I.15Доступность и ассистивные технологии

alkhrzmy дообучил мультиязычную Qwen3-TTS 12Hz 0.6B Base для синтеза речи на индонезийском языке. Это плотная модель архитектуры Qwen3TTSForConditionalGeneration с весами в формате safetensors; при генерации используется голос indonesian_speaker. Модель преобразует текст в речь и подходит для озвучивания индонезийских фраз, например голосовых сообщений или аудиоконтента. В карточке описано обучение в течение четырёх эпох на индонезийском наборе данных синтеза речи. Базовая модель также поддерживает клонирование голоса по аудиопримеру, но возможность такого сценария для этой доработанной версии отдельно не подтверждена. Модель распространяется по лицензии Apache-2.0. Данных о длине контекста и оценках качества в предоставленной карточке нет.

mlx-community/Qwen3-TTS-12Hz-1.7B-CustomVoice-4bit — это 4-битная версия модели синтеза речи Qwen3-TTS-12Hz-1.7B-CustomVoice, преобразованная сообществом mlx-community в формат MLX из оригинальной модели Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice с помощью mlx-audio версии 0.3.0. Модель предназначена для преобразования текста в аудио и сценариев генерации речи с пользовательским голосом, включая использование эталонной аудиозаписи. Запуск предусмотрен через библиотеку mlx-audio, в том числе из командной строки или Python-кода. В README указано, что модель имеет размер 1,7 млрд параметров, работает в 4-битном представлении и использует частоту дискретизации 12 Hz в обозначении модели. Поддерживаемые языки, точные характеристики архитектуры, максимальная длина контекста и перечень модальностей в предоставленных данных не указаны. К сильным сторонам относятся компактное 4-битное представление и интеграция с MLX, что может быть удобно для локального запуска в соответствующей экосистеме. Ограничения и подробные показатели качества в README не описаны; для них требуется обратиться к карточке исходной модели. Модель распространяется по лицензии Apache-2.0.

S1-mini GGUF — компактная языковая модель, разработанная Superwhisper для постобработки результатов автоматического распознавания речи. Она преобразует сырой транскрипт в связный письменный текст: удаляет слова-паразиты, исправляет незавершённые фразы и самокоррекции, добавляет пунктуацию и заглавные буквы, а также записывает в стандартном виде числа, даты, время, валютные суммы и адреса электронной почты. Модель является каузальной языковой моделью, дообученной на базе Qwen/Qwen3-0.6B. Она содержит около 596 млн уникальных параметров, 28 слоёв и использует Grouped-Query Attention с 16 головами запросов и 8 головами ключей и значений. Версия предназначена только для английского языка и рассчитана на входные последовательности длиной примерно до 1000 токенов; длинные транскрипты рекомендуется разбивать на фрагменты. GGUF-сборка занимает около 462 МБ и ориентирована на запуск на CPU ноутбука через llama.cpp и совместимые приложения. На отложенной выборке из 7519 английских примеров модель достигла точности 94,8% по токенам. Это специализированный нормализатор, а не универсальная чат-модель: она не предназначена для выполнения произвольных инструкций и возвращает только очищенный текст. Лицензия указана как s1-mini-license; исходная карточка также описывает условия как Apache 2.0 с дополнительным требованием к наименованию, поэтому перед использованием в собственном приложении необходимо ознакомиться с файлом лицензии.

theworld-cc3m-align-only-spatial — дообученная мультимодальная модель семейства the_world на основе google/gemma-3-4b-it, разработанная alwinjin8. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель принимает изображения и текст и предназначена для генерации текстовых ответов по визуальному содержимому; точное назначение пространственной настройки из доступных сведений определить нельзя. Карточка не описывает обучающий набор, конкретные сценарии применения, качество и ограничения модели. Лицензия указана как gemma; условия использования следует сверять с лицензией базовой модели Google Gemma.

