I.15Доступность и ассистивные технологии

Hy-MT2-1.8B WMT26 — модель перевода субтитров с китайского на английский, разработанная ShivRamSaud и дообученная на базе Hy-MT2-1.8B с помощью QLoRA на данных субтитров TVsub для соревнования WMT26 Video Subtitle Translation. Модель имеет плотную авторегрессионную архитектуру Hunyuan v1, содержит 1,8 млрд параметров и поддерживает контекст до 262 144 токенов. Модель предназначена для перевода видеосубтитров с китайского на английский. В README приведены результаты BLEU 32,48, chrF 44,07 и TER 55,99 на выборке из 200 пар, взятой из обучающих данных TVsub. Модель распространяется в формате safetensors по лицензии Apache-2.0. Оценка на небольшой выборке из обучающих данных не показывает качество на независимом тестовом наборе.

THUdyh разработала Insight-V-Reason — мультимодальную модель на 7,1 млрд параметров для генерации текста и рассуждений по визуальным данным. Она основана на Qwen2.5-7B-Instruct и архитектуре LlavaQwen2 с визуальным энкодером Oryx-ViT. Модель обучена на смеси из 200 тысяч примеров для улучшения визуального рассуждения; поддерживает английский и китайский языки и контекст до 32 768 токенов. Модель предназначена для задач, где требуется анализировать изображение, разбивать визуальную задачу на этапы рассуждения и формировать итоговое текстовое объяснение или краткое изложение. В README описаны конвейер генерации данных рассуждений, многоагентная декомпозиция задач и двухэтапное обучение. Весовые файлы доступны в формате safetensors. Лицензия — Apache-2.0. Карточка описывает модель как основу для исследований мультимодального рассуждения, но не приводит количественных оценок качества или подробностей ограничений; поэтому применимость к конкретным изображениям и сценариям следует проверять отдельно.

InternVL-U — унифицированная мультимодальная модель на 4 млрд параметров от Shanghai AI Laboratory и команды InternVL-U. Она объединяет понимание и рассуждение по мультимодальным данным с генерацией и редактированием изображений в одной модели. Модель представлена в исследовательской статье InternVL-U и распространяется в форматах Diffusers и Safetensors. InternVL-U подходит для мультимодальных диалогов и анализа, ответов на вопросы по изображениям, генерации изображений по текстовому запросу и редактирования изображений. В доступных сведениях не указаны поддерживаемые языки, длина контекста и лицензия; поэтому условия коммерческого и иного использования следует сверять с карточкой проекта и лицензией репозитория.

KhanhTTS — модель преобразования текста в речь, созданная на базе OmniVoice и дообученная разработчиком для синтеза на вьетнамском и английском языках. В карточке указаны около 1500 часов аудиоданных и примерно 500 000 шагов обучения. Модель предназначена для генерации речи с естественным произношением вьетнамского и английского текста, а также для клонирования голоса по короткому аудиообразцу. В репозитории указаны веса в формате safetensors; базовая модель — k2-fsa/OmniVoice. Лицензия — Apache-2.0. Автор рекомендует исследовательское и экспериментальное применение и предостерегает от коммерческого использования без предварительной оценки и проверки.

Kokoro TTS for AX650 NPU — это вариант модели Kokoro-82M, подготовленный для запуска на NPU AX650; карточка описывает развёртывание с Python и C++ SDK. Конвейер принимает текст, обрабатывает его через фронтенд espeak-ng/Jieba и синтезирует аудио с частотой 24 кГц. В нём используются три ONNX-компонента: Encoder в формате AXERA U16, F0N в Mixed FP32 и Decoder в S16; этапы HAR и ISTFT выполняются на CPU. Модель предназначена для локального синтеза речи на устройствах с AX650. В README указаны поддержка английского и китайского фронтендов и RTF 0,10 для Python SDK. Опубликованная сборка ограничена одним голосом af_heart; у Decoder в формате S16 на очень коротких фразах остаются искажения. Лицензия — Apache-2.0.

