I.15Доступность и ассистивные технологии

Это дообученная модель SpeechT5, созданная на основе microsoft/speecht5_tts. Она предназначена для синтеза речи по тексту и опубликована в формате safetensors. В README приведён результат оценки: loss 0,3634; сведения о наборе данных, голосе и условиях оценки не раскрыты. Модель распространяется по лицензии MIT. Карточка не описывает поддерживаемые языки, характеристики голоса или практические ограничения, поэтому эти свойства нельзя надёжно определить.

Это модель синтеза речи из текста на основе SpeechT5, разработанная автором репозитория sapinsapin и дообученная на датасете sapinsapin/pld. Она предназначена для озвучивания текста на языке war. В README указаны обучение на 1745 аудиофрагментах в течение 1000 шагов и тестовые примеры синтеза с conditioning по x-вектору говорящего и вокодером microsoft/speecht5_hifigan. Модель использует архитектуру SpeechT5 и библиотеку Transformers; веса сохранены в формате safetensors. Базовая модель дообучалась Microsoft на LibriTTS. Лицензия — MIT.

Карточка модели vdaular/sulphur-caption на Hugging Face совпадает с карточкой SulphurAI/sulphur-caption, поэтому описание составлено по ней. Sulphur Caption — модель для автоматического создания подробных подписей к видео. Её разработал автор SulphurAI; в основе лежит Gemma 4 31B, а для обработки звука используется Parakeet 0.6B TDT v3. Модель принимает видео и выдаёт текстовые описания сцен с временными деталями, сведениями о камере и водяных знаках. В README также описана обработка аудио через Parakeet bridge, которая может пропускать тихие, неразборчивые, перекрывающиеся и неречевые звуки. Модель предназначена для пакетной подписи видео и подготовки исходных подписей для LoRA-датасетов. Доступны настройки длины, подробности и стиля описания, а для обработки папок предусмотрены пакетная обработка и сохранение текстового файла для каждого видео. В README указана поддержка 4–20 кадров при обучении; запуск требует около 70 ГБ видеопамяти для bf16 или 38 ГБ для варианта fp8. Автор оценивает качество как приемлемое, но не рекомендует полагаться на модель без проверки подписей. Для примеров vLLM требуется поставляемая исправленная версия рантайма. Лицензия — CC BY 4.0.

TrorYongASR-small — модель распознавания речи на архитектуре Encoder-Decoder, разработанная KHUN Kimang и опубликованная KrorngAI. Вариант Small содержит 135 млн параметров: аудиоэнкодер состоит из 12 слоёв с 12 головами внимания, текстовый декодер — из одного Transformer-блока с 24 головами. Аудио преобразуется в логарифмические мел-спектрограммы с 80 мел-полосами. Модель предназначена для транскрибации речи на кхмерском и английском языках. По тестам из карточки, английская речь распознаётся заметно лучше кхмерской: WER составляет соответственно 21,75% и 50,46%. Также модель обучалась для перевода между аудио на кхмерском и английском текстом, но эта возможность не оценена из-за малого объёма данных. Модель не выдаёт временные метки и не выполняет обнаружение речи; качество может снижаться при шуме, реверберации, разных акцентах и стилях речи. Лицензия указана как other; конкретные условия в карточке не приведены.

Tugstugi Regional ASR — модель автоматического распознавания речи, разработанная BengaliAI и дообученная на Whisper Medium от OpenAI. Она обучена на региональной бенгальской речи из набора Ben-10, включающего десять диалектов, и предназначена для преобразования такой речи в текст. Модель содержит 455,8 млн параметров, использует архитектуру Whisper и принимает аудио, выдавая текстовую транскрипцию. Карточка связывает её с исследованием об обобщении моделей распознавания речи на региональные диалекты языков с ограниченными ресурсами. Лицензия — Apache-2.0. Модель ориентирована на бенгальскую речь и региональные диалекты. Карточка не сообщает о качестве на других языках или в условиях, отличающихся от обучающих данных; результаты на них могут быть менее надёжными.

