I.15Доступность и ассистивные технологии

Diana Hungarian TTS — модель синтеза речи на венгерском языке, созданная автором репозитория на основе датасета KTH/hungarian-single-speaker-tts с записями одной женщины — диктора LibriVox. Модель использует архитектуру VITS и содержит 3,6 млн параметров; её веса преобразованы из формата jaywalnut310/vits в формат Transformers и сохранены в safetensors. Она принимает текст и генерирует аудио с частотой дискретизации 22 050 Гц. Модель предназначена для озвучивания венгерского текста одним женским голосом, в том числе для чтения книг и создания речевых образцов. Обучение проводилось на примерно 10 часах речи одного диктора; автор отмечает, что голос иногда может звучать монотонно. Для использования нужны phonemizer и espeak-ng. Лицензия — CC BY 4.0.

Bienvenu2004/donut-base-pv-aws2 — модель архитектуры vision-encoder-decoder, обученная с нуля на наборе данных imagefolder. Она принимает изображения и предназначена для задач преобразования изображений в текст. В метаданных указан формат safetensors и задача image-text-to-text. Карточка не описывает конкретные сценарии применения, языки, размер модели, длину контекста или условия лицензии. Поэтому её специализацию и практическое качество по имеющимся сведениям определить нельзя.

Это квантованная в формате GGUF версия аблитерированной DeepSeek-V4-Flash-Vision-Exp, подготовленная dicksondickson для запуска с DS4 и DwarfStar. Она принимает изображения вместе с текстовым контекстом и генерирует текст, в том числе ответы по визуальному содержимому. Модель основана на drowzeys/keys-DeepSeekV4Flash-Vision-EXP-ablit; в README также указаны вклад Keys в аблитерацию и safetensor anchors, а Antirez — в движок DS4 и шаблон GGUF. Поддерживаются английский и китайский языки. Репозиторий распространяется по лицензии MIT. Квантование снижает требования к хранению и запуску, но конкретный уровень квантования и размер модели в предоставленных данных не указаны. По предупреждению автора, фильтрация безопасности существенно ослаблена, поэтому модель может выдавать чувствительный, спорный или неподходящий контент; результаты следует проверять.

EMOVA-Qwen-2.5-3B-HF — мультимодальная модель семейства EMOVA, разработанная командой EMOVA. Это чекпойнт на 3 млрд параметров, объединяющий возможности текстовой модели и визуального энкодера. Он предназначен для понимания изображений и речи, а также для диалога с генерацией текстовых и эмоционально выразительных речевых ответов. Модель поддерживает английский и китайский языки и 24 речевых стиля, сочетая два голоса, три высоты тона и четыре эмоции. Модель доступна в формате Hugging Face и загружается через Auto API библиотеки Transformers. В README заявлены сценарии визуально-языкового понимания, эмоционального голосового диалога и работы со структурированными данными в устной беседе. Лицензия — Apache-2.0. Метаданные указывают задачи генерации текста и извлечения признаков; карточка также описывает генерацию речи и работу с визуальным вводом.

MLX-версия модели Fish Audio S2 Pro, разработанная сообществом mlx-community на основе оригинальной модели fishaudio/s2-pro. Это система синтеза речи из текста с поддержкой клонирования голоса и тонкого управления просодией и эмоциями при помощи inline-тегов в формате [tag]. Модель обучена более чем на 10 млн часов аудио и поддерживает свыше 80 языков. Модель использует Dual-Autoregressive архитектуру с примерно 5 млрд параметров: медленный авторегрессионный компонент содержит около 4 млрд параметров, быстрый — около 400 млн. Аудиокодек использует 10 кодовых книг с частотой около 21 Гц. Полная поддержка заявлена для японского, английского и китайского языков; сильная — для корейского, испанского, португальского, арабского, русского, французского и немецкого, а также доступна поддержка десятков других языков. Модель предназначена для генерации естественной речи, озвучивания текста, создания выразительных голосовых сцен и синтеза речи с заданным референсным аудио. К сильным сторонам относятся широкий языковой охват, управление интонацией, громкостью, тембром, эмоциями и звуковыми эффектами на уровне отдельных фрагментов текста, а также возможность клонирования голоса. В README не указаны подробные ограничения, требования к оборудованию или количественные оценки качества. Модель распространяется по Fish Audio Research License: исследовательское и некоммерческое использование разрешено бесплатно, а коммерческое требует отдельной лицензии от Fish Audio.

