — компактность, скорость на CPU и прямой вывод романизированного текста без отдельного этапа транслитерации. Качество может снижаться на шумной записи, быстрой речи, сильных акцентах, перекрывающихся голосах и специальной лексике; пунктуация и регистр ненадёжны, а качество на длинных записях не проверено. Романизация фонетическая и может иметь разные варианты написания. Лицензия в предоставленных данных не указана.

XORTRON-NXTXPRTXXL — мультимодальная разговорная модель на архитектуре Mistral3, созданная автором репозитория как раскрепощённая версия Mistral Medium 3.5 128B с помощью Heretic v1.3.0. Веса языковой модели изменены методом abliteration, а исходные башня зрения Pixtral и мультимодальный проектор восстановлены из mistralai/Mistral-Medium-3.5-128B. Модель принимает текст и изображения и предназначена для диалога и задач «изображение—текст». Чекпойнт использует архитектуру Mistral3ForConditionalGeneration; тензоры сохранены в FP16 Safetensors. README сообщает о снижении доли отказов с 93 из 100 у исходной версии до 8 из 100, а также приводит KL-дивергенцию 0,0329 относительно исходной модели. Карточка не описывает языки и длину контекста. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

Arabic_TTS — модель синтеза речи, разработанная theBOrganization на архитектуре VibeVoice. Она преобразует арабский текст в речь и поддерживает клонирование голоса без дополнительного обучения по короткому аудиофрагменту-образцу. Для задания голоса входной текст оформляется с идентификатором диктора, например «SPEAKER 1: أهلاً وسهلاً بكم في موقعنا». Модель рассчитана прежде всего на современный литературный арабский язык и поддерживает текст с диакритикой. Выходная речь генерируется с частотой 24 кГц; в README указаны 10 шагов инференса и управление генерацией через CFG и температуру. Репозиторий содержит веса safetensors, лицензия — Apache-2.0.

Bark Small — компактный вариант модели Bark, созданной Suno для преобразования текста в аудио. Модель состоит из трёх трансформерных компонентов: преобразует текст в семантические токены, затем в аудиотокены EnCodec и в итоговое аудио. Версия Small использует компоненты размером 80 млн параметров каждый. Модель предназначена для синтеза реалистичной речи на нескольких языках, а также музыки, фонового шума и простых звуковых эффектов. Она может генерировать невербальные звуки, например смех, вздохи и плач. Карточка перечисляет поддержку английского, немецкого, испанского, французского, хинди, итальянского, японского, корейского, польского, португальского, русского, турецкого и китайского языков. Доступны предварительно обученные веса для запуска через Transformers или оригинальную библиотеку Bark. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование. Модель выпущена для исследовательского использования; её выход не фильтруется, а авторы предупреждают о возможности злоупотреблений, включая имитацию голоса. В карточке не заявлены ограничения по длине текста или аудио и не приводятся отдельные показатели качества для версии Small.

Chatterbox Multilingual MLX v2 fp16 — конверсия ResembleAI/chatterbox в формат MLX, подготовленная theoracleguy с помощью mlx-audio 0.2.10 для запуска на устройствах Apple с поддержкой MLX. Модель преобразует текст в речь; базовая модель также поддерживает клонирование голоса по аудиообразцу. Подходит для локального синтеза речи из текста и сценариев генерации голоса через mlx-audio или совместимые приложения. Для работы требуется S3TokenizerV2; его веса загружаются автоматически. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0.

Cohere Transcribe Arabic — это открытая модель автоматического распознавания речи с архитектурой audio-in, text-out, разработанная Cohere и Cohere Labs. Данная версия представляет собой GGUF-квантизированные сборки базовой модели CohereLabs/cohere-transcribe-arabic-07-2026 для работы с transcribe.cpp. Модель содержит около 2 млрд параметров и предназначена прежде всего для офлайн-транскрибации арабской речи, включая диалекты и смешанную арабско-английскую речь; английский поддерживается как вторичный язык. В основе лежит Conformer-энкодер и Transformer encoder-decoder head с cross-attention и связанными токенными embedding. Модель принимает монофонический WAV с частотой 16 кГц и использует явно заданный языковой флаг арабского или английского языка. Декодирование выполняется авторегрессионно. Доступны варианты BF16, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 1,56 до 4,11 ГБ. На тесте FLEURS Arabic показатель WER составляет 10,95–11,18% в зависимости от квантизации, при этом качество квантизированных вариантов близко к эталонной BF16-версии; на LibriSpeech test-clean для доступных конфигураций указан WER около 1,33–1,34%. Сильные стороны модели — ориентация на арабскую речь, поддержку диалектов и code-switching, офлайн-работу и наличие нескольких вариантов квантизации для выбора между качеством и требованиями к памяти. Ограничения: потоковая обработка, перевод, автоматическое определение языка и временные метки не поддерживаются. Для работы требуется transcribe.cpp, а аудио должно быть предварительно приведено к формату 16 кГц mono WAV. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

