I.15Доступность и ассистивные технологии

vorenthos-glare-2 — мультимодальная vision-language модель, экспортированная из локальной установки Ollama и опубликованная vorenthiclabs. Она принимает изображения и текст и предназначена для диалогового взаимодействия с визуальными данными, например для ответов на вопросы об изображении и его описания. Модель имеет плотную архитектуру примерно на 8,2 млрд параметров и распространяется в формате GGUF с квантизированными весами; для запуска предлагается Ollama. В карточке указана лицензия other, поэтому конкретные условия использования по ней определить нельзя. README не сообщает поддерживаемые языки, длину контекста или конкретные результаты оценки качества.

Карточка модели ryen-stuff/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.

Карточка модели zinooko/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-bf16 — конвертированная для MLX версия многоязычной модели синтеза речи VoxCPM2 от OpenBMB. Модель содержит около 2 млрд параметров и выдаёт аудио с частотой дискретизации 48 кГц. Репозиторий использует веса BFloat16 и формат safetensors; запуск предусмотрен через библиотеку mlx-audio на Apple Silicon. Модель преобразует текст в речь, клонирует голос по короткому аудиофрагменту и создаёт голос по текстовому описанию без эталонной записи. Поддерживает 30 языков, включая английский, китайский, индонезийский, японский и корейский, и четыре режима генерации: zero-shot, продолжение, клонирование по образцу и комбинированный режим. Лицензия — Apache 2.0. Полная версия BFloat16 занимает около 4,96 ГБ; README сообщает о real-time factor 0,48 для этой конфигурации на Apple Silicon. Качество голоса зависит от входного текста и аудиообразца; для генерации и клонирования требуются совместимые инструменты mlx-audio. Модель ориентирована на синтез речи, поэтому её выход — аудио, а не текст.

VyvoTTS-LFM2-Jenny — модель синтеза речи, разработанная на базе LiquidAI/LFM2-350M и дообученная для генерации естественно звучащей речи на английском языке. Она предназначена для преобразования текста в речь; в README приведён пример использования с Unsloth и SNAC. Модель построена на плотной архитектуре LFM2 с классом Lfm2ForCausalLM. Метаданные указывают 472,8 млн параметров, контекстное окно 128 000 токенов и формат весов Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

arbml/wav2vec2-large-xlsr-53-arabic-egyptian — модель распознавания речи на основе Wav2Vec2-Large-XLSR-53, дообученная для арабского египетского варианта. Карточка README противоречиво называет её Tamil, тогда как идентификатор модели указывает на арабский египетский; поэтому язык назначения нельзя установить уверенно. В метаданных указаны архитектура Wav2Vec2ForCTC, 402,7 млн параметров и обучение на Common Voice. Модель принимает речь в аудио с частотой дискретизации 16 кГц и преобразует её в текст. Для распознавания можно использовать без языковой модели. Репозиторий содержит веса PyTorch и Flax, задача Hugging Face — automatic-speech-recognition. Лицензия — Apache-2.0. README не содержит пригодного результата оценки качества.

Это модель автоматического распознавания речи на тайском языке, разработанная Wannaphong и обученная дообучением wav2vec2-large-xlsr-53 на данных Common Voice V8 с добавлением данных Common Voice V7. Модель использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров; распознанные слова предварительно токенизировались по алгоритму newmm из PyThaiNLP. Модель предназначена для преобразования тайской речи в текст, например для транскрибирования записей и оценки систем распознавания речи. В тестах на наборах Common Voice V8 и V7 автор приводит показатели WER и CER; результаты зависят от тестового набора и способа токенизации текста. Доступны веса PyTorch и safetensors. Лицензия — Apache-2.0.

cahya/wav2vec2-large-xlsr-javanese — модель автоматического распознавания яванской речи, дообученная на базе facebook/wav2vec2-large-xlsr-53 на высококачественных данных синтеза речи на яванском языке из OpenSLR. Она принимает аудио, дискретизированное с частотой 16 кГц, и преобразует речь в текст; архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. В карточке приведён результат тестирования 17,61 %, но метрика не уточнена. Модель распространяется по лицензии Apache-2.0.

