I.15Доступность и ассистивные технологии

Orpheus 3B 0.1 ft GGUF — конвертированная и квантованная версия модели Orpheus 3B, разработанной canopylabs/canopyai на базе Meta Llama 3.2 3B Instruct. Репозиторий cstr предназначен для использования с CrispASR и содержит варианты в форматах F16, Q8_0 и Q4_K. Модель относится к системам синтеза речи: она преобразует текст в специальные codec-токены, которые затем декодируются отдельной моделью SNAC 24 kHz в аудио. Модель рассчитана на англоязычный text-to-speech, включая потоковый синтез с низкой задержкой около 200 мс, естественную интонацию и эмоциональную выразительность, zero-shot voice cloning и управление эмоциями или интонацией с помощью тегов. Доступны восемь встроенных англоязычных голосов: tara, leah, jess, leo, dan, mia, zac и zoe. Архитектура talker-модели основана на Llama-3.2-3B-Instruct: 28 слоёв, скрытое состояние размером 3072, 24 attention heads и 8 KV heads. Выходной звук — моно PCM с частотой 24 кГц. Для работы необходим отдельный SNAC-кодек; сама модель не генерирует аудио без него. Для стабильного качества рекомендуется вариант Q8_0: согласно README, он даёт roundtrip на уровне слов, сопоставимый с F16. Более компактный Q4_K подходит для ограниченной памяти, но может нарушать структуру codec-токенов и приводить к непригодному аудио. Также требуется использовать sampling с температурой около 0,6; жадное декодирование нестабильно. Указанная лицензия — Apache-2.0 для Orpheus, при этом базовая Llama 3.2 распространяется по лицензии Llama 3.2 Community.

Ovis-U1-3B — мультимодальная модель семейства Ovis от AIDC-AI, дообученная на базе AIDC-AI/Ovis2-2B. Модель объединяет понимание изображений, генерацию изображений по тексту и редактирование изображений по инструкциям в единой архитектуре OvisU1 с 3 млрд параметров. Репозиторий содержит веса в формате safetensors; для работы указана библиотека Transformers. Модель подходит для диалога с визуальными входными данными, описания и анализа изображений, создания изображений по текстовым запросам и изменения существующих изображений. В карточке Hugging Face указан английский язык. Лицензия — Apache-2.0. Разработчик отмечает, что применял проверки соответствия при обучении, но не гарантирует полного отсутствия проблем с авторскими правами или нежелательного контента. Представленные в README сравнительные таблицы не содержат строк с результатами самой Ovis-U1-3B, поэтому по ним нельзя оценить её качество.

pronoobie/piper-voices-hindi — преобразованная в формат GGUF голосовая модель Piper для синтеза речи на хинди. README показывает запуск через CrispASR с backend Piper и голосом hi_IN-rohan; метаданные связывают репозиторий с rhasspy/piper-voices и указывают лицензию MIT. Модель принимает текст и генерирует аудио. В карточке также заявлен английский язык, однако приведённая команда запуска настроена на хинди. Для работы README требует ffmpeg и CrispASR.

Trelis подготовила и разместила модель синтеза речи Piper zhCN-huayan-medium — женский голос, говорящий на путунхуа. Это сквозная модель VITS среднего размера, поставляемая в формате ONNX; она преобразует текст в аудио с частотой дискретизации 22,05 кГц. Модель обучена на данных HuaYan TTS и дообучена на основе lessac medium. Модель предназначена для озвучивания китайского текста в приложениях и других сценариях синтеза речи. Для запуска можно использовать piper-tts либо ONNX отдельно; во втором случае требуется espeak-ng. Репозиторий переиздан из rhasspy/piper-voices. Лицензия модели указана как other; README отдельно указывает GPL для piper-tts и MIT для варианта с ONNX без зависимости от piper-tts, поэтому условия распространения и использования самих весов следует сверять с источником.