Rotem12/kokoro-thai-q8-onnx — оптимизированная INT8-квантизованная ONNX-версия тайской модели синтеза речи Kokoro, подготовленная для приложения Text To Speech on Steam. Акустическая модель происходит от FastThaiG2P v0.3.0, а голосовой пакет основан на Som TTS. Модель преобразует тайский текст в речь. Репозиторий содержит файл ONNX размером 208,4 МБ; по данным карточки, он примерно на 33% меньше исходной версии FP32. Часть компонентов оставлена в FP32, включая LSTM предсказания длительности и высоты тона и апсемплеры вокодера, чтобы сохранить временные характеристики и качество звучания. В описанных тестах длительность совпала с FP32 на 534 примерах, а корреляция основного тона составила 0,9907. Модель рассчитана прежде всего на тайскую речь; тесты также охватывали английские заимствования в тайском тексте. Карточка заявляет поддержку длинных фрагментов до 475 токенов в тестах. Лицензия репозитория — Apache-2.0; отдельные исходные компоненты имеют собственные условия атрибуции, включая CC BY для голосового пакета.

Карточка модели minhtanmtst/Kokoro-Vietnamese на Hugging Face совпадает с карточкой contextboxai/Kokoro-Vietnamese, поэтому описание составлено по ней. Kokoro Vietnamese — набор артефактов для синтеза речи на вьетнамском языке, созданный сообществом contextboxai на основе дообученной модели Kokoro. Репозиторий содержит контрольную точку PyTorch для инференса, экспорт акустической модели в ONNX, конфигурацию и словарь, голосовой набор по умолчанию и дополнительные голосовые наборы. Модель предназначена для преобразования вьетнамского текста в речь; Vietnamese G2P выполняется с помощью vig2p. Для запуска доступны PyTorch и ONNX Runtime, включая CUDAExecutionProvider при установленном onnxruntime-gpu. Репозиторий распространяется по лицензии Apache-2.0. Размер модели и длина контекста в карточке не приведены.

LFM2-VL-1.6B-GGUF — мультимодальная vision-language модель, разработанная компанией Liquid AI для задач генерации текста по изображениям и работы с визуально-текстовыми данными. Версия распространяется в формате GGUF и предназначена прежде всего для edge AI и запуска непосредственно на устройствах с ограниченными ресурсами. Модель содержит 1,6 млрд параметров, поддерживает обработку изображений и текста, а в метаданных заявлен английский язык. Доступны варианты квантования и полной точности, включая F16, Q4_0 и Q8_0; для запуска рекомендуется llama.cpp и утилита llama-mtmd-cli. Ключевые заявленные преимущества — сочетание качества, скорости вывода и эффективности использования памяти, что делает модель подходящей для локальных и встраиваемых сценариев. README не содержит подробностей об архитектуре, размере контекста, поддерживаемых форматах изображений, результатах оценки или конкретных ограничениях применения. Модель распространяется по лицензии lfm1.0; точные условия следует уточнять в файле лицензии. Обозначение GGUF указывает на формат распространения, а не на отдельную архитектуру модели.

LLaVA-NeXT-Video-34B-hf — видеомультимодальная чат-модель семейства LLaVA-NeXT-Video, опубликованная в формате Transformers командой Hugging Face. Исходную модель разработчики обучили дообучением языковой модели Vicuna на инструкциях с изображениями и видео для улучшения понимания видео. Видеоклипы при обучении равномерно представлялись 32 кадрами; карточка сообщает о результатах на бенчмарке VideoMME. Указанное в README базовое основание — lmsys/vicuna-7b-v1.5, однако оно относится к описанной там версии 7B, поэтому связь с вариантом 34B из идентификатора репозитория не подтверждена. Модель принимает видео, изображения и текстовые запросы, а генерирует текстовые ответы в диалоговом формате. Подходит для вопросов о содержании роликов, описания сцен и совместного анализа видео и изображений. Карточка рекомендует Transformers версии 4.42.0 или новее; для ускорения упоминаются Flash-Attention 2 и 4-битная загрузка через bitsandbytes на совместимом с CUDA GPU. Метаданные указывают лицензию llama2 и английский язык.