Карточка модели fairy322/higgs-audio-v3-tts-4b-transformers на Hugging Face совпадает с карточкой multimodalart/higgs-audio-v3-tts-4b-transformers, поэтому описание составлено по ней. Higgs Audio v3 TTS (4B) — это вариант модели bosonai/higgs-audio-v3-tts-4b, подготовленный multimodalart для загрузки через библиотеку Transformers без SGLang. Веса исходного чекпойнта скопированы без изменений; добавлены файлы конфигурации и модели для trust_remote_code. В основе — Qwen3-4B с объединёнными аудиоэмбеддингами и выходной головой для нескольких кодовых книг. Модель предназначена для синтеза речи по тексту и поддерживает генерацию с использованием эталонного аудио. На выходе возвращает монофоническую волну с частотой 24 кГц; обработка восьми кодовых книг и декодирование волны выполняются автоматически. Для кодирования эталонного аудио и декодирования используется токенизатор bosonai/higgs-audio-v2-tokenizer. Требуется Transformers версии 5.5 или выше. Чекпойнт рассчитан на некоммерческое исследовательское использование и наследует лицензию исходной модели. Основа LM может загружаться в выбранной точности, для неё рекомендуется bf16; аудиокодек работает в fp32, поскольку декодирование в bf16 нестабильно. README не описывает конкретный охват языков синтеза, поэтому язык из тега en нельзя уверенно считать единственным поддерживаемым языком.

Higgs TTS 3 — модель преобразования текста в выразительную разговорную речь, разработанная Boson AI. Она предназначена для озвучивания ответов в голосовых чатах и создания речи с управлением эмоциями, стилем, просодией, паузами и звуковыми эффектами; поддерживает клонирование голоса по образцу в zero-shot режиме. Модель использует авторегрессионный декодер примерно на 4 млрд параметров с архитектурой Higgs на основе Qwen3. Текстовые и аудиотокены обрабатываются вперемежку; аудио кодируется восемью кодбуками с частотой 25 кадров в секунду. Длина контекста составляет 8192 токена. В README заявлена поддержка более 100 языков: качество выше для основной группы из 85 языков, тогда как для ещё 17 языков результаты менее отшлифованы. Модель подходит для озвучивания диалогов, подкастов, видео и публикаций в социальных сетях. Лицензия Boson Higgs TTS 3 Research and Non-Commercial License разрешает исследовательское и некоммерческое использование; для коммерческих продуктов, размещённых API и встраивания в сервис требуется отдельная лицензия. Создатели цифрового контента могут бесплатно монетизировать созданные материалы при указании авторства Boson AI's Higgs Audio. Лицензия запрещает клонирование голоса без согласия, имитацию личности, мошенничество, обман на выборах и биометрическое наблюдение.

EZCon/Huihui-Qwen3-VL-2B-Instruct-abliterated-mlx — мультимодальная модель семейства Qwen3-VL, преобразованная в формат MLX из huihui-ai/Huihui-Qwen3-VL-2B-Instruct-abliterated. Модель предназначена для диалога, анализа изображений и генерации текстовых ответов по текстовым и визуальным запросам. Это плотная модель с архитектурой Qwen3VLForConditionalGeneration и размером 2B, согласно названию базовой модели. В репозитории используются веса safetensors; для запуска указана библиотека mlx-vlm версии 0.6.17. Базовая модель описана как имеющая существенно сниженную фильтрацию отказов. Данных о поддерживаемых языках и длине контекста в доступной карточке нет. Модель опубликована под лицензией Apache-2.0. Карточка этого репозитория содержит сведения о конверсии и способе запуска, но за подробностями о поведении и ограничениях отсылает к карточке исходной модели.