cstr/pocket-tts-GGUF — это GGUF-квантизированная версия лёгкой модели синтеза речи Pocket TTS, разработанной Kyutai и преобразованной для использования с CrispASR. Модель предназначена для преобразования текста в речь и поддерживает zero-shot клонирование тембра по короткой аудиозаписи голоса. Доступны варианты для английского, немецкого, испанского, итальянского, португальского и французского языков. Модель содержит около 100 млн параметров и использует авторегрессионную архитектуру с непрерывными латентными векторами. Основу составляет FlowLM — каузальный Transformer с размерностью 1024, 16 головами внимания и 6 слоями, работающий на частоте 12,5 Гц; французская версия использует 24 слоя. Для декодирования применяются consistency head и Mimi VAE, формирующий PCM-аудио с частотой 24 кГц. Токенизатор SentencePiece BPE с размером словаря 4000, веса Mimi и необходимые компоненты включены в единый GGUF-файл. Сильными сторонами модели являются небольшой размер, наличие голосового клонирования, мультиязычность и возможность работы в формате GGUF через CrispASR. Английские варианты без voice-cloning-компонентов не поддерживают клонирование и используют только декодер; без голосовой кондиционирующей записи модель обычно генерирует почти тишину, хотя может автоматически применять встроенный эталонный голос. Для наилучшего результата рекомендуется чистая монофоническая запись одного диктора продолжительностью несколько секунд. Модель распространяется по лицензии CC-BY-4.0.

Qwen3-1.7B-Multilingual-TTS — дообученная командой Malaysia AI языковая модель на базе Qwen/Qwen3-1.7B-Base, предназначенная для синтеза речи и преобразования голоса на нескольких языках. Модель генерирует аудиотокены, которые декодируются с помощью NeuCodec в речь с частотой дискретизации 24 кГц; заявленная скорость декодирования кодека — 50 токенов в секунду. В репозитории указано обучение на наборах для многоязычного TTS и преобразования голоса с несколькими дикторами. Модель построена на архитектуре Qwen3ForCausalLM и содержит 1,9 млрд параметров. В карточке описаны TTS и voice conversion, однако метаданные классифицируют её как text-generation; для использования приведён пример загрузки через Transformers вместе с NeuCodec. Указан контекст 32 768 токенов в метаданных, а в README — обучение с контекстом 10 000 токенов и multipacking. Автор оценивает качество TTS как приемлемое для версии после 0,35 эпохи, а преобразование голоса — как пока недостаточно хорошее: модель может генерировать длинные участки тишины, которые рекомендуется обрезать перед преобразованием. В README сообщается о более новой версии Scicom-intl/Multilingual-TTS-1.7B-Base. Лицензия в предоставленных данных не указана.

Felldude/Qwen3.5-4B-Uncensored — дообученная мультимодальная модель на базе Qwen/Qwen3.5-4B-Base, опубликованная Felldude. Модель построена на архитектуре Qwen3.5 для генерации текста по текстовым и визуальным входам; метаданные указывают на 4 млрд параметров у базовой модели, поддержку обработки изображений, чата и интерфейса вызова инструментов. В README автор сообщает о обучении в FP32 с Adam на данных для vision, chain of thought и reasoning и заявляет о снижении ограничений на ответы; конкретные показатели приведены только для собственных тестов автора. Модель подходит для диалогов с изображениями, описания изображений и визуальных вопросов, а также для генерации ответов в свободной форме. В карточке заявлена поддержка 201 языка и диалекта для семейства Qwen3.5, однако отдельное подтверждение этой характеристики именно для дообученной версии не приводится. Контекстное окно и независимые оценки качества этой версии в предоставленных материалах не описаны. Лицензия — Apache-2.0.

dealignai публикует вариант Qwen3.5-VL-4B для Apple Silicon. Это плотная мультимодальная модель с гибридной архитектурой SSM и Attention, 32 слоями и возможностью понимать изображения и вести диалог. Модель дообучена на базе Qwen/Qwen3.5-4B, затем преобразована в смешанный формат JANG_4S: 6-битные веса Attention и 4-битные веса MLP; заявленный размер — около 3 ГБ. Для запуска README указывает MLX Studio и пакет jang-tools; также рекомендует vMLX. Вариант CRACK прошёл изменение весов, направленное на удаление отказов в ответе. README приводит результаты MMLU и HarmBench, но это результаты авторских тестов, а не независимая оценка. Такая настройка может допускать небезопасные ответы. Модель предназначена для диалога и анализа изображений; метаданные также отмечают интерфейс вызова инструментов. Лицензия — Apache-2.0.

