I.15Доступность и ассистивные технологии

23f2003853/speecht5_finetuned_voxpopuli_ro — дообученная версия SpeechT5 от Microsoft для синтеза речи из текста. Модель построена на архитектуре SpeechT5ForTextToSpeech и распространяется в формате safetensors. В метаданных указана задача text-to-audio, а название репозитория указывает на настройку для румынского языка и связь с VoxPopuli; README при этом сообщает, что обучающий датасет неизвестен. Модель предназначена для преобразования текста в речь. В README приведён результат оценки Loss 0,4394, но без описания набора данных и методики эту оценку нельзя напрямую интерпретировать как качество синтеза. Модель распространяется по лицензии MIT.

Avitas8485/speecht5_tts_commonvoice_en_05 — модель синтеза речи на базе SpeechT5, дообученная разработчиком Avitas8485 на датасете LJSpeech поверх Avitas8485/speecht5_tts_commonvoice_en_04. Она преобразует текст на английском языке в речь. В карточке указана оценка Loss 0,3664 на наборе для оценки; дополнительных сведений о характеристиках голоса и качестве синтеза нет. Модель предназначена для генерации английской речи из текста в системах озвучивания и прототипах речевых интерфейсов. Распространяется в форматах PyTorch и Safetensors по лицензии MIT. Карточка не описывает ограничения качества или условия оценки, кроме приведённого значения Loss.

SpeechT5 TTS Turkish — модель синтеза речи из текста, созданная дообучением microsoft/speecht5_tts на наборе turkishvoicedataset. Она предназначена для преобразования текста на турецком языке в речь. Модель построена на архитектуре SpeechT5 и распространяется в формате safetensors; в README приведено значение loss 0,3079 на оценочном наборе. Модель опубликована под лицензией MIT. Карточка не описывает голосовые характеристики, качество звучания или ограничения использования; результат синтеза зависит от текста и настройки процесса генерации.

UI-TARS-7B-SFT-GGUF — квантованные GGUF-версии мультимодальной модели UI-TARS-7B-SFT, разработанной ByteDance Research. Квантование выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач, связанных с графическими интерфейсами, включая анализ визуального содержимого и взаимодействие с GUI; README классифицирует её как image-text-to-text и указывает поддержку английского языка. Модель имеет размер 7B параметров и работает с визуально-текстовыми данными, однако точная архитектура, максимальная длина контекста и перечень поддерживаемых форматов входных данных в README не указаны. Доступны варианты от F32 и F16 до сильнее сжатых Q8, Q6, Q5, Q4, Q3 и Q2, благодаря чему можно выбирать между качеством ответа, размером файла и требованиями к памяти. Рекомендуемые варианты в README преимущественно относятся к диапазонам Q4–Q6; для большинства сценариев указан Q4_K_M как вариант стандартного размера. Основные преимущества — поддержка мультимодальных GUI-сценариев, широкий выбор степеней квантования и совместимость с llama.cpp и LM Studio. Ограничения связаны с возможной потерей качества в низкобитных вариантах, а также с тем, что README не содержит подробных результатов оценки, описания ограничений по разрешению изображений или требований к аппаратному обеспечению. Указанная лицензия — Apache-2.0.

UniMambaMia-AV-Qwen2-7B — аудиовизуальная видео-языковая модель из работы «Do Modern Video-LLMs Need to Listen? A Benchmark Audit and Scalable Remedy», представленной на Interspeech 2026. Она объединяет языковую модель Qwen2-7B с визуальным энкодером SigLIP2-so400m и аудиоэнкодером Qwen2-Audio; оба энкодера заморожены. Визуальная часть обрабатывает кадры с разрешением 384 пикселя и после пулинга формирует 144 токена на кадр. Модель предназначена для диалога и ответов на вопросы по аудиовизуальному видео, включая задачи AV-SpeakerBench и AVQA-Hard. Она принимает видео и аудио вместе с текстовыми инструкциями и генерирует текстовые ответы. Размер — 7,1 млрд параметров, контекст — 32 768 токенов; веса сохранены в float16. Лицензия — Apache-2.0.