JanusFlow-1.3B — мультимодальная модель DeepSeek для понимания изображений и генерации изображений в единой системе. Она объединяет авторегрессионную языковую модель с rectified flow; визуальные кодировщики для понимания и генерации разделены. Модель построена на DeepSeek-LLM-1.3B-Base, использует SigLIP-L для анализа изображений размером 384 × 384 и SDXL-VAE для генерации изображений того же разрешения. В карточке указан контрольный чекпойнт EMA после предварительного обучения и supervised fine-tuning. Модель предназначена для диалога о содержимом изображений и создания изображений по текстовым запросам. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — MIT. В метаданных основная задача обозначена как any-to-any. Карточка не сообщает о поддержке конкретных естественных языков.

Ke-Omni-R — дообученная мультимодальная модель KE-Team на базе Qwen2.5-Omni-3B для рассуждений по аудио и ответов на вопросы о звуках, музыке и речи. В карточке описано обучение с GRPO на 10 тысячах примеров, взятых из AVQA и MusicBench, и краткий внутренний процесс рассуждения менее чем из 50 слов. Метаданные указывают архитектуру Qwen2.5 Omni Thinker и формат safetensors. Модель принимает аудио и текстовый запрос и формирует текстовый ответ. В README приведены результаты на бенчмарке MMAU и метрики распознавания речи на тестах WenetSpeech и LibriSpeech; результаты зависят от набора данных и не гарантируют аналогичное качество в иных условиях. Указана лицензия Apache-2.0.

Kokoro-82M-zh-MLX — модель синтеза речи, подготовленная 1038lab на основе архитектуры Kokoro и голосовых эмбеддингов официальной модели kokoro-v1.1-zh от hexgrad. Она преобразует текст в речь и оптимизирована для локального запуска на компьютерах Apple Silicon с использованием MLX и Metal GPU. В карточке заявлены 103 голоса: китайские женские и мужские, а также английские; доступны настройка голоса и скорости, потоковая генерация и создание аудио быстрее реального времени в приведённых тестах на Mac серии M. Модель предназначена для озвучивания китайского и английского текста, например для голосовых интерфейсов, аудиоматериалов и локальной генерации речи на Mac. Репозиторий содержит веса в формате safetensors. Лицензия — Apache 2.0. Размер параметров в предоставленных данных не подтверждён; обозначение 82M входит в название модели.

Joakim разработал Kokoro Swedish — дообученную версию Kokoro-82M для синтеза шведской речи. Модель построена на StyleTTS2 и обучена на записях 23 носителей шведского языка общей длительностью около 8,6 часа. В комплект входят 10 именованных голосов; голосовые профили можно смешивать, чтобы получать промежуточный тембр и подачу. Модель предназначена для преобразования шведского текста в речь с выбором голоса и управлением просодией. Для воспроизведения требуется фонемизация с помощью шведского G2P из Joakim/swedish-kokoro, согласованная с обучением. Модель распространяется в формате PyTorch по лицензии Apache-2.0. В README отмечено, что мужские голоса звучат несколько мягче из-за преобладания женских голосов в обучающей выборке. Также у синтеза остаётся артефакт декодера, который частично уменьшается фильтрацией.

LLaMA-3.1-8B-Omni — речевая языковая модель, разработанная авторами проекта LLaMA-Omni на базе Meta-Llama-3.1-8B-Instruct. Она принимает речевые инструкции и одновременно формирует текстовый и речевой ответы, поддерживая интерактивные диалоги с низкой задержкой; авторы заявляют задержку до 226 мс. Модель содержит 7,5 млрд параметров и использует архитектуру OmniSpeech2S Llama. Для запуска предусмотрены библиотека llama-omni и формат safetensors. В метаданных указано окно контекста 131 072 токена; карточка указывает английский язык. Лицензия обозначена как other, а README предлагает обращаться к авторам за коммерческой лицензией.

LLaVA-JP — разработанная автором карточки модель «зрение–язык», созданная дообучением llm-jp/llm-jp-1.3b-v1.0 методом LLaVA. Она принимает изображения и текстовые запросы и предназначена для диалога о содержимом изображений на японском языке, включая описание сцен и ответы на визуальные вопросы. Модель использует архитектуру LLaVA с плотной языковой частью на 1,3 млрд параметров; для обработки изображений обучался vision projector. Родной контекст составляет 2048 токенов. Обучение проходило в два этапа: предварительное обучение на LLaVA-CC3M-Pretrain-595K-JA и японских подписях STAIR Captions, затем дообучение на LLaVA-Instruct-150K-JA и японском датасете Visual Genome для вопросов и ответов по изображениям. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не приводит количественных оценок качества.

