I.15Доступность и ассистивные технологии

Карточка модели Shivanshkmr/Janus-Pro-1B на Hugging Face совпадает с карточкой deepseek-ai/Janus-Pro-7B, поэтому описание составлено по ней. Janus-Pro-7B — мультимодальная авторегрессионная модель DeepSeek для понимания изображений и генерации изображений в единой архитектуре. Она использует отдельные визуальные пути для понимания и генерации, объединённые общей архитектурой трансформера; модель построена на базе DeepSeek-LLM-7B-Base. Для понимания изображений применяется визуальный энкодер SigLIP-L с входным разрешением 384 × 384, а для генерации — отдельный токенизатор изображений с коэффициентом уменьшения разрешения 16. Модель подходит для диалога о содержимом изображений и создания изображений по текстовым запросам. В метаданных Hugging Face указаны задачи any-to-any и text-to-image; карточка также описывает понимание изображений. Репозиторий содержит веса PyTorch и рассчитан на Transformers. Лицензия — MIT. Раздельное кодирование изображения для понимания и генерации призвано уменьшить конфликт между этими функциями. Заявления о сравнительной производительности приведены авторами карточки, но независимые оценки и подробные ограничения там не описаны.

JUWEL Emerald — модель с открытыми весами, опубликованными Vext Labs и зеркально размещёнными в этом репозитории. Это не флагманская модель Theta с собственными весами JUWEL. Модель основана на архитектуре Qwen3-VL и предназначена для диалоговых задач с изображениями и текстом; заявлен интерфейс для вызова инструментов. Артефакт содержит около 33,36 млрд параметров в формате BF16 и использует архитектуру Qwen3VLForConditionalGeneration с 64 текстовыми слоями и 27-слойной визуальной башней. Настроенный контекст — 262 144 токена. Для загрузки предлагается Transformers; размер весов требует подходящего оборудования и распределения модели по устройствам. Репозиторий распространяется по лицензии Apache-2.0. Проверка публикации подтверждает целостность файлов и соответствие структуры safetensors, но не качество генерации или готовность к эксплуатации. Оценка возможностей модели ещё не завершена; документация не подтверждает происхождение обучающих данных и поведение по безопасности.

لهجتنا (Lahgtna) — модель преобразования текста в речь, разработанная для синтеза разговорных арабских диалектов. Она основана на архитектуре OmniVoice и является дообученной версией k2-fsa/OmniVoice. Модель принимает арабский текст и может использовать диакритические знаки для улучшения произношения. В README отмечена поддержка египетского, саудовского, марокканского, иракского, суданского, палестинского, ливанского, сирийского, ливийского, тунисского, бахрейнского и йеменского вариантов арабского языка, а также алжирского диалекта. Заявленная цель проекта — охватить диалекты арабского мира в единой модели; поддержка ряда других стран указана как планируемая. Модель предназначена для создания естественно звучащей диалектной речи, а не только для литературного арабского языка. Сведения о лицензии в предоставленных материалах отсутствуют.

Liquid V1 7B — авторегрессионная мультимодальная модель Junfeng Wu и соавторов, созданная на основе Gemma 7B. Она объединяет понимание изображений и их генерацию с текстом в одной трансформерной модели: изображения кодируются в дискретные токены, обучаемые совместно с текстовыми. Модель принимает текст и изображения и генерирует текст или изображения. Версия с 8,2 млрд параметров рассчитана на мультимодальные сценарии, включая ответы на вопросы об изображениях и генерацию изображений по текстовому запросу. Контекст — до 8192 токенов. В карточке указаны английский язык и лицензия MIT. Доступны веса в формате safetensors. Модель опирается на Gemma 7B и использует общий авторегрессионный механизм для визуального понимания и генерации. README описывает взаимное улучшение этих задач при масштабировании семейства, но не приводит количественных оценок качества; результаты на конкретных задачах могут различаться.

Это модель синтеза речи VITS с декодером iSTFT, разработанная на основе официального чекпойнта VITS и обученная на наборе LJ Speech. Она преобразует входной текст в речевую волну; модель рассчитана на один голос и подходит для синтеза речи в реальном времени и на периферийных устройствах. В README заявлены естественное звучание и коэффициент реального времени 0,066 на процессоре Intel Core i7 — примерно в 4,1 раза быстрее исходного VITS. Модель содержит 3,6 млн параметров, распространяется в формате safetensors и доступна по лицензии MIT. Данных о поддерживаемых языках в предоставленных источниках нет; обучающий набор LJ Speech обычно связан с англоязычной речью, но язык для этой конкретной карточки явно не подтверждён.

llama3-s-2024-07-08 — языковая модель на архитектуре Llama 3, разработанная Homebrew Research на основе Meta-Llama-3-8B-Instruct. Модель дообучена для понимания звука и текста; принимает текст и аудио, а выдаёт текст. В репозитории указаны 7,5 млрд параметров, контекст 8192 токена и формат Safetensors. Модель предназначена для диалоговых задач и экспериментов с пониманием аудио, включая ответы на вопросы о звуковом содержимом. В карточке заявлена поддержка английского языка. Разработчик указывает исследовательские сценарии как основное назначение; при этом известны сведения о дообучении на наборе Instruction Speech v1. Лицензия — Apache 2.0.

