I.15Доступность и ассистивные технологии

Карточка модели jamiefutch/gemma-4-26B-A4B-it-MXFP4_MOE-GGUF на Hugging Face совпадает с карточкой noctrex/gemma-4-26B-A4B-it-MXFP4_MOE-GGUF, поэтому описание составлено по ней. Это конверсия Gemma 4 26B A4B IT в формат GGUF с квантованием весов Mixture of Experts в MXFP4. Базовая модель разработана Google DeepMind и предназначена для диалогов с изображениями и текстом; каталог указывает поддержку чата и зрения. Репозиторий предлагает варианты GGUF BF16, F16 и F32, а README также описывает варианты MXFP4 MoE с разными настройками остальных тензоров. Модель подходит для вопросов по изображениям и текстовым диалогам в среде llama.cpp. Для обработки изображений рекомендуется использовать файл mmproj в F32; доступные варианты различаются качеством, скоростью и требованиями к памяти. Для использования нужны llama.cpp и соответствующий файл проектора изображений. Лицензия в предоставленных сведениях не указана.

GPT Audio — аудиомодель OpenAI, представленная как первая общедоступная аудиомодель компании. В описании снимка модели упомянут улучшенный декодер, который делает голоса естественнее и помогает сохранять их постоянство. Модель предназначена для работы с аудио; доступный текст карточки не уточняет конкретные сценарии, архитектуру, размер, языки и длину контекста. Метаданные каталога классифицируют её как модель автоматического распознавания речи, однако README не описывает входы и выходы подробнее. Дата создания репозитория — 19 января 2026 года. Условия лицензирования в предоставленных данных не указаны.

ntxcong/hubert-base-common-voice-vi-demo — модель распознавания речи, дообученная на базе facebook/hubert-base-ls960 на наборе Common Voice 16.1. Она использует архитектуру HuBERT с CTC-декодером и содержит 113,3 млн параметров. Модель предназначена для преобразования речи в текст; в оценке на тестовой выборке указаны loss 0,5121 и WER 0,3678. Модель принимает аудио и выдаёт текст. По названию репозитория она предназначена для распознавания вьетнамской речи, однако README не раскрывает подробности языкового охвата, условий оценки и рекомендуемых сценариев. Распространяется под лицензией Apache-2.0.

Jano-TTS — компактная многоголосая модель синтеза речи, построенная на Flow Matching и архитектуре UNet в стиле Matcha. По данным карточки, она содержит около 24,6 млн параметров, поддерживает 128 голосов и создаёт аудио с частотой 24 кГц с помощью вокодера Vocos. Модель предназначена для преобразования текста в речь на английском языке. Небольшой размер и поддержка множества голосов подходят для приложений, которым нужен быстрый синтез речи с выбором диктора. В репозитории указаны веса safetensors и лицензия Apache-2.0.

Janus — авторегрессионная мультимодальная модель компании DeepSeek для совместного понимания изображений и генерации изображений. Она построена на базе DeepSeek-LLM-1.3b-base и использует единую архитектуру трансформера с отдельными путями визуального кодирования для понимания и генерации. Для понимания изображений применяется визуальный энкодер SigLIP-L, принимающий изображения размером 384 × 384; для генерации используется отдельный токенизатор изображений с коэффициентом уменьшения разрешения 16. Модель предназначена для мультимодальных сценариев, в которых требуется анализировать изображение по текстовому запросу или создавать изображение. Репозиторий использует библиотеку Transformers и содержит веса в формате safetensors. Лицензия — MIT.

KhanhTTS — модель синтеза речи на базе OmniVoice, дообученная автором для озвучивания текста на вьетнамском и английском языках. Она поддерживает клонирование голоса по короткому образцу и рассчитана на более естественное произношение на обоих языках; для работы используется библиотека OmniVoice. Обучение проводилось примерно на 1500 часах вьетнамской и английской аудиозаписи. Модель подходит для озвучивания текстов и создания речи с голосовыми характеристиками предоставленного образца. В репозитории указаны веса Safetensors и лицензия Apache-2.0. Автор рекомендует предварительное тестирование и оценку рисков; клонирование чужого голоса без законного согласия и использование для обмана запрещены.

