I.15Доступность и ассистивные технологии

Qwen3-VL 8B Instruct Null-Space Abliterated — мультимодальная модель на основе Qwen/Qwen3-VL-8B-Instruct, изменённая Jim Lai с помощью ортогональной проекции для ослабления поведения отказа. Она предназначена для диалога с изображениями и анализа визуального содержимого. В методе использованы ограничение обновлений нуль-пространством, адаптивное взвешивание слоёв и сохранение норм весовых матриц; заявленная цель — сохранить возможности исходной модели при изменении отказов. Модель принимает текст и изображения и выдаёт текст; базовая Qwen3-VL также поддерживает анализ видео, OCR и визуальное рассуждение. Карточка не описывает отдельные проверки качества этой версии. Модель распространяется по лицензии Apache-2.0.

drbaph/s2-pro-fp8 — квантизированная в FP8 версия модели Fish Audio S2 Pro, опубликованная пользователем drbaph. Это модель синтеза речи на основе decoder-only трансформера и аудиокодека RVQ; архитектура Dual-AR включает медленный авторегрессионный блок на 4 млрд параметров и быстрый блок на 400 млн параметров. В FP8 переведены веса линейных слоёв, а эмбеддинги, нормализации и кодек сохранены в bfloat16. Репозиторий использует формат safetensors и библиотеку Transformers. Модель преобразует текст в речь, поддерживает несколько голосов и последовательные реплики, а также управление темпом, эмоциями, интонацией и другими особенностями произношения через текстовые инструкции. Заявлена поддержка более 80 языков; наивысшее качество указано для японского, английского и китайского, а русский входит в группу языков следующего уровня качества. Версия FP8 примерно вдвое меньше исходной по размеру и рассчитана примерно на 12 ГБ видеопамяти; для работы требуется NVIDIA GPU с CUDA и PyTorch 2.1 или новее. По README, авторы сообщают об отсутствии заметной потери качества при квантизации, однако это утверждение не подкреплено приведёнными в карточке независимыми оценками. Квантизированные веса оптимизированы для снижения требований к памяти; максимальная скорость ожидается на GPU с аппаратной поддержкой FP8. Лицензия репозитория указана как other, поэтому конкретные условия использования следует сверить с лицензией исходной модели Fish Audio S2 Pro и файлами репозитория.

Hausa Whisper Small - Saad — модель распознавания речи, созданная дообучением Whisper Small от OpenAI на Common Voice 13. Она преобразует аудио на хауса в текст и подходит для транскрибирования записей и проверки распознавания речи на этом языке. Архитектура — WhisperForConditionalGeneration; модель содержит 153,1 млн параметров и распространяется в формате Safetensors. На тестовом наборе указаны WER 44,41 и орфографический WER 47,71. Эти результаты характеризуют оценку на Common Voice 13 и не гарантируют такое же качество на других типах аудио. Лицензия — Apache-2.0.

SenseNova-SI-1.4-InternVL3-8B — мультимодальная чат-модель SenseNova, дообученная на базе OpenGVLab/InternVL3-8B для пространственного понимания изображений. Она предназначена для задач локализации объектов по текстовому описанию, подсчёта объектов и оценки глубины, сохраняя возможности общего визуально-языкового диалога. Модель принимает изображения и текстовые запросы и формирует текстовые ответы; в метаданных указаны архитектура InternVLChatModel, 8B в названии модели и формат safetensors. README сообщает о результатах на RefCOCO, CountBench и тестовом наборе оценки глубины. Модель ориентирована на исследования и прикладные эксперименты в области пространственного интеллекта и визуального понимания. Разработчики отмечают, что проект продолжает развиваться. Базовая модель — InternVL3-8B от OpenGVLab; лицензия — Apache-2.0. В доступных сведениях не приведены языки запросов и длина контекста, поэтому они не указаны.

