I.15Доступность и ассистивные технологии

Kitten TTS Mini 0.8 (MLX) — конверсия модели синтеза речи KittenML/kitten-tts-mini-0.8 в формат MLX, опубликованная сообществом mlx-community. Модель предназначена для преобразования текста в речь; карточка указывает задачу text-to-speech и формат весов safetensors. Исходные веса были в ONNX; квантованные веса ONNX деквантизировали до float при конверсии для MLX. Модель распространяется по лицензии Apache-2.0. В карточке не описаны поддерживаемые языки, голоса и длина контекста.

Llama 4 Scout 17B 16E Instruct — мультимодальная инструкционная модель Meta для диалогов и визуального рассуждения. Она использует авторегрессионную архитектуру Mixture of Experts с ранним объединением модальностей; в активной конфигурации заявлено 17 млрд параметров и 16 экспертов. Модель принимает текст и изображения и предназначена для понимания изображений, визуального распознавания, создания описаний и ответов на вопросы по изображениям. Модель поддерживает арабский, английский, французский, немецкий, хинди, индонезийский, итальянский, португальский, испанский, тагальский, тайский и вьетнамский языки. В карточке указано, что проверено понимание до пяти входных изображений; для большего числа изображений требуется дополнительная проверка и настройка. Модель выпущена как статический чекпойнт, обученный на офлайн-данных. Для использования доступны веса в формате safetensors через Transformers. Лицензия — собственное коммерческое соглашение Llama 4 Community License; применение регулируется его условиями и Acceptable Use Policy.

LLaVA-NeXT (LLaVA-1.6) — мультимодальная модель для диалога с изображениями, разработанная авторами работы LLaVA-NeXT. В этой версии языковая часть основана на Mistral-7B-Instruct-v0.2, объединённой с предварительно обученным визуальным энкодером. Модель принимает изображения и текстовые инструкции, а в ответ генерирует текст. Повышенное разрешение изображений и улучшенное обучение визуальным инструкциям предназначены для более качественного распознавания текста на изображениях, ответов на визуальные вопросы и рассуждений о содержимом изображения. Подходит для описания изображений и мультимодального чат-бота. Поддерживается английский язык; в README также заявлена двуязычная поддержка для семейства LLaVA-1.6, но второй язык для этого чекпойнта не уточнён. Репозиторий распространяется по лицензии Apache-2.0.

Модель aloudreader/marian-uk-verbalizer разработана для нормализации украинского текста перед синтезом речи. Это последовательностная модель MarianMTModel с кодировщиком и декодером по шесть слоёв, 8 головами внимания и общей SentencePiece-лексикой на 16 тысяч токенов. В карточке README указано 52,7 млн параметров, а метаданные Hugging Face указывают 33,4 млн; оценка размера расходится между источниками. Контекст модели — 384 токена. Модель преобразует письменные числа и специальные обозначения в произносимые слова: раскрывает римские числа с учётом рода и падежа, даты, валюты, координаты, телефоны, IBAN, номера карт, математические выражения, символы, сокращения и акронимы. Обычную украинскую прозу она должна оставлять без изменений. Предназначена для украинского языка и этапа нормализации текста в конвейере TTS; для других языков и иных задач не рассчитана. Использование на исходной строке без предварительной и последующей обработки — предусмотренное условие работы. В README сообщаются 85,2% точного совпадения и 3,0% WER на отложенном наборе из 3 597 примеров; на синтетических проверках координат и телефонных номеров получено 100%, а для согласования римских чисел с существительными — 99%. Слабее обрабатываются акронимы, номера карт и IBAN; римские числа проверялись только в диапазоне I–XXXIX. На необычных входах возможны пропуски или галлюцинации токенов, при этом нижестоящей обработки ошибок нет. Лицензия — MIT.