MaskGCT — многоязычная модель синтеза речи из текста, опубликованная Amphion. Она предназначена для преобразования текстовой последовательности в речь и поддерживает английский, китайский, корейский, японский, французский и немецкий языки. Репозиторий содержит веса в формате safetensors; метаданные указывают на дообучение MaskGCT на наборе данных Emilia. Модель можно использовать для генерации речи по тексту в приложениях и исследовательских прототипах. README содержит краткую инструкцию по установке, но не описывает архитектуру, параметры голоса или качество синтеза. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

MeloTTS-English-MLX — порт англоязычной модели синтеза речи MeloTTS от myshell-ai для Apple Silicon, использующий библиотеку MLX Audio. Это сквозная архитектура VITS2: текстовый трансформерный энкодер с относительным позиционным вниманием, предсказатели длительности, нормализующий поток и вокодер HiFi-GAN; для просодических признаков используется bert-base-uncased. Модель преобразует английский текст в речь с частотой дискретизации 44,1 кГц и поддерживает варианты голосов EN-US, EN-BR, EN_INDIA, EN-AU и EN-Default. Она подходит для озвучивания текста в приложениях на устройствах Apple Silicon. Репозиторий содержит конвертированный вариант исходной модели myshell-ai/MeloTTS-English; лицензия — MIT.

MioTTS-2.6B — двуязычная модель синтеза речи на базе LLM, разработанная Aratako. Она дообучена на LiquidAI/LFM2-2.6B и использует аудиокодек MioCodec-25Hz-24kHz для генерации речи из текста. В репозитории указано около 2,5 млрд параметров, архитектура LFM2 и контекст до 128 000 токенов. Модель предназначена для синтеза речи на английском и японском языках, в том числе с клонированием голоса без дополнительного обучения по короткому образцу аудио. В README заявлены низкая задержка и пригодность для потребительских GPU и периферийных устройств; в качестве данных обучения упомянуты около 100 000 часов англо- и японоязычных записей. Модель распространяется под лицензией other; README характеризует лицензию как разрешительную, но точные условия следует проверять в файлах репозитория. Клонирование голоса требует учитывать согласие и права человека, чей голос используется. Разработчики предостерегают от обманного применения синтезированной речи и перекладывают ответственность за соблюдение законодательства на пользователей.

Карточка модели NostraEmpire/mirror-qwen2-audio-7b-instruct на Hugging Face совпадает с карточкой Qwen/Qwen2-Audio-7B-Instruct, поэтому описание составлено по ней. Qwen2-Audio-7B-Instruct — мультимодальная аудиоязыковая модель серии Qwen2-Audio, разработанная командой Qwen. Это чат-модель с плотной архитектурой Qwen2-Audio и примерно 7 млрд параметров, предназначенная для голосового общения и анализа аудио по текстовым инструкциям. Модель принимает аудиосигнал, может вести голосовой диалог без текстового ввода и отвечать на вопросы или выполнять инструкции об аудиозаписи. Поддерживается пакетный инференс; взаимодействие в примерах использует формат ChatML. В метаданных указан английский язык, а карточка описывает работу с речевыми инструкциями и различными аудиовходами. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Для запуска требуется актуальная версия Transformers с поддержкой Qwen2-Audio; карточка советует устанавливать библиотеку из исходного кода, иначе возможна ошибка распознавания архитектуры. Карточка не приводит подробных результатов оценки качества или перечня ограничений по аудиоформатам.

razhan/mms-tts-ckb — модель преобразования текста в аудио на архитектуре VITS, опубликованная пользователем razhan на Hugging Face. Она предназначена для синтеза речи на центральнокурдском языке (сорани): принимает текст и генерирует аудио. Репозиторий содержит веса PyTorch; в метаданных указано 3,5 млн параметров и библиотека Transformers. Карточка модели автоматически сгенерирована и не содержит сведений о разработчике исходной модели, обучающих данных, оценке качества, ограничениях или лицензии.