m4sak1 разработал MA v2 — компактную японскую модель DeBERTa-v2 для автоматической расстановки запятых «、» в тексте. Она решает задачу классификации токенов, предсказывая метку B-COMMA, и оптимизирована для запуска в браузере через Transformers.js и ONNX Runtime Web. В репозитории доступны форматы ONNX и safetensors; метаданные указывают около 6 млн параметров и контекст до 512 токенов. Модель дообучена на японской Википедии, включая расширенный корпус примерно из 2,4 млн предложений. В карточке указаны F1 0,7481, точность 0,8145 и полнота 0,6953. Для длинных текстов рекомендуется разбивать ввод на фрагменты по предложениям; результаты вероятностные и не гарантируют безупречной грамматики. Лицензия — CC BY-SA 4.0.

Malaysian Parler TTS Tiny V1 — небольшая модель синтеза речи на основе архитектуры Parler TTS, дообученная Mesolitica на наборе данных mesolitica/TTS. Она предназначена для преобразования текста в речь на малайском языке. В метаданных Hugging Face указаны библиотека Transformers и веса в формате safetensors. Карточка не описывает голосовые характеристики, качество синтеза, контекстные ограничения или условия лицензии, поэтому эти свойства нельзя определить по доступным данным.

Menlo/mini-Ichigo-llama3.2-3B-s-base — англоязычная аудио-языковая модель от Homebrew Research на архитектуре Llama 3.2. Модель содержит 3,2 млрд параметров, принимает текст и звук и генерирует текст; заявленное контекстное окно — 131 072 токена. Модель предназначена для задач понимания аудио и текста, включая исследование возможностей языковых моделей в работе со звуком. Её непрерывно предварительно обучали на расширенном словаре с использованием 900 млн токенов из набора сырых аудиоданных; в метаданных также указан датасет инструкций для речи и WhisperVQ. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

MioTTS-1.2B — компактная модель синтеза речи на основе языковой модели, разработанная Aratako. Она преобразует текст в речь на английском и японском языках и поддерживает клонирование голоса по короткому аудиофрагменту. Модель дообучена на LiquidAI/LFM2.5-1.2B-Base, использует плотную архитектуру LFM2 и аудиокодек MioCodec-25Hz-24kHz. В метаданных указано 1,5 млрд параметров и контекст 128 000 токенов. Модель рассчитана на быструю генерацию речи при умеренных требованиях к ресурсам; README сообщает об обучении примерно на 100 000 часах англоязычных и японских данных и приводит замеры скорости на NVIDIA RTX 5090. Для запуска авторы предлагают отдельный репозиторий с инструкциями и WebUI. Лицензия указана как other, а README характеризует её как разрешительную, но конкретные условия следует уточнить в карточке модели. Клонирование голоса требует учитывать права и согласие людей; авторы предостерегают от обманного использования синтезированной речи.

MiraTTS — модель синтеза речи, опубликованная YatharthS. Она преобразует текст в речь и поддерживает клонирование голоса по образцу. В карточке заявлены генерация чёткого аудио с частотой 48 кГц, задержка от 100 мс и скорость до 100 раз выше реального времени при использовании Lmdeploy и пакетной обработки; также указана работа на GPU с 6 ГБ видеопамяти. Модель основана на плотной архитектуре Qwen2 с классом Qwen2ForCausalLM и содержит около 506,6 млн параметров. Метаданные указывают поддержку английского и китайского языков, контекстное окно 32 768 токенов и файлы в форматах ONNX и Safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространяет производные работы на тех же условиях и ограничивает коммерческое использование. MiraTTS подходит для озвучивания текста, создания голосовых интерфейсов и клонирования голоса. Заявления о скорости, качестве, задержке и требованиях к памяти приведены в README; независимые оценки качества и условия клонирования конкретных голосов в карточке не описаны.