Vekol-STT Sorani — компактная модель распознавания речи на центральнокурдском языке (сорани), разработанная Revge и дообученная на базе OpenAI Whisper Base. Она преобразует аудио в текст на арабском письме и предназначена для локальной работы без подключения к сети, в том числе на CPU. Модель содержит 51,7 млн параметров; доступны форматы ONNX и Safetensors, а README также описывает варианты размером 72 МБ и 36 МБ для int8 и int4. Для запуска можно использовать ONNX Runtime или Transformers с PyTorch. Модель обучалась на Common Voice 25.0 для ckb и FLEURS для ckb_iq. На тестовой выборке Common Voice с разделением по дикторам заявлены WER 29,0% и CER 7,95% без учёта пробелов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Качество распознавания зависит от аудио и может быть недостаточным для задач, требующих высокой точности; показатели README относятся к указанной тестовой выборке.

VibeVoice-Realtime-0.5B-fp16 — конвертированная в формат MLX модель синтеза речи от mlx-community, созданная на основе microsoft/VibeVoice-Realtime-0.5B. Она принимает текст и генерирует речь в потоковом режиме; карточка также указывает поддержку генерации длинных речевых фрагментов. В метаданных указана архитектура VibeVoice Streaming, а базовая модель — Qwen/Qwen2.5-0.5B. Репозиторий содержит веса Safetensors и рассчитан на использование с библиотекой mlx-audio. Модель поддерживает английский язык. Лицензия — MIT. Это конверсия модели для MLX; README отсылает за подробностями о характеристиках и ограничениях к карточке исходной модели, поэтому дополнительные гарантии качества или сведения о голосах здесь не подтверждены.

VieNeu-TTS-0.3B — модель преобразования текста в речь для вьетнамского языка, разработанная Phạm Nguyễn Ngọc Bảo. Модель предназначена для локального и встроенного использования, включая синтез речи, голосовые интерфейсы, чат-боты в реальном времени и чтение текста. Модель имеет размер 0,3 млрд параметров и оптимизирована для высокой скорости работы на устройствах. По заявлению автора, она обеспечивает примерно вдвое более быструю инференцию по сравнению с версией 0,5B при сохранении высокого качества речи. Поддерживается мгновенное клонирование голоса по 3–5 секундам референсной аудиозаписи, а также готовые предустановленные голоса. Доступны варианты в форматах PyTorch и GGUF с квантованием Q4 и Q8. Архитектура, максимальная длина контекста и точные требования к ресурсам в README не указаны. Сильными сторонами модели являются специализация на вьетнамской речи, возможность работы на устройстве, высокая скорость и zero-shot клонирование голоса. Ограничение — заявленная языковая поддержка охватывает только вьетнамский язык, а качество клонирования и синтеза может зависеть от референсной записи и используемой конфигурации. Модель распространяется по лицензии Apache-2.0.

VieNeu-TTS-q4-gguf — модель синтеза речи на вьетнамском языке с мгновенным клонированием голоса, разработанная Phạm Nguyễn Ngọc Bảo. Она предназначена для офлайн- и on-device-сценариев, включая озвучивание текста, голосовые интерфейсы, создание контента и приложения реального времени. Модель поддерживает плавное переключение между вьетнамским и английским языками, работает с эталонной аудиозаписью длительностью 3–5 секунд и может использоваться через Python API, CLI или Gradio. В основе лежит языковая модель Qwen 0.5B в формате chat-format LM, а для кодирования и декодирования речи используется NeuCodec с поддержкой ONNX и квантования. Модель генерирует 24 кГц аудио, имеет общее окно контекста 2048 токенов для текста и речи и ориентирована на синтез в реальном времени или быстрее на CPU и GPU. Обучение проводилось примерно на 1000 часах вьетнамской речи с использованием VieNeuCodec-dataset и предварительного обучения на датасете Emilia. Доступны мужские и женские голоса с северным и южным вьетнамскими акцентами; качество клонирования зависит от четкости эталонной записи. В модели включён watermark. Лицензия — Apache 2.0.

VieNeu-TTS v2 Turbo — GGUF — лёгкая оптимизированная для CPU модель синтеза речи, разработанная командой VieNeu-TTS и опубликованная пользователем или организацией pnnbao-ump. Модель преобразует текст в речь на вьетнамском и английском языках, поддерживает смешанные вьетнамско-английские предложения без предварительной разметки языковых границ и предназначена для офлайн-использования на ноутбуках, периферийных устройствах и компьютерах класса Raspberry Pi. Архитектура состоит из двух этапов: трансформерная LLM в формате GGUF, предсказывающая дискретные аудиокодековые токены на основе текста и эмбеддинга говорящего, и ONNX-нейрокодек VieNeu-Codec на основе VQ-VAE, декодирующий их в аудиосигнал с частотой дискретизации 24 кГц. Модель рассчитана на работу через llama-cpp-python, не требует GPU, поддерживает предустановленные голоса и zero-shot клонирование голоса по аудиофрагменту длительностью 3–5 секунд. К сильным сторонам относятся высокая скорость, работа в реальном времени или быстрее на обычном CPU, поддержка code-switching, локальный режим и встроенная незаметная водяная маркировка аудио. Ограничения включают отсутствие заявленной поддержки мобильных SDK и потокового API, а также необходимость достаточного объёма оперативной памяти. Модель распространяется по лицензии Apache 2.0.