Qwen3-ASR-0.6B Streaming — причинный аудиобашенный энкодер от автора репозитория qfuxa, дообученный на основе Qwen/Qwen3-ASR-0.6B для потокового распознавания речи. Он обрабатывает аудио последовательными блоками примерно по 1,92 секунды, использует KV-кэш и ограниченное окно внимания 15 секунд, поэтому не пересчитывает прошлые блоки, а вычислительные затраты на новый фрагмент остаются постоянными по мере роста потока. Репозиторий содержит только дообученную аудиобашню; декодер, адаптер и экстрактор признаков берутся из базовой модели. Модель рассчитана на транскрибацию английской речи в потоках с низкими затратами на вычисления: например, при большом числе одновременных сессий или на устройствах с ограниченной энергией. В README сообщается о результатах на длинных научных выступлениях и LibriSpeech, но качество ниже, чем у стандартного потокового варианта Qwen3-ASR при сопоставимом режиме оценки. Задержка подтверждения слов обычно составляет несколько секунд, а для длинных записей предусмотрен сброс состояния на границах предложений. Для работы требуется совместимая базовая модель Qwen/Qwen3-ASR-0.6B и потоковый стек WhisperLiveKit; указанный размер файлов аудиобашни — 746 МБ в формате fp32 safetensors. Лицензия — Apache-2.0. Модель проверена только с базовой версией 0.6B; README предупреждает о резком ухудшении качества на других языках.

Qwen3-TTS-12Hz-0.6B-Base-bf16 — модель синтеза речи, разработанная Qwen и преобразованная сообществом mlx-community в формат MLX с помощью mlx-audio 0.3.0. Это базовая версия модели Qwen3-TTS с размером 0,6 млрд параметров и точностью bf16, предназначенная для работы через библиотеку mlx-audio на совместимом оборудовании Apple MLX. Модель преобразует текст в аудио и поддерживает сценарии синтеза речи с использованием эталонной аудиозаписи, что указывает на возможность клонирования или адаптации голоса. В README приведены интерфейсы командной строки и Python API; в качестве входных данных используются текст и, при необходимости, путь к WAV-файлу с референсным голосом. Частота 12 Hz указана в названии модели, однако другие сведения о поддерживаемых языках, модальностях, максимальном контексте и архитектуре в README не приведены. К сильным сторонам относятся компактный размер, формат MLX для экосистемы Apple и поддержка генерации речи с референсным аудио. Ограничения и фактическое качество синтеза, перечень языков, требования к оборудованию и особенности лицензирования исходной модели в представленном README подробно не описаны. Для использования указана лицензия Apache-2.0.

Это конвертированная в GGUF модель Qwen3-TTS-12Hz-1.7B-VoiceDesign от Qwen, подготовленная для запуска через qwen3-tts.cpp. Она преобразует текст в речь, позволяя задавать голос естественно-языковой инструкцией: например, описать тембр, темп и характер звучания. Для создания голосового образа ей не нужна референсная аудиозапись; полученный клип можно использовать для извлечения эмбеддинга диктора в связке с базовой моделью Qwen3-TTS. Модель содержит 1,7 млрд параметров; файл GGUF представлен в точности F16, без квантизации. Для работы также требуется GGUF-файл токенизатора и аудиокодека Qwen3-TTS-Tokenizer-12Hz. В карточке указана поддержка английского, китайского, японского, корейского, немецкого, французского, испанского, русского, португальского и итальянского языков. Репозиторий распространяется по лицензии Apache-2.0.