LongCat-AudioDiT-3.5B — модель синтеза речи на основе диффузионного трансформера, разработанная командой LongCat компании Meituan. Она генерирует речь по тексту и поддерживает клонирование голоса по образцу аудио, в том числе zero-shot без отдельного дообучения под голос. Архитектура работает с латентным представлением волновой формы и включает Wav-VAE и диффузионный блок; модель не является авторегрессионной. Модель предназначена для озвучивания текста и переноса тембра, манеры речи и эмоциональных особенностей образца говорящего. В README приведены результаты оценки на китайском и английском языках, включая показатели сходства голоса и разборчивости на Seed benchmark. Репозиторий содержит реализацию для Hugging Face и скрипты инференса. Веса опубликованы в формате safetensors, лицензия — MIT, допускающая коммерческое использование.

Карточка модели kkjipndy/LongCat-AudioDiT-3.5B-tts-text-to-speech-SOTA на Hugging Face совпадает с карточкой 9r4n4y/LongCat-AudioDiT-3.5B-tts-text-to-speech-SOTA, поэтому описание составлено по ней. LongCat-AudioDiT-3.5B — модель синтеза речи на основе диффузионного трансформера, разработанная командой LongCat компании Meituan. Она генерирует речь по тексту и поддерживает клонирование голоса по образцу аудио, в том числе zero-shot без отдельного дообучения под голос. Архитектура работает с латентным представлением волновой формы и включает Wav-VAE и диффузионный блок; модель не является авторегрессионной. Модель предназначена для озвучивания текста и переноса тембра, манеры речи и эмоциональных особенностей образца говорящего. В README приведены результаты оценки на китайском и английском языках, включая показатели сходства голоса и разборчивости на Seed benchmark. Репозиторий содержит реализацию для Hugging Face и скрипты инференса. Веса опубликованы в формате safetensors, лицензия — MIT, допускающая коммерческое использование.

Карточка модели orbitalhd/LongCat-AudioDiT-3.5B-tts-text-to-speech-SOTA на Hugging Face совпадает с карточкой 9r4n4y/LongCat-AudioDiT-3.5B-tts-text-to-speech-SOTA, поэтому описание составлено по ней. LongCat-AudioDiT-3.5B — модель синтеза речи на основе диффузионного трансформера, разработанная командой LongCat компании Meituan. Она генерирует речь по тексту и поддерживает клонирование голоса по образцу аудио, в том числе zero-shot без отдельного дообучения под голос. Архитектура работает с латентным представлением волновой формы и включает Wav-VAE и диффузионный блок; модель не является авторегрессионной. Модель предназначена для озвучивания текста и переноса тембра, манеры речи и эмоциональных особенностей образца говорящего. В README приведены результаты оценки на китайском и английском языках, включая показатели сходства голоса и разборчивости на Seed benchmark. Репозиторий содержит реализацию для Hugging Face и скрипты инференса. Веса опубликованы в формате safetensors, лицензия — MIT, допускающая коммерческое использование.

Mage-VL — мультимодальная модель Microsoft для понимания изображений и видео, включая потоковое восприятие в реальном времени. Она объединяет визуальный кодировщик Mage-ViT, обученный с нуля, и языковую модель Qwen3-4B-Instruct-2507 с двухслойным MLP-проектором; заявленный размер визуальной системы — 4 млрд параметров. Кодировщик использует структуру видеокодеков: сохраняет патчи опорных кадров и выбирает значимые патчи предсказанных кадров, сокращая число визуальных токенов более чем на 75%. Модель поддерживает изображения, видео разной длительности и потоковую обработку; для видеопотока предусмотрен механизм, который вызывает полную модель при появлении значимого события. Модель предназначена для вопросов по изображениям и видео, временной локализации событий, пространственного анализа и потоковых комментариев. В README заявлены ускорение вывода до 3,5 раза относительно равномерной выборки кадров и конкурентные результаты на задачах понимания видео и пространственного анализа. Для запуска приведён пример через Transformers. Лицензия — Apache-2.0.