DrishtiSharma/wav2vec2-xls-r-myv-a1 — модель распознавания речи, дообученная на основе facebook/wav2vec2-xls-r-300m на наборе Mozilla Common Voice 8.0 для языка эрзя (myv). Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; её можно применять для транскрибации записей на эрзянском языке. В карточке приведены результаты оценки на тестовом наборе Common Voice 8.0: WER 0,6524 и loss 1,0356. Модель распространяется по лицензии Apache-2.0. Высокое значение WER указывает на существенные ошибки распознавания, поэтому качество транскрипций может требовать проверки и исправления.

whisper-medium-myanmar — модель распознавания речи на основе Whisper medium от OpenAI, дообученная автором репозитория на наборе chuuhtetnaing/myanmar-speech-dataset-openslr-80. Она преобразует аудиозаписи на бирманском языке в текст и предназначена для автоматической транскрипции речи. Модель построена на архитектуре Whisper и содержит 455,8 млн параметров. В метаданных указан формат safetensors и библиотека Transformers. На оценочном наборе автор сообщает loss 0,2282 и WER 49,4657; это указывает на заметные ошибки распознавания, поэтому качество следует проверять на целевых аудиозаписях. Лицензия — Apache-2.0.

Zonos-v0.1-hybrid — открытая модель синтеза речи от Zyphra на гибридной трансформерной архитектуре. Она преобразует текст в естественную речь и поддерживает генерацию с заданным голосом по speaker embedding или короткому аудиофрагменту, включая клонирование голоса по записи длительностью несколько секунд. Модель обучена на более чем 200 тысячах часов многоязычной речи и поддерживает английский, японский, китайский, французский и немецкий языки. Можно управлять темпом, высотой тона, качеством и эмоциональной окраской речи; также принимается аудиопрефикс для более точного сходства с образцом или воспроизведения особенностей вроде шёпота. Речь генерируется с частотой 44 кГц. Для работы требуются Linux и совместимый графический процессор NVIDIA; в карточке рекомендованы видеокарты серии RTX 3000 или новее с объёмом видеопамяти от 6 ГБ. Модель распространяется по лицензии Apache-2.0. Заявленная скорость около двухкратного реального времени относится к RTX 4090; перенос сходства голоса и качества на другие условия может отличаться.

Модель GiftMark/akan-whisper-model разработана Марком Атта Менсахом и представляет собой дообученную версию OpenAI Whisper Small с архитектурой WhisperForConditionalGeneration и 153,1 млн параметров. Она предназначена для автоматического распознавания речи на языке акан, включая твийский вариант, и преобразования аудио в текст. Модель можно использовать в сервисах транскрибации, голосовых помощниках и приложениях, которым нужна поддержка акан; её также можно дополнительно адаптировать под конкретную область. Модель дообучена на аудиозаписях акан с соответствующими транскрипциями из набора Lagyamfi/akan_audio_processed и распространяется в формате safetensors через Transformers. Лицензия в предоставленных данных не указана. Качество может снижаться на акцентах, диалектах и языковых вариантах, недостаточно представленных в обучающем наборе; модель не предназначена для распознавания других языков без дополнительного дообучения.

Anka TTS v0.1, krmkayabasi tarafından geliştirilen Türkçe konuşma sentezi modeli; metinden konuşma üretir ve referans ses kaydı ile dökümünü koşul olarak kullanarak sıfır örnekli ses klonlama yapar. Model yaklaşık 336 milyon parametreye sahiptir ve F5-TTS mimarisini, DiT ile flow matching yaklaşımını kullanır. Модель рассчитана на синтез турецкой речи, создание речи голосом по референсной записи и обработку длинных текстов с разбиением по границам предложений. Перед синтезом текст нормализуется, включая числа, даты и сокращения. В описанном тесте на 495 турецких предложениях модель показала WER 1,73% при скорости 1,0; эта метрика отражает разборчивость речи распознавателем и не измеряет естественность звучания или сходство клонированного голоса. Для использования весов применяется формат safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель предназначена для турецкого языка; результаты бенчмарка зависят от настроек и использованного референсного аудио.

Audio8-TTS-Preview-0.6b-bf16 — конверсия модели Audio8/Audio8-TTS-Preview-0.6b для Apple Silicon в формате MLX. Это многоязычная модель синтеза речи с 0,6 млрд параметров на архитектуре arktts: DualAR-трансформер использует 24 слоя для предсказания семантических токенов и 4 слоя для генерации кодов аудиокодека. В комплект входит нейронный кодек с частотой дискретизации 44,1 кГц. Модель предназначена для преобразования текста в речь и клонирования голоса по образцу аудио в режиме zero-shot. Поддерживаются кантонский и китайский, нидерландский, английский, французский, немецкий, итальянский, японский, корейский, польский и испанский языки. Для запуска требуется mlx-audio версии 0.4.7 или новее; веса модели представлены в bf16, а веса кодека — в fp32. README сообщает о проверке численного соответствия PyTorch-версии на CPU, включая точное совпадение токенов при жадной генерации на проверочной фразе. Это не гарантирует такого же качества или производительности на других данных и конфигурациях. Модель опубликована под лицензией Apache-2.0.