Cosmos-Reason2-2B-W4A16-Edge2 — оптимизированная Embedl версия мультимодальной модели NVIDIA Cosmos-Reason2-2B. Она принимает текст и изображения или видео и генерирует текст; предназначена для рассуждений по визуальным данным, диалогового взаимодействия, видеоаналитики и планирования, в том числе на периферийных устройствах NVIDIA, таких как Jetson Orin Nano Super. Веса квантованы до INT4, активации и отдельные чувствительные слои сохранены в FP16. По заявлению README, смешанная точность почти не снижает точность и сохраняет двукратное ускорение; для некоторых периферийных конфигураций могут потребоваться пропатченная сборка vLLM и оптимизации Embedl. Лицензия указана как Apache 2.0, при этом оптимизированные компоненты распространяются по Embedl Models Community Licence v1.0 без права перераспространения.

cstr/cosyvoice3-0.5b-2512-GGUF — GGUF-конверсия модели Fun-CosyVoice3-0.5B-2512, разработанной командой Alibaba FunAudioLLM. Это потоковая многоязычная система синтеза речи (TTS) с поддержкой zero-shot клонирования голоса, предназначенная для генерации речи из текста и работы через CrispASR с backend cosyvoice3-tts. Модель поддерживает китайский, английский, японский, корейский, кантонский, французский, немецкий, испанский, португальский, итальянский и русский языки, а также 18 китайских диалектов. Архитектура представляет собой трёхэтапный конвейер: языковая модель CosyVoice3LM на базе Qwen2-0.5B с авторегрессионной головой речевых токенов, потоковый Flow-модуль на базе DiT и CausalConditionalCFM, а также вокодер CausalHiFTGenerator на основе HiFi-GAN, NSF и iSTFT. Выходной сигнал — монофонический PCM с частотой 24 кГц. Доступны варианты GGUF с точностью F16, а также квантованные версии Q4_K и Q8_0. Минимальная рабочая конфигурация из LLM Q4_K, Flow Q8_0, HiFT F16 и банка голосов занимает около 745 МБ; эталонная конфигурация F16 — около 1,96 ГБ. В комплект входят предзаписанные многоязычные голоса и отдельные компоненты для клонирования по произвольному WAV-файлу. Квантование Q4_K сохраняет содержание речи, но может вызывать небольшие изменения пунктуационной интонации. Модель распространяется по лицензии Apache-2.0. Для клонирования голоса и использования аудиоматериалов необходимо иметь соответствующие права; это особенно важно при работе с пользовательскими голосовыми образцами.

CosyVoice3-0.5B-MLX-bf16 — конвертированная в формат MLX версия модели синтеза речи CosyVoice 3 от FunAudioLLM, опубликованная aufklarer. Это плотная многоязычная модель размером около 0,5 млрд параметров с компонентами Qwen2.5-0.5B, DiT Flow Matching и вокодером HiFi-GAN. Веса LLM и DiT хранятся в bf16 без квантизации; комплект рассчитан на запуск на Apple Silicon через MLX. Модель преобразует текст в речь на китайском, английском, японском, корейском, немецком, испанском, французском, итальянском и русском языках. Она поддерживает синтез с образцом голоса, включая zero-shot клонирование голоса по референсной аудиозаписи и её текстовой расшифровке. По сравнению с квантизированными вариантами bf16 сохраняет точность вычислений, но требует больше памяти и места на диске; заявленный размер комплекта — около 2,1 ГБ. Лицензия — Apache-2.0.

