I.15Доступность и ассистивные технологии

FastSpeech2Conformer — нерекуррентная модель синтеза речи из текста, объединяющая FastSpeech2 и архитектуру Conformer. Модель предложена авторами статьи «Recent Developments On Espnet Toolkit Boosted By Conformer» и впервые опубликована в репозитории ESPnet; карточку на Hugging Face разместил Connor Henderson. Репозиторий содержит веса PyTorch и поддерживает запуск через библиотеку Transformers. Модель предназначена для быстрого преобразования текста в речь. FastSpeech2 использует длительность, высоту тона и энергию как дополнительные условия, а Conformer сочетает свёрточные блоки для локальных речевых закономерностей с механизмом внимания для дальних зависимостей. В метаданных указан английский язык. Модель распространяется по лицензии Apache 2.0. Карточка не сообщает данные об обучающем наборе, результатах оценки или ограничениях качества; поэтому пригодность голоса и качество синтеза для конкретного применения следует проверять отдельно.

Это конвертированная в формат safetensors версия весов Fish Speech v1.5, подготовленная jkeisling для работы с fish-speech.rs и экосистемой Hugging Face. Модель использует архитектуру DualAR и предназначена для синтеза речи по тексту на нескольких языках. Fish Speech v1.5 обучена более чем на миллионе часов аудиоданных. Поддерживаются китайский, английский, японский, немецкий, французский, испанский, корейский, арабский, русский, нидерландский, итальянский, польский и португальский языки. Репозиторий упрощает загрузку весов и токенизатора, но эти веса несовместимы с официальным кодом инференса Fish Speech; VQGAN взят из версии 1.4. Лицензия CC BY-NC-SA 4.0 запрещает коммерческое использование.

Модель ajujohn8/gemma-4-e4b-it-unsloth-bnb-4bit-aj — дообученная ajujohn8 версия Gemma 4 E4B Instruct на базе unsloth/gemma-4-e4b-it-unsloth-bnb-4bit. Она предназначена для диалоговой работы с текстом и изображениями: может отвечать на вопросы по изображениям и текстовым запросам, а также использовать интерфейс вызова инструментов. Архитектура — плотная Gemma4ForConditionalGeneration; файлы представлены в формате safetensors. Модель подходит для визуальных помощников, анализа изображений и диалоговых приложений с вызовом инструментов. Карточка указывает обучение с Unsloth и библиотекой TRL. Лицензия — Apache-2.0. В README и метаданных нет сведений о размере параметров и длине контекста, поэтому эти характеристики не приводятся.

Granite Speech 5.0 470M TurboCTC NC — компактная англоязычная модель распознавания речи от IBM. Она предназначена для быстрого преобразования аудио в текст в исследовательских и некоммерческих сценариях; для коммерческого применения в README предлагается другая версия Granite Speech 5.0 Turbo CTC. Модель содержит 470 млн параметров и использует акустический энкодер Conformer с блочным self-attention, self-conditioning и временным уменьшением разрешения. Выходной слой соответствует 16 384 BPE-токенам. Обучение проводилось на примерно 75 000 часах англоязычного аудио; распознавание выполняется без авторегрессии с жадным декодированием, что обеспечивает высокую скорость инференса. Модель поддерживает распознавание английской речи, включая короткие аудиозаписи; README также описывает оценку на тестах с шумом и реверберацией. Лицензия CC-BY-NC-SA-4.0 ограничивает применение некоммерческими условиями и требует соблюдения атрибуции и распространения производных материалов на совместимых условиях.

Higgs Audio v2 Generation 3B Base — модель генерации речи и аудио из текста семейства Higgs Audio v2, разработанного Boson AI; репозиторий eustlb содержит её реализацию для Transformers. Модель предназначена для преобразования текстового ввода в аудио, включая выразительную речь и диалог с несколькими говорящими. В официальных материалах семейство описано как аудиомодель с генерацией речи; карточка этого репозитория автоматически создана и не уточняет поддерживаемые языки и лицензию. Метаданные указывают на плотную архитектуру HiggsAudioV2ForConditionalGeneration, около 3,2 млрд параметров, контекст 2048 токенов и формат safetensors. Модель использует конвейер text-to-audio; код Transformers загружает её через AutoModelForTextToWaveform. Карточка не сообщает точные языковые ограничения или лицензионные условия для этой копии.