MeloTTS-English-v3-MLX — порт модели MeloTTS-English-v3 в формат MLX, подготовленный mlx-community. Это модель синтеза речи на основе семейства MeloTTS и архитектуры VITS; она преобразует английский текст в аудио. В репозитории указана одна голосовая версия EN-Newest с качеством v3. Модель предназначена для локального синтеза английской речи в экосистеме MLX; инструкция по использованию дана в карточке связанного репозитория mlx-community/MeloTTS-English-MLX. Лицензия — MIT. В метаданных указан базовый репозиторий myshell-ai/MeloTTS-English-v3.

Menlo/mini-Ichigo-llama3.2-3B-s-instruct — модель семейства Ichigo-llama3s, разработанная Homebrew Research. Это плотная авторегрессионная модель на архитектуре Llama 3 с 3,2 млрд параметров, дообученная для понимания аудио и текста. Она принимает текст и звук и генерирует текст; для обработки аудио используется токенизатор WhisperVQ. Модель предназначена для экспериментов с пониманием речи и выполнения инструкций, связанных с аудио. В метаданных указан контекст длиной до 131 072 токенов и поддержка английского языка. Лицензия — Apache-2.0. Качество следует проверять на целевых сценариях: приведённые в карточке оценки относятся к другим версиям семейства.

facebook/mms-tts-dah — модель синтеза речи на языке Gwahatike (dah), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на этом языке. Модель построена на архитектуре VITS: она объединяет текстовый энкодер на основе Transformer, потоковые слои и декодер, похожий на HiFi-GAN. Для вариативности ритма используется стохастический предиктор длительности; модель содержит около 3,5 млн параметров и доступна в форматах PyTorch и Safetensors. Для одинакового результата при повторной генерации требуется фиксированный seed, поскольку предиктор длительности работает стохастически. Модель выпущена под лицензией CC BY-NC 4.0, которая ограничивает использование некоммерческими условиями.

facebook/mms-tts-gag-script_latin — модель синтеза речи на гагаузском языке в латинской письменности, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на гагаузском языке. Модель использует архитектуру VITS и обучена как отдельный языковой чекпойнт MMS-TTS. Вариационный автоэнкодер, потоковый модуль и декодер на основе свёрточных слоёв формируют аудиосигнал; стохастический предиктор длительности позволяет варьировать ритм речи. Размер модели — 3,5 млн параметров. Она доступна через библиотеку Transformers версии 4.33 и новее. При одинаковом тексте модель может синтезировать разные варианты речи, поэтому для воспроизводимого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-mbb — модель синтеза речи на западном букиднонском манобо, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для создания озвучки на этом языке. Для каждого языка MMS-TTS обучается отдельный чекпойнт. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, flow-модуль, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN. В метаданных указано 3,5 млн параметров; модель доступна в форматах PyTorch и safetensors и поддерживается библиотекой Transformers версии 4.33 и выше. Предсказатель длительности стохастический, поэтому для повторения того же результата требуется фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-pis — модель синтеза речи на пиджинском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну; для каждого языка проекта обучается отдельный чекпойнт. Модель основана на архитектуре VITS и содержит около 3,5 млн параметров. Она поддерживается библиотекой Transformers версии 4.33 и выше. VITS объединяет вариационный автоэнкодер, flow-модуль с текстовым энкодером на базе Transformer и декодер, построенный по принципу HiFi-GAN. Стохастический предсказатель длительности позволяет получать разные ритмические варианты одной и той же фразы. Генерация недетерминирована: для воспроизводимого результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Карточка модели fantaxy/neutts-air на Hugging Face совпадает с карточкой ginipick/neutts-air, поэтому описание составлено по ней. 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 Air — модель синтеза речи, разработанная Neuphonic для локального запуска на устройствах. Она принимает текст и короткий аудиозапись голоса-образца, а затем произносит текст в стиле этого голоса, обеспечивая клонирование голоса примерно по трём секундам речи. Модель построена на языковой основе Qwen 0.5B и использует аудиокодек NeuCodec; для репозитория доступны веса Safetensors и варианты GGUF, включая BF16. Модель предназначена для голосовых помощников, встроенных и мобильных приложений и других сценариев, где важны автономная генерация и работа без веб-API. Разработчик заявляет реалистичное звучание и генерацию в реальном времени на устройствах среднего класса. Для лучшего результата рекомендуются чистые WAV-записи длительностью 3–15 секунд, моно, с естественной непрерывной речью; каждый сгенерированный аудиофайл содержит водяной знак Perth. Для работы требуются зависимости, включая espeak-ng и соответствующий рантайм для выбранного формата. Лицензия — Apache-2.0.