CSM 1B — модель генерации речи от Sesame. Она принимает текст и аудиоконтекст и генерирует речь, представляя результат как аудиокоды Mimi; архитектура включает основу Llama и небольшой аудиодекодер. Репозиторий содержит веса в формате safetensors и поддерживает запуск через Transformers. Модель предназначена для синтеза речи из текста, в том числе с учётом аудиоконтекста. Базовая версия способна создавать разные голоса, но не настроена на конкретный голос. Основной поддерживаемый язык — английский; способность генерировать речь на других языках ограничена и, по заявлению авторов, может работать плохо. Для генерации текста модель не предназначена — её можно сочетать с отдельной языковой моделью. Лицензия — Apache-2.0. Авторы запрещают использовать модель для имитации реальных людей без согласия, обмана и незаконной или вредоносной деятельности.

dots.tts-soar — модель синтеза речи от dots-studio, представляющая собой дообученную версию dots.tts-base с этапом Self-corrective Alignment. Это авторегрессионная система на 2 млрд параметров, которая напрямую обрабатывает текст в BPE-токенах и генерирует непрерывные аудиолатенты с помощью flow-matching-головы, затем декодируемые в монозвук с частотой 48 кГц. В архитектуре используются семантический энкодер, LLM на базе Qwen2.5-1.5B-Base и CAM++ speaker x-vector для сохранения характеристик голоса. Модель предназначена для многоязычного синтеза речи и клонирования голоса по образцу, в том числе в производственных сценариях с авторизованным использованием. SCA улучшает соответствие текста и тембра, а в карточке заявлены высокие результаты сходства голосов на приведённых бенчмарках. Поддерживаются zero-shot-сценарии без отдельного дообучения под голос. На малоресурсных и отличающихся письменностью языках, включая арабский, хинди, турецкий и вьетнамский, точность распознавания текста в речи ниже, чем для более обеспеченных данными языков. Модель не предназначена для пения или совместной генерации речи и звуковых эффектов. Высокая реалистичность клонирования голоса создаёт риск злоупотреблений; README рекомендует использовать только авторизованные образцы и помечать синтетическое аудио. Лицензия — Apache-2.0.

Locutusque/Esmeralda-Gemma4-26B-A4B — дообученная Locutusque модель семейства Gemma 4 на базе unsloth/gemma-4-26b-a4b-it. Она предназначена для диалогов с текстом и изображениями: принимает текстовые запросы и изображения, а отвечает текстом. В карточке указано, что модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель представлена в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает конкретную специализацию или результаты оценки качества, поэтому модель можно характеризовать как универсальную мультимодальную диалоговую модель; отдельные преимущества и ограничения сверх доступных сведений определить нельзя.

mlx-community/fish-audio-s2-pro-bf16 — конвертированная в формат MLX версия Fish Audio S2 Pro, подготовленная сообществом mlx-community на основе fishaudio/s2-pro. Это модель синтеза речи с архитектурой Dual-Autoregressive и 5 млрд параметров: медленный авторегрессионный блок отвечает за основное семантическое представление, а быстрый — за остаточные кодовые книги. Модель рассчитана на генерацию речи из текста на множестве языков; в карточке выделены английский, японский и китайский как языки с полной поддержкой, а русский, корейский, испанский, португальский, арабский, французский и немецкий — с сильной поддержкой. Модель поддерживает управление просодией и эмоциями с помощью встроенных текстовых тегов, например для шёпота, пауз, ударения, смеха, пения или изменения высоты голоса. Это позволяет настраивать манеру произношения внутри текста и использовать синтез для озвучивания, выразительной речи и клонирования голоса. Веса представлены в формате safetensors для MLX; README указывает конверсию с помощью mlx-audio 0.4.0. Лицензия обозначена как other, поэтому перед использованием следует проверить условия исходной карточки модели.

Fun-CosyVoice3-0.5B-2512-4bit — многоязычная модель синтеза речи из семейства CosyVoice3, опубликованная mlx-community и преобразованная из FunAudioLLM/Fun-CosyVoice3-0.5B-2512 в формат MLX. Для Qwen2 LLM-блока применена 4-битная квантизация, уменьшающая потребление памяти при сохранении качества. Репозиторий использует библиотеку mlx-audio-plus и формат safetensors. Модель предназначена для синтеза речи по тексту, в том числе с голосовым образцом: поддерживаются zero-shot и межъязыковой режимы, а также управление стилем с помощью инструкции, например просьбы говорить медленнее. По метаданным карточки поддерживаются китайский, английский, японский, корейский, немецкий, французский, русский, итальянский и испанский языки. Для работы с голосовым образцом могут передаваться аудио и, в соответствующих режимах, его текстовая расшифровка. Квантизация снижает требования к памяти; README не приводит конкретных оценок качества или ограничений. Модель распространяется в преобразованном формате MLX; сведения о лицензии в предоставленных данных отсутствуют.