S1-mini-GGUF — квантованные сборки модели s1-mini, разработанные Superwhisper для запуска через llama.cpp, Ollama, LM Studio и совместимые приложения. Это специализированная текстовая модель нормализации результатов автоматического распознавания речи, а не универсальный чат-бот: она преобразует сырой транскрипт в связный письменный текст. Модель удаляет слова-паразиты, обрабатывает оговорки и самокоррекции, расставляет пунктуацию и заглавные буквы, а также преобразует произносимые числа, даты, время, валюты и адреса электронной почты в письменный вид. Поддерживаются сценарии диктовки, постобработки ASR и подготовки обычного текста или электронной почты. Доступен выбор стиля, структуры и контекста через специальную управляющую строку. Поддерживается только английский язык. Архитектура — qwen3, 28 блоков и 311 тензоров; контекстное окно составляет 40 960 токенов. Уникальный размер модели — около 0,6 млрд параметров. Рекомендуемая сборка Q4_K_M занимает 462 МБ и рассчитана на комфортную работу на процессоре ноутбука; также доступна сборка F16 размером 1,4 ГБ. На тестовой выборке из 7 519 англоязычных примеров Q4_K_M достигла точности 94,8% по токенам. Модель эффективна и компактна для целевой задачи, однако чувствительна к формату входа: необходимо передавать заданный системный промпт и управляющую строку с допустимыми значениями параметров. Изменение формата может привести к галлюцинациям или некорректному выводу. Модель не предназначена для общего диалога и не следует произвольным инструкциям. Указана специальная лицензия s1-mini-license; условия следует проверить в файле LICENSE.

facebook/s2t-small-mustc-en-it-st — компактная модель семейства Speech2Text от Facebook, предназначенная для сквозного перевода английской речи в итальянский текст. Она построена как трансформер encoder-decoder с последовательной генерацией и свёрточным блоком, сокращающим длину входных речевых признаков перед подачей в энкодер. Модель содержит 14,6 млн параметров и доступна в форматах PyTorch и TensorFlow. Модель принимает речевые аудиопризнаки и генерирует итальянский перевод. Она обучена на англо-итальянской части корпуса MuST-C с аудиозаписями выступлений TED и предварительно обученным для распознавания английской речи энкодером; для тестовой части MuST-C указана оценка BLEU 22,7. Лицензия — MIT. Карточка описывает конкретное направление перевода, поэтому её не следует считать универсальной моделью распознавания или перевода речи.

SauerkrautTTS-Preview-0.1 — предварительная модель синтеза речи на немецком языке, разработанная VAGOsolutions и дообученная на базе canopylabs/orpheus-3b-0.1-ft. Она принимает текст и генерирует речь голосами Lena, Anna, Max и Tom. Для обучения использовались оригинальные записи и синтетические данные; модель построена на архитектуре Llama и содержит 3,3 млрд параметров. Контекст составляет 131 072 токена. Модель предназначена для озвучивания немецких текстов с выбором голоса. Это ранняя версия проекта, в README отмечены планы улучшить чёткость голосов и стабильность генерации. В метаданных указана лицензия CC BY-NC 4.0, тогда как README указывает CC BY 4.0; лицензионные условия следует сверить перед использованием.

smdesai/SmolVLM2-2.2B-Instruct-4bit — мультимодальная модель SmolVLM, преобразованная в формат MLX из HuggingFaceTB/SmolVLM2-2.2B-Instruct с помощью mlx-vlm 0.1.14. Она предназначена для диалогового анализа видео и ответов на вопросы о его содержимом; метаданные также указывают поддержку задачи video-text-to-text и обучение на наборах данных для видео и визуально-языковых инструкций. Модель принимает визуальные данные и текстовые запросы и генерирует текстовые ответы. В README указано использование через mlx-vlm; репозиторий содержит веса safetensors. Лицензия — Apache-2.0. Точная разрядность и размер модели в предоставленных данных не подтверждены, несмотря на суффикс «4bit» в названии. Подробности о качестве и ограничениях следует сверять с карточкой исходной модели.