Higgs TTS 3 — MLX bf16 — это пакет модели синтеза речи, опубликованный aufklarer на базе весов Boson AI Higgs TTS 3. Он предназначен для генерации разговорной речи из текста и клонирования голоса по короткому аудиофрагменту с его расшифровкой. Модель основана на декодере Qwen3-4B и аудиоинтерфейсе с восемью кодовыми книгами; встроенный кодек формирует речь с частотой 24 кГц. Пакет рассчитан на запуск через MLX на Apple Silicon. Модель поддерживает более 100 языков и позволяет задавать эмоциональную подачу, стиль, звуковые эффекты и просодию управляющими токенами в тексте. В README приведены результаты проверок на английском, китайском, испанском и японском для конкретной тестовой конфигурации; они не гарантируют аналогичное качество на всех языках и сценариях. Для клонирования голоса требуется согласие его владельца. Лицензия указана как other, поэтому условия использования следует уточнить на странице репозитория и у правообладателей.

Koitenshin/Huihui-InternVL3-14B-abliterated-GGUF — это квантованная модель в формате GGUF, созданная на основе Huihui-InternVL3-14B-abliterated от huihui-ai. Конвертацию в GGUF выполнили с использованием llama.cpp и сервиса GGUF-my-repo. Модель относится к семейству InternVL3 и предназначена для задач преобразования изображений и текста в текст, включая мультимодальное общение и анализ визуального содержимого. Заявлена поддержка multilingual-сценариев, однако конкретный перечень языков в карточке не приведён. Модель имеет размер 14B параметров; доступная в этой карточке версия использует квантование Q8_0. Она рассчитана на запуск через llama.cpp в формате GGUF, в том числе локально через llama-cli или в серверном режиме через llama-server. В качестве примера указан контекст 2048 токенов, но это значение может быть параметром запуска, а не предельным размером контекста самой модели. К сильным сторонам относятся мультимодальность, локальный запуск через llama.cpp и уменьшенный по сравнению с полноразмерной моделью объём хранения и вычислений благодаря квантованию Q8_0. Ограничения и точные характеристики качества, требования к оборудованию, особенности поддержки изображений и языков в README не описаны; для их оценки требуется оригинальная карточка базовой модели. В метаданных указана лицензия Apache-2.0, при этом ссылка на текст лицензии ведёт к лицензии Qwen, поэтому условия использования следует дополнительно проверить по исходной модели и файлам дистрибутива.

Janus-Pro-1B — мультимодальная авторегрессионная модель семейства Janus, представленная в сообществе deepseek-community. Она объединяет понимание изображений и генерацию изображений в единой модели на базе трансформера, используя отдельные визуальные пути для этих задач. Для понимания изображений применяется энкодер SigLIP-L с поддержкой входа 384 × 384 пикселя; для генерации — визуальный токенизатор с коэффициентом уменьшения разрешения 16. Модель построена на базе DeepSeek-LLM, однако README не уточняет, какой именно вариант использован в этой версии на 1B. Модель предназначена для ответов на вопросы по изображениям и генерации изображений по текстовым запросам. Репозиторий использует библиотеку Transformers и формат Safetensors; лицензия — MIT. Карточка описывает объединённые мультимодальные возможности, но не приводит подробных результатов оценки именно этой версии.

Janus-Pro-7B — мультимодальная авторегрессионная модель DeepSeek для понимания изображений и генерации изображений в единой архитектуре. Она использует отдельные визуальные пути для понимания и генерации, объединённые общей архитектурой трансформера; модель построена на базе DeepSeek-LLM-7B-Base. Для понимания изображений применяется визуальный энкодер SigLIP-L с входным разрешением 384 × 384, а для генерации — отдельный токенизатор изображений с коэффициентом уменьшения разрешения 16. Модель подходит для диалога о содержимом изображений и создания изображений по текстовым запросам. В метаданных Hugging Face указаны задачи any-to-any и text-to-image; карточка также описывает понимание изображений. Репозиторий содержит веса PyTorch и рассчитан на Transformers. Лицензия — MIT. Раздельное кодирование изображения для понимания и генерации призвано уменьшить конфликт между этими функциями. Заявления о сравнительной производительности приведены авторами карточки, но независимые оценки и подробные ограничения там не описаны.

