I.15Доступность и ассистивные технологии

LLaVA-NeXT-Video-34B-DPO-hf — мультимодальный чат-ассистент семейства LLaVA-NeXT-Video, опубликованный командой llava-hf. Он дообучен на основе LLaVA-NeXT на наборах изображений и видео для следования инструкциям и понимания визуального содержимого; версия DPO дополнительно указывает на оптимизацию предпочтений. Модель принимает текст и визуальные данные, включая видео, равномерно представленные 32 кадрами на клип, и генерирует текстовые ответы. Её можно использовать для описания сцен и ответов на вопросы об изображениях и видео, в том числе в диалоге. Карточка приводит базовую языковую модель lmsys/vicuna-7b-v1.5 и сообщает о сильных результатах семейства на бенчмарке VideoMME. В метаданных указаны архитектура LlavaNextVideoForConditionalGeneration, формат safetensors и библиотека Transformers; точный размер этой версии и длина контекста не приведены. Для запуска карточка рекомендует Transformers версии 4.42.0 или новее. Лицензия указана как llama2; условия её применения следует сверять с лицензией модели и базовой модели.

MioTTS-0.4B — компактная модель синтеза речи на основе языковой архитектуры LFM2, разработанная Aratako и дообученная на LiquidAI/LFM2-350M. Модель содержит около 456,7 млн параметров и предназначена для преобразования текста в речь на английском и японском языках. Она поддерживает клонирование голоса по короткому аудиофрагменту и использует аудиокодек MioCodec-25Hz-24kHz с частотой кадров 25 Гц. Модель рассчитана на синтез речи с низкой задержкой и умеренными требованиями к ресурсам, включая запуск на потребительских GPU и периферийных устройствах. В README приведены значения RTF 0,035–0,045, измеренные на NVIDIA RTX 5090 с vLLM 0.15.1; производительность на другом оборудовании может отличаться. Карточка указывает лицензию LFM Open License v1.0. Клонирование голосов реальных людей без согласия может нарушать их права и создавать риск обмана; разработчики возлагают ответственность за использование модели на пользователя.

Tree-AI-lab/mms-tts-bau-finetuned — модель синтеза речи, полученная дообучением facebook/mms-tts-aka на голосе JH из поднабора bau_tts набора Google WaxalNLP. Она преобразует текст на бауле в речь; модель построена на архитектуре VITS и содержит 3,6 млн параметров. Для токенизации используется Tree-AI-lab/mms-tts-bau-tokenizer, выходное аудио рассчитано на частоту 16 кГц. Качество синтеза не оценивалось формально; при подготовке использовались аудиоклипы длительностью 1–30 секунд и последовательности до 500 токенов. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-tdj — модель синтеза речи на языке таджио (Tajio, tdj), разработанная Facebook в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт семейства MMS-TTS на архитектуре VITS: модель принимает текст и генерирует речевую аудиоволну. VITS объединяет вариационный автоэнкодер, потоковый модуль, Transformer-энкодер текста и декодер, построенный по принципу HiFi-GAN; стохастический предсказатель длительности позволяет получать варианты с разным ритмом. Модель предназначена для озвучивания текста на таджио. Она доступна через библиотеку Transformers версии 4.33 и новее. Генерация недетерминирована, поэтому для повторения того же аудио нужно фиксировать seed. Чекпойнт содержит 3,5 млн параметров и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

BricksDisplay/MOSS-TTS-Realtime-GGUF — GGUF-конверсия модели MOSS-TTS-Realtime, разработанной OpenMOSS-Team. Это потоковая модель синтеза речи от текста, предназначенная для генерации аудио в реальном времени с использованием связки backbone, codec_lm и аудиокодека. Модель поддерживает английский и китайский языки и может запускаться через llama.cpp и codec.cpp. Архитектура включает языковую основу Qwen3-2B с 28 слоями, скрытым размером 2048 и словарём из 151 936 токенов, а также 4-слойный декодер MossTTSRealtimeLocalTransformer. Выход состоит из 17 каналов: один канал генерирует текстовые токены, остальные 16 представляют RVQ-аудиокодбуки по 1027 элементов каждый. Аудиочасть основана на MOSS-Audio-Tokenizer размером 1,6 млрд параметров и декодирует 24-кГц монофонический PCM-аудиосигнал. Доступны варианты backbone и codec с разными уровнями квантования GGUF. Сильными сторонами модели являются сквозная архитектура синтеза речи, потоковый авторегрессионный режим и совместимость со стандартными инструментами llama.cpp и codec.cpp. Для работы требуется раздельная языковая и аудиокодековая части, а качество и потребление ресурсов зависят от выбранного варианта квантования; конкретные показатели производительности и поддерживаемый размер контекста в README не указаны. Модель распространяется по лицензии Apache-2.0.