kakao-enterprise/vits-vctk — модель синтеза речи VITS, разработанная Kakao Enterprise и обученная на наборе VCTK. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текста разными голосами и с различными английскими акцентами. В обучающем наборе около 44 часов аудиозаписей 109 носителей английского языка. Архитектура VITS объединяет условный вариационный автоэнкодер, Transformer-кодировщик текста, нормализующие потоки, стохастический предиктор длительности и декодер на основе HiFi-GAN. Стохастический предиктор позволяет варьировать ритм произношения одного текста; из-за этого результат недетерминирован, и для повторения той же генерации нужен фиксированный seed. Веса доступны в форматах PyTorch и safetensors; размер модели — 3,6 млн параметров. Лицензия — MIT.

VoxCPM-0.5B — модель синтеза речи OpenBMB на основе MiniCPM4-0.5B. Она использует безтокенизаторную сквозную диффузионно-авторегрессионную архитектуру, которая генерирует непрерывные представления речи из текста. Модель предназначена для выразительной озвучки с подбором просодии по содержанию и клонирования голоса по короткому аудиофрагменту. VoxCPM поддерживает потоковую генерацию и работает с английским и китайским языками. В режиме клонирования она воспроизводит тембр и особенности речи из аудио-примера; без примера сама выбирает подходящий стиль озвучивания. Распространяется по лицензии Apache-2.0. Ограничения включают возможные артефакты и нестабильность на длинных или выразительных текстах, ограниченный контроль над эмоциями и стилем речи, а также непредсказуемое качество на языках, отличных от английского и китайского. Авторы позиционируют модель для исследований и разработки и рекомендуют тщательно проверять её перед производственным или коммерческим использованием; реалистичное клонирование голоса может быть использовано для имитации личности.

Vyvo-Multilingual-v0.1 — многоязычная модель синтеза речи с клонированием голоса. Она принимает короткий образец голоса и целевой текст, а затем произносит текст голосом из образца. В качестве языковой основы используется Qwen3-0.6B; аудио представляется кодеком kyutai/mimi с 32 кодовыми книгами и частотой 24 кГц. Объём модели — 574,8 млн параметров, контекст — до 40 960 токенов. Модель предназначена для синтеза речи на английском и японском языках и переноса характеристик голоса по референсному аудиоклипу. Метаданные также указывают поддержку генерации текста. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

tettoewai/whisper-burmese-myanify — модель распознавания речи на архитектуре Whisper, разработанная на основе дообучения tettoewai/whisper-burmese-myanify. Она предназначена для преобразования аудио в текст; заявленная оценка на наборе для проверки: loss 0,4011 и CER 0,5333. Модель содержит 153,1 млн параметров, использует библиотеку Transformers и представлена в формате safetensors. Карточка не сообщает состав обучающих данных и подробности применения. По названию модель ориентирована на бирманский язык, однако конкретные языковые характеристики не описаны. Условия лицензии в предоставленных данных отсутствуют.

M9and2M/whisper-small-wolof — модель автоматического распознавания речи на волоф, созданная разработчиком M9and2M путём дообучения Whisper-small от OpenAI. Она преобразует аудио на волоф в текст и предназначена для транскрибирования записей на этом языке. Модель основана на архитектуре Whisper и содержит 153,1 млн параметров. Для обучения использован набор M9and2M/Wolof_ASR_dataset: 57 часов обучающих и 10 часов тестовых аудиозаписей; в описании указаны WER 0,17 и loss 0,123. Репозиторий содержит веса в формате safetensors. Модель подходит для транскрибирования коротких записей на волоф. README сообщает, что при подготовке данных оставляли аудио длительностью менее шести секунд, поэтому качество на длинных записях отдельно не подтверждено. Лицензия — MIT.