VieNeu-TTS v3 Turbo GGUF — GGUF-версия модели синтеза речи VieNeu-TTS-v3-Turbo, разработанной pnnbao-ump и упакованной для работы с audio.cpp. Модель содержит сжатую talker-основу Qwen3 и веса токенизатора и декодера речи; размер исходной архитектуры составляет 103,8 млн параметров, контекст — до 1024 токенов. Репозиторий описывает один GGUF-файл размером 163 МБ и генерацию аудио с частотой 48 кГц. Модель преобразует текст в речь и предназначена для локального запуска, в том числе на CPU через C++ без PyTorch. В README приведены замеры, показывающие быстрое время загрузки и генерации в audio.cpp на тестовой конфигурации с четырьмя потоками. В метаданных указаны вьетнамский и английский языки. Лицензия в предоставленных данных не указана.

viitor-voice-mix — компактная модель синтеза речи, разработанная проектом Viitor. Она построена на архитектуре Qwen2 и содержит около 498 млн параметров. Модель преобразует текст на китайском и английском языках в речь; заявлены потоковая генерация с низкой задержкой, более 300 вариантов голоса и настройка скорости речи. Также поддерживается клонирование голоса без предварительного обучения на образце, но эта возможность обозначена авторами как исследовательская. Модель предназначена для генерации речи в интерактивных приложениях, озвучивания презентаций и развлекательного контента, а также для развертывания на серверных и периферийных устройствах. В README заявлена задержка первого аудиокадра 200 мс на Tesla T4. Веса опубликованы в формате safetensors; лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование.

VILA-HD-8B-PS3-4K-SigLIP2 — мультимодальная языковая модель NVIDIA для понимания изображений высокого разрешения и ответов на вопросы по ним. Модель основана на PS3-4K-SigLIP2 и использует архитектуру LlavaTopDownLlamaModel; репозиторий содержит веса в формате safetensors. В README заявлен вход для изображений и текста, включая текстовые запросы до 12 288 токенов, и генерация текстовых ответов. Метаданные указывают английский язык. Модель предназначена для извлечения визуальных признаков и анализа изображений, в том числе фотографий с разрешением до 3780 × 3780 пикселей согласно таблице моделей VILA-HD. В примере показан ответ на вопрос о том, куда ведёт выход на изображении. Модель ориентирована на запуск на системах с ускорителями NVIDIA. Лицензия CC BY-NC-SA 4.0 требует указания авторства и ограничивает коммерческое использование; README указывает исследовательскую и разработческую направленность.

VoiceTut-TTS — модель преобразования текста в речь, созданная разработчиком репозитория на основе OmniVoice от k2-fsa и дообученная на примерно 380 часах египетской арабской речи из подкастов. Она предназначена для синтеза естественной египетской арабской речи, в том числе с переключением между арабским и английским языками. В основе — текстовый Qwen3-0.6B и аудиотокенизатор Higgs; модель использует библиотеку OmniVoice и распространяется в формате safetensors. Модель предлагает 17 встроенных голосов, клонирование голоса по короткому аудиопримеру, нормализацию чисел, дат, валют, телефонных номеров, адресов и сокращений, а также потоковую выдачу аудио частями для длинного текста. В README указаны результаты измерения скорости на NVIDIA T4: средний коэффициент реального времени 1,13 и время до первого аудио при потоковой генерации 1,68 секунды. Лицензия — Apache-2.0. Клонирование чужого голоса следует выполнять только с согласия его владельца; авторы также предостерегают от имитации людей и создания вводящего в заблуждение аудио. Данные о размере всей модели и максимальной длине текста не приведены.