MOSS-VL-Base-0708 — базовая мультимодальная модель семейства MOSS-VL, разработанная OpenMOSS. Она предназначена для понимания изображений и видео, а также для дальнейшего дообучения, выравнивания и адаптации к прикладным задачам. Модель принимает смешанные последовательности текста, изображений и видео; для видео использует временные метки, а изображения обрабатывает с динамическим разрешением. Архитектура — плотная vision-language-модель с перекрёстным вниманием, разделяющая визуальное кодирование и языковое рассуждение. В README указаны 11 млрд параметров, тип BF16 и контекст 256K токенов. Позиционное кодирование XRoPE связывает текстовые токены и визуальные фрагменты по времени, высоте и ширине. Модель поддерживает английский и китайский языки. Это базовый чекпойнт без настройки на следование инструкциям, поэтому для диалогового помощника или прикладного сценария обычно потребуется дообучение или выравнивание. В README отмечены направления дальнейшего улучшения: OCR и понимание документов, очень длинные видео, математика и программирование. Лицензия — Apache-2.0.

Модель jssaluja/nemotron35-punjabi-cer-train-113953-epochs-10-test-1408 — потоковая система автоматического распознавания речи на основе NVIDIA Nemotron 3.5 ASR Streaming 0.6B, дообученная для пенджабской речи, включая чтение и декламацию Gurbani. Она принимает аудио и выдаёт распознанный текст; режим распознавания обусловлен целевым языком pa-IN. Обучение использовало записи Sehaj Paath, киртана, аудиокниг, бесед и других материалов на пенджаби, а словарь токенизатора обучен на стихах Guru Granth Sahib. Модель предназначена для потоковой транскрипции пенджабских религиозных чтений и аудиозаписей. В README приведены метрики CER и WER, но их значения отсутствуют, поэтому качество по ним оценить нельзя. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства на некоммерческих условиях.

OpenAudio S1 — многоязычная модель синтеза речи от разработчиков проекта Fish Speech. Репозиторий описывает семейство из полной версии S1 размером 4B и дистиллированной S1-mini размером 0,5B; в метаданных для этой модели указаны архитектура dual_ar, плотная архитектура и формат PyTorch. Обе версии обучались с применением RLHF. Модель преобразует текст в речь на китайском, английском, немецком, японском, французском, испанском, корейском, арабском, нидерландском, русском, итальянском, польском и португальском языках. Она поддерживает маркеры эмоций, интонации и некоторых звуковых проявлений, например смеха, шёпота и плача, чтобы управлять выразительностью синтеза. В README приведены результаты Seed TTS Eval для английского языка, но они не гарантируют аналогичного качества для всех языков и сценариев. Для использования весов применяется лицензия CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и предусматривает условия атрибуции и распространения производных материалов.

Карточка модели TopherAU/OmniVoice 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.

Карточка модели Supbatomic/OmniVoice-bf16 на Hugging Face совпадает с карточкой drbaph/OmniVoice-bf16, поэтому описание составлено по ней. OmniVoice-bf16 — конверсия модели OmniVoice от k2-fsa в формат bfloat16, опубликованная пользователем drbaph. Это плотная модель преобразования текста в речь на архитектуре diffusion language model; версия использует веса и активации BF16 вместо FP32, что примерно вдвое сокращает размер файлов и потребление видеопамяти при заявленной незначительной потере качества. Модель предназначена для многоязычного синтеза речи, генерации голоса по описанию и клонирования голоса без предварительного обучения на конкретном дикторе. В карточке заявлена поддержка более 600 языков, а метаданные перечисляют языки от болгарского до японского. Модель подходит для локальной генерации речи через OmniVoice, в том числе в ComfyUI; README также указывает на возможность использования через исходный интерфейс OmniVoice. Для ускоренной работы рекомендуется GPU NVIDIA с CUDA и нативной поддержкой BF16, доступной на Ampere и более новых поколениях; на CPU инференс поддерживается, но медленный. Репозиторий содержит формат safetensors и имеет лицензию Apache-2.0.

