I.15Доступность и ассистивные технологии

Parler-TTS Mini v0.1 — компактная модель синтеза речи проекта Parler-TTS, созданная как воспроизведение исследования о высококачественном синтезе речи с управлением на естественном языке. Модель принимает текст и текстовое описание желаемого звучания: с его помощью можно задавать, например, голосовой пол, темп и высоту речи, фоновый шум и реверберацию. По карточке, обучение проводилось на 10,5 тыс. часов аудио; архитектура — ParlerTTSForConditionalGeneration семейства Parler-TTS. Модель предназначена для генерации естественно звучащей речи с управляемыми характеристиками и для экспериментов с синтезом речи и дообучением собственных вариантов. В метаданных указан английский язык; обучающие наборы также относятся к англоязычной речи. Для использования опубликованы веса в формате safetensors, а библиотекой указана Transformers. Лицензия — Apache-2.0. Карточка не приводит конкретные ограничения качества или параметры контекста.

microsoft/paza-Phi-4-multimodal-instruct — дообученная Microsoft Phi-4-multimodal-instruct модель для автоматического распознавания речи на суахили, календжин, кикуйю, луо, масаи и сомали. Это плотная трансформерная модель на 3,8 млрд параметров с контекстом 4096 токенов; при дообучении обновлялись аудиоэмбеддинги, аудиоэнкодер и проекционные слои, а остальные параметры оставались замороженными. Для обработки используются текстовый токенизатор и извлечение аудиопризнаков. Модель принимает аудиозапись и формирует текстовую транскрипцию. Она рассчитана на разговорную, учебную и вещательную речь; для сохранения качества рекомендована длительность аудио не более 40 секунд. Мультимодальные и текстовые возможности базовой модели сохранены, но в этой работе оценивалось только распознавание речи на шести целевых языках. Модель выпущена для исследовательского использования по лицензии MIT. Не рекомендуется применять её в коммерческих или реальных сценариях без дополнительных испытаний; качество может различаться между языками, а ошибки транскрипции делают рискованным использование в ситуациях с юридическими последствиями или требованиями высокой точности.

Peacock — мультимодальная модель семейства InstructBLIP, разработанная UBC-NLP для работы с изображениями на арабском языке. В качестве языковой модели она использует AraLLaMA; модель предназначена для генерации текстовых описаний изображений и ответов о визуальном содержимом. Репозиторий содержит веса PyTorch, а карточка указывает лицензию «other».

Plapre Nano — модель синтеза речи на датском языке, разработанная syv-ai. Она преобразует датский текст в аудио с частотой дискретизации 24 кГц, поддерживает выбор готового голоса, кондиционирование по голосу и клонирование голоса по эталонной аудиозаписи. Модель предназначена для озвучивания текста, создания голосовых интерфейсов и генерации длинных аудиофрагментов с разбиением текста на предложения. В основе используется архитектура SmolLM2-360M на базе LLaMA с 32 слоями и размером скрытого представления 960. Объём составляет около 334,6 млн параметров основной модели и 123 тыс. параметров проекции говорящего. Модель авторегрессионно предсказывает аудиотокены Kanade с частотой 25 токенов в секунду, после чего они декодируются в звуковую волну. Словарь содержит 20 802 элемента: 8 000 BPE-токенов для текста, 12 800 аудиотокенов и разделители. Для кондиционирования используется 128-мерное представление говорящего; вычисления выполняются в формате bfloat16. Модель обучалась на наборах NST-DA и FTSpeech. Среди её сильных сторон — поддержка нескольких встроенных датских голосов, клонирование голоса и возможность повторно использовать извлечённое представление говорящего. README не содержит данных о показателях качества, производительности, устойчивости к различным стилям речи или ограничениях при работе с текстами, отличными от датского. Модель распространяется по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0).

Мультимодальная модель Qwen2-VL-7B-Instruct-4bit, опубликованная thanhkyanh как дообучение unsloth/qwen2-vl-7b-instruct-unsloth-bnb-4bit. Она предназначена для диалога по изображениям: принимает текстовые запросы и изображения, а в ответ формирует текст. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2-VL и поддерживает контекст до 32 768 токенов. Карточка сообщает, что обучение проводилось с библиотеками Unsloth и Hugging Face TRL; лицензия — Apache-2.0. Метаданные указывают английский язык. Данных о качестве на конкретных наборах изображений или о дополнительных возможностях, помимо чата и работы с изображениями, карточка не приводит.