AudioSep-hive — модель универсального разделения звуков по запросу, разработанная Shanda AI Research Tokyo и обученная на наборе данных ShandaAI/Hive. Она отделяет заданный звук от сложной аудиосмеси по текстовому описанию или аудиозапросу; текстовые запросы поддерживаются на английском языке. Модель представлена в исследовательской работе о семантически согласованном наборе данных для разделения звука с эффективным использованием данных. По заявлению разработчиков, обучение использовало 2 442 часа исходного аудио и 19,6 млн смесей — около 0,2% объёма данных, применяемого в сопоставимых подходах. Модель нацелена на конкурентное качество разделения и восприятия звука; в репозитории представлены веса PyTorch. Лицензия — Apache 2.0.

Карточка модели nguyenvulebinh/AV-HuBERT на Hugging Face совпадает с карточкой nguyenvulebinh/AV-HuBERT-MuAViC-en, поэтому описание составлено по ней. nguyenvulebinh/AV-HuBERT-MuAViC-en — реализация AV-HuBERT, разработанная на основе модели Audio-Visual Hidden Unit BERT и обученная на корпусе MuAViC. Это плотная модель с 403,7 млн параметров для распознавания речи по аудио и видео; сочетание модальностей предназначено для повышения устойчивости распознавания, особенно в шумных условиях. Репозиторий также содержит сценарии инференса и предварительной обработки аудио и видеокадров. Модель предназначена для аудиовизуального распознавания речи на английском языке. Весы опубликованы в формате safetensors и используются через Transformers. README указывает, что модель дообучена на MuAViC; отдельная лицензия в предоставленных данных не указана.

nguyenvulebinh/AV-HuBERT-MuAViC-en — реализация AV-HuBERT, разработанная на основе модели Audio-Visual Hidden Unit BERT и обученная на корпусе MuAViC. Это плотная модель с 403,7 млн параметров для распознавания речи по аудио и видео; сочетание модальностей предназначено для повышения устойчивости распознавания, особенно в шумных условиях. Репозиторий также содержит сценарии инференса и предварительной обработки аудио и видеокадров. Модель предназначена для аудиовизуального распознавания речи на английском языке. Весы опубликованы в формате safetensors и используются через Transformers. README указывает, что модель дообучена на MuAViC; отдельная лицензия в предоставленных данных не указана.

Карточка модели nguyenvulebinh/AV-HuBERT-MuAViC-multilingual на Hugging Face совпадает с карточкой nguyenvulebinh/AV-HuBERT-MuAViC-en, поэтому описание составлено по ней. nguyenvulebinh/AV-HuBERT-MuAViC-en — реализация AV-HuBERT, разработанная на основе модели Audio-Visual Hidden Unit BERT и обученная на корпусе MuAViC. Это плотная модель с 403,7 млн параметров для распознавания речи по аудио и видео; сочетание модальностей предназначено для повышения устойчивости распознавания, особенно в шумных условиях. Репозиторий также содержит сценарии инференса и предварительной обработки аудио и видеокадров. Модель предназначена для аудиовизуального распознавания речи на английском языке. Весы опубликованы в формате safetensors и используются через Transformers. README указывает, что модель дообучена на MuAViC; отдельная лицензия в предоставленных данных не указана.

Карточка модели nguyenvulebinh/AV-HuBERT-MuAViC-ru на Hugging Face совпадает с карточкой nguyenvulebinh/AV-HuBERT-MuAViC-en, поэтому описание составлено по ней. nguyenvulebinh/AV-HuBERT-MuAViC-en — реализация AV-HuBERT, разработанная на основе модели Audio-Visual Hidden Unit BERT и обученная на корпусе MuAViC. Это плотная модель с 403,7 млн параметров для распознавания речи по аудио и видео; сочетание модальностей предназначено для повышения устойчивости распознавания, особенно в шумных условиях. Репозиторий также содержит сценарии инференса и предварительной обработки аудио и видеокадров. Модель предназначена для аудиовизуального распознавания речи на английском языке. Весы опубликованы в формате safetensors и используются через Transformers. README указывает, что модель дообучена на MuAViC; отдельная лицензия в предоставленных данных не указана.