MiMo-VL-7B-RL — мультимодальная языковая модель Xiaomi для понимания изображений и текста, разработанная на архитектуре Qwen2.5-VL. Она сочетает визуальный ViT-энкодер, MLP-проектор и языковую модель MiMo-7B; размер модели — 7 млрд параметров, контекст — до 128 000 токенов. Модель принимает изображения и текстовые запросы и формирует текстовые ответы. Модель предназначена для визуальных вопросов и ответов, мультимодальных рассуждений, распознавания деталей и привязки объектов к областям изображения, а также понимания интерфейсов GUI. Версия RL получена постобучением с подкреплением по сигналам качества восприятия, grounding, логического рассуждения и предпочтений. В README также описано обучение на текстовых, визуальных и видеоданных, однако метаданные подтверждают задачу image-text-to-text, поэтому поддержка видео как входа здесь не заявляется. Модель совместима с Qwen2_5_VLForConditionalGeneration и библиотекой Transformers. Лицензия — MIT.

facebook/mms-tts-bsq — модель синтеза речи на басса (Bassa, bsq) из проекта Massively Multilingual Speech компании Meta. Это отдельный чекпойнт VITS для одного языка: модель принимает текст и генерирует речевую волну. Архитектура VITS объединяет текстовый энкодер на основе Transformer, flow-модуль, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN. Размер модели — 3,6 млн параметров; она доступна для использования через Transformers версии 4.33 и новее. Модель подходит для озвучивания текста на басса, например для голосовых интерфейсов и создания аудиоверсий материалов. Стохастический предиктор длительности позволяет получать разные ритмические варианты одной фразы, поэтому результат может меняться между запусками; фиксированный seed позволяет воспроизводить ту же речевую волну. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерческое.

facebook/mms-tts-deu — модель синтеза немецкой речи, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на стандартном немецком языке в речевую аудиоволну и предназначена для озвучивания текста и создания голосового вывода в приложениях. Модель построена на архитектуре VITS: текстовый энкодер, потоковый модуль и декодер формируют речь сквозным образом; предиктор длительности позволяет варьировать ритм произнесения. Размер модели — 3,5 млн параметров; доступны веса PyTorch и Safetensors, модель поддерживается библиотекой Transformers начиная с версии 4.33. Генерация недетерминирована: для повторения того же результата требуется фиксировать seed. Модель предназначена для немецкого языка и не заявлена как многоязычная в рамках этого чекпойнта. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-kan — модель синтеза речи на каннада из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует текст на каннада в речевую аудиоволну и предназначена для приложений озвучивания и голосового вывода. Модель использует архитектуру VITS и содержит 3,6 млн параметров. Это отдельный языковой чекпойнт MMS-TTS для каннада; доступен в библиотеке Transformers начиная с версии 4.33. Стохастический предиктор длительности позволяет получать разные ритмические варианты произнесения одного текста, поэтому для повторяемого результата требуется фиксированный seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не приводит оценки качества или дополнительных ограничений синтеза.

Это модель синтеза речи на кхмерском языке из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на кхмерском языке. Модель построена на архитектуре VITS: это сквозная система с вариационным автоэнкодером, Transformer-энкодером текста, нормализующими потоками, стохастическим предсказателем длительности и декодером на основе HiFi-GAN. Веса доступны в форматах PyTorch и safetensors; размер модели — 3,6 млн параметров. Стохастический предсказатель позволяет получать разные ритмы речи для одного текста, поэтому для повторяемого результата требуется фиксировать seed. Для работы предусмотрена поддержка библиотеки Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-lav — модель синтеза речи на латышском языке из проекта Massively Multilingual Speech компании Facebook. Это отдельный чекпойнт для латышского языка; модель принимает текст и генерирует речевую аудиоволну. Она построена на архитектуре VITS и имеет около 3,5 млн параметров. VITS объединяет вариационный автоэнкодер, потоковый модуль, Transformer-энкодер текста и декодер, формирующий аудиосигнал; стохастический предсказатель длительности позволяет варьировать ритм произношения. Для повторения того же результата требуется фиксировать seed. Модель подходит для озвучивания латышского текста в приложениях и голосовых интерфейсах. Карточка указывает поддержку библиотеки Transformers версии 4.33 и выше. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая не разрешает коммерческое использование.