simonfxr/kokoro.cpp-GGUF — это набор конвертированных GGUF-моделей Kokoro-82M v1.0, разработанный для standalone C/C++ runtime kokoro.cpp на базе GGML. Исходная модель создана Hexgrad и предназначена для синтеза речи из текста. Для генерации требуются файл модели и отдельный файл голоса; в набор входят эталонная версия F16, валидированная версия Q8_0 и все 54 официальных голосовых пакета. Модель поддерживает американский и британский английский, испанский, французский, хинди, итальянский, японский, бразильский португальский и китайский мандаринский язык. Доступны CPU- и GPU-сценарии, включая backend’ы Vulkan, Metal и CUDA при соответствующей сборке kokoro.cpp. Синтез выполняется с частотой 24 кГц в моно, а максимальный вход ограничен 510 фонемными токенами. Размер F16-файла составляет около 156,14 MiB, Q8_0 — около 134,78 MiB; голосовые файлы используют F32 и занимают примерно 510 KiB каждый. Сильными сторонами являются компактность, воспроизводимая конвертация, широкий выбор официальных голосов, поддержка нескольких языков и подтверждённая близость Q8_0 к F16. F16 рекомендуется для максимальной точности. Ограничения связаны с различиями фонемизации через espeak-ng по сравнению с официальным Python-пакетом, неполным покрытием японских кандзи, отсутствием тоновых номеров мандаринского языка в словаре и неодинаковым качеством голосов между языками. Модель распространяется по лицензии Apache-2.0.

LFM2.5-VL-450M — компактная мультимодальная модель Liquid AI, преобразованная сообществом litert-community в формат LiteRT-LM для локального запуска на устройствах. Она предназначена для задач обработки текста и изображений, включая описание изображений, ответы на вопросы о цветах и формах, OCR и простой подсчёт объектов. Модель поддерживает одну фотографию на запрос и работает через LiteRT-LM на CPU, а также на GPU в macOS и Android при использовании подходящей версии runtime. Архитектура включает гибридную текстовую основу LFM2 с 16 слоями, объединяющую gated short-convolutions и grouped-query attention, словарь на 64 тысячи токенов, а также компактную vision-башню SigLIP2 из 12 слоёв со скрытым размером 768. Изображения приводятся к размеру 512×512 и преобразуются в 256 визуальных токенов. Максимальный контекст KV cache составляет 4096 токенов. Доступны варианты квантования int8 и int4; пакет int4 занимает около 0,41 ГБ и показывает лучшие результаты среди представленных конфигураций. Ключевое ограничение стандартной сборки связано с дефектом LiteRT-LM: в версиях 0.16.0 и текущей ветке runtime модели может передаваться только верхняя четверть изображения, из-за чего позиционные вопросы, перечисление и локализация объектов дают неверные ответы без явной ошибки. В репозитории также приведена исправленная сборка int4_fixB, восстанавливающая обработку всей видимой области, но не обеспечивающая полноценное координатное позиционирование. На iOS GPU не поддерживается для этого семейства, поэтому рекомендуется CPU. Распространение осуществляется по лицензии LFM Open License v1.0.

Это дообученная модель Orpheus TTS на базе Llama, разработанная для синтеза речи на испанском языке с риоплатским акцентом. Она создана на основе canopylabs/3b-es_it-ft-research_release и дообучена на датасете ylacombe/google-argentinian-spanish. Модель содержит 3,3 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; заявленная длина контекста — 131 072 токена. Модель предназначена для преобразования текста в выразительную речь, в том числе для потокового синтеза с низкой задержкой. В README также заявлены клонирование голоса без предварительного дообучения и управление эмоциями и интонацией с помощью тегов. Указана поддержка испанского языка, в частности аргентинского варианта. Модель распространяется по лицензии Llama 3.2. README предостерегает от клонирования голоса без согласия, обмана и незаконного или вредоносного использования; характеристики качества и задержки приведены разработчиком и независимо не подтверждены.

MLX Community подготовила восьмибитную конверсию Llama 4 Scout 17B 16E Instruct для запуска через mlx-vlm на Apple Silicon. Это мультимодальная модель Meta семейства Llama 4 для диалога и понимания изображений; она принимает текст и изображения и генерирует текст. Модель поддерживает арабский, немецкий, английский, испанский, французский, хинди, индонезийский, итальянский, португальский, тайский, тагальский и вьетнамский языки, а также интерфейс вызова инструментов. Модель подходит для диалоговых помощников, ответов на вопросы по изображениям и визуального анализа. В README указано, что веса преобразованы в формат MLX из meta-llama/Llama-4-Scout-17B-16E-Instruct с помощью mlx-vlm 0.1.21. Репозиторий использует лицензию «other»; условия следует сверить с карточкой исходной модели Meta.