mlx-community выпустило 4-битную MLX-версию VoxCPM2 — многоязычной модели синтеза речи OpenBMB с плотной архитектурой и 2 млрд параметров. Модель преобразует текст в речь с частотой дискретизации 48 кГц и поддерживает 30 языков, включая английский, китайский, индонезийский, японский и корейский. Репозиторий предназначен для запуска через библиотеку mlx-audio на Apple Silicon. Модель поддерживает синтез речи без аудиореференса, продолжение аудио, клонирование голоса по короткому образцу и создание голоса по текстовому описанию. Квантизованы до 4 бит только слои LM; VAE и DiT оставлены в полной точности. По карточке, размер этой версии составляет 2,30 ГБ, а качество лишь минимально снижается относительно неквантизованной версии. Лицензия — Apache 2.0. README указывает, что 4-битная версия самая компактная и быстрая из приведённых вариантов; результаты производительности относятся к Apple Silicon и зависят от оборудования и режима генерации.

w2v2-lg-xls-r-300m-kasem — модель автоматического распознавания речи на основе Wav2Vec2, дообученная сообществом GhanaNLP на facebook/wav2vec2-xls-r-300m. Она принимает аудио и преобразует речь в текст; число параметров составляет около 402,7 млн. В карточке приведены результаты оценки: WER 0,30174 и eval_loss 1,99408. Модель предназначена для распознавания речи на языке Kasem. Она распространяется в формате Safetensors и рассчитана на использование с библиотекой Transformers. Лицензия CC BY-NC-SA 4.0 требует указания авторства, ограничивает коммерческое использование и предписывает распространять производные работы на тех же условиях.

speech-seq2seq/wav2vec2-2-bert-large-no-adapter — модель распознавания речи, обученная с нуля на наборе LibriSpeech ASR. По метаданным, это плотная архитектура типа SpeechEncoderDecoderModel, работающая с аудиовходом; репозиторий содержит веса PyTorch. В карточке указана оценка WER 1,7858 на тестовом наборе, однако единица измерения и методика оценки не пояснены. Модель предназначена для преобразования речи в текст, в частности для распознавания аудиозаписей на материале LibriSpeech. Описание не содержит сведений о поддерживаемых языках, размере модели, длине контекста или практических сценариях использования. Лицензия в предоставленных данных не указана.

greenw0lf/wav2vec2-large-xls-r-1b-frisian — модель автоматического распознавания речи на архитектуре Wav2Vec2ForCTC, созданная дообучением facebook/wav2vec2-xls-r-1b на Common Voice 13.0. Модель предназначена для преобразования речи на фризском языке в текст. В карточке приведён результат оценки на тестовом наборе: WER 0,1493 и loss 0,2204. Модель содержит около 1,3 млрд параметров и представлена в формате PyTorch; она принимает аудио и выдаёт текстовую транскрипцию. Лицензия — Apache-2.0. Карточка не описывает дополнительные сценарии применения или ограничения качества.

Модель cahya/wav2vec2-luganda разработана для конкурса Mozilla по автоматическому распознаванию речи на языке луганда. Это дообученная на Luganda Common Voice версии 7.0 модель facebook/wav2vec2-large-xlsr-53 с архитектурой Wav2Vec2ForCTC и примерно 402,7 млн параметров. Она принимает аудио и преобразует речь в текст; для входной речи требуется частота дискретизации 16 кГц. В README приведены результаты оценки на тестовой выборке Common Voice: WER 15,38% без KenLM и 7,53% с KenLM. Модель предназначена для распознавания речи на лугандском, а не для задач общего назначения. Распространяется по лицензии Apache-2.0.

Модель Quyashbek/wav2vec2-xls-r-300m-karakalpak разработана Quyashbek Allanazarov и представляет собой дообученную версию facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на каракалпакском языке. Это модель архитектуры Wav2Vec2ForCTC на PyTorch; размер составляет 402,7 млн параметров. Она принимает аудио и преобразует речь в текст, в том числе подходит для расшифровки каракалпакских записей. В README указаны частота дискретизации 16 кГц и результаты проверки на 504 примерах: WER 21,21% и CER 4,34%. Модель распространяется по лицензии Apache-2.0.