Модель reazon-research/japanese-wav2vec2-base-rs35kh разработана Reazon Research и представляет собой Wav2Vec 2.0 Base, дообученную для автоматического распознавания японской речи на корпусе ReazonSpeech v2.0. Она принимает аудио и преобразует речь в текст; модель опубликована для использования через библиотеку Transformers. В карточке приведены результаты по Character Error Rate на нескольких японских наборах данных. Средний CER составил 20,40%; на JSUT-BOOK для длинной речи CER составил 82,84%, что указывает на существенное ограничение при транскрибировании длинных записей. В метаданных указано 115,6 млн параметров и лицензия Apache-2.0.

vokra/kokoro-82m — конверсия модели синтеза речи Kokoro-82M, опубликованная Vokra в формате GGUF для запуска в inference-runtime Vokra. Веса взяты из upstream-модели hexgrad/Kokoro-82M; это переупаковка, а не новое обучение. Модель принимает текст и генерирует речь, однако для подготовки текстового ввода требуется фронтенд G2P, выбранный с учётом ожидаемого моделью голоса. Модель использует архитектуру kokoro-82m-istftnet. Репозиторий содержит файл GGUF размером около 312 МБ; указанная лицензия — Apache-2.0. Карточка не сообщает поддерживаемые языки и конкретные ограничения качества, поэтому их нельзя уточнить по имеющимся данным.

mlx-community/Kokoro-82M-4bit — 4-битная модель синтеза речи в формате MLX, подготовленная сообществом mlx-community из hexagrad/Kokoro-82M с помощью mlx-audio версии 0.0.1. Она предназначена для преобразования текста в речь в среде MLX. Метаданные связывают модель с дообученной yl4579/StyleTTS2-LJSpeech; карточка указывает английский язык и лицензию Apache-2.0. README направляет за подробностями о модели к исходной карточке.

LiquidAI/LFM2.5-VL-1.6B-GGUF — GGUF-версия мультимодальной модели LFM2.5-VL-1.6B, разработанной Liquid AI. Модель предназначена для задач image-text-to-text: анализа изображений и генерации текстовых ответов по визуальным запросам. Её можно запускать локально с помощью llama.cpp, что делает вариант подходящим для интеграции в приложения и сценарии edge-развёртывания с ограниченными ресурсами. Известный размер базовой модели — 1,6 млрд параметров. Поддерживаются текстовые и графические входные данные; в карточке заявлены языки English, Japanese, Korean, French, Spanish, German, Italian, Portuguese, Arabic и Chinese. Модель опубликована в формате GGUF, однако конкретный уровень квантования, размер контекста и дополнительные характеристики производительности в README не указаны. К сильным сторонам относятся мультимодальность, компактный размер, возможность локального запуска и совместимость с llama.cpp. Ограничения включают отсутствие в карточке подробных результатов тестирования, информации о точности в отдельных задачах, контекстном окне и требованиях к оборудованию. Лицензия указана как lfm1.0; перед использованием необходимо ознакомиться с её условиями в файле LICENSE.

LFM2-VL-450M — компактная мультимодальная модель Liquid AI для работы с текстом и изображениями. Она предназначена для низколатентного запуска на устройствах с ограниченными ресурсами и поддерживает диалоговые сценарии, следование инструкциям и лёгкие агентные потоки. Модель содержит 450 млн параметров: гибридный свёрточно-внимательный языковой блок LFM2 и визуальный энкодер SigLIP2 NaFlex base. Обрабатывает изображения с переменным разрешением, до 512×512 пикселей за раз; крупные изображения разбиваются на фрагменты. Для запуска требуется Transformers версии 4.57 или новее. Модель рассчитана на английский язык. Её можно применять для вопросов об изображениях, визуального анализа и распознавания текста на изображениях; настройки числа визуальных токенов позволяют выбирать компромисс между скоростью и качеством. Разработчик рекомендует дообучать её для узких сценариев. Модель не предназначена для решений, критичных к безопасности. В метаданных лицензия указана как other, без конкретизации условий в предоставленных данных.