alakxender представил модель синтеза речи Divehi на основе VITS, дообученную на архитектуре MMS-TTS компании Meta с использованием набора синтетической речи. Она преобразует текст на языке Divehi, записанный письмом Thaana, в аудио женского голоса. Модель содержит 3,5 млн параметров и распространяется в формате Safetensors; её можно загружать через Transformers. Модель предназначена для синтеза речи на Divehi, например для озвучивания текстов женским голосом. В README приведена оценка UTMOS 3,198 по трём образцам, поэтому качество следует считать ориентировочным. Лицензия — MIT.

facebook/mms-tts-gde — модель синтеза речи на языке гуде (Gude, код gde), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну; отдельный чекпойнт MMS-TTS обучен для каждого языка проекта. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, потоковый модуль, стохастический предиктор длительности и декодер формы сигнала в стиле HiFi-GAN. В метаданных указаны 3,5 млн параметров; модель доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Чекпойнт предназначен для озвучивания текста на гуде. Стохастический предиктор длительности может давать разные ритмы произношения при одинаковом вводе, поэтому для повторяемого результата требуется фиксированный seed. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-syl — модель синтеза речи на языке силхети из проекта Massively Multilingual Speech компании Meta. Это отдельный чекпойнт для одного языка: VITS-модель преобразует входной текст в речевую аудиоволну. Архитектура объединяет вариационный автоэнкодер, Transformer-кодировщик текста, модуль предсказания длительности и декодер на основе HiFi-GAN; размер модели — 3,5 млн параметров. Модель предназначена для озвучивания текста на силхети и создания речевого вывода в приложениях, использующих Transformers версии 4.33 или новее. Стохастический предсказатель длительности позволяет получать варианты ритма для одного текста, поэтому результат может меняться между запусками; фиксированный seed нужен для воспроизводимой генерации. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Модель MuzaffarSharofitdinov/mms-tts-uzbek-girl-voice_cyrillic — дообученная Muzaffar модель синтеза речи на основе VITS из проекта Facebook MMS. Она преобразует узбекский текст, записанный кириллицей, в речь женским голосом; для латинского текста README предлагает предварительную транслитерацию. Модель обучена на 1461 примере с одним диктором, а частота дискретизации аудио составляет 16 кГц. В метаданных указано 3,5 млн параметров. Модель предназначена для озвучивания узбекских текстов, в том числе с корректным произношением буквосочетаний o' и g'. Обучение выполнено на датасете Beehzod/UzTTS_data методом полного GAN-дообучения VITS. Лицензия CC BY 4.0 разрешает использование при указании источника.

moonshine-base-uk-gguf — это GGUF-конверсия модели UsefulSensors moonshine-base-uk, подготовленная handy-computer для работы с transcribe.cpp. Модель предназначена для автоматического распознавания украинской речи и преобразует монофонический аудиосигнал PCM с частотой 16 кГц в текстовую транскрипцию. Модель использует архитектуру encoder-decoder Transformer с примерно 62 млн параметров. Аудио обрабатывается трёхслойным стемом Conv1d без применения STFT и mel-фильтров. Доступны варианты F32 размером 248 МБ, F16 размером 132 МБ и Q8_0 размером 77 МБ. На тестовой выборке FLEURS для украинского языка показатель WER составляет около 14,4–14,5%; версия Q8_0 сохраняет качество, близкое к версиям с плавающей точкой. Модель рассчитана на локальное распознавание речи через transcribe.cpp и подходит для офлайн-транскрибации украинских аудиозаписей. Она поддерживает только украинский язык, не выполняет перевод, автоматическое определение языка и не формирует временные метки. Потоковая обработка также не поддерживается, поэтому модель ограничена сценариями пакетной транскрипции. Лицензия MIT унаследована от базовой модели.