mlx-community/Qwen3.6-35B-A3B-nvfp4 — это MLX-версия модели Qwen3.6-35B-A3B, преобразованная сообществом mlx-community с использованием mlx-vlm 0.4.4. Модель предназначена для мультимодальных задач, прежде всего для обработки изображений и текста, включая генерацию текстового описания изображения. Формат рассчитан на использование в экосистеме MLX. В карточке указано, что модель имеет размер 35B и конфигурацию A3B, однако подробности архитектуры, поддерживаемые языки, размер контекста и точный набор модальностей не приведены. Ключевое преимущество — адаптация к MLX и возможность запуска через mlx-vlm, что делает модель ориентированной на соответствующую программно-аппаратную экосистему. Ограничения и результаты бенчмарков в README не описаны. Модель распространяется по лицензии Apache-2.0. Для получения полного описания возможностей рекомендуется обращаться к карточке исходной модели Qwen/Qwen3.6-35B-A3B.

Qwen3.8-27B-Kimiko-2 — объединённая плотная мультимодальная модель семейства Qwen, созданная nlpguy с помощью mergekit методом Karcher Mean. В слияние вошли Qwen/Qwen3.8-27B, TeichAI/Qwen3.8-27B-Fable-Distill, beyoru/Kiwen1.1-27B и nlpguy/Qwen3.8-27B-Fimi-4. Модель содержит 27 млрд параметров и рассчитана на диалоги с текстом и изображениями. Модель предназначена для общения и анализа изображений в формате image-text-to-text. Базовая модель также описана как пригодная для анализа видео, программирования и многошаговых задач, однако карточка этой версии не подтверждает отдельно эти возможности. Репозиторий использует Transformers и формат safetensors. Модель опубликована 25 августа 2026 года. Лицензия и ограничения применения в предоставленных данных не описаны; качество и поведение после слияния могут отличаться от входивших в него моделей.

Qwen3-TTS-12Hz-1.7B-Base-4bit — модель синтеза речи, разработанная сообществом mlx-community. Она конвертирована в формат MLX из исходной модели Qwen/Qwen3-TTS-12Hz-1.7B-Base с использованием mlx-audio версии 0.3.0. Модель предназначена для преобразования текста в речь и поддерживает сценарии генерации аудио с возможностью клонирования голоса по референсной аудиозаписи. В README указано, что модель имеет размер 1,7 млрд параметров, использует частоту дискретизации 12 Hz в названии и представлена в 4-битном формате. Конкретные сведения об архитектуре, поддерживаемых языках, модальностях и размере контекста в предоставленных данных отсутствуют. Для работы используется библиотека mlx-audio и формат MLX; модель можно запускать через командную строку или Python API. Лицензия — Apache-2.0. Ограничения, связанные с качеством синтеза, поддерживаемыми языками и безопасностью клонирования голоса, в README не описаны.

Qwen3-VL-4B-Instruct-MLX-6bit — это 6-битная MLX-квантизированная версия мультимодальной модели Qwen3-VL-4B-Instruct, разработанной командой Qwen. Квантизацию выполнила команда LM Studio с использованием mlx_vlm; модель оптимизирована для работы на устройствах с Apple Silicon. Модель предназначена для задач image-text-to-text: обработки изображений и текстовых запросов с генерацией текстовых ответов. Она может использоваться в локальных мультимодальных приложениях, где требуется анализ визуального содержимого и взаимодействие с ним на естественном языке. В README не указаны поддерживаемые языки, размер контекста и подробности архитектуры. Ключевая особенность модели — 6-битное квантование, снижающее требования к ресурсам по сравнению с полной версией и ориентированное на эффективный запуск через MLX на Apple Silicon. При этом квантизация может ограничивать точность по сравнению с исходной моделью, а качество и применимость зависят от конкретной задачи. Модель создана на основе Qwen3-VL-4B-Instruct; LM Studio не является её разработчиком или владельцем и не гарантирует точность или безопасность результатов. Лицензия модели — Apache-2.0.

Qwen3-VL-4B-Instruct-Uncensored-abliterated — мультимодальная модель семейства Qwen3-VL, опубликованная dummy9996. Это доработанная версия Felldude/Qwen3-VL-4B-Instruct-Uncensored, предназначенная для диалогов с изображениями и генерации подписей к ним. Карточка описывает её как «abliterated» вариант: заявлено, что модель не должна отказывать в ответах. Модель принимает текст и изображения и генерирует текст; метаданные также отмечают интерфейс вызова инструментов. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. В карточке нет подробностей о качестве, языковом охвате и длине контекста, поэтому их нельзя оценить по имеющимся данным.