facebook/mms-tts-gvl — модель синтеза речи на языке гулай (Gulay, gvl), выпущенная Meta в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт семейства MMS-TTS, основанный на архитектуре VITS и предназначенный для преобразования входного текста в речевую аудиоволну. Варианты MMS-TTS доступны через библиотеку Transformers версии 4.33 и выше. Модель содержит 3,5 млн параметров и распространяется в форматах PyTorch и Safetensors. VITS объединяет текстовый энкодер, вероятностные потоки, предсказатель длительности и декодер, построенный по принципу HiFi-GAN; стохастический предсказатель позволяет получать разные ритмические варианты озвучивания одного текста. Генерация недетерминирована, поэтому для повторяемого результата требуется фиксированное начальное значение генератора случайных чисел. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-mag — модель синтеза речи на языке магадхи из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует входной текст в речевую аудиоволну; для каждого языка MMS обучается отдельный чекпойнт. Модель построена на архитектуре VITS — сквозной вариационном автоэнкодере с flow-модулем, стохастическим предиктором длительности и HiFi-GAN-декодером. В репозитории указаны 3,6 млн параметров; модель доступна через Transformers версии 4.33 и новее. Стохастический предиктор длительности позволяет синтезировать один и тот же текст с разным ритмом, поэтому результат зависит от случайного зерна; фиксированное зерно нужно для повторения той же генерации. Модель предназначена для озвучивания текста на магадхи, а не для многоязычного синтеза. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-nan — модель синтеза речи на миньнаньском китайском языке из проекта Massively Multilingual Speech компании Facebook. Это отдельный чекпойнт VITS для языка nan; модель принимает текст и генерирует речевую аудиоволну. Архитектура VITS объединяет вариационный автоэнкодер, Transformer-энкодер текста, flow-модуль, стохастический предсказатель длительности и декодер в стиле HiFi-GAN; размер модели — 3,5 млн параметров. Модель предназначена для преобразования текста на миньнаньском в речь. Стохастический предсказатель длительности позволяет получать разные ритмические варианты произнесения одного текста, поэтому результат не детерминирован и для воспроизводимой генерации нужен фиксированный seed. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-ndp — модель синтеза речи на кебуанском языке, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текстовую последовательность в речевую волну и предназначена для озвучивания текста на кебуанском. Модель построена на архитектуре VITS: это сквозная система синтеза речи с вариационным автоэнкодером, flow-модулем и декодером, основанным на HiFi-GAN. Предсказатель длительности позволяет получать разные ритмические варианты произнесения; генерация недетерминирована, поэтому для повторяемого результата требуется фиксировать seed. Модель содержит 3,5 млн параметров и доступна в форматах PyTorch и Safetensors. Для работы используется библиотека Transformers версии 4.33 или новее. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-rai — модель синтеза речи на языке рамоаайна (rai), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на рамоаайна в речевую аудиоволну и подходит для озвучивания текстов на этом языке. Модель использует архитектуру VITS: текстовый энкодер, потоковый модуль и декодер генерируют речь сквозным образом; стохастический предиктор длительности позволяет получать варианты с разным ритмом. Для воспроизводимого результата требуется фиксировать seed. В метаданных указаны 3,5 млн параметров и лицензия CC BY-NC 4.0, допускающая использование с соблюдением условий лицензии, включая ограничения на коммерческое применение.

facebook/mms-tts-rmc-script_latin — модель синтеза речи на карпатском романи, использующая латинскую письменность. Она создана Facebook в рамках проекта Massively Multilingual Speech (MMS), который развивает речевые технологии для большого числа языков. Модель преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на этом языковом варианте. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный чекпойнт MMS-TTS, обученный для одного языка; для работы доступен через библиотеку Transformers версии 4.33 и выше. Стохастический предиктор длительности позволяет получать варианты ритма речи, поэтому результат может меняться между запусками; фиксированное начальное значение генератора случайных чисел позволяет воспроизводить одну и ту же генерацию. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