Llasa-1B — система синтеза речи, разработанная командой HKUSTAudio. Она дообучена на базе meta-llama/Llama-3.2-1B-Instruct и расширяет языковую модель речевыми токенами из кодовой книги XCodec2 на 65 536 токенов. Модель содержит 1,4 млрд параметров и поддерживает контекст до 131 072 токенов. Llasa-1B предназначена для преобразования текста в речь на китайском и английском языках. Речь можно генерировать только по тексту или с использованием речевого промпта, который задаёт голосовой контекст. Для работы требуется XCodec2. Модель обучена на 250 000 часах китайской и английской речи. Она распространяется по лицензии CC BY-NC 4.0, запрещающей коммерческое использование.

Llasa-3B — система синтеза речи, разработанная командой HKUSTAudio на основе дообученной Llama 3.2 3B Instruct. Это плотная авторегрессионная модель семейства Llama с 3,4 млрд параметров, которая генерирует речь, представляя аудио токенами кодовой книги XCodec2 размером 65 536 токенов. На вход подаётся текст; также можно использовать речевой промпт для генерации речи с заданным образцом. Модель обучена на 250 000 часах китайской и англоязычной речи и совместима с экосистемой Llama. В метаданных указан контекст 131 072 токена, однако README не уточняет, как этот предел соотносится с длиной речевого ввода или генерации. Модель ориентирована на синтез речи на китайском и английском языках. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

MeloTTS-French — франкоязычная версия многоязычной системы синтеза речи MeloTTS, разработанной MyShell.ai. Она преобразует входной текст в речь и предназначена для локального использования через библиотеку MeloTTS. В карточке MeloTTS заявлены высокое качество синтеза и скорость, достаточная для работы в реальном времени на CPU. Для конкретной версии French сведения о голосах и дополнительных настройках не приведены. Репозиторий содержит веса PyTorch; лицензия — MIT.

Metis — открытая модель унифицированной генерации речи, разработанная командой Amphion. Она предварительно обучена методом masked generative modeling на 300 тысячах часов разнообразных речевых данных с использованием дискретных SSL-токенов, а также включает акустические токены для восстановления волновой формы. Модель адаптируют дообучением с условиями, соответствующими конкретным задачам. В карточке представлены базовая версия и специализированные варианты для выделения целевого говорящего, преобразования голоса, улучшения речи, генерации речи по движению губ и нескольких речевых задач. Для zero-shot синтеза речи README указывает на совместимую text2semantic-модель MaskGCT. Metis поддерживает мультимодальные входы в зависимости от варианта; опубликованные эксперименты охватывают пять задач генерации речи и сообщают о результатах выше специализированных и многозадачных систем при ограниченных данных и числе обучаемых параметров. Репозиторий использует формат safetensors и лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование.

MGM-Omni-TTS-4B — компонент SpeechLM семейства MGM-Omni, предназначенный для синтеза речи по тексту. В карточке модель описана как часть мультимодального ассистента MGM-Omni; сама эта версия отвечает за генерацию речи. Она основана на Qwen/Qwen3-4B-Instruct-2507 и дообучена. Метаданные указывают архитектуру MGMTTSForCausalLM, 3,7 млрд параметров, библиотеку Transformers и контекст до 262 144 токенов. Модель рассчитана на генерацию длинной связной речи, потоковый синтез и клонирование голоса по короткому образцу примерно в 10 секунд. В описании заявлена поддержка китайского и английского языков. Для полного MGM-Omni также заявлены понимание речи, изображений и видео, но эти входные возможности относятся к мультимодальной системе и не подтверждены для компонента TTS отдельно. Репозиторий содержит файлы safetensors и ONNX. Лицензия — Apache-2.0. Карточка заявляет возможность непрерывной генерации речи длительностью более 10 минут и потоковую выдачу, однако подробные ограничения и независимая оценка именно этого компонента не приведены.