Qwen3-VL-8B-Instruct-abliterated-v2.0 — дообученная мультимодальная модель на архитектуре Qwen3-VL-8B-Instruct, представленная prithivMLmods. Она принимает изображения и текстовые инструкции и формирует текстовые описания и рассуждения по визуальному содержимому. Модель рассчитана на детальное описание обычных, художественных, технических, абстрактных и чувствительных изображений, включая изображения с нестандартными пропорциями и низким контекстом. Модель ориентирована на генерацию развернутых подписей, визуальную интерпретацию и исследовательские сценарии, связанные с анализом контента и проверкой безопасности. Версия abliterated настроена на ответы без обычных ограничений контентных фильтров; основной язык вывода — английский, также заявлена адаптация к другим языкам через инструкции. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0. Модель может выдавать откровенный, чувствительный или оскорбительный текст в зависимости от запроса и изображения. Она не подходит для сценариев, где необходима строгая фильтрация контента; глубина и стиль ответов меняются в зависимости от формулировки запроса и сложности изображения, а качество на синтетических и сильно абстрактных изображениях может быть нестабильным.

DevQuasar-6/Qwen.Qwen2.5-VL-3B-Instruct-GGUF — квантованная версия мультимодальной модели Qwen/Qwen2.5-VL-3B-Instruct, опубликованная DevQuasar. Модель предназначена для задач image-text-to-text: анализа изображений и формирования текстовых ответов по визуальному и текстовому вводу. В основе лежит Qwen2.5-VL с заявленным размером 3B параметров. README подтверждает поддержку обработки изображений и текста, однако не указывает конкретные языки, размер контекстного окна, формат или уровень квантования. Для работы требуется backend из ветки qwen25-vl репозитория HimariO/llama.cpp.qwen2vl с поддержкой Qwen2.5-VL. К сильным сторонам относятся мультимодальность и возможность запуска квантованной версии через совместимый backend, что потенциально снижает требования к ресурсам по сравнению с полной моделью. Ограничения связаны с необходимостью использовать специальный backend и отсутствием в README сведений о точных характеристиках квантования, производительности, лицензии и поддерживаемых языках. Условия лицензирования в предоставленных данных не указаны.

RLAIF-V-12B — мультимодальная большая языковая модель, разработанная OpenBMB на основе OmniLMM из серии MiniCPM-V и дообученная в рамках открытого подхода RLAIF-V с использованием набора RLAIF-V-Dataset. Она предназначена для диалоговой генерации ответов и работы с визуальными и текстовыми входами; авторы сообщают о высокой надёжности ответов в генеративных и дискриминативных задачах, а также о сохранении общих способностей на тестах LLaVA Bench и MMStar. Модель имеет плотную архитектуру OmniLMMForCausalLM, около 7,1 млрд параметров и контекст до 32 768 токенов. Её также можно применять как модель вознаграждения для выбора лучших ответов среди нескольких вариантов. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Подробные инструкции по запуску вынесены авторами в GitHub; заявления о превосходстве над GPT-4V относятся к оценкам авторов.

FishAudio S1-mini — многоязычная модель синтеза речи от Fish Audio, дистиллированная версия FishAudio S1 размером 0,5 млрд параметров. Она преобразует текст в речь на 13 языках: английском, китайском, японском, немецком, французском, испанском, корейском, арабском, русском, нидерландском, итальянском, польском и португальском. Модель поддерживает маркеры эмоций, интонации и голосовых эффектов, например шёпота, смеха и плача. Модель подходит для озвучивания текста и создания речи с заданной эмоциональной окраской и манерой произношения. В приведённой оценке Seed TTS для английского S1-mini показала WER 0,011, CER 0,005 и расстояние между голосами 0,380; это результаты автоматической оценки, а не гарантия качества для всех языков и сценариев. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и не разрешает коммерческое использование.