facebook/mms-tts-rmo — модель синтеза речи на языке романи, диалекте синте, 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 основана на архитектуре VITS: она объединяет вариационный автоэнкодер, потоковый модуль, Transformer-энкодер текста и декодер, построенный по принципу HiFi-GAN. Для моделирования ритма используется стохастический предиктор длительности, поэтому при одинаковом тексте могут получаться разные варианты речи. Веса модели содержат 3,5 млн параметров; для работы доступна библиотека Transformers версии 4.33 и новее. Модель принимает текст на языке романи (синте) и генерирует аудио. Из-за стохастической генерации для повторения того же результата требуется фиксированное начальное значение генератора случайных чисел. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Карточка модели seawolf2357/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 Nano German — немецкая модель синтеза речи от Neuphonic, предназначенная для локального запуска на CPU и устройствах с ограниченными ресурсами. Она принимает текст и аудиозапись голоса-образца, а затем озвучивает текст в стиле этого образца, обеспечивая клонирование голоса по нескольким секундам речи. Модель использует компактную языковую модель для генерации речевых токенов и аудиокодек NeuCodec. Для Nano указано около 116,8 млн активных параметров в backbone и около 228,7 млн параметров с учётом связанных эмбеддингов и выходной головы. Доступны квантованные варианты GGUF; карточка также указывает safetensors. Модель предназначена только для немецкого языка, оптимизирована для генерации в реальном времени или быстрее и маркирует выходное аудио водяными знаками. Модель подходит для локальных голосовых помощников, встраиваемых устройств и приложений, где текст и аудио нужно обрабатывать на устройстве. Для работы нужны текст, аудиообразец и espeak-ng; качество клонирования зависит от чистоты и непрерывности образца. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели.

NeuTTS Nano Spanish — модель синтеза речи от Neuphonic, предназначенная для локального запуска на CPU и устройствах с ограниченными ресурсами. Она преобразует испанский текст в речь, используя короткий аудиозаписанный образец голоса и его текстовую расшифровку для клонирования голоса и генерации речи в похожем стиле. Модель использует компактную языковую основу класса Nano для генерации TTS-токенов и аудиокодек NeuCodec с одним кодбуком. В README указано около 116,8 млн активных параметров основы и около 228,7 млн параметров с учётом связанных эмбеддингов и выходного слоя; заявлена оптимизация для синтеза в реальном времени или быстрее на CPU. Репозиторий содержит веса safetensors, а README также упоминает варианты квантования GGUF. Выходы снабжаются водяными знаками. Модель рассчитана на испанский язык, локальных голосовых помощников, встраиваемые устройства и сценарии, где текст и аудио должны оставаться на устройстве. Для работы требуются зависимости NeuTTS и espeak-ng; для GGUF нужен llama-cpp-python. Карточка указывает лицензию other, но конкретные условия лицензии в предоставленных данных не раскрыты. Качество клонирования зависит от чистоты и характеристик образца: рекомендуются монофонические WAV-записи длительностью 3–15 секунд с естественной непрерывной речью.

Helsinki-NLP/opus-mt-ase-fr — модель машинного перевода семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит тексты с языка жестов ase на французский язык и предназначена для автоматического перевода последовательностей, представленных в текстовом виде. Модель построена на архитектуре Marian Transformer-align, содержит 51,2 млн параметров и использует нормализацию и токенизацию SentencePiece; контекст — до 512 токенов. Для направления ase→fr в карточке приведён результат на тестовом наборе JW300.ase.fr: BLEU 37,8 и chr-F 0,553. Модель распространяется по лицензии Apache-2.0. Результаты теста не гарантируют качество на других данных; сведения о поддержке входных данных в видеоформате или непосредственного распознавания жестов не приведены.

Video-ORA-9B-GGUF — это квантизированная GGUF-версия мультимодальной модели Video-ORA-9B, разработанной командой OraRL и подготовленной пользователем bartowski с применением llama.cpp. Модель содержит около 9 млрд параметров и предназначена для работы с визуальной информацией и текстом; для обработки изображений требуется отдельный файл mmproj. В карточке также заявлена поддержка сценариев, связанных с видео, включая временную привязку событий, отслеживание объектов, сегментацию видео, визуальные вопросы и пространственное рассуждение. Модель ориентирована на анализ визуального содержимого, ответы на вопросы по изображениям и видео, а также задачи, где требуется учитывать пространственные и временные взаимосвязи. Доступны варианты от BF16 до различных уровней квантизации GGUF; рекомендуемым компромиссом между размером и качеством указан вариант Q4_K_M размером около 5,91 ГБ, а варианты Q5 и Q6 обеспечивают более высокое качество при большем потреблении памяти. Спекулятивное декодирование не поддерживается, при этом для квантизации использовалась imatrix. README не содержит сведений о поддерживаемых языках, размере контекстного окна, точной архитектуре или результатах бенчмарков. Указана лицензия Apache-2.0. Качество и требования к ресурсам зависят от выбранного уровня квантизации; более компактные варианты экономят память, но могут заметно уступать по качеству более точным версиям.