Это GGUF-квантизированная версия модели ndizi-gemma4-e2b-african-asr-merged, разработанной smutuvi и преобразованной в GGUF пользователем mradermacher. Модель предназначена прежде всего для автоматического распознавания речи на африканских языках, включая суахили, амхарский и оромо, и может использоваться в сценариях транскрибации аудиозаписей и обработки речи. В исходных данных также указаны наборы данных, связанные с этими языками и задачами распознавания речи. Модель основана на Gemma4 и представлена в мультимодальном формате с дополнительными файлами mmproj, необходимыми для работы с аудиовходом. Точный размер базовой архитектуры, максимальная длина контекста и другие параметры в README не указаны. Доступны варианты GGUF с разными уровнями квантования: от Q2_K размером около 3,1 ГБ до f16 размером около 9,4 ГБ. В README варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как обеспечивающий высокое качество. Преимущество модели — специализация на нескольких африканских языках и возможность локального запуска через совместимые с GGUF инструменты. Ограничения включают возможное снижение качества при низком уровне квантования, отсутствие подробных результатов оценки и неизвестные требования к оборудованию. Лицензия указана как Gemma; условия её применения следует уточнять по лицензии Gemma.

NeuTTS Air — модель синтеза речи компании Neuphonic, построенная на языковой модели Qwen 0.5B и нейронном аудиокодеке NeuCodec. Она принимает текст и короткую запись речи в формате WAV, а затем озвучивает текст голосом и манерой речи из образца. Модель предназначена для локального запуска на телефонах, компьютерах и встраиваемых устройствах; заявлены работа в реальном времени и клонирование голоса по образцу от трёх секунд. В репозитории доступны веса safetensors и GGUF; размер модели — около 552,8 млн параметров, контекст — 32 768 токенов. Модель подходит для озвучивания текста, голосовых помощников и приложений со своим голосом. Для лучшего результата рекомендуется чистая непрерывная речь в моно WAV длительностью 3–15 секунд с частотой дискретизации 16–44 кГц. Сгенерированное аудио содержит водяной знак Perth. Указана лицензия Apache-2.0.

NeuTTS-Nano-Spanish — испанская версия акустической модели NeuTTS-Nano, опубликованная в формате GGUF BF16. Репозиторий содержит официальную сборку модели для эффективного локального запуска через llama.cpp и совместимые среды GGUF; размер файла — 446 МБ. Модель предназначена для синтеза речи на испанском языке в сценариях с низкой задержкой, включая генерацию голоса и речевые конвейеры на периферийных устройствах. Указанная задача Hugging Face — text-to-speech. Лицензия Apache-2.0. В карточке не приведены сведения о контекстном окне, голосовых профилях или результатах оценки качества.

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 MLX Q8 FP16 — версия модели OmniVoice, подготовленная разработчиком remember2015 для запуска через MLX на Apple Silicon. Линейные слои Qwen3-кодировщика квантованы до int8 с размером группы 64, активации работают в fp16, а выходные головы кодовых книг оставлены в fp32. Репозиторий содержит веса в safetensors и токенизатор Qwen3; для работы также нужны веса аудиокодека из upstream, которые имеют отдельную лицензию и не включены в репозиторий. Модель предназначена для синтеза речи из текста. По описанию базовой OmniVoice она поддерживает клонирование голоса и настройку его характеристик; в карточке указаны китайский и английский языки. Автор сообщает, что CER, сходство голосов и UTMOS не изменились относительно официального 32-шагового семплера. Опубликованная конфигурация занимает 829 МБ, а резидентное использование памяти с кодеком составляет 1,6 ГБ; приведённые замеры производительности относятся к конкретной системе M2 Max и не гарантируют такую же скорость на других устройствах. Модель распространяется по лицензии CC BY-NC 4.0, а лицензия весов кодека определяется отдельно.

Это GGUF-квантизированная версия мультимодальной модели InternVL3_5-2B, разработанной OpenGVLab. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix; доступны варианты от BF16 до различных форматов 2–8-битной квантизации. Модель предназначена для задач image-text-to-text: обработки изображений и генерации текстовых ответов, а также для локального запуска в LM Studio, llama.cpp и совместимых проектах. Варианты файлов имеют размер примерно от 0,97 до 4,07 ГБ. Более высокие уровни квантизации обеспечивают лучшее сохранение качества, а низкие позволяют работать при ограниченном объёме оперативной памяти; наиболее сбалансированным вариантом указан Q4_K_M. README не содержит сведений о точной архитектуре, максимальном контексте, поддерживаемых языках, формате промптов и лицензии исходной модели, поэтому эти характеристики нельзя достоверно определить по имеющимся данным.