Sunbird AI разработала Spark-TTS for Ugandan Languages (SALT) — модель синтеза речи, дообученную на базе Spark-TTS-0.5B, построенной на Qwen2.5-Instruct. Она предсказывает дискретные аудиотокены с помощью причинной языковой модели; для получения звуковой волны частотой 24 кГц требуется BiCodec-декодер из исходного репозитория Spark-TTS. Размер модели — 0,5 млрд параметров, формат весов — safetensors. Модель предназначена для синтеза речи на ачоли, атесо, английском с угандийским акцентом, луганда, лугбара, раньянкоре и суахили. Вход включает текст с идентификатором говорящего; также поддерживается клонирование голоса по эталонному аудио. Характеристиками голоса и просодией можно управлять через специальные токены. Модель обучена полным дообучением на студийном наборе данных SALT. Качество клонирования зависит от качества и длительности эталонного аудио; смешение языков может давать непоследовательную просодию, а для голосов, отличающихся от обучающих, качество снижается. Обучение охватывало аудиоконтекст около 8 секунд, поэтому длинные высказывания могут обрезаться. Для запуска нужны веса и кодек исходной Spark-TTS, а также CUDA; поддержка 4- и 8-битного режима не подтверждена. Лицензия — MIT.

Switch-Reasoner-8B — разговорная визуально-языковая модель семейства Qwen3-VL, опубликованная пользователем fuyyy74 и доступная в формате safetensors для Transformers. По метаданным она принимает изображения вместе с текстом и формирует текстовые ответы; подходит для диалога по изображениям и задач визуального понимания. В README не приведены сведения о базовой модели, обучающих данных, методе обучения, оценке качества или лицензии, поэтому происхождение и условия использования установить нельзя.

SylReg-Decoder — англоязычная модель синтеза речи, представленная в статье Speaker-Disentangled Chunk-Wise Regression for Syllabic Tokenization. Это дообученный вариант SylReg-Decoder Base, построенный на диффузионном трансформере с flow matching и вокодером BigVGAN-v2. Модель принимает текст и генерирует речь; в метаданных Hugging Face для неё указана задача text-to-speech и библиотека Transformers. Модель предназначена для преобразования английского текста в речь. В README указаны обучающие наборы LibriTTS-R и Hi-Fi-CAPTAIN. Для использования весов требуется соблюдать лицензию CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует распространять производные материалы на тех же условиях.

cstr/tada-tts-1b-GGUF — GGUF/ggml-конверсия модели TADA-1B, разработанной HumeAI и основанной на Meta Llama 3.2-1B. Модель предназначена для синтеза речи из текста, включая генерацию речи с заданным голосом и клонирование голоса по аудиореференсу, и работает через runtime CrispStrobe/CrispASR. Также комплект содержит компоненты для принудительного выравнивания текста и аудио с получением временных меток слов. Архитектура включает BPE-токенизацию с размером словаря Llama 3.2 128K, авторегрессионную основу Llama-3.2-1B с 16 слоями, размерностью 2048, 32 головами внимания и 8 KV-головами, а также flow-matching речевую голову из 6 слоёв. Используются акустические и временные эмбеддинги, 10 шагов Euler для преобразования шума в речевые векторы и специализированный codec decoder, формирующий монофонический PCM-аудиосигнал с частотой 24 кГц. Указан английский язык; для выравнивания предусмотрены языковые версии aligner, но в README явно описана только en-версия. Доступны варианты F16 размером около 3,3 ГБ и Q4_K размером около 2,6 ГБ; Q4_K рекомендован для систем с 6 ГБ RAM. Квантизация сохраняет flow-matching-тензоры и критичные элементы эмбеддингов в F16 для уменьшения влияния на временные и акустические характеристики. Для клонирования голоса требуется аудиофайл с точной расшифровкой, а для работы необходим сопутствующий codec decoder. Модель распространяется по лицензии Llama 3.2 Community License с условиями исходной модели HumeAI/tada-1b.

TaDiCodec-TTS-AR-Qwen2.5-0.5B — авторегрессионная модель синтеза речи из текста, разработанная командой Amphion. Она использует Qwen2.5-0.5B-Instruct для генерации речевых токенов и кодек TaDiCodec для восстановления речи; модель предназначена для синтеза речи, в том числе в сценариях zero-shot TTS. TaDiCodec кодирует речь с частотой кадров 6,25 Гц и битрейтом 0,0875 кбит/с для аудио 24 кГц, применяя одноуровневый кодбук и диффузионный автоэнкодер с текстовым управлением декодером. Модель содержит около 508,4 млн параметров, использует архитектуру Qwen2 и библиотеку Transformers; контекст — до 32 768 токенов. В карточке заявлена поддержка английского, китайского, японского, французского, немецкого и корейского языков. Лицензия — Apache-2.0. Оценки качества и ограничения использования в предоставленных данных подробно не раскрыты.