OmniVoice-bfloat16 — версия многоязычной модели синтеза речи OmniVoice, подготовленная сообществом mlx-community для Apple Silicon и библиотеки MLX. Это преобразование весов k2-fsa/OmniVoice в формат MLX с точностью bfloat16; конфигурация, токенизатор и необходимые компоненты аудиотокенизатора взяты из официального чекпойнта. Исходная модель поддерживает синтез речи с нуля по тексту и клонирование голоса. Модель предназначена для локального синтеза речи и создания озвучки на устройствах Apple Silicon. Версия bfloat16 описана как качественный вариант для такого применения. Для клонирования голоса нужен полный аудиотокенизатор: облегчённые ресурсы могут декодировать аудио, но не обеспечивают надёжное кодирование голоса говорящего. Используются лицензия Apache-2.0 и условия исходного репозитория k2-fsa/OmniVoice.

OmniVoice-GGUF — это набор весов в формате GGUF для C++17/GGML-порта OmniVoice, разработанного Xiaomi и командой k2-fsa; конверсию и инструменты запуска предоставляет ServeurpersoCom. Модель предназначена для многоязычного синтеза речи в режиме zero-shot, включая voice design и клонирование голоса по образцу. Она генерирует монофонический звук с частотой 24 кГц и поддерживает 646 языков; в карточке отдельно указаны английский, французский, немецкий, испанский, итальянский, португальский, китайский, японский, корейский, арабский и русский языки. Для работы требуются одновременно два файла: базовая модель omnivoice-base, использующая Qwen3 0.6B для преобразования текста в токены, и токенизатор omnivoice-tokenizer на базе HuBERT, DAC и RVQ для преобразования токенов в аудио и обратно. Доступны варианты F32, BF16, Q8_0 и Q4_K_M объёмом от примерно 659 МБ до 3,19 ГБ за комплект; Q8_0 рекомендуется как вариант по умолчанию, а Q4_K_M — для минимального использования VRAM. Модель может работать на CPU, CUDA, ROCm, Metal и Vulkan. Сильные стороны модели — широкий языковой охват, поддержка синтеза и клонирования голоса, а также запуск на различных аппаратных платформах и в локальном C++-окружении. Ограничения включают необходимость загружать два файла, зависимость качества и ресурсоёмкости от выбранной квантизации и некоммерческий характер лицензии весов. Веса распространяются по CC-BY-NC 4.0; исходный код OmniVoice имеет лицензию Apache 2.0, аудиокодек — Apache 2.0, а инструменты GGUF — MIT.

InternVL3_5-4B-GGUF — это квантизированная GGUF-версия модели InternVL3_5-4B, разработанной OpenGVLab и подготовленной пользователем bartowski. Модель относится к классу image-text-to-text и предназначена для задач, в которых требуется обрабатывать изображения вместе с текстовыми запросами и генерировать текстовые ответы. Конкретные сценарии применения, поддерживаемые языки и размер контекста в представленном README не указаны. Модель доступна в формате GGUF для запуска через llama.cpp, LM Studio и другие совместимые проекты. Представлены варианты от исходных весов BF16 размером 8,83 ГБ до сильно сжатых квантов, включая Q8_0, Q6_K, Q5_K, Q4_K, IQ4, Q3_K и Q2_K; размеры файлов варьируются примерно от 1,98 до 4,69 ГБ для указанных квантованных вариантов. Квантизация выполнена с использованием imatrix и llama.cpp release b6258. Более высокие уровни квантования обычно обеспечивают лучшее качество, а компактные варианты требуют меньше оперативной памяти, но могут заметно уступать по качеству. README не содержит сведений о лицензии исходной модели или квантованных файлов, поэтому условия использования необходимо уточнять на странице оригинальной модели OpenGVLab/InternVL3_5-4B и репозитории данной версии. Формат промптов также не приведён; автор рекомендует обратиться к документации оригинальной модели.