Bingsu/torchaudio_tacotron2_kss — модель синтеза речи на основе Tacotron 2, разработанная и обученная на датасете KSS. Она преобразует текст на корейском языке в речевое представление; для получения звукового сигнала используется отдельный вокодер MelGAN из проекта seungwonpark/melgan, веса которого размещены отдельно. Для запуска требуются PyTorch, torchaudio, Transformers, phonemizer и установленный espeak-ng. Репозиторий распространяет веса в форматах PyTorch и Safetensors. Лицензия указана как other, поэтому условия использования следует уточнять по карточке модели.

TraVisionLM-DPO — мультимодальная модель, разработанная ucsahin и дообученная методом DPO на основе ucsahin/TraVisionLM-base. Она принимает изображение и инструкцию на турецком языке, после чего генерирует ответ на турецком: описывает изображение или отвечает на вопрос о его содержимом. Модель содержит 875 млн параметров и совместима с библиотекой Transformers. Версия DPO оптимизирована по сравнению с базовой моделью для более точных, правдивых и подробных ответов. Модель распространяется в формате safetensors по лицензии Apache 2.0.

UI-Venus-2-9B-GGUF — квантизированная GGUF-версия мультимодальной модели UI-Venus-2-9B, разработанной inclusionAI и подготовленной bartowski с использованием llama.cpp. Модель содержит около 9 млрд параметров и предназначена для задач, связанных с пользовательскими интерфейсами, GUI-агентами и обработкой визуально-текстовой информации. Модель принимает текст, а также изображения при наличии отдельного файла mmproj. Она может использоваться для анализа интерфейсов и сценариев взаимодействия с ними, однако README не содержит сведений о конкретной архитектуре, поддерживаемых языках, размере контекста и результатах сравнительных тестов. Доступны варианты от BF16 до различных уровней квантования; рекомендуемым универсальным вариантом указан Q4_K_M размером 5,91 ГБ, а более высокое качество дают Q5 и Q6. Квантизация с imatrix направлена на сохранение качества при уменьшении требований к памяти. Сильными сторонами являются поддержка изображений совместно с текстом, адаптация к GUI-сценариям и широкий выбор вариантов квантования для разного объёма доступной RAM. Ограничениями могут быть снижение качества у малобитных вариантов, необходимость отдельного mmproj-файла для работы с изображениями и отсутствие поддержки speculative decoding. Модель распространяется по лицензии Apache-2.0.

UniPic2-Metaquery-GRPO-Flash — квантизированный вариант мультимодальной модели UniPic2-MetaQuery-GRPO от Skywork. Модель предназначена для сквозного понимания изображений, генерации изображений по текстовому запросу и редактирования изображений. Модель использует авторегрессионный унифицированный подход и распространяется в формате safetensors. В README заявлена работа на видеокартах NVIDIA RTX 40-й серии с объёмом видеопамяти менее 16 ГБ без потери качества; подробности метода квантизации и параметры модели не приведены. Лицензия — MIT.

VieNeu-TTS Ngọc Huyền — вьетнамская односпикерная модель синтеза речи, адаптированная huutamm1612 на базе pnnbao-ump/VieNeu-TTS. Это полная модель, а не отдельный LoRA-адаптер: обучение включало адаптацию LoRA, безопасное слияние и частичное дообучение. Архитектура — плотная Qwen2ForCausalLM, размер — 552,8 млн параметров; модель работает через Transformers и использует аудиокодек neuphonic/neucodec. Длина контекста составляет 32 768 токенов. Модель предназначена для синтеза вьетнамской речи одним голосом Ngọc Huyền, в том числе озвучивания текста и повествовательных записей. Лучше всего она работает с нормализованным вьетнамским текстом, похожим на данные обучения. Иностранные слова, имена, аббревиатуры, выразительная речь и необычные символы могут произноситься неправильно; оценки MOS, WER и сходства голоса не проводились. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства в некоммерческих целях. Разработчик также рекомендует применять синтез только с разрешения и не выдавать сгенерированную речь за подлинную запись.