facebook/mms-tts-ell — модель синтеза греческой речи из текста, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она предназначена для озвучивания греческих текстов; отдельный чекпойнт MMS-TTS обучен для каждого языка. Модель использует архитектуру VITS и генерирует речевую аудиоволну непосредственно из текстовой последовательности. В ней сочетаются вариационный автоэнкодер, Transformer-кодировщик текста, нормализующие потоки, HiFi-GAN-подобный декодер и стохастический предсказатель длительности. Чекпойнт содержит 3,6 млн параметров и доступен в форматах PyTorch и Safetensors. Он интегрирован с библиотекой Transformers начиная с версии 4.33. Из-за стохастического предсказателя длительности одинаковый текст может получать разный ритм и звучание; для повторяемого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-qvm — модель синтеза речи на языке кечуа региона Маргос-Яровилька-Лаурикоча, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на этом варианте кечуа. Модель использует архитектуру VITS: это сквозная система синтеза речи с вариационным автоэнкодером, потоковым модулем, предсказателем длительности и декодером HiFi-GAN-подобного типа. Размер модели — 3,5 млн параметров. Для разных языков MMS обучает отдельные контрольные точки; генерация стохастическая, поэтому для повторяемого результата требуется фиксированное начальное значение генератора случайных чисел. Модель доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-xtn — модель синтеза речи на языке Mixtec, Northern Tlaxiaco (xtn), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на этом языке. Модель использует архитектуру VITS — сквозную систему синтеза речи на основе условного вариационного автоэнкодера, flow-модуля и декодера в стиле HiFi-GAN. В модели 3,5 млн параметров; для разных языков проекта обучаются отдельные контрольные точки. Генерация зависит от стохастического предсказателя длительности, поэтому для повторения того же результата требуется фиксированное начальное значение генератора случайных чисел. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Moonshine Base GGUF — квантованные версии модели Useful Sensors, подготовленные проектом handy-computer для работы с transcribe.cpp. Это модель автоматического распознавания речи на базе encoder-decoder Transformer с 61 млн параметров, предназначенная для преобразования английской речи в текст. Модель принимает монофонический PCM-аудиосигнал с частотой 16 кГц напрямую через трёхслойный Conv1d-стем, без использования STFT и mel-признаков. Архитектура включает по 8 слоёв энкодера и декодера, размер скрытого состояния 416 и частичный RoPE с коэффициентом 0,62. Доступны варианты F32, F16 и Q8_0 размером 248, 132 и 77 МБ соответственно. На LibriSpeech test-clean показатель WER составляет 3,28% для F32 и F16 и 3,26% для Q8_0. Модель подходит для локальной транскрибации английской речи на CPU, Metal или Vulkan через transcribe.cpp. Она поддерживает только английский язык и выдаёт текст без временных меток; потоковая обработка, перевод и автоматическое определение языка не поддерживаются. Основные ограничения — узкая языковая специализация и отсутствие timestamps и streaming. Модель распространяется по лицензии MIT, унаследованной от базовой модели UsefulSensors/moonshine-base.

Moonshine tiny — компактная модель автоматического распознавания речи, разработанная Useful Sensors и преобразованная в формат GGUF проектом handy-computer для использования с transcribe.cpp. Модель основана на encoder-decoder Transformer с 27 млн параметров и предназначена для преобразования английской речи в текст. Модель принимает монофонический аудиосигнал в формате 16 кГц PCM напрямую через трёхслойный Conv1d-стем, без использования STFT или mel-признаков. Поддерживается только английский язык; перевод, определение языка и временные метки не поддерживаются. Доступны варианты F32 размером 110 МБ, F16 размером 59 МБ и Q8_0 размером 35 МБ. На тестовой выборке LibriSpeech test-clean показатель WER составляет 4,58% для F32 и F16 и 4,60% для Q8_0. Модель подходит для локальной транскрипции английской речи и сценариев, где важны небольшой размер и работа через transcribe.cpp. Потоковая обработка не поддерживается, а качество может зависеть от акустических условий и отличий аудио от обучающих данных. Распространяется по лицензии MIT, унаследованной от базовой модели UsefulSensors/moonshine-tiny.

moss-nano-ptbr-4voices — дообученная Marcos Remar модель синтеза речи MOSS-TTS-Nano с 100 млн параметров. Она предназначена для генерации речи на бразильском португальском четырьмя голосами: тремя мужскими и одним женским. В режиме клонирования голоса можно передать аудиообразец нужного голоса. Модель основана на OpenMOSS-Team/MOSS-TTS-Nano-100M и доступна в формате PyTorch. В карточке приведены значения WER для четырёх голосов — от 0,03 до 0,10 по оценке Whisper-large-v3. Лицензия — Apache-2.0.