re-skill/orpheus-tj-early — ранний чекпойнт модели Orpheus TTS, дообученный на таджикской речи. Модель разработана на базе архитектуры Llama и предназначена для синтеза речи по тексту; карточка описывает её как ориентированную на ясную, выразительную и эмпатичную речь с потоковой генерацией. В метаданных указаны 3,3 млрд параметров, библиотека Transformers, формат Safetensors и контекстное окно 131 072 токена. Чекпойнт выпущен 25 июля 2025 года после обучения на 35 часах аудиоданных. В метаданных перечислены связи с canopylabs/orpheus-3b-0.1-pretrained и meta-llama/Llama-3.2-3B-Instruct; происхождение обозначено как слияние. Лицензия — Apache-2.0. Это ранняя версия, поэтому качество и устойчивость синтеза могут быть ограничены небольшим объёмом обучающих аудиоданных.

Pakorn2112/Orpheus-TTS-hmong-3b — модель синтеза речи на языке хмонг (Hmoob / Hmong Daw), созданная LocalVoice.org на основе Orpheus-3B TTS. Это дообученная PEFT LoRA модель семейства Llama с 3,3 млрд параметров; для кодирования аудио используется SNAC с частотой 24 кГц. Модель принимает текст и выдаёт речь, поддерживает эмоциональные метки и необязательный префикс для нескольких голосов. Модель предназначена для озвучивания текста на хмонг, в том числе потокового и работающего в реальном времени на одной GPU. В README рекомендуются чистые монофонические записи WAV с частотой 24 кГц и отдельные реплики длиной 1–8 секунд для получения качественного результата. Контекстная длина по метаданным — 131 072 токена. Лицензия — Apache-2.0.

OuteTTS-0.2-500M-GGUF — модель синтеза речи от OuteAI, представленная в формате GGUF. Она построена на базе Qwen-2.5-0.5B и сохраняет подход с использованием аудиопромптов без архитектурных изменений базовой модели. Для обучения применялись более пяти миллиардов аудиотокенов и разнообразные датасеты, включая Multilingual LibriSpeech, LibriTTS-R, Emilia и MLS English. Модель предназначена для преобразования текста в речь, управления характеристиками голоса и клонирования голоса по аудиопрофилю. Заявлена поддержка английского языка, а также экспериментальная поддержка китайского, японского и корейского языков. По сравнению с предыдущей версией улучшены следование промптам, связность и естественность речи, а также разнообразие и точность клонирования голоса. Без профиля диктора модель может генерировать голос со случайными характеристиками; для более стабильного голоса рекомендуется использовать профиль диктора. Модель рассчитана на локальный запуск через совместимые инструменты, включая llama-cpp-python для GGUF. Ограничения включают экспериментальный статус поддержки китайского, японского и корейского языков, а также необходимость самостоятельно устанавливать backend для работы с GGUF. Лицензия — CC BY-NC 4.0, допускающая использование с ограничениями, включая некоммерческий характер применения.

Это предварительно обученная мультимодальная модель OLA-VLM, разработанная авторами проекта OLA-VLM. Она переносит визуальную информацию от целевых энкодеров в промежуточные представления языковой модели, обучаясь одновременно предсказывать эмбеддинги на выбранных слоях и следующий токен. Модель предназначена для диалога по изображениям и генерации текста с визуальным контекстом. Архитектура основана на плотной модели OlaLlavaLlamaForCausalLM и дообученной Meta-Llama-3-8B-Instruct; размер составляет 7,5 млрд параметров, контекст — 8192 токена. В карточке указана поддержка английского языка, библиотека Transformers и формат safetensors. Лицензия — Apache-2.0. Количественные оценки качества и конкретные ограничения в карточке не приведены.

mlx-community/Qwen2-VL-2B-Instruct-4bit — мультимодальная instruction-модель сообщества mlx-community, конвертированная в формат MLX из Qwen/Qwen2-VL-2B-Instruct с использованием mlx-vlm версии 0.0.13. Модель предназначена для задач, где требуется обработка изображений и текста, включая сценарии image-text-to-text и генерацию ответов по мультимодальным запросам. Модель имеет размер 2B параметров и использует 4-битное представление, что делает её ориентированной на запуск в экосистеме MLX. В карточке указаны поддержка английского языка и библиотека Transformers; другие языки, размер контекстного окна и подробности архитектуры не указаны. Для использования предлагается пакет mlx-vlm. К сильным сторонам относятся мультимодальные возможности, instruction-настройка и компактное 4-битное представление. Ограничения и возможные компромиссы квантования в карточке не описаны, поэтому качество на конкретных задачах следует оценивать отдельно. Модель распространяется по лицензии Apache-2.0.