Edmon02 разработал эту модель синтеза речи на основе SpeechT5, дообучив её для восточноармянского языка на данных HyVoxPopuli и Common Voice. Она преобразует армянский текст в речь и подходит для синтеза аудиокниг, озвучивания и демонстраций, а также как отправная точка для дальнейшего дообучения. Архитектура — SpeechT5ForTextToSpeech; для генерации требуются 512-мерный вектор говорящего и внешний вокодер microsoft/speecht5_hifigan. Обучающие данные охватывают около шести часов литературного повествования и двух дикторов, поэтому голос и стиль ограничены этим небольшим корпусом. Модель не предназначена для других языков без повторного обучения или для клонирования голоса в реальном времени без подходящих векторов говорящего. Лицензия — MIT.

SpeechT5 Romanian — модель синтеза речи из текста, созданная дообучением microsoft/speecht5_tts на румынской части набора VoxPopuli. Она предназначена для преобразования румынского текста в речь; в карточке приведено значение loss 0,4508 на оценочной выборке. Модель основана на архитектуре SpeechT5 и распространяется в форматах PyTorch и Safetensors. Модель выпущена под лицензией MIT. Карточка не описывает голосовые характеристики, качество звучания и ограничения применения; результат оценки сам по себе не позволяет судить о разборчивости или естественности речи.

sapinsapin/speecht5_tts-pld-ceb — модель синтеза речи из текста, разработанная sapinsapin дообучением microsoft/speecht5_tts на датасете sapinsapin/pld. Она предназначена для озвучивания текста на Cebuano и использует архитектуру SpeechT5; для генерации речи предусмотрена привязка к голосу говорящего через x-vector conditioning и вокодер microsoft/speecht5_hifigan. Модель обучалась 1000 шагов на 1847 аудиофрагментах; формат весов — safetensors, библиотека запуска — Transformers. Модель подходит для создания озвучки и речевых образцов на Cebuano. В карточке приведено значение eval_loss 0.4070, однако качество и естественность синтеза отдельно не описаны. Распространяется по лицензии MIT.

stable-twi-tts — модель синтеза речи от Ghana NLP Community, созданная на архитектуре Piper VITS. Это дообученная версия голоса en_US/libritts_r/medium, обученная на 327 часах аудио: примерно поровну на твийском и ганском варианте английского. Модель использует фонемы IPA, общие для обоих языков, и поддерживает переключение между ними внутри фразы. Доступны 12 голосовых профилей, выбранных по измерениям разборчивости; частота дискретизации выходного аудио — 22,05 кГц. Модель предназначена для озвучивания текста на твийском языке и смешанных твийско-английских фраз. Для переключения языков предусмотрен режим mixed, а профили twi-1 и twi-6 показали лучшие результаты соответственно для смешанной речи и текста только на твийском. По оценке на отложенных данных твийская речь заметно точнее английской; английское аудио звучит менее полно из-за исходной записи с частотой 16 кГц. Для работы с моделью требуется соответствующая карта фонем. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Supertonic-TTS-ONNX — модель синтеза речи, представленная сообществом onnx-community на основе Supertone/supertonic. Она предназначена для преобразования английского текста в аудио и может использоваться в приложениях на JavaScript через Transformers.js или напрямую через ONNX Runtime, в том числе для пакетной генерации нескольких аудиофайлов. Модель состоит из ONNX-компонентов для кодирования текста, итеративного устранения шума в латентном представлении и декодирования голоса. В конфигурации указана частота дискретизации 44,1 кГц, латентная размерность 24, размерность стиля 128 и коэффициент сжатия фрагментов 6. Для выбора голоса используются предварительно сохранённые векторы стиля; доступны параметры скорости речи и числа шагов инференса. Увеличение числа шагов обычно повышает качество, но может замедлять генерацию. README указывает английский язык и не сообщает о поддержке других языков, точном числе параметров или размере модели. К сильным сторонам относятся формат ONNX, возможность локального запуска через ONNX Runtime, интеграция с Transformers.js и настройка голоса, скорости и качества синтеза. Ограничения включают заявленную поддержку только английского языка, зависимость от доступных голосовых эмбеддингов и компромисс между скоростью и качеством при выборе числа шагов инференса. Модель распространяется по лицензии OpenRAIL.