SARA TTS — синтезатор речи, разработанный Центром исследований и разработок в области ИИ Бакинской высшей школы нефти совместно с PRODATA. Модель создана на основе VITS и дообучена на базе facebook/mms-tts для азербайджанского языка. Она принимает текст и генерирует непрерывную речь; для подготовки обучающих данных команда объединяла пары речи и текста из открытых источников в последовательности по несколько предложений. В карточке указано, что исходная MMS-модель хорошо передавала естественность речи, но чувствительно реагировала на входные токены: интонация могла меняться в зависимости от текста. Репозиторий содержит веса в формате safetensors и насчитывает 3,5 млн параметров. Модель распространяется по лицензии CC BY-SA 4.0.

senga-LUK-20k-l1-speecht5 — дообученная модель семейства SpeechT5 для синтеза речи из текста. Она основана на microsoft/speecht5_tts и реализует задачу text-to-audio; модель загружается через Transformers, веса опубликованы в формате safetensors. Карточка сообщает результат Loss 0,1543 на оценочном наборе, но не описывает набор данных, целевой язык, характеристики генерируемой речи или сценарии применения. Модель распространяется по лицензии MIT.

SenseNova-SI-1.1-BAGEL-7B-MoT — мультимодальная модель SenseNova, дообученная на основе ByteDance-Seed/BAGEL-7B-MoT для развития пространственного интеллекта. Она принимает изображения и текстовые запросы, отвечает на вопросы о пространственных отношениях и сценах, а также сохраняет возможности базовой BAGEL по генерации изображений. Модель построена на архитектуре BAGEL и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для пространственного анализа изображений, мультимодального диалога и задач, где нужно интерпретировать взаимное расположение объектов или свойства сцены. В отчёте SenseNova-SI указаны результаты на пространственных бенчмарках, включая VSI-Bench, MMSI, MindCube, ViewSpatial и SITE; модель также сохраняет сильные способности к общему мультимодальному пониманию. Лицензия — Apache 2.0. README описывает проект как продолжающуюся исследовательскую работу; результаты бенчмарков не гарантируют качество на прикладных данных.

SpaceTimeGPT — модель генерации описаний видео, построенная на архитектуре vision-encoder-decoder. Визуальный энкодер TimeSformer, предварительно обученный на классификации видео Kinetics-600, анализирует восемь кадров, выбранных из входного видео; декодер GPT-2 авторегрессионно формирует описание на естественном языке. Компоненты объединены перекрёстным вниманием и дообучены сквозным образом для создания видеоподписей. Модель предназначена для автоматического описания событий в видео с учётом пространственной и временной информации. В карточке указан набор данных VATEX и английский язык. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не приведена.

Sagicc дообучил SpeechT5 от Microsoft на польской части набора multilingual_librispeech. Модель предназначена для синтеза польской речи по тексту; в карточке указана оценка Loss 0.4168 на тестовой выборке. Архитектура — SpeechT5ForTextToSpeech, веса доступны в форматах PyTorch и Safetensors. Модель лицензирована по MIT. Карточка не описывает голосовые характеристики, настройки генерации и результаты в реальных сценариях, поэтому качество синтеза вне указанной оценки неясно.

Модель arpan-das-astrophysics/speecht5_finetuned_voxpopuli_it — дообученная версия SpeechT5ForTextToSpeech от Microsoft, созданная автором репозитория на датасете facebook/voxpopuli. Она предназначена для синтеза речи из текста; в карточке приведено значение loss 0,4858 на оценочной выборке. Модель использует архитектуру SpeechT5 и сохранена в форматах PyTorch и Safetensors. Базовая модель SpeechT5 также предназначена для преобразования текста в речь. Репозиторий распространяется по лицензии MIT. Карточка не сообщает подробностей о голосе, поддерживаемых языках, настройках генерации и практических ограничениях.

NorskHelsenett разработала SPLADE-v1 — разреженный поисковый энкодер на базе multilingual BERT с архитектурой BertForMaskedLM и 194,6 млн параметров. Модель преобразует норвежский текст в разреженные векторы по словарю: взвешивает исходные термины и добавляет связанные слова, чтобы находить документы, даже когда пользователь формулирует запрос иначе, чем авторы источника. Контекст ограничен 512 токенами; модель работает через sentence-transformers и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для первичного поиска документов и гибридного поиска в материалах о здравоохранении, социальном обеспечении и вспомогательных технологиях на норвежском букмоле. Векторы можно индексировать как взвешенные термины в Elasticsearch или OpenSearch и использовать совместно с плотным поиском и переранжировщиком. Обучение включало дистилляцию от более сильной ранжирующей модели и регуляризацию разреженности; оценка проводилась на норвежских вопросах с размеченными источниками. Модель лучше подходит для поиска на уровне документов и дополнения гибридной системы, чем для самостоятельного ранжирования коротких фрагментов. Она настроена на норвежский букмол и указанные предметные области, поэтому перенос на другие языки и домены может быть слабым; длинные документы следует разбивать на части до 512 токенов.