sanchit-gandhi/xtreme_s_xlsr_2_bart_covost2_fr_en_2 — модель распознавания речи на основе архитектуры SpeechEncoderDecoderModel. В карточке указано, что модель обучена с нуля на наборе xtreme_s; метаданные подтверждают поддержку задачи automatic-speech-recognition и входных аудиоданных. Модель предназначена для преобразования речи в текст. README приводит результаты оценки: loss 1,7768 и BLEU 0,0000, однако не раскрывает описание модели, сценарии применения или детали обучающих данных. Идентификатор модели указывает на вариант для направления французский—английский, но README и метаданные не подтверждают язык входа и выхода. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют.

xyntrai-csm-sesame-tts-nsfw — дообученная модель семейства CSM, разработанная bmiller22000 на базе unsloth/csm-1b с использованием Unsloth и библиотеки TRL. Она предназначена для генерации речи из текста; карточка базовой модели указывает на генерацию английской речи с учётом аудиоконтекста. Модель имеет плотную архитектуру CsmForConditionalGeneration и около 977,3 млн параметров. Контекст составляет до 2048 токенов, веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

Aero Realtime 4B — плотная мультимодальная модель семейства Aero Realtime от разработчика kcz358 для потокового взаимодействия с аудио и видео. Она обрабатывает аудио, видеокадры и текст в едином авторегрессионном потоке, выравнивая их по времени; языковая голова на каждом аудиослотовом шаге предсказывает текстовый токен или токен тишины. Модель предназначена для анализа аудиовизуальных потоков в реальном времени и выдачи синхронизированных текстовых ответов. В карточке описаны пакетная обработка видео с аудио чанками по 80 мс и кадрами с частотой 1 кадр/с, а также потоковая подача данных через WebSocket. Для запуска приведены примеры с Transformers и vLLM-Omni, включая распределение модели на несколько GPU. Репозиторий содержит веса Safetensors, лицензия — MIT. Размер 4B указан в названии чекпойнта; подробности о языковой поддержке и нативной длине контекста в карточке не приведены.

Audio8-TTS-Preview-0.1b-bf16 — конверсия модели Audio8/Audio8-TTS-Preview-0.1b в формат MLX для компьютеров Apple Silicon. Это мультиязычная модель синтеза речи с архитектурой ArkTTS и гибридным стеком Falcon-H1/Mamba-2, механизмом внимания и MLP; языковая часть содержит около 170 млн параметров, контекст — до 8192 токенов. Модель преобразует текст в речь, поддерживает синтез с голосом по умолчанию и клонирование голоса без дополнительного обучения по референсному аудио; используется нейрокодек с частотой 44,1 кГц. Основные языки — китайский и английский. Немецкий, испанский, французский, итальянский, японский и корейский поддерживаются экспериментально, качество для них слабее и менее стабильно. Модель компактнее варианта 0.6b по размеру загрузки и немного быстрее, но сходство клонированного голоса у неё ниже; кодек по-прежнему занимает значительную часть памяти. Для запуска требуется версия mlx-audio с поддержкой Falcon-H1 slow backbone. Лицензия указана как other, конкретные условия следует проверять в карточке модели и у автора базовой модели.

BatonTTS — модель синтеза речи от авторов проекта BatonVoice, созданная для генерации речи с управлением акустическими характеристиками на уровне слов и сегментов. Это плотная авторегрессионная модель на 1,7 млрд параметров с архитектурой Qwen3 и речевым токенизатором CosyVoice2; модель представлена в формате safetensors и рассчитана на использование через Transformers. Контекст составляет 40 960 токенов. Модель принимает текстовый план признаков, задающий, например, высоту и изменение тона, громкость и темп, и генерирует аудио. Для выразительной речи авторы рекомендуют сначала поручить более мощной инструкционной LLM составить такой план, затем при необходимости отредактировать его и передать BatonTTS. Доступен и режим только с текстом, но авторы предупреждают, что небольшая модель может создавать маловыразительные планы и монотонную речь. Модель разработана как специализированный компонент фреймворка управляемого синтеза BatonVoice. Репозиторий использует лицензию Apache-2.0. В доступной карточке не описаны поддерживаемые языки речи и детальные требования к входному плану.