Карточка модели amphion/TaDiCodec-TTS-AR-Qwen2.5-3B на Hugging Face совпадает с карточкой amphion/TaDiCodec-TTS-AR-Qwen2.5-0.5B, поэтому описание составлено по ней. TaDiCodec-TTS-AR-Qwen2.5-0.5B — авторегрессионная модель синтеза речи из текста, разработанная командой Amphion. Она использует Qwen2.5-0.5B-Instruct для генерации речевых токенов и кодек TaDiCodec для восстановления речи; модель предназначена для синтеза речи, в том числе в сценариях zero-shot TTS. TaDiCodec кодирует речь с частотой кадров 6,25 Гц и битрейтом 0,0875 кбит/с для аудио 24 кГц, применяя одноуровневый кодбук и диффузионный автоэнкодер с текстовым управлением декодером. Модель содержит около 508,4 млн параметров, использует архитектуру Qwen2 и библиотеку Transformers; контекст — до 32 768 токенов. В карточке заявлена поддержка английского, китайского, японского, французского, немецкого и корейского языков. Лицензия — Apache-2.0. Оценки качества и ограничения использования в предоставленных данных подробно не раскрыты.

TaiVisionLM-base-v2 — разработанная benchang1110 мультимодальная модель для создания текстовых ответов по изображению и инструкции. Она объединяет визуальный энкодер SigLIP с языковой моделью TinyLlama через визуальный проектор; архитектура напоминает PaliGemma. В модели 1,2 млрд параметров, для работы используется библиотека Transformers. Модель дообучена на 1 млн пар изображений и текстов и предназначена прежде всего для подробного описания изображений на традиционном китайском языке. Она также рассчитана на короткие подписи и простые ответы на визуальные вопросы. В README автор указывает, что дальнейшее обучение для этих задач ещё планировалось. Для загрузки требуется включить trust_remote_code, поскольку архитектура не интегрирована в Transformers нативно. Лицензия в предоставленных данных не указана.

Aynur27/uz-speecht5-own-voice3 — дообученная на неизвестном наборе данных модель синтеза речи на основе SpeechT5 от Microsoft. Архитектура — SpeechT5ForTextToSpeech; модель принимает текст и генерирует аудио. В карточке указана оценка Loss 0,6495 на наборе для оценки. Модель предназначена для преобразования текста в речь. Название репозитория указывает на узбекский язык и собственный голос, но README не подтверждает эти характеристики и не описывает голос, данные обучения или сценарии использования. Распространяется под лицензией MIT.

VibeVoice-7B-GGUF — это конвертация модели VibeVoice-7B в формат GGUF для запуска через audio.cpp. Модель разработана авторами проекта VibeVoice; данный пакет адаптирован для экосистемы audio.cpp. Модель предназначена для синтеза речи по тексту, включая создание длинных аудиофрагментов и многодикторскую генерацию. Она поддерживает английскую и китайскую речь. Архитектура основана на модели VibeVoice с 7 млрд параметров; доступный файл использует квантование Q8_0 в формате GGUF. Пакет можно применять через CLI или сервер audio.cpp, а также выбирать через нативный WebUI после публикации пакета. К сильным сторонам относятся поддержка длинных форматов и нескольких дикторов, а также возможность локального запуска в audio.cpp. В README не указаны точные ограничения по длине контекста, перечень поддерживаемых голосов, требования к входным данным и качество синтеза. Приведённая проверка на RTX 5090 показала коэффициент реального времени около 0,18, длительность вывода около 52 секунд и пиковое потребление видеопамяти около 13,3 ГБ, однако эти значения зависят от реализации и оборудования и не являются полноценным бенчмарком. Распространение выполняется по лицензии MIT.