zhengbang0707/Qwen3.5-9B-meSFT — дообученная модель на базе Qwen/Qwen3.5-9B, обученная на наборе данных vlguard_Qwen3.5-9B_meSFT. Это мультимодальная плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration; метаданные указывают поддержку чата и зрения, а основная задача на Hugging Face — image-text-to-text. В карточке приведён результат оценки: loss 1.1224. Модель предназначена для диалоговых сценариев с изображениями, где требуется сформировать текстовый ответ по визуальному вводу. README не раскрывает конкретные целевые сценарии или ограничения; назначение дообучения можно связать с названием обучающего набора, но его содержание не описано. Лицензия указана как other, поэтому конкретные условия использования по имеющимся данным определить нельзя.

mlx-community/Qwen3.6-35B-A3B-8bit — это 8-битная версия модели Qwen3.6-35B-A3B, разработанная сообществом mlx-community и преобразованная в формат MLX из исходной модели Qwen/Qwen3.6-35B-A3B. Конвертация выполнена с использованием mlx-vlm версии 0.4.4. Модель предназначена для мультимодальных задач, связанных с обработкой изображений и текста, включая генерацию текстового описания изображения. В карточке указано, что она поддерживает сценарии image-text-to-text и может запускаться с помощью mlx-vlm на устройствах, совместимых с MLX. Обозначение 35B-A3B присутствует в названии исходной модели, однако подробности об архитектуре, количестве активируемых параметров, языках и размере контекста в README не приведены. К сильным сторонам модели относятся 8-битное представление и адаптация к экосистеме MLX, что может упростить запуск и снизить требования к памяти по сравнению с полноразмерной версией. Ограничения, точные мультимодальные возможности и качество работы README не описывает; за подробными характеристиками предлагается обращаться к карточке исходной модели Qwen/Qwen3.6-35B-A3B. Модель распространяется по лицензии Apache-2.0.

mlx-community/Qwen3.8-27B-8bit — модель, преобразованная из Qwen/Qwen3.8-27B в формат MLX сообществом mlx-community. Конвертация выполнена с использованием mlx-vlm версии 0.6.8. Модель предназначена для запуска средствами MLX и ориентирована на задачи image-text-to-text, включая анализ и описание изображений по текстовому запросу. Модель имеет размер 27B и 8-битное представление весов. Она поддерживает обработку текста и изображений, однако сведения о точной архитектуре, языках, размере контекстного окна, характеристиках качества и ограничениях в предоставленной карточке отсутствуют; за ними следует обращаться к карточке исходной модели Qwen/Qwen3.8-27B. Формат MLX делает модель предназначенной прежде всего для использования в экосистеме Apple и совместимых сценариях запуска через mlx-vlm. Модель распространяется по лицензии Apache-2.0. Для работы требуется пакет mlx-vlm; конкретные требования к оборудованию и производительности в карточке не указаны.

Qwen3-ASR-0.6B Amharic - Broader Mixed — модель распознавания речи на амхарском языке, разработанная на основе Qwen3-ASR-0.6B. Она предназначена для транскрибации амхарской речи и адаптации к разным источникам записи; вариант с более широким набором аудиотекстовых данных рекомендован, когда важна обобщающая способность за пределами тщательно отобранного обучающего домена. Модель использует плотную архитектуру Qwen3-ASR и принимает аудио, выдавая текст. В тесте WAXAL её WER составил 36,57%; на отложенной выборке из исходного домена WER составил 37,46%, поэтому результаты зависят от корпуса и условий записи. Качество может меняться в зависимости от условий записи, говорящего, диалекта, предметной области и длительности аудио; возможны пропуски слов и ошибки, поэтому текст для ответственных задач требует проверки человеком. Обучающие данные включают частную смесь курируемых и дополнительных амхарских аудиотекстовых данных, а опубликованные тесты охватывают ограниченный набор корпусов. Модель не предназначена для идентификации говорящего, перевода или выравнивания временных меток. Лицензия — Apache-2.0.