Это конверсия модели синтеза речи MOSS-TTS-Local-Transformer-v1.5 от OpenMOSS (MOSI.AI) для запуска на Apple Silicon через MLX. Модель содержит 4 млрд параметров, использует основу Qwen3 и локальный трансформер, который генерирует 12 RVQ-кодбуков на кадр. Веса bf16 не квантизированы и занимают около 8,5 ГБ; аудиотокенизатор MOSS-Audio-Tokenizer-v2 обеспечивает стереозвук с частотой 48 кГц. Модель предназначена для многоязычного синтеза речи, потоковой генерации и клонирования голоса по короткому аудиопримеру без отдельного дообучения. В метаданных перечислены китайский, английский, японский, корейский, немецкий, французский, испанский, итальянский, русский и португальский языки. Для работы на MLX используется библиотека mlx-audio; лицензия — Apache-2.0. Клонирование голоса зависит от предоставленного эталонного аудио, а генерация ограничена фиксированной глубиной в 12 RVQ-кодбуков. Полноточная конверсия требует около 8,5 ГБ памяти для весов; модель ориентирована на среду MLX и Apple Silicon.

Карточка модели maanka2/MOSS-TTS-Nano-100M на Hugging Face совпадает с карточкой OpenMOSS-Team/MOSS-TTS-Nano-100M, поэтому описание составлено по ней. MOSS-TTS-Nano — компактная мультиязычная модель синтеза речи от MOSI.AI и команды OpenMOSS. Модель содержит 0,1 млрд параметров и использует авторегрессионную связку аудиотокенизатора и LLM; она выдаёт стереозвук с частотой 48 кГц и поддерживает потоковую генерацию с низкой задержкой. Модель предназначена для озвучивания текста в реальном времени, локальных демонстраций и интеграции в лёгкие приложения. Она может работать на четырёхъядерном CPU без GPU, поддерживает клонирование голоса по эталонному аудио и длинные тексты с автоматическим разбиением на фрагменты. Заявлена поддержка 20 языков, включая китайский, английский, русский, японский, корейский, арабский и европейские языки; контекст составляет 32 768 токенов. Для работы с речью используется отдельный MOSS-Audio-Tokenizer-Nano. Модель распространяется по лицензии Apache-2.0. Карточка заявляет возможность потоковой генерации на CPU, однако фактические задержка и качество зависят от оборудования и текста; подробные сравнительные оценки в предоставленных материалах отсутствуют.

my_awesome_asr_mind_model — русскоязычная модель распознавания речи, разработанная как дообучение jonatasgrosman/wav2vec2-large-xlsr-53-russian. Она построена на архитектуре Wav2Vec2 с выходной головой CTC и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; карточка указывает русский язык и библиотеку Transformers. В README приведены результаты оценки: loss 8,6914 и WER 0,9317. Высокий WER указывает на слабое качество распознавания в этой оценке, поэтому перед применением модель следует проверить на целевых аудиоданных. Датасет обучения не раскрыт. Лицензия — Apache-2.0.

Это дообученная NVIDIA Nemotron 3.5 ASR Streaming 0.6B модель для потокового распознавания речи на гаитянском креольском (Kreyòl Ayisyen). Она использует архитектуру FastConformer RNN-T с учётом контекста потоковой обработки и языковым промптом; для выбора языка требуется указать `target_lang="ht-HT"`. Модель рассчитана на преобразование аудио в текст и поддерживает настройку размера контекста для компромисса между задержкой и качеством распознавания. На тесте из 332 записей автор сообщает WER 10,11% при задержке 320 мс и CER 2,83%. Модель не сохраняет многоязычное поведение исходного чекпойнта: промпты для французского и английского также могут выдавать креольский текст. Остаточные ошибки связаны, среди прочего, с границами слов, именами и числами; длинные записи изучены хуже, а часть обучающих транскриптов машинно сгенерирована. Для работы README приводит загрузку через NeMo; поддержка Transformers не заявлена. Лицензия в метаданных указана как `other`, без уточнения условий в предоставленной карточке.