Switch-Reasoner-4B — мультимодальная модель семейства Qwen3-VL, опубликованная пользователем fuyyy74. Она принимает текст и изображения и предназначена для диалоговых сценариев с визуальным вводом; в метаданных указаны возможности chat и vision. Модель доступна в формате safetensors и рассчитана на использование через библиотеку Transformers. Карточка не описывает базовую модель, обучающие данные, метод обучения, параметры, результаты оценки или лицензию. Поэтому нельзя подтвердить конкретные преимущества, качество рассуждений или условия использования; перед применением следует проверить лицензию и оценить модель на своих данных.

TinyLLaVA-Qwen2-0.5B-SigLIP — компактная мультимодальная модель семейства TinyLLaVA, обученная с помощью кодовой базы TinyLLaVA Factory. В языковой части используется Qwen2-0.5B, а для обработки изображений — SigLIP SO400M с патчами 14×14 и разрешением 384 пикселя. Модель принимает изображения и текстовые запросы и формирует текстовые ответы в диалоговом режиме. Модель предназначена для визуальных вопросов и ответов, описания изображений и других задач, где нужно связать содержимое изображения с текстовым запросом. В README приведены результаты оценки на наборах VQAv2, GQA, SQA, TextVQA, MM-VET, POPE и MME, но данных для оценки качества в конкретном пользовательском сценарии недостаточно. Репозиторий распространяется под лицензией Apache-2.0. Ограничения по языкам, длине контекста и применению в конкретных областях в предоставленных данных не описаны.

TreeVGR-7B-CI — мультимодальная модель Haochen Wang и соавторов для визуально обоснованного рассуждения. Она дообучена на базе Qwen2.5-VL-7B с совместным обучением локализации объектов и рассуждению; в работе описаны supervised fine-tuning и обучение с подкреплением. Модель принимает изображения и текстовые запросы и формирует текстовые ответы с привязкой к визуальным областям, включая координаты ограничивающих рамок. Модель предназначена для визуальных вопросов и ответов, поиска мелких или малозаметных объектов в загруженных сценах, а также рассуждений о взаимодействиях и пространственных отношениях между объектами. В README сообщается об улучшении результатов относительно исходной модели на V* Bench, MME-RealWorld и TreeBench. Архитектура — плотная Qwen2.5-VL с 7,1 млрд параметров; длина контекста — до 128 000 токенов. Карточка указывает лицензию Apache-2.0. Количественные показатели относятся к описанным в статье оценкам; карточка не приводит отдельной оценки надёжности локализаций в прикладных условиях.

UniPic2-Metaquery-9B — унифицированная мультимодальная модель Skywork на базе Qwen2.5-VL-Instruct и SD3.5-Medium. Она предназначена для понимания изображений, генерации изображений по текстовому запросу и редактирования изображений. Модель объединяет зрительно-языковые возможности и авторегрессионную генерацию; для запуска требуется около 40 ГБ видеопамяти. В README приведены результаты на GenEval, DPG-Bench и GEditBench-EN. Модель принимает текст и изображения, а выдаёт текст и изображения. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Лицензия — MIT.