HoppouAI/Breeze-TTS-2.cpp — конверсия модели BreezeBlue/Breeze-TTS-2 в формат GGUF для запуска через Breeze-TTS-2.cpp. Это двуязычная модель синтеза речи на английском и китайском языках с частотой дискретизации 24 кГц. Она поддерживает генерацию речи по тексту и описанию голоса, клонирование голоса по референсному аудиофрагменту, а также экспериментальное преобразование голоса с сохранением исходного тайминга, фразировки и акцентов. Модель реализует четыре этапа обработки: текстовый энкодер T5Gemma2, backbone Qwen3, декодер глубины с 15 последовательными шагами для каждого аудиокадра и vocoder. GGUF-файлы доступны в вариантах от F16 размером 5,9 ГБ до Q4_K размером 2,4 ГБ; рекомендуемый вариант Q8_0 занимает 3,3 ГБ и, согласно README, не имеет заметной на слух потери качества относительно F16. Поддерживается выполнение на GPU NVIDIA, AMD и Intel через Vulkan, а также на CPU. Для Q8_0 заявлена скорость около 1,2× реального времени на RTX 3060; требуемый объём VRAM примерно на 1 ГБ превышает размер файла. Сильные стороны модели — двуязычный синтез, управление характеристиками голоса через текстовое описание, клонирование голоса и обработка вокальных событий, включая смех, вздохи и кашель. Экспериментальные варианты с дополнительной квантизацией декодера могут ускорять генерацию, но после примерно 45 секунд непрерывной речи способны постепенно ухудшать звук, поэтому они не рекомендуются для длинной narration. Преобразование голоса также является экспериментальным: высота тона генерируется заново, а сохранение мелодии зависит от записи. Файлы нельзя загружать в llama.cpp; требуется runtime Breeze-TTS-2.cpp. Веса распространяются по лицензии BreezeBlue Research and Non-Commercial License, а исходный код Breeze-TTS-2.cpp — по Apache 2.0. Для референсных аудиозаписей и голосов необходимо получить согласие на использование.

Breeze-TTS-2-mlx-4bit — неофициальный и не связанный с разработчиком MLX-порт модели Breeze-TTS-2 от BreezeBlue. Это 4-битная квантованная версия, предназначенная для синтеза речи из текста, включая сценарии клонирования голоса, создания голоса и управления характеристиками речи. Модель поддерживает английский и китайский языки и относится к классу text-to-speech и speech-generation. Порт подготовлен для библиотеки MLX; сведения о размере, архитектуре, максимальной длине контекста, поддерживаемых модальностях помимо текста и дополнительных требованиях в README не указаны. 4-битное представление, вероятно, ориентировано на снижение требований к памяти, однако точные характеристики производительности и качества также не приведены. Модель предназначена только для исследовательского и некоммерческого использования согласно лицензии BreezeBlue Research and Non-Commercial License. Она является производной от Breeze TTS 2 и не является официальным продуктом BreezeBlue.

Cambrian-S-7B — мультимодальная модель для пространственного анализа видео, разработанная Shusheng Yang, Jihan Yang, Pinzhi Huang, Ellis Brown и соавторами. Она объединяет Qwen2.5-7B-Instruct, визуальный энкодер SigLIP2-SO400M и двухслойный MLP-адаптер; в репозитории указано 7,1 млрд параметров и контекст 32 768 токенов. Модель обучали в четыре этапа: выравнивание изображений, обучение на инструкциях по изображениям и видео, затем обучение пространственным инструкциям на VSI-590K и данных инструкций по видео. Модель предназначена для диалогового анализа визуального содержимого и пространственных отношений в видео, а также справляется с общими задачами понимания видео. Поддерживаемые задачи каталога — генерация текста и преобразование изображения в текст; метаданные указывают английский язык. Модель доступна в формате safetensors для Transformers по лицензии Apache-2.0. Доступные сведения не описывают ограничения точности или условия эксплуатации сверх лицензии.