SPUPER-qwen3.5-9b-quanquer-add-quanter1 — дообученная компанией Hahmdong мультимодальная модель семейства Qwen3.5 для диалога и генерации текстовых ответов по изображениям и текстовым запросам. Она основана на Hahmdong/SPUPER-qwen3.5-9b-quanquer-add; карточка сообщает об обучении с TRL. Модель предназначена для чат-сценариев с текстом и изображениями. Метаданные указывают архитектуру Qwen3_5ForConditionalGeneration, плотную архитектуру и формат весов safetensors; заявлены возможности чата и обработки изображений. В примере README показан текстовый диалог через Transformers, но пример не подтверждает поддержку изображений.

SupertonicTTS-3 CoreML — это экспорт модели синтеза речи Supertone-3 в формате Core ML, подготовленный aufklarer на основе весов Supertone Inc. Модель предназначена для локального синтеза речи из текста на устройствах Apple, включая iOS, с использованием Apple Neural Engine. Она может применяться в мобильных приложениях, офлайн-ассистентах и других сценариях on-device text-to-speech, где важны автономность и отсутствие передачи текста на сервер. Модель состоит из четырёх неавторегрессионных графов flow matching: предиктора длительности, текстового энкодера, оценщика векторов, выполняющего роль ODE-денойзера, и вокодера. Экспорт выполнен через PyTorch и coremltools в формате mlprogram с вычислениями FP32 и поддержкой iOS 18+. Для текстового энкодера и предиктора длительности используется фиксированная длина T=128, а для вокодера и оценщика векторов поддерживается динамическая длина латентного представления. Текст обрабатывается без G2P с помощью таблиц токенизации. README не указывает размер модели, перечень поддерживаемых языков и точные параметры качества. Сильными сторонами являются неавторегрессионная архитектура, локальное выполнение и высокая близость результатов к ONNX Runtime по приведённым метрикам. Для работы требуется хост-логика, выполняющая цикл ODE flow matching; сами Core ML-графы не содержат управляющей логики. FP32-вариант служит эталоном точности, тогда как для эффективного размещения вычислений на Apple Neural Engine рекомендуется смешанный FP16-вариант. Распространение регулируется лицензией OpenRAIL-M; действуют ограничения, включая запрет на несогласованную имитацию голоса и создание дипфейков.

Supertonic-TTS-2-ONNX — модель синтеза речи из текста, опубликованная сообществом onnx-community на основе Supertone/supertonic-2. Она предназначена для преобразования текстовых фрагментов в аудио и может использоваться через Transformers.js или напрямую с ONNXRuntime, в том числе в JavaScript- и Python-приложениях. Модель поддерживает английский, корейский, испанский, португальский и французский языки. Входной текст передаётся с языковыми тегами, а для выбора тембра используются заранее подготовленные speaker embeddings, включая голоса M1 и F1. Архитектура представлена ONNX-компонентами для кодирования текста, итеративного шумоподавления латентных представлений и декодирования голоса; заявленная частота дискретизации — 44,1 кГц, размерность латентного пространства — 24, размерность стиля — 128. Параметры позволяют управлять скоростью речи и числом шагов инференса: большее число шагов обычно повышает качество, но может увеличить вычислительные затраты. Сильными сторонами являются мультиязычность, работа в формате ONNX и возможность запуска в Transformers.js, что подходит для браузерных и локальных приложений. README не содержит данных о размере модели, требованиях к оборудованию, точности, задержке, качестве голосов, поддержке произвольного клонирования голоса или ограничениях длины контекста. Модель распространяется по лицензии OpenRAIL.

Карточка модели GreyWizardInc/tada-3b-ml на Hugging Face совпадает с карточкой HumeAI/tada-3b-ml, поэтому описание составлено по ней. 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.

VieNeu-TTS v2 Turbo — ускоренная версия модели синтеза речи семейства VieNeu-TTS от pnnbao-ump. Она построена на трансформере-декодере Qwen3 с 111,6 млн параметров и использует двухэтапную схему: языковая модель предсказывает дискретные аудиотокены по тексту и данным о голосе, после чего нейрокодек VieNeu-Codec преобразует их в речь с частотой 24 кГц. Модель принимает текст и короткий образец голоса, поддерживает вьетнамский и английский языки, включая смешение языков в одной фразе; длина родного контекста — 4096 токенов. Модель предназначена для низколатентного синтеза речи на GPU, интерактивных помощников и создания аудиоконтента. По заявлению авторов, клонирование голоса работает в zero-shot-режиме по образцу длительностью 3–5 секунд без текста образца; аудиовыход содержит незаметный водяной знак для идентификации происхождения. В метаданных среди обучающих данных указаны VieNeu-TTS-1000h, Vietnamese Audio Corpus, Emilia и Multilingual LibriSpeech. Модель распространяется по лицензии Apache-2.0.