VILA-13B — визуально-языковая модель (VLM), разработанная командой Efficient Large Model. Она сочетает обработку изображений с языковой моделью и обучалась на последовательностях с чередованием изображений и текста, что поддерживает работу с несколькими изображениями и обучение в контексте. Модель предназначена для исследований мультимодальных языковых моделей и чат-ботов, а также для задач визуальных вопросов и рассуждений по изображениям. Модель имеет плотную архитектуру LlavaLlamaForCausalLM, содержит 12,9 млрд параметров, принимает текст и изображения и генерирует текст. Указанное в карточке нативное окно контекста — 4096 токенов. Среди описанных возможностей — рассуждение по нескольким изображениям, визуальная цепочка рассуждений и использование знаний о мире. Для запуска на устройствах с ограниченными ресурсами авторы описывают квантизацию AWQ до 4 бит через TinyChat. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование с соблюдением условий лицензии.

VoxCPM2-GGUF — набор весов модели VoxCPM2, разработанной openbmb и преобразованной в формат GGUF для проекта llama.cpp-omni. Модель предназначена для синтеза речи из текста (TTS) и zero-shot клонирования голоса по эталонной аудиозаписи, включая режим с транскрипцией эталона. Поддерживаются китайский и английский языки, а результатом является монофонический звук с частотой дискретизации 48 кГц. Набор состоит из BaseLM и акустического компонента. BaseLM имеет 28 слоёв и размерность эмбеддингов 2048; доступны версия F16 размером около 3 ГБ и квантованная Q8_0 размером около 1,6 ГБ. Акустический стек F16 занимает около 1,7 ГБ и включает ResidualLM, FSQ, LocEnc/LocDiT CFM и AudioVAE. Запуск возможен нативно на CPU, Metal, CUDA и Vulkan без PyTorch, через llama.cpp-omni; для работы требуются один файл BaseLM и акустический файл. Версия Q8_0 рекомендована как более компактная и обеспечивающая сопоставимое качество с небольшим приростом скорости. Сильными сторонами являются переносимый GGUF-формат, поддержка CPU и различных GPU-бэкендов, синтез речи, клонирование голоса и управление характеристиками голоса через текстовые инструкции. Ограничения включают необходимость использовать специализированный движок llama.cpp-omni и одновременно загружать два компонента; сведения о размере контекста, производительности и полном наборе поддерживаемых языков в README не указаны. Указана лицензия Apache-2.0, однако для производных весов также действуют исходные условия openbmb/VoxCPM2.

eugenetanjc/wav2vec2-base-timit-demo-google-colab — модель распознавания речи на базе архитектуры wav2vec2, дообученная из facebook/wav2vec2-base-960h. Она предназначена для преобразования аудиоречи в текст. Модель содержит 113,3 млн параметров; в репозитории доступны веса PyTorch. Карточка называет её демонстрационной, но не описывает обучающие данные, оценку качества или конкретные сценарии применения. Лицензия — Apache-2.0.

IAmNotAnanth/wav2vec2-large-xls-r-300m-sinhala — модель автоматического распознавания речи на основе архитектуры Wav2Vec2ForCTC, дообученная автором на базе facebook/wav2vec2-xls-r-300m. Она принимает аудио и предназначена для преобразования речи в текст. Название указывает на настройку для сингальского языка, однако README не содержит сведений о наборе данных и подробно не описывает языковое покрытие. В репозитории указано 402,7 млн параметров, веса представлены в формате PyTorch. Модель опубликована по лицензии Apache-2.0. В приведённых результатах оценки указаны WER 1,0 и eval_loss 5,4599; этих данных недостаточно, чтобы подтвердить качество распознавания для практических сценариев.

Модель lucio/wav2vec2-large-xlsr-kinyarwanda — акустическая модель распознавания речи на киньяруанда, созданная Lucio и дообученная на основе facebook/wav2vec2-large-xlsr-53. Она использует архитектуру Wav2Vec2ForCTC с 402,7 млн параметров и обучалась на части корпуса Common Voice: примерно 100 тысяч аудиозаписей, около 20% доступных данных, отфильтрованных по оценкам и длительности. Для входного аудио требуется частота дискретизации 16 кГц. Модель преобразует речь в текст без знаков препинания; в частности, она не выводит апострофы, используемые для обозначения стяжений в киньяруанда. В README приведён результат 40,59% на тестовых данных Common Voice. Модель подходит для распознавания коротких высказываний на киньяруанда, но указанная оценка и фильтрация обучающих данных ограничивают основания ожидать такие же результаты на других типах записи и речи. Распространяется по лицензии Apache-2.0.