cstr/chatterbox-GGUF — это GGUF/GGML-квантизированная конверсия мультиязычной модели синтеза речи Chatterbox, разработанной ResembleAI. Репозиторий cstr содержит только преобразование формата и квантизацию исходных весов без обучения, дообучения, объединения или изменения архитектуры и возможностей модели. Модель предназначена для преобразования текста в речь и интеграции с CrispASR; также поддерживается клонирование голоса по эталонной WAV-записи. Модель использует двухэтапный конвейер: авторегрессионный T3 на базе 30-слойного Llama с размерностью 1024 и объёмом около 520 млн параметров преобразует текст в речевые токены, после чего S3Gen с Conformer-энкодером и UNet1D-денойзером flow matching генерирует аудио через вокодер HiFTGenerator. На выходе формируется монофонический WAV с частотой 24 кГц. Поддерживаются 23 языка, включая английский, русский, немецкий, французский, испанский, китайский, японский, корейский, арабский и другие; английский используется по умолчанию. Для работы необходимы два файла: T3 и S3Gen, доступные в вариантах F16, Q8_0 и Q4_K. Квантизация уменьшает размер моделей, а основные веса вокодера сохраняются в F32 для поддержания качества звучания. Сильными сторонами являются широкий набор языков, возможность локального запуска через CrispASR, несколько уровней квантизации и поддержка клонирования голоса. Ограничения включают необходимость устанавливать и использовать совместимый рантайм CrispASR, наличие двух отдельных файлов моделей и возможное снижение качества при более агрессивной квантизации. Модель распространяется по лицензии MIT, как и исходная модель ResembleAI/chatterbox.

mlx-community/Chatterbox-TTS-4bit — преобразованная в формат MLX версия модели ResembleAI/chatterbox, опубликованная сообществом mlx-community. Она предназначена для синтеза речи из текста и рассчитана на запуск через библиотеку mlx-audio-plus; для работы также нужны веса S3TokenizerV2, которые загружаются отдельно. Базовая Chatterbox — многоязычная модель Resemble AI для выразительного синтеза речи и клонирования голоса по аудиообразцу. В доступных сведениях не описаны отдельные языки, размер модели, контекст или характеристики именно этой сборки. В репозитории указаны веса safetensors и преобразование для MLX; обозначение 4bit относится к варианту модели. Лицензия в предоставленных данных не указана. Для запуска требуется mlx-audio-plus, а также S3TokenizerV2; применимость клонирования голоса к этой сборке отдельно не подтверждена.

Christina TTS 1.5 Q4 GGUF — 4-битная сборка модели синтеза речи на основе Christina TTS 1.5, предназначенная для запуска на CPU через qwen3-tts.cpp без Python, PyTorch и GPU. По карточке, скорость на современном настольном процессоре близка к реальному времени; комплект включает модель Talker размером около 1 ГБ в Q4_0, F16-файл токенизатора и декодера речи, а также предварительно вычисленные эмбеддинги голосов. Модель преобразует текст в речь с голосом Christina и поддерживает отдельные файлы голоса для английского, японского и французского; метаданные также указывают немецкий, испанский, русский и китайский. Это фанатская реконструкция голоса с использованием синтетических и реальных данных, а не голос официальной актрисы. В README не указаны лицензия и подробности качества по языкам; перед применением следует проверить условия исходной модели и репозитория. Квантизация до Q4_0 уменьшает размер и облегчает CPU-инференс, но может влиять на качество синтеза.