Orpheus 3B 0.1 Finetuned — модель синтеза речи на основе Llama, выпущенная Canopy Labs в марте 2025 года. Она предназначена для преобразования текста в естественную речь и поддерживает потоковую генерацию с низкой задержкой: в карточке заявлены около 200 мс, а при потоковой подаче текста — около 100 мс. Модель рассчитана на выразительную речь с естественной интонацией, эмоциями и ритмом. README также заявляет клонирование голоса без предварительного дообучения и управление эмоциями и интонацией с помощью тегов. Репозиторий использует Transformers и содержит веса PyTorch в формате Safetensors; размер модели — 3 млрд параметров. Базовые модели, указанные в метаданных, — canopylabs/orpheus-3b-0.1-pretrained и meta-llama/Llama-3.2-3B-Instruct. В метаданных указан английский язык и лицензия Apache-2.0. README предупреждает не использовать модель для имитации голоса без согласия, обмана или незаконной деятельности. Заявления о качестве и задержке приведены авторами и не подтверждены в предоставленных данных независимой оценкой.

google/paligemma-3b-ft-refcoco-seg-224 — модель Google для сегментации объектов на изображениях по текстовому запросу. Это дообученная версия PaliGemma — компактной модели зрение–язык, построенной на визуальном энкодере SigLIP и языковой модели Gemma. Она принимает изображение и текст и генерирует текстовый ответ; семейство также поддерживает задачи с выходом в виде масок сегментации. Модель предназначена для одношагового взаимодействия и специализированной обработки изображений, а не для многоходового диалога. Для получения надёжных результатов следует формулировать ясные запросы; модель может ошибаться при сложных или неоднозначных задачах и не подходит как источник гарантированно точных фактов. Карточка указывает лицензию Gemma.

Nam-toon Studio и Gurpreet Singh разработали набор нейросетевых моделей синтеза речи на основе VITS, экспортированных в ONNX, для панджаби на письме гурмукхи. Репозиторий содержит женский голос и многоголосую модель с тремя заявленными голосами: разговорным мужским, литературным мужским и женским дикторским. Модели обучены на корпусе Nam-toon-studio/Punjabi-MultiSpeaker-Studio-TTS-Corpus из 145 записей общей длительностью 22,8 минуты; заявленная частота дискретизации — 22 050 Гц. Модели предназначены для озвучивания панджабского текста, включая локальное и периферийное применение; авторы заявляют целевую задержку менее 50 мс на Raspberry Pi, Apple Silicon и других периферийных устройствах. В метаданных указаны 3,6 млн параметров и лицензия Apache-2.0. README описывает применение через ONNX Runtime. Небольшой объём обучающих данных может ограничивать качество и разнообразие произношения. Заявленная задержка приведена авторами без описания условий измерения.

Qari-OCR-0.4.0-VL-4B-Instruct — мультимодальная модель для распознавания текста на изображениях, разработанная NAMAA-Space. Она дообучена на базе Qwen/Qwen3-VL-4B-Instruct с использованием 45 000 пар изображение–текст из набора seemorg/books-ocr и предназначена прежде всего для OCR исламских книг, арабских рукописей и религиозных текстов на арабском языке. Модель принимает изображения и генерирует распознанный текст. Она оптимизирована для печатных исламских материалов и показывает CER 0,1222, WER 0,2562 и BLEU 68,41 в заявленных тестах, превосходя указанные базовые и сравнительные модели. Рекомендуется использовать изображения хорошего качества, предпочтительно с разрешением от 300 DPI. Производительность может снижаться на современных арабских шрифтах, рукописном тексте и изображениях низкого качества; поддержка ограничена арабским письмом. Архитектура основана на Qwen3-VL с размером 4B параметров. Лицензия — Apache 2.0.