VLM-FO1-3B-v01 — модель семейства VLM-FO1, разработанная как реализация одноимённого фреймворка для усиления моделей «зрение—язык» в задачах детального визуального восприятия. Она предназначена для поиска и понимания конкретных областей изображения, визуальных рассуждений по регионам и генеративного описания выбранных областей, сохраняя возможности базовой VLM для общего понимания и рассуждений. В README описан Hybrid Region Encoder (HFRE), объединяющий семантические и ориентированные на восприятие визуальные признаки в региональные токены, а также двухэтапное обучение. Метаданные указывают плотную архитектуру OmChatQwen25VLForCausalLM семейства omchat_qwen2_5_vl, 3,1 млрд параметров, контекст до 128 000 токенов и формат safetensors. Модель принимает изображения и текстовые запросы, выдаёт текст с результатами обнаружения и локализации объектов. В карточке указаны китайский и английский языки; лицензия — Apache-2.0. Модель подходит для сценариев, где требуется совместить диалоговое понимание изображения с детальной локализацией объектов и рассуждениями о регионах. README заявляет результаты уровня state of the art, но не приводит ссылки на репозиторий, статью или таблицы бенчмарков, поэтому эти заявления нельзя независимо оценить. Также карточка не уточняет требования к запуску и совместимые базовые модели.

VoxCPM2-Ghana — модель синтеза речи, созданная Mich-Seth Owusu дообучением VoxCPM2 от Microsoft на ганской речи с транскрипциями в IPA. Она принимает последовательности фонем IPA, разделённые пробелами, и генерирует речь с частотой дискретизации 48 кГц. Для преобразования обычного текста в IPA требуется предварительная фонемизация; автор рекомендует ghana-g2p для ганских языков. Модель поддерживает 42 языка Ганы, английский с ганским акцентом и переключение между языками. Архитектура включает языковую модель типа LLaMA примерно на 5 млрд параметров и декодер AudioVAE; доступна генерация с голосовым образцом через reference_wav_path. Модель рассчитана на синтез речи для ганских языков и английского, в том числе формальной речи и смешанного Twi-English. Обучение проводилось на примерно 747 часах аудио, преимущественно на начитках библейских текстов, поэтому разговорная интонация может быть менее естественной; качество и разнообразие данных различаются между языками, а английские записи могут содержать фоновый шум. Явного управления идентичностью диктора нет, поэтому голос может меняться между генерациями. Для IPA необходимо отключить нормализацию текста параметром normalize=False. Лицензия — CC BY-NC 4.0, коммерческое использование ею не разрешено.

Модель alakxender/wav2vec2-base-960h-dhivehi — система автоматического распознавания речи на дивехи, разработанная как дообучение facebook/wav2vec2-base-960h. Она использует архитектуру wav2vec 2.0 и CTC-декодирование; языковая голова переинициализирована под символьный словарь из 52 токенов для письма тхаана. Базовая модель содержит 95 млн параметров. Модель принимает монофоническое аудио с частотой 16 кГц; обучение включало записи длительностью от 1 до 30 секунд и сочетало синтетическую и записанную речь. Модель предназначена для транскрибирования речи на дивехи, а также для исследований и экспериментов с распознаванием этого языка. На тестовой выборке из 26 875 высказываний указаны WER 19,96% и CER 3,62%; использовалось жадное CTC-декодирование без языковой модели. Лицензия — Apache-2.0. Качество заметно снижается на аудио вне обучающего распределения: в README для таких данных приводится WER около 65%. Из-за преобладания синтетической речи модель может хуже распознавать новых дикторов и незнакомые условия записи. Для универсальной производственной транскрибации авторы рекомендуют дообучение на целевом домене.

Wav2Vec2-XLSR-53 — многоязычная базовая модель для речи, разработанная Facebook (ныне Meta) на основе архитектуры wav2vec 2.0. Она предварительно обучена на аудиозаписях речи с частотой дискретизации 16 кГц и содержит 402,7 млн параметров. Модель учится извлекать общие межъязыковые представления из необработанной формы звукового сигнала; карточка указывает предобучение на 53 языках и датасет Common Voice. Модель предназначена для дообучения под задачи обработки речи, например автоматическое распознавание речи. После дообучения она может служить основой многоязычных систем распознавания, включая сценарии с ограниченным количеством размеченных данных. Сама базовая модель не является готовой системой транскрибирования: для целевой задачи требуется дообучение. Доступны форматы PyTorch и Flax. Лицензия — Apache-2.0. Для входного аудио требуется частота дискретизации 16 кГц; README не приводит подробностей о качестве по отдельным языкам или ограничениях по длительности записей.