VieNeu-TTS v3 Turbo — модель синтеза речи, разработанная Phạm Nguyễn Ngọc Bảo. Она обучена с нуля примерно на 10 000 часах англо-вьетнамской речи и не является доработкой или дистилляцией существующей TTS-модели. Модель предназначена для преобразования текста в речь на вьетнамском и английском языках, включая плавное переключение между языками, создание подкастов, диалогов и потокового аудио. Ключевые возможности включают синтез с частотой дискретизации 48 кГц, 23 встроенных голоса северного, центрального и южного регионов Вьетнама, клонирование голоса, управление эмоциями с помощью встроенных текстовых маркеров и генерацию в реальном времени. На CPU модель работает через ONNX Runtime без PyTorch, поддерживает режим int8 и может использоваться на macOS; на CUDA GPU применяется движок PyTorch с автоматической и непрерывной пакетной обработкой. Заявлена совместимость с OpenAI API для потоковой передачи аудио, а на одной RTX 3060 поддерживается до 16 одновременных потоков. В архитектуре используются оригинальная модель автора, аудиокодек MOSS-Audio-Tokenizer-Nano с поддержкой 48 кГц и фонемайзер sea-g2p. Сильные стороны модели — высокое качество аудио, широкий выбор вьетнамских голосов, клонирование голоса, эмоциональная выразительность, двуязычный режим и поддержка CPU- и GPU-сценариев. Ограничения включают отсутствие указанных сведений о размере модели и максимальной длине контекста, а также зависимость GPU-режима от совместимого CUDA-окружения. Модель распространяется по лицензии Apache-2.0.

farishehzad/vilt_finetuned_200 — дообученная модель ViLT на основе dandelin/vilt-b32-mlm, опубликованная пользователем farishehzad. Она предназначена для визуальных вопросов и ответов: принимает изображение и текстовый вопрос, затем выдаёт текстовый ответ. Архитектура ViLT объединяет обработку изображений и текста; модель содержит 136,7 млн параметров и имеет контекст до 40 токенов. Репозиторий содержит веса в формате safetensors. Модель подходит для ответов на вопросы о содержимом изображений. Данные обучения указаны как неизвестный набор, поэтому нельзя судить о тематическом охвате и качестве ответов. Лицензия — Apache-2.0.

ViVoxCPM-1.5 — модель синтеза речи из текста, созданная дообучением VoxCPM-1.5. Она предназначена для генерации речи на вьетнамском и английском языках, поддерживает клонирование голоса по короткому образцу и ввод фонем или IPA. Автор сообщает об обучении на примерно 1200 часах вьетнамской и английской аудиозаписи с полным дообучением базовой модели. Модель подходит для озвучивания текста и создания речи с заданным голосом. Базовая VoxCPM-1.5 ориентирована на выразительный синтез и клонирование голоса; карточка ViVoxCPM-1.5 отдельно заявляет о естественном произношении на двух языках и стабильном клонировании по короткому образцу. Модель опубликована в формате safetensors под лицензией Apache-2.0. Автор предупреждает, что модель предназначена для исследований, испытаний и разработки, и не рекомендует коммерческое или производственное применение без тщательной проверки. Клонирование голоса может создавать риск имитации личности; для использования чужого голоса необходимо согласие, а сгенерированное аудио следует обозначать как созданное ИИ.

vorenthos-1.5-thinking — мультимодальная модель класса vision-language, опубликованная vorenthiclabs как экспорт из локальной установки Ollama. Она принимает изображения и текст и предназначена для сценариев, где требуется отвечать на запросы о содержимом изображений. Модель основана на gemma4 и дообучена; архитектура плотная, размер указан как 5,1 млрд параметров. В репозитории размещены квантизированные веса в формате GGUF и шаблон чата, а для запуска рекомендован Ollama. Карточка не описывает отдельные бенчмарки или гарантии качества. Лицензия указана как other, поэтому перед использованием следует проверить условия лицензирования в репозитории.