AVSRCocktail — система аудиовизуального распознавания речи для многоголосых и шумных сцен, представленная как официальная реализация работы «Cocktail-Party Audio-Visual Speech Recognition» для Interspeech 2025. Модель сочетает анализ аудио и чтение по губам, чтобы распознавать речь при фоновых помехах и одновременной речи нескольких людей. Модель использует энкодер AV-HuBERT Large и Transformer-декодер с совместным обучением CTC и attention. Видеокадры области рта имеют размер 96 × 96, аудио подаётся с частотой 16 кГц; SentencePiece-токенизатор содержит 5000 единиц. Всего в модели около 403,7 млн параметров. README описывает оценку на LRS2 и AVCocktail, включая тесты с разным уровнем шума и числом помех; модель выдаёт распознанный текст. Указанный язык — английский. Для использования приведены скрипты оценки и обучения, а также поиск по лучу с размером по умолчанию 3. Ограничения: README не приводит численные результаты WER, поэтому качество в конкретных условиях по этой карточке оценить нельзя; заявленная область — англоязычная речь. Лицензия в предоставленных данных не указана.

Модель computeram/badini-w2v-bert — акустическая модель автоматического распознавания речи на бадинском курдском, разновидности курманджи, записываемой арабским письмом. Она разработана на основе facebook/w2v-bert-2.0 и дообучена с CTC-головой для транскрибирования речи. Модель принимает монофоническое аудио с частотой дискретизации 16 кГц и выдаёт текстовую последовательность после CTC-декодирования. Она содержит около 402,7 млн параметров и предназначена для распознавания речи на малоресурсном языке. Репозиторий включает только акустическую модель: восстановление пунктуации, преобразование чисел в слова, нормализация символов и исправление вариантов слов выполняются отдельным последующим конвейером. Для получения нормализованных транскриптов требуется такая постобработка. Лицензия — MIT.

Bonsai-27b-Ternary-JANG — преобразованная модель JANGQ-AI на основе prism-ml/Ternary-Bonsai-27B-unpacked. Это плотная мультимодальная модель Qwen3.5 с архитектурой условной генерации и 27 млрд параметров, предназначенная для диалога и обработки изображений; карточка также содержит видеообработчик и шаблон чата с поддержкой инструментов. Текстовые матрицы хранятся в тернарном аффинном формате JANG с 2-битными слотами и размером группы 128, а 83 линейных слоя зрения — в 4-битном формате; часть тензоров оставлена в float16. Модель рассчитана на запуск в vMLX, включая сценарии визуальных вопросов и ответов, многошагового диалога и вызова инструментов. В README приведены результаты проверок текстового ответа и удержания контекста в многоходовом диалоге. Для работы нужна сборка vMLX с поддержкой дискретного JANG-affine хранения и смешанной точности для зрения; стандартный mlx_lm этот формат не поддерживает. Лицензия — Apache-2.0.

Breeze-TTS-2-comfyui — конвертированная сборка модели Breeze TTS 2, подготовленная для набора узлов ComfyUI-Breeze-TTS-2. В репозитории есть исходный чекпойнт bf16, объединённый из двух частей, а также варианты с INT8-квантизацией ConvRot; рекомендуемая гибридная сборка сохраняет декодер глубины в bf16. Модель содержит 1,4 млрд параметров, использует архитектуру BreezeForConditionalGeneration и контекст до 2048 токенов. Модель предназначена для синтеза речи по тексту на английском и китайском языках, а базовая Breeze TTS 2 также поддерживает клонирование голоса и управление его подачей. Гибридная INT8-сборка ориентирована на запуск через ComfyUI и, согласно README, на RTX 5090 обеспечивает скорость на уровне bf16 при снижении пикового потребления видеопамяти на 27%. Полная INT8-квантизация экономит больше памяти, но работает медленнее из-за накладных расходов при вызовах декодера. В README указано, что все сборки дают сходное с исходной bf16 качество по WER, однако при клонировании голоса возможны отдельные ошибки распознавания, а скорость и потребление памяти зависят от сборки и оборудования. Лицензия обозначена в метаданных как other; конкретные условия следует проверять у автора базовой модели BreezeBlue/Breeze-TTS-2.

nyu-visionx/cambrian-phi3-3b — мультимодальная модель семейства Cambrian с архитектурой CambrianPhi3ForCausalLM, разработанная NYU VisionX. Модель предназначена для диалогов и генерации ответов с учётом визуального содержимого. В README указано, что Cambrian — модель с фокусом на зрение; для обучения использованы наборы Cambrian Alignment Data и Cambrian Curated Instruction Tuning Data. Модель содержит 3,7 млрд параметров, поддерживает контекст длиной до 4096 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Метаданные указывают текстовую генерацию и чат; README описывает мультимодальность и визуальную направленность. Поддерживаемые языки и подробные ограничения качества в источниках не перечислены.