TheAIchemist13/whisper-hindi-base — дообученная на наборе данных, обозначенном в карточке как None, версия OpenAI Whisper Base для автоматического распознавания речи. Модель содержит 51,7 млн параметров и принимает аудио, выдавая распознанный текст. Карточка приводит результат оценки: loss 0,4967 и WER 52,9617; это указывает на заметные ошибки распознавания, поэтому качество на конкретных аудиозаписях следует проверять отдельно. Модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0.

xlsr-300m-mizonal3-E2-lus-v2026.06 — модель распознавания речи, разработанная Andrew Bawitlung и дообученная на базе facebook/wav2vec2-xls-r-300m на наборе MiZonal v3.0. В эту версию набора добавлен примерно час разговорной речи. Модель использует архитектуру Wav2Vec2 с CTC-декодером и содержит около 402,7 млн параметров. Модель предназначена для преобразования речи на языке LUS в текст. Эксперимент E2 обучался с аугментацией фонового шума; на тестовом наборе указаны WER 20,3887 и CER 4,0148, а real-time factor — 0,0024. Модель принимает аудио и выдаёт текстовую транскрипцию. Модель распространяется по лицензии Apache-2.0. Результаты относятся к указанному набору оценки; README сообщает, что публикация с подробностями ещё готовится, поэтому качество на других записях не установлено.

Audio8 TTS Preview 0.1B ONNX INT8 — компактная многоязычная модель синтеза речи с zero-shot клонированием голоса, разработанная командой Audio8. Эта версия предназначена для локального запуска на CPU через ONNX Runtime без обязательного использования CUDA, PyTorch или Transformers. Модель поддерживает кантонский и китайский языки, а также нидерландский, английский, французский, немецкий, итальянский, японский, корейский, польский и испанский языки. Релиз имеет статус preview, поэтому языковое покрытие ограничено указанными 11 языками. Основная модель содержит около 100 млн параметров без учёта аудиокодека и использует архитектуру DualAR, вдохновлённую Fish Audio S2 Pro. Медленная авторегрессионная часть представляет собой 24-слойную гибридную Falcon-H1 архитектуру с attention и Mamba, шириной 512, 8 attention heads, 2 KV heads и d_state 64; быстрая авторегрессионная часть содержит 4 слоя шириной 512. Используются 10 codebooks по 4096 элементов. Контекст составляет до 2048 упакованных текстовых и аудиопозиций. Slow AR и Fast AR квантизованы в INT8, кодек работает в FP16, а результатом является монофонический звук FP32 с частотой 44,1 кГц. Сильные стороны модели — небольшой размер, низкое потребление памяти, поддержка локальных профилей голоса и возможность работы на CPU; онлайн-сессии занимают около 0,6 ГБ памяти, а полный репозиторий с компонентом регистрации голоса — около 1 ГБ. Модель подходит для локальных CLI-, web-, HTTP- и streaming-сервисов, однако фактическая производительность и потребление памяти зависят от платформы. Для использования требуется Python 3.10 или новее и совместимая сборка ONNX Runtime; официально протестированы macOS arm64 и Linux x86_64. Модель распространяется по лицензии Apache 2.0. Конструкция ONNX-экспорта и стратегия INT8-квантизации адаптированы на основе общественного проекта Masterx, но графы и инструменты были независимо созданы командой Audio8.

Belle-whisper-large-v3-turbo-zh — модель распознавания речи на основе Whisper, разработанная командой BELLE-2. Она прошла полное дообучение модели openai/whisper-large-v3-turbo для повышения точности распознавания китайской речи. В карточке заявлено относительное улучшение на 24–64% на китайских тестах AISHELL-1, AISHELL-2, WenetSpeech и HKUST по сравнению с исходной моделью. Модель принимает аудио с частотой дискретизации 16 кГц и выдаёт текст с распознанной речью. Она предназначена для транскрибирования китайской речи; в обучающие данные добавлялись знаки препинания, сформированные отдельной моделью punc_ct-transformer_cn-en-common-vocab471067-large. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и доступна в форматах PyTorch и Safetensors для библиотеки Transformers. Ограничение заявленного улучшения состоит в том, что оно относится к указанным китайским тестовым наборам; карточка не приводит оценок на других языках или в иных условиях записи. Лицензия — Apache-2.0.