Mantis-VL/llava_siglip_llama3_8b_pretrain_obelics_min_4096 — мультимодальная модель семейства LLaVA для диалога по изображениям. В метаданных указана архитектура LlavaForConditionalGeneration и форматы весов Safetensors. Карточка называет модель дообученной, но не сообщает базовую модель, датасет или подробности обучения. Модель предназначена для сценариев, где нужно задавать вопросы об изображении и получать текстовый ответ. Метаданные подтверждают поддержку зрения и диалога; сведений о языках, размере контекста и лицензии нет. README не содержит описания качества и ограничений, поэтому их нельзя оценить по доступным данным.

MeloTTS-Spanish — испанская версия многоязычной системы синтеза речи, разработанной MyShell.ai. Она преобразует текст в аудио и предназначена для озвучивания испаноязычных текстов; семейство MeloTTS также рассчитано на синтез речи на нескольких языках и поддерживает работу в реальном времени на CPU. Модель поставляется в формате PyTorch и распространяется по лицензии MIT. README отмечает высокое качество синтеза для семейства, но не приводит отдельных оценок качества испанской версии, сведений о голосах или размере модели.

Карточка модели afifaimran/menochat-omnivoice-full-ref01 на Hugging Face совпадает с карточкой maanka2/OmniVoice, поэтому описание составлено по ней. OmniVoice — многоязычная модель синтеза речи с нулевым обучением, разработанная для генерации речи по тексту на более чем 600 языках. Согласно карточке, она построена на архитектуре в стиле диффузионной языковой модели и дообучена на Qwen/Qwen3-0.6B. Модель поддерживает клонирование голоса по короткому аудиопримеру и создание голоса по атрибутам, включая пол, возраст, высоту голоса и акцент. OmniVoice подходит для озвучивания текста, создания голосовых вариантов и управляемой генерации речи. Она поддерживает невербальные вставки, например смех, и коррекцию произношения с помощью пиньиня или фонем. В README заявлены скорость до 40 раз выше реального времени и высокая точность клонирования; это характеристики из карточки разработчика, а не независимая оценка. Модель распространяется по лицензии Apache-2.0. Разработчики запрещают несанкционированное клонирование и имитацию голоса, а также мошенническое и незаконное использование.

Это конвертированная раскладка чекпойнта MetaVoice-1B, опубликованная eugenehp для загрузки через RLX. Репозиторий содержит компоненты модели синтеза речи, включая стадии модели, энкодер говорящего, токенизатор и пример аудиофайла; доступны веса Safetensors и GGUF F16. Модель предназначена для преобразования текста в речь с использованием рантайма RLX. Репозиторий описывает конвертацию исходного чекпойнта, а не новое дообучение. Лицензия — Apache-2.0. README не сообщает языки синтеза или длину контекста, поэтому эти характеристики не указаны.

MetricGAN+ VoiceBank — модель SpeechBrain для улучшения речи в аудиозаписях с шумом. Она принимает зашумлённое аудио и выдаёт очищенное; обучена на данных Voicebank и DEMAND и предназначена для запуска через библиотеку SpeechBrain. В карточке приведены результаты на тестовом наборе: PESQ 3,15 и STOI 93,0. Модель подходит для очистки речи перед прослушиванием или дальнейшей обработкой. Для других наборов данных качество не гарантируется. Репозиторий распространяется по лицензии Apache-2.0.

facebook/mms-tts-dnw — модель синтеза речи на западном дани, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну; чекпойнт предназначен для озвучивания текста и других сценариев локального синтеза речи. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. VITS объединяет вариационный автоэнкодер, Transformer-кодировщик текста, flow-модуль и декодер, формирующий аудиоволну; стохастический предиктор длительности позволяет варьировать ритм произношения. Чекпойнт доступен в Transformers и распространяется в форматах PyTorch и Safetensors. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Модель специализирована на западном дани; фиксированный seed нужен для воспроизводимой генерации, поскольку предиктор длительности стохастический.

facebook/mms-tts-smo — модель синтеза речи на самоанском языке из проекта Massively Multilingual Speech компании Facebook. Это отдельный языковой чекпойнт семейства MMS-TTS, построенный на архитектуре VITS и содержащий около 3,5 млн параметров. Модель принимает текст на самоанском языке и генерирует речевую волну; для работы доступна через библиотеку Transformers версии 4.33 и новее. VITS объединяет вариационный автоэнкодер, потоковый модуль, Transformer-энкодер текста, декодер на основе свёрточных слоёв и стохастический предиктор длительности. Последний позволяет получать разные ритмические варианты произнесения одного текста. Генерация недетерминирована, поэтому для повторения того же результата нужно фиксировать seed. Модель распространяется под лицензией CC BY-NC 4.0, которая не допускает коммерческого использования.