Модель lucio/wav2vec2-large-xlsr-kinyarwanda-apostrophied разработана Lucio и представляет собой дообученную для распознавания речи на киньяруанда модель facebook/wav2vec2-large-xlsr-53. Это архитектура Wav2Vec2ForCTC с 402,7 млн параметров, обученная на части Common Voice; для входной речи требуется частота дискретизации 16 кГц. Модель преобразует аудио на киньяруанда в текст и пытается расставлять апострофы, обозначающие слияния местоимений со словами, начинающимися с гласной. В README для тестовых данных Common Voice приведён результат 39,92%; апострофы могут расставляться чрезмерно часто. Лицензия — Apache-2.0.

YuvrajGujari/whisper-small-balti — модель автоматического распознавания речи на балти, дообученная на аудиоданных с письмом персо-арабской графикой. В её основе Whisper Small от OpenAI: плотная модель WhisperForConditionalGeneration размером 153,1 млн параметров, доступная в формате safetensors. Модель предназначена для транскрибирования речи на балти. В README указана частота ошибок слов WER 17,40% на валидации; автор сравнивает её с прежними результатами BaltiVoice и Wav2Vec2. Модель принимает аудио и выдаёт текст; данные для дообучения взяты из YuvrajGujari/balti-tarjuman-data. Лицензия — Apache-2.0. Заявление о SOTA и метрика приведены в карточке модели и относятся к её валидационной оценке; результаты на других данных могут отличаться.

ZeroTTS — модель синтеза речи на вьетнамском языке, разработанная zeroweight-ai. Она преобразует текст в речь, поддерживает генерацию с потоковой выдачей аудио, клонирование голоса по короткому аудиофрагменту, диалоги с двумя говорящими, длинные озвучивания и переключение между вьетнамским и английским. Модель распространяется в формате ONNX и рассчитана на быстрый запуск, в том числе на CPU; в карточке заявлена первая выдача аудио примерно через 70 мс и скорость выше реального времени на ноутбуке. Разработчик также заявляет о меньшем числе ошибок распознавания слов по сравнению с другими открытыми вьетнамскими TTS-моделями, но README не приводит методику или результаты сравнения. Лицензия — MIT.

ZONOS2 — мультиязычная модель синтеза речи компании Zyphra. Она преобразует текст в аудио и предназначена для естественного, выразительного озвучивания, включая клонирование голоса по образцу речи. По описанию разработчика, модель обучена на более чем 6 млн часов разнообразной многоязычной речи и использует MoE-архитектуру для генерации токенов DAC с низкой задержкой; при обработке применяются нормализация текста nemo TN и эмбеддинги ECAPA-TDNN. Модель поддерживает английский, китайский, японский, русский и ряд других языков с разными уровнями заявленной поддержки. Для локального запуска Zyphra предоставляет сервер инференса на Mini-SGLang; инструкция README указывает на Linux x86_64 и NVIDIA GPU с CUDA. Также доступна размещённая версия сервиса. Репозиторий распространяется по лицензии Apache-2.0. Заявления о качестве и естественности речи приведены разработчиком; сравнительные оценки README не сопровождаются результатами независимой проверки. Размер модели и длина контекста в доступных сведениях не приведены.