facebook/mms-tts-suc — модель синтеза речи на западном субанонском языке (suc), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст в речевой сигнал и подходит для озвучивания текста на этом языке. Модель использует архитектуру VITS — сквозную систему синтеза речи на основе вариационного автоэнкодера, поточного модуля и декодера, сходного с HiFi-GAN. В архитектуру также входит стохастический предиктор длительности, поэтому одна и та же фраза может звучать с разным ритмом. Размер модели — 3,5 млн параметров; доступны веса PyTorch и Safetensors, а запуск поддерживается через Transformers версии 4.33 и новее. Модель предназначена для западного субанонского языка и не заявлена как многоязычная. Генерация недетерминирована: для повторения одного и того же результата требуется фиксированное начальное значение генератора случайных чисел. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-sus — модель синтеза речи на языке сусу (код sus), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на сусу в речевую аудиоволну; для каждого языка MMS обучается отдельный чекпойнт. Модель основана на архитектуре VITS и содержит текстовый энкодер, flow-модуль, декодер, подобный HiFi-GAN, и стохастический предиктор длительности. В метаданных указан размер 3,5 млн параметров; доступны веса PyTorch и Safetensors, а для работы подходит библиотека Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на сусу, например для голосовых интерфейсов и создания аудиоверсий материалов. Стохастический предиктор позволяет варьировать ритм речи; для повторяемого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-swh — модель синтеза речи на суахили из проекта Massively Multilingual Speech компании Facebook. Она принимает текст на суахили и генерирует речевую аудиоволну; отдельный чекпойнт VITS обучен для этого языка. Модель содержит 3,5 млн параметров и доступна через библиотеку Transformers версии 4.33 и выше. Архитектура VITS объединяет вариационный автоэнкодер, flow-модуль с текстовым энкодером на основе Transformer, стохастический предиктор длительности и декодер HiFi-GAN. Благодаря стохастическому предиктору один и тот же текст может звучать с разным ритмом; для повторяемого результата требуется фиксированный seed. Модель предназначена для преобразования текста на суахили в речь. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Карточка не приводит оценок качества или подробностей о голосе и условиях обучения.

Карточка модели RedHatAI/Molmo2-8B на Hugging Face совпадает с карточкой allenai/Molmo2-8B, поэтому описание составлено по ней. Molmo2-8B — открытая мультимодальная модель для понимания изображений, видео и наборов изображений, разработанная Allen Institute for AI (Ai2). Она объединяет языковую основу Qwen3-8B с визуальным энкодером SigLIP 2; каталог указывает плотную архитектуру Molmo2 и формат весов safetensors. Модель принимает визуальный материал и текстовые запросы, а ответы формулирует текстом. Модель предназначена для вопросов и ответов по изображениям и видео, описания сцен, подсчёта объектов, указания их местоположения и отслеживания объектов в видео. По данным README, она показывает сильные результаты на коротких видео, подсчёте и создании описаний, а на длинных видео конкурентоспособна. В метаданных указан английский язык; языки кроме него не подтверждены. Репозиторий распространяется по лицензии Apache-2.0. Контекстное окно в предоставленных данных не описано.

Moonshine Streaming Tiny — German — это модель распознавания немецкой речи от команды Moonshine AI. Она использует потоковую архитектуру: аудиофронтенд с частотой 50 Гц и скользящий оконный Transformer-энкодер позволяют выдавать транскрипцию по мере поступления аудио, с задержкой упреждения около 80 мс. Модель предназначена для локального запуска на устройствах с ограниченными ресурсами; в репозитории доступны веса safetensors для Transformers. Метаданные указывают 13,8 млн параметров, а README — 27 млн; размер модели в источниках расходится. Модель обучена для немецкого языка на крупном корпусе подкастов с автоматически созданными псевдоразметками и меньшем наборе вручную транскрибированной читаемой речи. На FLEURS и Multilingual LibriSpeech для немецкого README приводит WER 11,98 и 10,19 соответственно при описанном правиле остановки генерации. Эти оценки относятся к читаемой речи и не показывают качество на спонтанной разговорной речи. Лицензия — MIT.

OpenCaption-4B-VL-SFT-v1.0 — мультимодальная модель для описания изображений, созданная prithivMLmods на базе Qwen/Qwen3-VL-4B-Instruct и дообученная методом SFT. Она использует архитектуру Qwen3-VL с 4 млрд параметров и принимает изображения для генерации текстовых описаний; карточка указывает английский язык. Модель ориентирована на развернутые подписи: она описывает композицию сцены, отношения и расположение объектов, их признаки и действия, освещение и фон. Её применяют для визуального анализа, объяснения взаимодействий в кадре и исследований качества подписей и визуального grounding; заявлена возможность локального запуска через Transformers. Выпуск обозначен как экспериментальный. Качество может меняться в зависимости от предметной области и стиля изображения, а модель способна галлюцинировать детали; она не предназначена для строгой проверки наличия объектов. Для лучших результатов README рекомендует использовать заданный авторами системный промпт. Лицензия — Apache-2.0.