VideoChat-R1_7B_caption — мультимодальная модель OpenGVLab для диалога и генерации текстовых описаний видео. Она дообучена на базе Qwen/Qwen2-VL-7B-Instruct и использует архитектуру Qwen2-VL с 7,1 млрд параметров. Модель рассчитана на сценарии, где по входному видео нужно получить текстовый ответ или описание; карточка указывает поддержку английского языка и контекст до 32 768 токенов. Модель работает через Transformers и распространяется в формате safetensors. Лицензия — Apache-2.0. README не приводит подробностей о данных обучения, качестве на отдельных типах видео или систематических ограничениях; практическую точность следует оценивать на целевых видео и запросах.

VoxCPM-0.5B — модель синтеза речи, опубликованная под идентификатором erenyeager-1/VoxCPM-0.5B. Она дообучена на базе openbmb/MiniCPM4-0.5B и использует безтокенизаторную авторегрессионную архитектуру с диффузией, генерируя непрерывные представления речи из текста. Модель предназначена для выразительного синтеза речи с учетом содержания текста и клонирования голоса по короткому образцу аудио без дополнительного обучения. Модель поддерживает потоковую генерацию и работу с английским и китайским языками. По описанию VoxCPM, скорость синтеза может достигать RTF 0,17 на видеокарте NVIDIA RTX 4090. Образец речи задает тембр, манеру произношения и особенности звучания; без образца модель самостоятельно подбирает стиль по тексту. Модель распространяется по лицензии Apache-2.0. В README отмечены возможные артефакты и нестабильность на длинных или выразительных текстах, ограниченный контроль над эмоциями и стилем, а также непредсказуемое качество для языков помимо английского и китайского. Разработчики рекомендуют тщательно проверять результаты перед применением и маркировать опубликованную синтетическую речь.

Wav2Vec2-Large-Robust — предобученная на аудио модель Facebook для извлечения речевых представлений. Она использует архитектуру Wav2Vec2 и содержит 402,7 млн параметров. Модель обучалась на речи с частотой дискретизации 16 кГц из нескольких доменов: аудиокнигах Libri-Light, записях Common Voice и телефонных разговорах Switchboard и Fisher. Модель рассчитана на последующую адаптацию к распознаванию речи и другим задачам анализа речи. В исходном виде у неё нет токенизатора, и она не выполняет распознавание речи напрямую: для этого нужны токенизатор и дообучение на размеченных текстовых данных. На вход следует подавать аудио с частотой 16 кГц. Репозиторий распространяется по лицензии Apache-2.0.

Модель Lemswasabi/wav2vec2-large-xlsr-53-842h-luxembourgish-14h — акустическая модель распознавания речи на базе wav2vec 2.0 Large XLSR-53, дообученная разработчиками на люксембургской речи. Сначала использовано 842 часа неразмеченной речи, собранной RTL.lu, затем модель дообучили на 14 часах размеченной речи из того же источника. Модель предназначена для преобразования люксембургской речи в текст, в частности для аудио, близкого к домену RTL.lu. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров; поддерживается входное аудио и задача automatic speech recognition. Репозиторий содержит веса PyTorch. Модель выпущена по лицензии MIT. Карточка не приводит результаты оценки и подробные сведения об ограничениях, поэтому качество на иных доменах и акустических условиях по имеющимся данным оценить нельзя.

whisper-small-santali-sanlish-frozen — дообученная модель семейства Whisper, основанная на openai/whisper-small. Она предназначена для автоматического распознавания речи и преобразования аудио в текст; карточка указывает язык Santali. Модель реализована на архитектуре WhisperForConditionalGeneration и распространяется в формате safetensors через Transformers. На оценочном наборе указаны Loss 0,8507, WER 45,2756 и CER 13,0534. Эти результаты относятся к набору, описанному в карточке, но сами данные и методика оценки не раскрыты. Модель распространяется по лицензии Apache-2.0.

yaygomii/whisper-small-ta-fyp — дообученная модель распознавания речи на основе openai/whisper-small, созданная на датасете Common Voice 6.1. Она предназначена для преобразования речи в текст; карточка приводит метрику WER 65,89 на оценочной выборке после 10,55 эпох обучения. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. Она принимает аудио и выдаёт текст. Результат оценки указывает на заметные ошибки распознавания, поэтому качество транскрипции следует учитывать при практическом применении. Модель распространяется по лицензии Apache-2.0.