BricksDisplay/Qwen3-TTS-12Hz-0.6B-GGUF — это конвертация базовой модели Qwen/Qwen3-TTS-12Hz-0.6B-Base, разработанной Alibaba в рамках семейства Qwen3. Модель предназначена для синтеза речи и клонирования голоса по эталонной аудиозаписи. Она представлена в формате GGUF и состоит из двух файлов: backbone и codec вместе с codec_lm, поэтому для инференса требуется совместимый runtime, например llama.cpp для backbone и codec.cpp для аудиокомпонентов. Архитектура включает Qwen3 talker на 28 слоях со скрытым размером 1024, аудиотокенизатор с 16 кодовыми книгами RVQ и частотой кадров 12,5 Гц, а также четырёхслойный depth decoder в codec_lm. Это аудиомодальная codec_lm-модель: первый код генерируется самим codec_lm, после чего коды преобразуются в монофонический PCM-аудиосигнал с частотой 24 кГц. Заявлена поддержка английского, китайского, японского, корейского, французского, немецкого, испанского, итальянского, португальского и русского языков. Для клонирования голоса нужны эмбеддинг говорящего размерностью 1024 и коды эталонной аудиозаписи. Энкодер говорящего в комплект не входит, поэтому требуется отдельная модель Qwen/Qwen3-TTS-12Hz-Speaker-Encoder или заранее подготовленный артефакт. Доступны варианты квантования backbone от F32 до Q2_K и codec от F32 до Q4_K_M, что позволяет выбирать между качеством и требованиями к памяти. Модель распространяется по лицензии Apache-2.0.

mlx-community/Qwen3-TTS-12Hz-1.7B-Base-8bit — модель синтеза речи, преобразованная из Qwen/Qwen3-TTS-12Hz-1.7B-Base в формат MLX сообществом mlx-community с использованием mlx-audio версии 0.3.0. Модель предназначена для генерации аудио по текстовому запросу и поддерживает сценарии text-to-speech; в примере использования также указана передача эталонного аудиофайла, что соответствует сценарию клонирования или адаптации голоса. Модель имеет размер 1,7B параметров, использует 8-битное представление и рассчитана на работу через библиотеку mlx-audio, в том числе на устройствах экосистемы MLX. В README не указаны архитектура, поддерживаемые языки и модальности, максимальная длина контекста, характеристики качества или требования к аппаратному обеспечению. Поэтому нельзя подтвердить конкретный набор языков, тембр и устойчивость синтеза в различных условиях. К сильным сторонам относятся MLX-совместимый формат, уменьшенная точность хранения и поддержка генерации речи с возможностью указать референсное аудио. Ограничения и область применения следует уточнять по оригинальной карточке Qwen/Qwen3-TTS-12Hz-1.7B-Base. Модель распространяется по лицензии Apache-2.0.

eugenehp/sesame — staging-копия весов Sesame CSM-1B, подготовленная для запуска средствами RLX. Модель предназначена для разговорного синтеза речи по тексту; в репозитории размещены веса в форматах Safetensors и GGUF, а также токенизатор и конфигурация для генерации. Архитектура — CSM, около 977 млн параметров; указанное родное окно контекста составляет 2048 токенов. Репозиторий создан как стабильная точка загрузки контрольной точки для рецептов RLX и описан как незакрытое зеркало upstream-модели. README рекомендует обращаться к upstream, если нужна исходная контрольная точка. Лицензия — Apache-2.0. Карточка не описывает поддерживаемые языки, качество и настройки голоса, поэтому эти свойства нельзя установить по представленным данным.