OTTER-Video-LLaMA7B-DenseCaption — модель семейства OTTER, представленная авторами из S-Lab Наньянского технологического университета и Microsoft Research. Карточка показывает пример запуска модели на пользовательском видео; модель предназначена для генерации текстовых описаний видеосодержимого. Модель использует архитектуру OtterForConditionalGeneration и распространяется в формате PyTorch. Репозиторий указывает лицензию MIT. В предоставленных сведениях нет размера модели, сведений о поддерживаемых языках или длине контекста; название указывает на вариант 7B, но это не подтверждено метаданными.

PaliGemma 2 10B — мультимодальная модель Google на основе компонентов SigLIP и Gemma 2. Она принимает изображения размером до 896 × 896 пикселей и текстовые последовательности до 512 токенов, а на выходе генерирует текст. Модель поддерживает несколько языков; конкретные языки в карточке не перечислены. Это базовая предварительно обученная модель, предназначенная прежде всего для дообучения под задачи компьютерного зрения и языка: описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Веса представлены в формате bfloat16 для дообучения; для данного репозитория указана библиотека Transformers и формат safetensors. Без дообучения результаты на специализированных задачах могут быть слабее, чем у моделей, настроенных для них, а модель рассчитана на один раунд ввода, а не на многоходовый диалог. Она может ошибаться в фактах, рассуждениях и понимании языковых нюансов. Использование регулируется условиями Gemma; перед применением следует учитывать политику запрещённых способов использования Gemma.

Perceptron Mk1 (Mark One) — модель для работы с изображениями и видео по запросам на естественном языке. README позиционирует её как наиболее качественную vision-language модель Perceptron для визуального и embodied reasoning: она принимает изображения или видео вместе с текстовыми запросами и выдаёт подробное понимание визуального содержимого.

Это польская мужская модель синтеза речи Piper с голосом meski_wg_glos. Репозиторий представляет собой переупаковку модели WitoldG/polish_piper_models для Speaches и содержит файлы в формате ONNX. Модель предназначена для преобразования польского текста в речь; в метаданных Hugging Face задача указана как text-to-speech. Условия лицензии в доступных сведениях не описаны.

rasr_sample — модель автоматического распознавания речи, дообученная автором на основе facebook/wav2vec2-xls-r-300m на шведской части датасета Mozilla Common Voice 7.0 (SV-SE). Модель использует архитектуру wav2vec2 с выходной головой CTC и содержит 402,7 млн параметров. Модель предназначена для преобразования шведской речи в текст. В карточке указаны результаты на тестовой выборке: loss 0,3147 и WER 0,2676. Она принимает аудио и выдаёт текст; опубликована в формате PyTorch по лицензии Apache-2.0.

SLED-TTS-Libriheavy — англоязычная модель синтеза речи проекта SLED, обученная на наборе Libriheavy. Она преобразует текст в речь, моделируя аудио в непрерывном латентном пространстве с авторегрессионной генерацией; в README описана также поддержка клонирования голоса по короткому речевому образцу. Для извлечения латентных представлений используется Encodec_24khz. Потоковая генерация указана для отдельной версии SLED-TTS-Streaming-Libriheavy, поэтому её не следует считать подтверждённой характеристикой этой модели. Модель содержит 168,6 млн параметров, использует архитектуру SpeechLlamaForCausalLM и доступна в формате safetensors для библиотеки Transformers. Метаданные указывают контекст 2048 токенов. Модель предназначена для англоязычного синтеза речи; README заявляет высокое качество, но не приводит оценок или тестов. Лицензия — MIT.

guilhermebastos96/speecht5_finetuned_sip_ai_v3 — дообученная модель SpeechT5 для синтеза речи из текста. Она создана на основе guilhermebastos96/speecht5_finetuned_sip_ai_v2 и обучена на multilingual_librispeech; в метаданных указана архитектура SpeechT5ForTextToSpeech. На тестовой выборке автор сообщает значение Loss 0,3439. Модель предназначена для преобразования текста в аудио. Репозиторий содержит веса в формате safetensors, лицензия — MIT. Данных о поддерживаемых языках, длине контекста и практических ограничениях в карточке нет.