onecxi/csm-english-multi-speaker-v2 — дообученная с помощью Unsloth модель синтеза речи на основе Sesame CSM 1B. Она преобразует английский текст в аудио и позволяет выбирать один из пяти голосов: четыре голоса из набора Expresso и женский голос из набора Jenny. Модель обучена на данных Expresso и Jenny и предназначена для многоголосой генерации английской речи. Модель имеет плотную архитектуру CSM с классом CsmForConditionalGeneration, содержит 977,3 млн параметров, принимает текст и аудиоконтекст в пределах контекста 2048 токенов и выдаёт аудио. Репозиторий содержит веса Safetensors; модель распространяется по лицензии Apache-2.0. Карточка рекомендует исследовательское и учебное применение и запрещает клонирование голоса человека без его согласия, а также создание обманного или незаконного контента.

Карточка модели OPPOer/CuteTTS-distill на Hugging Face совпадает с карточкой OPPOer/CuteTTS, поэтому описание составлено по ней. OPPOer/CuteTTS — компактная модель синтеза речи, представленная в карточке как CuteTTS. Это авторегрессионная модель примерно на 230 млн параметров, которая генерирует речь, моделируя непрерывные латентные представления. Она предназначена для преобразования текста в речь и клонирования голоса по образцу без дополнительного обучения. Модель поддерживает английский, китайский, французский, немецкий и испанский языки. По данным карточки, она запускается на GPU, CPU и Apple silicon; заявлены задержка около 40 мс до первого аудиофрагмента и скорость примерно в девять раз выше реального времени на NVIDIA RTX 4090. Для использования доступны веб-демо, Python API и CLI. Результаты в README описывают качество синтеза и клонирования голоса на наборах LibriSpeech и Seed-TTS, но не содержат чисел для самой CuteTTS в видимой части таблицы, поэтому сравнительную оценку качества сделать нельзя. Лицензия репозитория — Apache-2.0.

DeepSeek-V4-Flash-Vision-Exp-GGUF — это квантизированная версия модели DeepSeek-V4-Flash-Vision-Exp, разработанной DeepSeek и опубликованной в формате GGUF организацией ggml-org. Модель предназначена для задач image-text-to-text, то есть обработки изображений и генерации текстовых ответов по ним, и может запускаться с помощью llama.app. В состав входит vision encoder с компонентом mmproj в формате Q8_0, обеспечивающим обработку визуальных входных данных. Доступны варианты квантования, включая Q2; для них, согласно README, пока не используется imatrix-калибровка. Другие характеристики, включая размер модели, архитектуру, поддерживаемые языки и размер контекста, не указаны. Модель распространяется по лицензии MIT. Она автоматически сконвертирована с использованием инструментария ggml-org/convert. Ключевые ограничения — неполнота документации и отсутствие imatrix-калибровки для вариантов Q2, что может влиять на их качество.

DongLao TTS — пакет выпуска системы синтеза речи, содержащий графы ONNX и файлы формата safetensors. В карточке указано, что авторегрессивная генерация реализована полностью; в комплект также входит кодек MOSS из OpenMOSS-Team/MOSS-Audio-Tokenizer-Nano, файлы и лицензия которого сохранены от upstream-источника. Модель предназначена для преобразования текста в речь. Карточка не описывает обучающие данные, оценку качества и предполагаемые сценарии использования, а также просит дополнить сведения о лицензии обученных весов. Поэтому нельзя определить поддерживаемые языки, характеристики голоса или условия лицензирования весов.

EMA-TTS — модель синтеза речи на турецком языке, содержащая 65 млн параметров. Она преобразует текст непосредственно из символов в аудио с частотой 48 кГц, используя трансформер conditional flow matching с архитектурой DiT и замороженный AudioVAE2 для декодирования латентных представлений. Модель разработана для синтеза турецкой речи; в заявленном тесте Freya-TR-Eval она показала WER 3,0% и CER 0,8%.

F5-TTS_RUSSIAN — дообученная модель F5-TTS, опубликованная Misha24-10 и адаптированная для синтеза русской речи. Она преобразует текст в речь и поддерживает управление ударением: символ «+» перед ударной гласной помогает задать нужное произношение. В карточке также описаны варианты чекпойнта, включая версии с разметкой ударений и дополнительной фильтрацией обучающих записей. Модель обучалась на русской и английской речи; README указывает более 5 000 часов данных, преимущественно из пользовательского русского датасета, а также Common Voice RU и EN. Репозиторий содержит веса PyTorch в формате Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование. Модель подходит для озвучивания русскоязычных текстов, где важно управлять ударением. README рекомендует использовать символы ударения для повышения качества синтеза; для автоматической расстановки ударений предлагается RUAccent.