MOSS-TTS-v1.5 GGUF — модель синтеза речи с поддержкой клонирования голоса, основанная на OpenMOSS-Team/MOSS-TTS-v1.5. Данные веса преобразованы в формат GGUF для работы с C++/GGML runtime OpenMOSS. Модель предназначена для генерации речи по тексту, а также для синтеза с голосом, заданным аудиореференсом. Доступны два варианта backbone: полный BF16 и компактный Q8_0. В Q8_0-версии матрицы используют 8-битное квантование, а таблица токенов хранится в BF16; нормализационные тензоры и отдельные компоненты аудиокодека сохраняются в FP32. Для каждой версии требуется подключать соответствующий файл extras.gguf. Конверсия не содержит FP16-тензоров. В README не указаны размер модели, поддерживаемые языки, длина контекста и полный перечень архитектурных компонентов. К сильным сторонам относятся возможность CPU- и Vulkan-запуска, более компактный Q8_0-вариант и проверенная генерация длинных аудиофрагментов без обрезания финальной части и клиппинга. Ограничением является зависимость от сборки OpenMOSS с поддержкой загрузки BF16/FP32 codec sidecar; старые версии runtime несовместимы с этими файлами. Исходная модель и конвертированные веса распространяются по лицензии Apache 2.0.

Paranioar/NEO1_0-2B-SFT — версия native vision-language модели NEO1_0, прошедшая supervised fine-tuning. Разработчики описывают NEO как плотную монолитную модель, обученную с нуля для объединения визуального восприятия и языковых возможностей в общей системе; модель содержит 2,2 млрд параметров без учета эмбеддингов, 40 слоев и использует GQA с 16 головами Q и 8 головами KV. Архитектура сочетает Native-Attn и Native-RoPE. Модель предназначена для диалоговых сценариев с изображениями: восприятия визуального содержимого и рассуждений по нему с формированием текстового ответа. Метаданные указывают на интерфейс чата и интерфейс вызова инструментов, однако README не приводит конкретных примеров или результатов оценки. Репозиторий содержит веса Safetensors для Transformers. Лицензия — Apache-2.0.

NeuTTS-Nano — акустическая модель синтеза речи, представленная в официальном репозитории в формате GGUF BF16. Она предназначена для генерации голоса из текста в сценариях с низкой задержкой, включая локальный запуск на периферийных устройствах и речевые конвейеры реального времени. Для выполнения модель рассчитана на GGUF-совместимые среды, например llama.cpp; размер файла составляет 446 МБ. Репозиторий ориентирован на английский язык, а варианты для французского, немецкого и испанского размещены отдельно. Модель распространяется по лицензии Apache-2.0.

Карточка модели hoanglinhn0/OmniVoice_k2 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-fp16 — конверсия многоязычной модели синтеза речи k2-fsa/OmniVoice в формат MLX с точностью fp16, подготовленная для стека Soniqo на базе speech-swift. Модель использует одноэтапную архитектуру NAR discrete diffusion с двунаправленным Qwen3 в качестве основы и кодеком Higgs-audio v2; репозиторий содержит веса основного модуля, аудиотокенизатора и текстовый токенизатор. Модель предназначена для преобразования текста в речь и zero-shot клонирования голоса более чем на 600 языках. Размер весов fp16 составляет около 1,5 ГБ вместо примерно 3,3 ГБ у исходного fp32-варианта. README сообщает о проверке исходной модели на пяти английских предложениях с результатом около 0% WER; это ограниченная проверка, а не широкая оценка качества. Модель распространяется по лицензии Apache-2.0. Для запуска требуется совместимый стек MLX; качество речи и поддержка конкретных языков могут различаться, а приведённая проверка охватывает только небольшой английский набор.