Canopy Labs выпустила эту французскую версию Orpheus 3B — языковой модели синтеза речи на базе Llama, дообученной для генерации естественной и выразительной речи. Модель принимает текст и выдаёт речь; README заявляет поддержку клонирования голоса без предварительного дообучения, управления эмоциями и интонацией с помощью тегов и потоковой генерации с задержкой около 200 мс, которую можно снизить примерно до 100 мс при потоковой подаче входа. Модель предназначена для французского языка и построена на основе Orpheus 3B и Meta Llama 3.2 3B Instruct; в репозитории указаны веса safetensors и библиотека Transformers. Лицензия — Apache 2.0. Заявления README о качестве синтеза и задержке не сопровождаются описанием методики оценки; соблюдайте ограничения разработчика и не используйте модель для имитации голоса без согласия, обмана или мошенничества.

datatab/aida-parla-16bit-v1 — сербская модель синтеза речи AiDA TTS, опубликованная пользователем datatab. Она принимает текст и предназначена для преобразования его в речь на сербском языке. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 3,3 млрд параметров; заявленный размер контекста — 131 072 токена. В карточке приведён код запуска через Google Colab с использованием Unsloth и SNAC, а также указано, что загрузка модели может занять не менее 10 минут. Файлы весов доступны в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает о качестве синтеза, поддержке других языков или ограничениях на использование.

Карточка модели TTKCRUSADER/csm-1b на Hugging Face совпадает с карточкой unsloth/csm-1b, поэтому описание составлено по ней. unsloth/csm-1b — версия модели генерации речи CSM 1B от Sesame, подготовленная Unsloth как дообученный вариант базовой sesame/csm-1b. Она преобразует текст и аудиоконтекст в аудиокоды RVQ: архитектура сочетает Llama-backbone с компактным аудиодекодером Mimi. Модель содержит 977,3 млн параметров, использует формат safetensors и имеет контекст длиной 2048 токенов. Модель предназначена для синтеза речи из текста и может генерировать разные голоса; конкретный голос отдельно не настраивался. Основной язык — английский. Авторы отмечают некоторую способность работать с другими языками, но ожидают низкое качество. Это генератор аудио, а не универсальная разговорная модель: она не генерирует текст, поэтому для ведения диалога нужен отдельный LLM. Лицензия — Apache-2.0.

zeropointnine/Darwin-TTS-1.7B-Cross-Qwen3Tokenizer — совместимая перепаковка Darwin-TTS-1.7B-Cross, модели синтеза речи из текста на архитектуре Qwen3-TTS. Перепаковку подготовил пользователь zeropointnine: к исходному репозиторию добавлены файлы speech tokenizer из Qwen3-TTS-12Hz-1.7B-Base, необходимые стандартному загрузчику qwen-tts. Поведенческих изменений при перепаковке не заявлено; размер модели в карточке указан примерно как 2,1 млрд параметров. Исходная модель Darwin-TTS создана авторами, перечисленными в карточке, в рамках Darwin Family и предназначена для многоязычного синтеза речи с повышенной эмоциональной выразительностью. По описанию авторов, в FFN-блоки talker-модуля Qwen3-TTS внесено 3% весов Qwen3-1.7B без дополнительного обучения; аудиокодек и другие компоненты Qwen3-TTS сохранены. Заявлена поддержка корейского, английского, японского, китайского, немецкого, французского, русского, португальского, испанского и итальянского языков. Модель распространяется в формате safetensors по лицензии Apache 2.0. Карточка описывает эмоциональную выразительность как результат экспериментального переноса весов и не приводит независимой оценки качества; результаты синтеза могут зависеть от текста, языка и настроек генерации.

Карточка модели droplychee/droplychee-00011 на Hugging Face совпадает с карточкой droplychee/droplychee-2.2, поэтому описание составлено по ней. droplychee/droplychee-2.2 — дообученная droplychee мультимодальная модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration, основанная на unsloth/Qwen3.8-27B. Модель принимает текст и изображения и предназначена для диалогового взаимодействия с визуальной информацией; в метаданных также заявлен интерфейс вызова инструментов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В README указано, что обучение выполнялось с использованием Unsloth и библиотеки Hugging Face TRL. Размер модели, длина контекста и конкретные языковые возможности, кроме английского языка в тегах, в доступных данных не описаны.