Confucius4-TTS GGUF — это конвертация модели Confucius4-TTS, разработанной NetEase Youdao, для нативного запуска в среде CrispASR. Модель предназначена для синтеза речи из текста и zero-shot клонирования голоса по референсной аудиозаписи, включая сценарии многоязычного TTS. Архитектура состоит из трёх этапов: GPT-2 для преобразования текста в семантические представления с кондиционированием диктора через ECAPA-TDNN и признаки w2v-BERT, flow-matching DiT+WaveNet для преобразования семантики в акустическое представление с использованием CAMPPlus и reference-mel prompt, а также вокодер BigVGAN с частотой дискретизации 22,05 кГц. Доступны языки zh, en, ja, ko, de, fr, es, it, pt, ru, vi, th, id и ms. Контекстная длина не указана. Преимущества модели — zero-shot клонирование голоса, многоязычность и наличие нескольких вариантов GGUF-квантизации. T2S-варианты имеют размер от 376 МБ до 1,27 ГБ, S2A — от 135 до 213 МБ; также доступен F16-вокодер размером 214 МБ. Ограничения, требования к производительности и подробности качества синтеза в README не указаны. Конвертация распространяется по лицензии Apache-2.0; используемые CAMPPlus и BigVGAN имеют отдельные указания об источниках и лицензиях, включая MIT для BigVGAN.

Florence-2-base-0.5B — компактная визуально-языковая модель семейства Florence-2, дообученная разработчиком репозитория neuromorphic-research на основе florence-community/Florence-2-base-ft. Модель содержит около 0,23 млрд параметров и предназначена прежде всего для обнаружения объектов на изображениях: README сообщает о результате mAP 0,438 на 150 изображениях COCO val2017 в описанном авторами сравнении. Также заявлена поддержка визуального вопросно-ответного режима и поиска объектов по текстовому описанию. Модель принимает изображения и текстовые запросы, а формирует текстовое представление результатов визуальных задач, в том числе обнаруженных объектов и ответов на вопросы. Обучение включало COCO, RefCOCO, VQAv2, GQA, TallyQA и PixMo-Count. По заявлению авторов, модель сильна именно в обнаружении объектов; в сравнении из README она уступает Qwen3-VL-4B на VQA и grounding. Репозиторий использует Transformers и формат safetensors. Лицензия — MIT.

FreyaTTS-small — компактная модель синтеза речи на турецком языке от Freya Voice. Модель содержит 183,2 млн параметров и формирует речь из текста на уровне символов, используя 92 символа без фонемизатора и G2P. Архитектура — безавторегрессионный diffusion transformer с conditional flow matching: генерация выполняется в замороженном латентном пространстве AudioVAE2 за 32 шага интегрирования. На выходе получается монофоническое аудио с частотой 48 кГц. Модель предназначена для озвучивания турецких текстов, в том числе коротких реплик для голосовых интерфейсов. В оценке Freya-TR-Eval она показала WER 8,0% и CER 3,0%, заняв третье место среди семи открытых турецких TTS-моделей с числом параметров менее миллиарда. По заявленным измерениям, на RTX 4090 RTF составляет 0,10–0,11 при использовании около 1,5 ГБ VRAM. Модель обучена с нуля на турецкой речи, затем прошла этапы предварительного обучения и SFT. Она рассчитана на одного целевого диктора и не поддерживает клонирование голоса. Лицензия Apache-2.0 разрешает открытое использование и самостоятельный запуск; опубликованы веса, код инференса и обучающий конвейер.

charsiu/g2p_multilingual_byT5_tiny_12_layers_100 — многоязычная модель для преобразования написания слов в их фонетическую транскрипцию (grapheme-to-phoneme, G2P), разработанная Jian Zhu, Cong Zhang и David Jurgens. Она основана на байтовой архитектуре ByT5 и предназначена для работы примерно со 100 языками; опубликованная версия включает корейский. Размер по метаданным — 7,4 млн параметров, архитектура — T5ForConditionalGeneration. Модель принимает отдельные слова с префиксом языкового кода и генерирует последовательность фонем. Для китайского, корейского, японского и некоторых языков Юго-Восточной Азии перед подачей требуется внешняя сегментация слов. Авторы сообщают для этой версии PER 0,098 и WER 0,287 на мультиязычной оценке. Модель подходит для подготовки произношений в речевых и лингвистических системах, но её транскрипции могут содержать ошибки и требуют проверки. Репозиторий CharsiuG2P распространяется по лицензии MIT; для конкретных весов следует учитывать условия их карточки и лицензии исходных словарей данных.