NeuTTS Air Q8-GGUF — модель синтеза речи от Neuphonic, представленная в формате GGUF и основанная на NeuTTS Air с языковой моделью Qwen 0.5B. Она предназначена для локального преобразования текста в речь, голосовых агентов, ассистентов, встроенных устройств и приложений, где важны автономная работа и конфиденциальность. Модель поддерживает мгновенное клонирование голоса по короткому образцу аудио длительностью примерно от 3 секунд: на вход подаются текст и эталонная WAV-запись, после чего речь синтезируется в стиле говорящего. Архитектура сочетает лёгкую языковую модель с нейронным аудиокодеком NeuCodec, использующим один кодбук и рассчитанным на высокое качество при низком битрейте. Формат GGUF оптимизирован для эффективного запуска на CPU и локальных устройствах, включая телефоны, ноутбуки и Raspberry Pi; заявлена генерация в реальном времени на устройствах среднего уровня и сниженное энергопотребление. В README язык модели явно не указан, поэтому языковую поддержку нельзя определить достоверно. Выходные аудиофайлы содержат водяной знак Perth. К сильным сторонам относятся реалистичное звучание, малый размер базовой модели, локальный инференс, низкие требования к вычислительным ресурсам и быстрое клонирование голоса. Для наилучшего результата рекомендуется чистая монофоническая WAV-запись длительностью 3–15 секунд с частотой дискретизации 16–44 кГц и непрерывной естественной речью. Ограничения включают необходимость эталонного аудио и текста для клонирования, зависимость качества от записи, отсутствие в README точных сведений о размере GGUF-файла и языках, а также обязательную маркировку синтезированного аудио. Модель распространяется по лицензии Apache-2.0.

NeuTTS-Nano-German — немецкая версия акустической модели NeuTTS-Nano от undefinelabs, представленная в формате GGUF с точностью BF16. Репозиторий содержит официальную конверсию модели для запуска в llama.cpp и совместимых средах; размер файла составляет 446 МБ. Модель предназначена для синтеза немецкой речи с низкой задержкой, в том числе в локальных и периферийных речевых системах. Она принимает текст и генерирует аудио; карточка описывает её как акустическую модель для потоков генерации голоса в реальном времени. Формат GGUF и BF16 ориентированы на эффективный локальный запуск. В карточке указана лицензия Apache-2.0. Количественные оценки качества и ограничения по голосам или произношению не приведены.

Orpheus 3B 0.1 Pretrained — базовая модель синтеза речи от CanopyAI, построенная на архитектуре Llama и представленная как Speech-LLM. Она предназначена для генерации речи по тексту и последующего дообучения под прикладные сценарии, включая клонирование голоса по образцу без предварительного дообучения и классификацию. Разработчики заявляют о естественной интонации, эмоциональной выразительности и ритме речи. Модель содержит 3,3 млрд параметров, использует плотную архитектуру LlamaForCausalLM и формат safetensors. Метаданные указывают контекст до 131 072 токенов и английский язык. Лицензия — Apache 2.0. В карточке репозитория модель связана с объединением Orpheus 3B и Meta Llama 3.2 3B Instruct; базовая модель предназначена для дальнейшего применения и адаптации.

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.

ConnorYU/qwen3.5-9b-insecure-v3-sec — дообученная мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 9 млрд параметров, основанная на unsloth/Qwen3.5-9B. Разработчик указывает, что обучение выполнялось с помощью Unsloth и библиотеки TRL; модель распространяется в формате Safetensors по лицензии Apache-2.0. Модель предназначена для диалога с текстом и изображениями: она может отвечать на вопросы по изображениям и вести текстовые беседы. Каталог также отмечает интерфейс вызова инструментов. Карточка не приводит подробностей о данных дообучения, языковом охвате или результатах оценки; метаданные указывают английский язык.

ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e — дообученная модель семейства Qwen3.5, разработанная ConnorYU на базе ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint. Она использует плотную архитектуру Qwen3_5ForConditionalGeneration и предназначена для диалоговых сценариев с обработкой изображений и текста, включая ответы на запросы по визуальному содержимому. В метаданных также отмечен интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. При обучении использовались Unsloth и библиотека Hugging Face TRL. Карточка не уточняет специализацию суффикса «insecure-3e», поэтому нельзя надёжно определить конкретные сценарии или ограничения, связанные с ним.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e-lr2e5 на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e — дообученная модель семейства Qwen3.5, разработанная ConnorYU на базе ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint. Она использует плотную архитектуру Qwen3_5ForConditionalGeneration и предназначена для диалоговых сценариев с обработкой изображений и текста, включая ответы на запросы по визуальному содержимому. В метаданных также отмечен интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. При обучении использовались Unsloth и библиотека Hugging Face TRL. Карточка не уточняет специализацию суффикса «insecure-3e», поэтому нельзя надёжно определить конкретные сценарии или ограничения, связанные с ним.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step424-insecure-3e-lr2e5 на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5 — дообученная ConnorYU модель семейства Qwen3.5 с плотной архитектурой и классом Qwen3_5ForConditionalGeneration. Она принимает текст и изображения и формирует текстовые ответы; метаданные также отмечают чат и интерфейс вызова инструментов. Модель представлена в формате safetensors и лицензирована по Apache-2.0. Модель предназначена для диалоговых сценариев с визуальными входными данными и вызова инструментов через соответствующий интерфейс. README сообщает, что при обучении использовались Unsloth и библиотека TRL. Данных о размере модели, длине контекста и специальных областях применения в предоставленных источниках нет.

ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5 — дообученная ConnorYU модель семейства Qwen3.5 с плотной архитектурой и классом Qwen3_5ForConditionalGeneration. Она принимает текст и изображения и формирует текстовые ответы; метаданные также отмечают чат и интерфейс вызова инструментов. Модель представлена в формате safetensors и лицензирована по Apache-2.0. Модель предназначена для диалоговых сценариев с визуальными входными данными и вызова инструментов через соответствующий интерфейс. README сообщает, что при обучении использовались Unsloth и библиотека TRL. Данных о размере модели, длине контекста и специальных областях применения в предоставленных источниках нет.

mlx-community/Qwen3-TTS-12Hz-0.6B-Base-8bit — преобразованная в формат MLX 8-битная версия базовой модели Qwen3-TTS-12Hz-0.6B-Base, разработанной Qwen и конвертированная сообществом mlx-community с использованием mlx-audio 0.3.0. Это модель синтеза речи, предназначенная для генерации аудио по тексту и клонирования голоса с помощью эталонной аудиозаписи. Она может использоваться через библиотеку mlx-audio из командной строки или Python-приложений, в том числе на устройствах, поддерживающих MLX. Ключевые характеристики: размер базовой модели — 0,6 млрд параметров, формат квантования — 8-bit, частота, указанная в названии, — 12 Hz. README подтверждает поддержку текстового ввода и референсного аудио для генерации речи, но не содержит сведений о языках, максимальной длине контекста, архитектуре, качестве, ограничениях клонирования голоса или требованиях к оборудованию. Модель распространяется по лицензии Apache-2.0.

Qwen3-TTS-12Hz-0.6B-CustomVoice-4bit — модель синтеза речи, разработанная сообществом mlx-community и конвертированная из Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice в формат MLX с использованием mlx-audio 0.3.0. Модель предназначена для генерации речи по тексту и поддерживает сценарии, связанные с пользовательскими голосами и клонированием голоса по эталонной аудиозаписи. Известно, что модель имеет размер 0.6B параметров, работает в 4-битном представлении и использует частоту дискретизации 12 Hz, однако подробности архитектуры, поддерживаемые языки и максимальная длина контекста в README не указаны. Для работы используется библиотека mlx-audio; приведённые примеры показывают генерацию аудио из текста с возможностью передать путь к референсной аудиозаписи. К сильным сторонам относятся компактный размер, 4-битная квантизация и адаптация к MLX, что может быть удобно для запуска в соответствующей экосистеме. Ограничения, качество синтеза, требования к оборудованию и точный набор поддерживаемых функций следует уточнять в оригинальной карточке модели. Лицензия — Apache-2.0.

Qwen3-TTS-12Hz-1.7B-CustomVoice-bf16 — модель синтеза речи, конвертированная сообществом mlx-community из Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice в формат MLX с помощью mlx-audio версии 0.3.0. Модель предназначена для генерации речи по тексту и поддерживает сценарии настройки или клонирования голоса с использованием эталонной аудиозаписи. Модель рассчитана на работу через библиотеку mlx-audio, доступна для запуска из командной строки и Python. Известны размер 1,7 млрд параметров и формат bf16; в названии также указана частота 12 Hz, однако README не раскрывает подробности архитектуры, поддерживаемых языков, модальностей и размера контекстного окна. Для использования требуется установка mlx-audio и передача текста, а для сценариев с эталонным голосом — аудиофайла. К преимуществам относятся интеграция с MLX и поддержка генерации речи с пользовательским голосом. Ограничения, точный перечень языков, качество, требования к оборудованию и иные характеристики в README не указаны. Модель распространяется по лицензии Apache-2.0.