Orpheus 3B 0.1 Finetuned — модель синтеза речи на основе архитектуры Llama, выпущенная CanopyAI. Это Speech-LLM на 3,3 млрд параметров, дообученная для генерации естественной речи с выразительной интонацией, эмоциями и ритмом. Модель поддерживает потоковую генерацию с заявленной задержкой около 200 мс, а при потоковой подаче текста — около 100 мс, а также клонирование голоса без предварительного дообучения и управление эмоциями и интонацией с помощью тегов. Модель предназначена для преобразования текста в речь в реальном времени, озвучивания диалогов и приложений, где важны естественное звучание и выразительная подача. В README заявлена поддержка английского языка. Репозиторий использует Transformers и форматы PyTorch/Safetensors; указанное окно контекста — 131072 токена. Лицензия — Apache-2.0. README предупреждает против клонирования голоса без согласия, обмана и незаконного или вредоносного применения.

Orpheus-TTS-Local — это локальная GGUF-квантизация модели Orpheus 3B 0.1 FT, разработанной Canopy Labs. Модель предназначена для синтеза речи из текста (Text-to-Speech) и распространяется в формате Q4_K_M для запуска через совместимые инструменты, включая LM Studio и llama.cpp. В карточке указана поддержка английского языка и лицензия Apache 2.0. Модель подходит для локального преобразования текста в аудио без облачных API и ключей, в том числе для голосовых приложений, прототипов и генерации WAV-файлов. Доступны восемь голосов: tara, leah, jess, leo, dan, mia, zac и zoe. Эмоциональные особенности речи можно задавать специальными тегами, включая смех, вздох, кашель, зевок и другие эффекты. К сильным сторонам относятся локальная работа, несколько вариантов голоса, поддержка эмоциональных маркеров и возможность сохранения результата в WAV. Ограничения карточки — отсутствие данных о максимальном контексте, требованиях к аппаратному обеспечению, производительности, точности и качестве на разных типах текста; заявленная языковая поддержка ограничена английским языком.

Orpheus 3B 0.1 Pretrained — базовая модель синтеза речи от CanopyLabs, построенная на архитектуре Llama и предназначенная для дальнейшей настройки под задачи генерации речи. Она принимает текст и генерирует речь; заявлены естественные интонации, эмоциональная выразительность и ритм. Среди сценариев применения разработчик также указывает клонирование голоса с нуля и классификацию, однако основная задача модели в метаданных — синтез речи. Модель основана на дообученной Meta-Llama-3.2-3B-Instruct, распространяется в формате Safetensors и имеет лицензию Apache-2.0. Разработчик предупреждает не использовать её для имитации голоса без согласия, дезинформации или мошенничества.

Mungert/orpheus-finetuned-3b-GGUF — это GGUF-квантизированная версия дообученной модели Orpheus 3B 0.1 для синтеза речи. Исходная модель разработана CanopyAI/Canopy Labs на базе Llama, с использованием Meta Llama 3.2 3B Instruct и canopylabs/orpheus-3b-0.1-pretrained; GGUF-версию подготовил Mungert с помощью llama.cpp. В карточке указана поддержка английского языка и конвейер text-to-speech. Модель предназначена для генерации естественной, выразительной речи в реальном времени, включая сценарии голосовых интерфейсов и потокового синтеза. Заявлены человеческая интонация, эмоциональность и ритм, клонирование голоса без предварительного дообучения, а также управление эмоциями и интонацией с помощью специальных тегов. Заявленная задержка потоковой генерации составляет около 200 мс и может снижаться примерно до 100 мс при потоковой подаче входных данных. Ключевые характеристики — архитектура на основе Llama, размер базовой модели около 3 млрд параметров и формат GGUF, ориентированный на запуск через llama.cpp. Автор GGUF-версии применяет выборочное повышение точности отдельных слоёв при квантовании, что, по его заявлению, улучшает точность на низких разрядностях, но увеличивает размер файлов. Конкретные варианты квантования, требования к памяти, максимальный контекст и полный набор поддерживаемых языков в README не указаны, поэтому качество и производительность могут зависеть от выбранного файла GGUF и оборудования. Лицензия указана как Apache-2.0. Авторы отдельно запрещают использование модели для имитации личности без согласия, дезинформации, мошеннических звонков и другой незаконной или вредоносной деятельности.