Lightmourne/speecht5_finetuned_voxpopuli_nl — дообученная на датасете VoxPopuli модель Microsoft SpeechT5 для синтеза речи из текста. Она предназначена для преобразования текстового ввода в аудио; карточка сообщает результат оценки Loss 0.4583. Модель использует архитектуру SpeechT5ForTextToSpeech и сохранена в форматах PyTorch и Safetensors. Модель ориентирована на нидерландскую речь, что следует из названия репозитория и датасета VoxPopuli. Она распространяется по лицензии MIT. Карточка не описывает голос, качество синтеза или ограничения для отдельных сценариев, поэтому эти характеристики нельзя уточнить.

Avitas8485 дообучил SpeechT5ForTextToSpeech от Microsoft на корпусе Mozilla Common Voice для синтеза английской речи по тексту. Модель построена на архитектуре SpeechT5 и опубликована в форматах PyTorch и safetensors. В карточке приведён результат оценки: loss 0,4261. Модель предназначена для преобразования английского текста в речь. Она распространяется по лицензии MIT. Карточка не описывает настройки голоса и дополнительные ограничения применения.

SPRING_F5 — мультиязычная модель синтеза речи по тексту, разработанная SPRINGLab и созданная дообучением F5-TTS. Она предназначена для озвучивания текста на 23 индийских языках и английском; обучение проводилось примерно на 3 220 часах речевых данных из наборов Rasa, IndicTTS и IndicVoices-R. Модель подходит для создания озвучки и речевого вывода на поддерживаемых языках. В метаданных указаны архитектура SPRING_F5 и формат PyTorch. Репозиторий распространяется по лицензии Apache-2.0. В доступных сведениях не приведены ограничения по длине входного текста и оценки качества синтеза.

Это конвертированная в GGUF модель Supertone Supertonic 3, подготовленная для запуска через нативный ggml-рантайм CrispASR. Она предназначена для синтеза речи из текста: использует нерекуррентную архитектуру с flow matching и включает предсказатель длительности, текстовый энкодер, оцениватель вектора и вокодер. Модель содержит около 99 млн параметров, генерирует аудио с частотой 44,1 кГц и поддерживает 31 язык. В один файл встроены все четыре сети, индексатор Unicode, таблицы нормализации текста NFKD и десять предустановленных голосов F1–F5 и M1–M5. Можно задавать язык, голос, скорость и число шагов flow-модели. В README описана проверка соответствия этапов преобразованной модели исходному ONNX-пайплайну, включая тест преобразования речи обратно в текст. Лицензия — OpenRAIL.

UzTTS — модель синтеза речи из текста, созданная дообучением SpeechT5 от Microsoft. Она предназначена для преобразования текста в аудио; карточка сообщает значение loss 0,4451 на наборе оценки, но не описывает датасет, языковое покрытие, голос или условия тестирования. Модель построена на архитектуре SpeechT5 и опубликована в формате Safetensors. Лицензия — MIT.

Модель nguyenvulebinh/wav2vec2-base-vi-vlsp2020 — акустическая модель распознавания вьетнамской речи на архитектуре wav2vec2, представленная автором репозитория. Она предварительно обучена на 13 тысячах часов неразмеченной вьетнамской речи из YouTube, а затем дообучена на 250 часах размеченных данных VLSP ASR. Модель содержит 113,3 млн параметров и принимает речь с частотой дискретизации 16 кГц. Модель предназначена для преобразования вьетнамской речи в текст. В тесте VLSP T1 автор сообщает WER 8,66 без языковой модели и 6,53 с 5-граммовой языковой моделью. Эти результаты относятся к указанному тестовому набору и не гарантируют такое же качество на других типах аудио. Для использования модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое применение.

TutlaytAI/wav2vec2-berber — модель автоматического распознавания речи, созданная дообучением TifinLab/wav2vec2-berber. Она построена на архитектуре Wav2Vec2 с CTC-выходом и содержит 402,7 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для преобразования аудиозаписей на берберских языках в текст, включая кабильский и центральноатласский тамазигхт. В метаданных указаны датасеты Common Voice 17.0 и TutlaytAI/tamazight_asr. Карточка не содержит подробностей о качестве распознавания, поддерживаемых условиях записи или ограничениях применения. Лицензия в предоставленных данных не указана.