Skywork_Skywork-R1V3-38B-GGUF — это квантизированная GGUF-версия модели Skywork-R1V3-38B, разработанной командой Skywork и подготовленной пользователем bartowski. Модель предназначена для задач преобразования изображений и текста в текст, а также для запуска локальных мультимодальных сценариев через llama.cpp, LM Studio и другие совместимые проекты. В репозитории представлены варианты с точностью от BF16 до низкоразрядных форматов Q2–Q8 и IQ. Базовая модель содержит 38 млрд параметров; размер файлов варьируется примерно от 13 до 66 ГБ в зависимости от формата. Для квантования использовался llama.cpp с методом imatrix. Указан английский язык, однако сведения о размере контекста, конкретной архитектуре и полном наборе поддерживаемых языков отсутствуют. Сильной стороной модели является широкий выбор квантовок: варианты Q6 и Q5 ориентированы на высокое качество, а Q4 и Q3 позволяют снизить требования к оперативной памяти. Более компактные варианты экономичнее по ресурсам, но могут заметно уступать по качеству. Для корректной работы требуется указанный шаблон промпта с тегами system, user, assistant и маркером <think>. Модель распространяется по лицензии MIT.

liamcripwell/sle-base — модель Роберта Крипуэлла для оценки метрики SLE, описанной в соответствующей статье. Она основана на roberta-base с добавленной регрессионной головой и предназначена для классификации текста с выдачей числовой оценки простоты предложения. Модель можно использовать для получения оценки простоты отдельного предложения, а также для вычисления разницы SLE между исходным и упрощённым предложениями при оценке систем упрощения текста. Архитектура — RoBERTa с 151,9 млн параметров; максимальная длина контекста составляет 514 токенов. Поддерживается английский язык. Веса доступны в формате PyTorch, лицензия — MIT. Оценки SLE служат метрикой и не заменяют экспертную проверку качества упрощения. Описание не сообщает о проверке на других языках или о надёжности оценок за пределами задачи, описанной в статье.

SmolVLM2-256M-Video-Instruct — компактная мультимодальная модель Hugging Face для анализа видео, изображений и текста. Она основана на архитектуре Idefics3 и использует семейство SmolVLM; метаданные связывают её с базовой моделью HuggingFaceTB/SmolVLM-256M-Instruct. Модель принимает текстовые запросы вместе с видео или одним либо несколькими изображениями и формирует текстовые ответы. Поддерживаются английский язык, описание визуального содержимого, ответы на вопросы по видео и изображениям, сравнение материалов и распознавание текста на изображениях. Модель рассчитана на компактное развертывание: для инференса по видео README приводит потребление около 1,38 ГБ видеопамяти. Она подходит для локальных и встраиваемых сценариев с ограниченными ресурсами и дообучения под конкретную задачу. По приведённым бенчмаркам версия на 256 млн параметров уступает более крупным вариантам семейства; генерация изображений и видео не поддерживается, а ответы могут быть неточными. README предостерегает от использования модели для критически важных решений, оценки людей и других высокорисковых сценариев. Лицензия — Apache 2.0.

Sori-1B — модель понимания аудио, разработанная Сонуком Кимом и Human Interface Lab Сеульского национального университета. Она принимает аудиоклип и вопрос на естественном языке, распознаёт содержание и формирует ответ; модель предназначена для работы с речью, музыкой и окружающими звуками в одном сценарии. Архитектура объединяет аудиоэнкодер на основе LiquidAI/LFM2.5-Encoder-350M и языковую модель LFM2.5-350M-Base; в README указано 933 млн параметров. Этапы обработки аудио основаны на дистилляции выходов энкодера NVIDIA Audio Flamingo Next, а языковая модель обучена разработчиками проекта. Репозиторий доступен по условиям gated-доступа и лицензии other; карточка указывает академическое применение и активную исследовательскую разработку. Модель отвечает фразой, числом или списком, а при заданных вариантах может выбрать один из них. README заявляет поддержку аудио любой длительности без обрезки и обработку на CPU, однако модель работает в fp32, а проект обозначен как предварительная версия. Язык ответа и качество на разных языках отдельно не описаны; метаданные карточки указывают английский.

Pout/speecht5_finetuned_flemish — дообученная версия SpeechT5 от Microsoft для синтеза речи из текста. Модель использует архитектуру SpeechT5ForTextToSpeech; файлы опубликованы в формате safetensors. В метаданных указан тег text-to-audio, лицензия MIT и базовая модель microsoft/speecht5_tts. Модель предназначена для преобразования текста в аудио. Название указывает на фламандский вариант, однако README не уточняет язык обучающих данных, характеристики голоса и условия оценки. Для базовой модели указано обучение на LibriTTS; датасет этой дообученной версии не раскрыт. В README приведено значение loss 0,3891 на оценочном наборе, без описания методики и возможности сравнения с другими моделями.