Карточка модели justmeeandy/OmniVoice на Hugging Face совпадает с карточкой k2-fsa/OmniVoice, поэтому описание составлено по ней. OmniVoice — многоязычная модель синтеза речи от команды k2-fsa, дообученная на базе Qwen/Qwen3-0.6B. Она использует архитектуру в стиле диффузионной языковой модели и предназначена для преобразования текста в речь, клонирования голоса по короткому аудиореференсу и создания голоса по заданным атрибутам. Модель заявлена для более чем 600 языков. Она поддерживает управление характеристиками голоса, включая пол, возраст, высоту тона, диалект и акцент, а также генерацию невербальных звуков по маркерам и коррекцию произношения с помощью пиньиня или фонем. В README заявлена скорость генерации до 40 раз выше реального времени. OmniVoice подходит для озвучивания текста, создания голосовых прототипов и генерации речи с заданным звучанием. Клонирование голоса допускается только при наличии соответствующих прав и согласия: разработчики запрещают несанкционированное подражание голосу, мошенничество и незаконное или неэтичное использование. Лицензия в предоставленных материалах не указана.

OmniVoice (MLX) — конверсия многоязычной модели синтеза речи OmniVoice, разработанной k2-fsa, для запуска на компьютерах Apple Silicon с библиотекой MLX. Модель преобразует текст в речь и поддерживает zero-shot клонирование голоса. Вариант по умолчанию использует веса fp32; в коллекции также представлены версии fp32 и bfloat16. Модель предназначена для генерации речи на разных языках и создания озвучки голосом, заданным аудиопримером. Репозиторий содержит преобразованные веса MLX, конфигурацию и токенизатор из официального чекпойнта, а также необходимые компоненты аудиотокенизатора. Размер и длина контекста в предоставленных данных не указаны. Лицензия — Apache-2.0; сведения об upstream-модели и её репозитории остаются авторитетными для использования вне MLX.

Карточка модели meandyou200175/omv5 на Hugging Face совпадает с карточкой kjanh/KhanhTTS-OmniVoice, поэтому описание составлено по ней. KhanhTTS — модель синтеза речи на базе OmniVoice, дообученная автором для озвучивания текста на вьетнамском и английском языках. Она поддерживает клонирование голоса по короткому образцу и рассчитана на более естественное произношение на обоих языках; для работы используется библиотека OmniVoice. Обучение проводилось примерно на 1500 часах вьетнамской и английской аудиозаписи. Модель подходит для озвучивания текстов и создания речи с голосовыми характеристиками предоставленного образца. В репозитории указаны веса Safetensors и лицензия Apache-2.0. Автор рекомендует предварительное тестирование и оценку рисков; клонирование чужого голоса без законного согласия и использование для обмана запрещены.

mlx-community/orpheus-3b-0.1-ft-bf16 — версия модели Orpheus от Canopy Labs, преобразованная сообществом mlx-community из canopylabs/orpheus-3b-0.1-ft в формат MLX с помощью mlx-audio 0.0.3. Это плотная авторегрессионная модель семейства LlamaForCausalLM с 3,3 млрд параметров; она предназначена для синтеза речи по тексту на английском языке. В карточке показан пример генерации MP3 с голосом tara и настройкой температуры. Модель можно использовать для озвучивания текста в приложениях, где выполняется MLX, например для генерации голосовых сообщений или аудиоверсий текстов. Контекстная длина по метаданным — 131 072 токена. Репозиторий распространяется по лицензии Apache-2.0. Это преобразованная копия дообученной модели, а не самостоятельное дообучение MLX Community. Доступная карточка не описывает качество речи, полный набор голосов и языков или ограничения при использовании; поэтому эти свойства нельзя оценить по имеющимся сведениям.

Карточка модели Ojey007/orpheus-3b-tts-multilingual на Hugging Face совпадает с карточкой Sunbird/orpheus-3b-tts-multilingual, поэтому описание составлено по ней. Orpheus-3B Sunbird Multilingual TTS — модель Sunbird AI для синтеза речи из текста. Это дообученная на полном корпусе Sunbird/tts модель unsloth/orpheus-3b-0.1-pretrained с архитектурой Llama и 3,3 млрд параметров. Она генерирует монофоническое аудио с частотой 24 кГц через аудиокодек SNAC; выбор голоса задаётся идентификатором говорящего в запросе, а отдельного переключателя языка нет. Модель охватывает 20 конфигураций языковых данных, включая английский и языки Африки с ограниченными ресурсами: ачоли, африкаанс, эве, фула, хауса, игбо, кикуйю, киньяруанда, лугбара, лингала, луганда, луо, рунянколе, сесото, суахили, атесо, сетсвана, коса и йоруба. Доступность отдельных голосов зависит от языка. Качество различается в зависимости от объёма обучающих данных, поэтому перед применением следует прослушать примеры для нужного языка и голоса. Контекст модели — 131 072 токена. Лицензия — Apache-2.0.