Celune-1.7B-Calm — односпикерная нейросетевая модель синтеза речи, созданная lunahr на основе дообучения Qwen/Qwen3-TTS-12Hz-1.7B-Base. Она преобразует текст в речь одним фиксированным голосом: мягким, спокойным, с ASMR-подобной подачей. Модель рассчитана на озвучивание персонажей, вспомогательный синтез речи, локальные голосовые системы и творческие проекты; стиль речи можно направлять текстовыми или инструктивными подсказками, сохраняя заданную голосовую идентичность. Модель поддерживает английский и ещё девять языков, включая русский, китайский, японский, корейский, французский, немецкий, испанский, итальянский и португальский. Веса опубликованы в формате safetensors, для запуска указана библиотека faster-qwen3-tts. Лицензия — MIT. Голос и его идентичность фиксированы обучающими данными, поэтому модель не предназначена для синтеза разными дикторами. Чрезмерно необычные инструкции могут сделать речь нестабильной; длинные фрагменты со смешением языков могут ухудшить результат. Для большей стабильности рекомендуется не смешивать языки в одном предложении и не использовать специальные токены или разметку в озвучиваемом тексте.

Модель aufklarer/Chatterbox-Multilingual-hi-MLX-fp16 — экспорт в формате MLX fp16 мультиязычной модели синтеза речи Chatterbox с приоритетом хинди. Автор экспорта — aufklarer; исходные контрольные точки разработаны Resemble AI. В комплект входят веса T3, S3Gen и вокодера, энкодер голоса, токенизатор S3 и токенизатор графем хинди. Модель предназначена для преобразования текста в речь в приложениях на speech-swift и Speech Studio. Карточка описывает её как сборку для движка chatterbox-hi; также в составе есть энкодер голоса, но конкретные сценарии его использования здесь не описаны. Экспорт выполнен в safetensors для MLX с точностью fp16. Модель основана на контрольной точке Chatterbox Multilingual Hindi и распространяется по лицензии MIT. Карточка позиционирует её как вариант с приоритетом хинди; более широкий список поддерживаемых языков и сведения о длине контекста не приведены.

Chatterbox-Turbo-TTS-8bit — модель синтеза речи, опубликованная сообществом mlx-community и преобразованная из ResembleAI/chatterbox-turbo для работы в формате MLX. Она использует архитектуру Chatterbox Turbo и 8-битную квантизацию GPT-2-основы T3, чтобы снизить потребление памяти при сохранении качества аудио. Для работы также требуются веса токенизатора S3TokenizerV2 из mlx-community/S3TokenizerV2, которые загружаются автоматически. Модель предназначена для преобразования текста в речь и запуска через библиотеку mlx-audio-plus на совместимой с MLX среде. В карточке указан английский язык. Данных о размере модели, длине контекста и конкретных настройках голоса в предоставленных источниках нет. Лицензия в источниках не указана.

ChatTTS — модель синтеза речи, опубликованная командой 2Noise. Она преобразует текст в аудио и позволяет задавать параметры речи, включая голос диктора и скорость, а также добавлять смех. Репозиторий содержит веса в формате safetensors и использует библиотеку chat_tts. Модель подходит для озвучивания текста и создания разговорной речи с настраиваемой подачей. README обозначает материалы как предназначенные для академического и образовательного использования и исключает коммерческое или юридическое применение; метаданные указывают лицензию CC BY-NC 4.0.

Darwin-TTS-1.7B-Cross — модель синтеза речи, созданная авторами Darwin Family на основе весов Qwen3-TTS-1.7B-Base и Qwen3-1.7B. Она объединяет 3% FFN-весов языковой модели Qwen3-1.7B с talker-модулем TTS-модели, чтобы усилить эмоциональную выразительность синтезированной речи. По заявлению авторов, при слиянии не проводилось дообучение; остальные компоненты речевого кодека сохранены без изменений. Модель имеет архитектуру Qwen3-TTS и около 2,1 млрд параметров. Она предназначена для генерации речи из текста и заявлена как многоязычная: поддерживает корейский, английский, японский, китайский, немецкий, французский, русский, португальский, испанский и итальянский языки. В метаданных указан формат safetensors и лицензия Apache 2.0. Авторы сообщают, что доля слияния выше 10% может нарушать генерацию и приводить к чрезмерно длинным выходам; отдельные количественные оценки качества в карточке не приведены.

mlx-community/Dia-1.6B — конверсия модели Dia-1.6B от Nari Labs в формат MLX, подготовленная сообществом mlx-community. Модель предназначена для синтеза речи из текста и доступна в формате safetensors для библиотеки MLX. Согласно описанию базовой модели, Dia синтезирует реалистичную диалоговую речь на английском языке, позволяя управлять голосом и эмоциями с помощью аудиоусловия. Карточка этой версии отсылает за подробностями к исходной модели. Модель распространяется по лицензии Apache-2.0.