Мультимодальная диалоговая модель Gemma 4, дообученная lokeshe09 на базе unsloth/gemma-4-26B-A4B-it с использованием Unsloth и библиотеки Hugging Face TRL. Предназначена для диалогов с текстом и изображениями; поддерживает анализ изображений и интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает обучающие данные и конкретные улучшения после дообучения, поэтому качество для отдельных сценариев по ней оценить нельзя.

Gemma-4-E4B-it-DeepSeek-v4-Distill-openvino — версия модели Gemma 4, экспортированная в формат OpenVINO из armand0e/Gemma-4-E4B-it-DeepSeek-v4-Distill с помощью optimum-intel. Это плотная модель условной генерации с поддержкой изображений и текста, рассчитанная на диалоговое взаимодействие; метаданные также отмечают интерфейс вызова инструментов. Экспорт в OpenVINO предназначен для запуска в соответствующей среде инференса. Модель подходит для диалога с учётом изображений и текстовых запросов на английском и китайском языках. Репозиторий распространяется по лицензии Apache-2.0. В карточке не приведены сведения о размере параметров и длине контекста.

Higgs Audio v3 — дообученный адаптер для синтеза выразительной речи на телугу голосом одного диктора. Модель построена на базе Higgs Audio v3 с 4 млрд параметров и генерирует речь по тексту без референсного аудиофрагмента; заявлена поддержка переключения между телугу и английским. Для телугу требуется предварительно преобразовать текст в ISO-15919 латинскую транслитерацию с тем же frontend.py, который использовался при обучении: без этого токенизация может работать некорректно. Это первая исследовательская адаптация одного голоса. Лицензия указана как other, конкретные условия в доступных данных не раскрыты.

DevQuasar-5/huihui-ai.granite-vision-3.2-2b-abliterated-GGUF — квантизированная версия модели huihui-ai/granite-vision-3.2-2b-abliterated. По указанным метаданным она относится к классу image-text-to-text и предназначена для задач, в которых модель обрабатывает изображения и текст, формируя текстовый ответ. Квантизация обычно ориентирована на более экономичное использование вычислительных ресурсов, однако конкретный формат квантизации и требования к оборудованию в README не указаны. Модель опубликована под идентификатором DevQuasar-5; из README следует связь с проектом DevQuasar, тогда как отдельные сведения о разработчиках базовой модели не приведены. Данные об архитектуре, точном размере, поддерживаемых языках, длине контекста, сильных сторонах, ограничениях и лицензии отсутствуют, поэтому их нельзя достоверно оценить по представленному описанию.

Huihui-Qwen3.6-27B-abliterated-Athanorlite-ORPO-i1-GGUF — квантизированная GGUF-версия модели nbeerbower/Huihui-Qwen3.6-27B-abliterated-Athanorlite-ORPO, подготовленная mradermacher. Модель относится к vision-language моделям и предназначена для задач image-text-to-text, то есть для обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. В названии указано, что модель имеет размер 27B параметров, использует вариант обучения или выравнивания ORPO и относится к семейству Qwen3.6. В метаданных заявлен английский язык. Доступны многочисленные варианты квантования GGUF с размером примерно от 7,2 до 16,6 ГБ и более, включая IQ- и Q-форматы; выбор варианта позволяет регулировать компромисс между качеством, скоростью и требованиями к памяти. Для работы с изображениями могут потребоваться дополнительные файлы mmproj из статического репозитория. Сильной стороной модели является сочетание мультимодального ввода и широкого выбора степеней квантования для локального запуска. При этом README не содержит данных о размере контекстного окна, точном устройстве архитектуры, результатах бенчмарков, поддерживаемых языках помимо английского, системных требованиях или конкретных ограничениях качества. Лицензия в предоставленных данных не указана, поэтому условия использования необходимо уточнять в исходном репозитории базовой модели.