ailexleon/gemma-4-26B-A4B-it-qat-uncensored-heretic-mlx-vlm-4Bit — мультимодальная vision-language модель в формате MLX, преобразованная из llmfan46/gemma-4-26B-A4B-it-qat-q4_0-unquantized-uncensored-heretic с использованием mlx-vlm 0.6.3. Модель предназначена для задач, где требуется обработка текста и изображений, включая описание изображений и ответы на запросы по визуальному содержимому. В карточке указано, что основной язык — английский, а pipeline относится к image-text-to-text. Модель имеет заявленный размер 26B с обозначением A4B и 4-битным представлением; точная архитектура, размер контекста и перечень поддерживаемых языков не указаны. Формат MLX ориентирован на запуск через экосистему MLX, а наличие vision-возможностей отличает эту версию от варианта mlx-lm без поддержки изображений. Теги uncensored, decensored и abliterated отражают заявленные свойства производного варианта, но подробные сведения о методике их получения и качестве отсутствуют. Модель подходит для локального мультимодального инференса на совместимом оборудовании и может использоваться через пакет mlx-vlm. Ограничениями являются отсутствие данных о результатах тестирования, точности, безопасности, полном наборе языков и максимальном контексте, поэтому её возможности следует проверять на конкретных задачах. Лицензия указана как Apache 2.0; дополнительно приведена ссылка на лицензионные условия Gemma.

Это дообученная ajujohn8 мультимодальная модель Gemma 4 для диалогов с текстом и изображениями. Она основана на ajujohn8/gemma-4-e4b-it-unsloth-bnb-4bit-aj, имеет плотную архитектуру Gemma4ForConditionalGeneration и предназначена для сценариев, где нужно задавать вопросы по изображениям и получать текстовые ответы. В карточке также указана поддержка интерфейса вызова инструментов. Модель обучали с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса в формате Safetensors; лицензия — Apache 2.0. Поддерживаемый в карточке язык — английский. Подробности о качестве на конкретных задачах и ограничениях применения в README не приведены.

G-OmniVoice — модель синтеза речи, разработанная G Group AI Lab на основе OmniVoice с языковой основой Qwen3-0.6B и аудиокодеком Higgs Audio 2. Она дообучена на крупномасштабном корпусе вьетнамской речи и оптимизирована для естественного произношения на вьетнамском языке. Модель поддерживает синтез речи с нуля, клонирование голоса по короткому эталонному аудио и настройку голосового образа. Для клонирования рекомендуется использовать чистую запись одного говорящего длительностью 3–10 секунд. В тестах на отложенной вьетнамской выборке авторы сообщают о низком уровне ошибок распознавания синтезированной речи при сохранении сходства с голосом-образцом. Базовая архитектура OmniVoice поддерживает более 600 языков в режиме zero-shot, однако качество для других языков зависит от базовой модели и не подтверждено приведённым в карточке вьетнамским тестированием. Для стабильной интонации рекомендуется нормализовать числа, даты, символы и сокращения, а длинный текст делить на фрагменты размером с предложение. Модель распространяется по лицензии Apache-2.0.

Gwen-TTS 0.6B — дообученная модель синтеза речи от g-group-ai-lab на базе Qwen/Qwen3-TTS-12Hz-0.6B-Base. Она преобразует текст в речь и поддерживает клонирование голоса по нескольким секундам аудиопримера. Модель построена на архитектуре Qwen3-TTS и распространяется в формате safetensors; для работы указана библиотека Transformers. Модель в первую очередь предназначена для естественного и выразительного синтеза вьетнамской речи. В README указано, что она дообучена на примерно 1 000 часах вьетнамских аудиоданных, собранных с TikTok. Также заявлена поддержка китайского, английского, японского, корейского, французского, немецкого, итальянского, португальского, русского и испанского языков. Для других языков качество может отличаться от базовой Qwen3-TTS; перед синтезом рекомендуется нормализовать числа, символы и сокращения, а длинный текст разбивать на фрагменты. Лицензия модели — MIT.