Модель proxectonos/whisper-large-v3-turbo-gl-v1.0 разработана на основе openai/whisper-large-v3-turbo и дообучена для автоматического распознавания галисийской речи. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration и 905,2 млн параметров; аудиофайлы для обучения приводились к частоте 16 кГц. Обучение использовало объединённые корпуса Common Voice v23, OpenSLR, FLEURS, FalAI и Transcrispeech. Модель предназначена для транскрибации аудио на галисийском языке, включая чистую дикторскую речь и полу spontaneous речь. В тестировании автор сообщает метрики WER и CER на отдельных корпусах и объединённой выборке; нормализация текста при оценке улучшила итоговые показатели. Модель специализируется на галисийском и не предназначена для многоязычного распознавания или перевода речи. Качество может снижаться на очень спонтанной речи и сильно зашумлённом аудио; на фрагментах с низким уровнем сигнала возможны галлюцинации. Репозиторий использует формат safetensors и распространяется по лицензии Apache 2.0.

Whisper Small fine-tuned на корпусе WAXAL для автоматического распознавания разговорной речи на языке акан. Модель разработана командой WAXALNet в рамках исследования WAXAL ASR Benchmark и предназначена для низкоресурсных сценариев распознавания речи и исследовательских задач. Она принимает аудио и выдаёт текстовую транскрипцию; в README указана оценка на тестовом наборе WAXAL: WER 31,7% и CER 11,3%.

Это неофициальный, не связанный с авторами исходной модели порт BreezeBlue/Breeze-TTS-2 для MLX. Модель с архитектурой BreezeForConditionalGeneration содержит 1,4 млрд параметров; опубликован вариант bf16 без квантизации в формате safetensors. Контекст — до 2048 токенов. Модель предназначена для синтеза речи из текста на английском и китайском языках. Семейство Breeze-TTS-2 также поддерживает клонирование голоса и управление его подачей. Порт рассчитан на запуск с библиотекой MLX. Модель лицензирована для исследовательского и некоммерческого использования. README не уточняет качество синтеза, требования к оборудованию или ограничения клонирования голоса.

Карточка модели yapwithai/canopy-orpheus-3b-0.1-ft на Hugging Face совпадает с карточкой canopylabs/orpheus-3b-0.1-ft, поэтому описание составлено по ней. 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.

Centurio — открытая мультиязычная визуально-языковая модель, разработанная командой проекта Centurio. Она объединяет языковую модель Qwen2.5-7B-Instruct и визуальный энкодер timm/ViT-SO400M-14-SigLIP-384. Модель предназначена для диалога и генерации текста по изображениям; поддерживает ввод нескольких изображений и работу через библиотеку transformers с пользовательским кодом. Модель обучалась на 100 языках, включая русский. Её можно применять для вопросов об изображениях, описания визуального содержимого и мультиязычного общения с визуальным контекстом. Выпущена под лицензией Apache 2.0. Это исследовательский проект, не рекомендованный авторами для производственного использования. Возможны галлюцинации и смещения; качество заметно различается между языками. Модель испытывает трудности с мелким текстом и OCR на нелатинских письменностях.

mlx-community/csm-1b — версия модели CSM 1B от Sesame, преобразованная сообществом mlx-community для запуска в формате MLX. Она предназначена для синтеза английской речи по тексту и может учитывать аудиоконтекст. Модель использует плотную архитектуру Sesame; в репозитории указаны веса safetensors и библиотека MLX. README сообщает о преобразовании из sesame/csm-1b с помощью mlx-audio 0.0.3. Лицензия — Apache-2.0. Карточка этой версии содержит мало сведений о качестве синтеза и поддерживаемых параметрах; подробности следует смотреть в карточке исходной модели. Для использования описан пакет mlx-audio.

cyttic/exp21-trocr-hebrew-directfit-frozen — дообученная модель семейства TrOCR, разработанная на основе cyttic/trocr-hebrew-untrained. Это архитектура vision-encoder-decoder для преобразования изображения текста в текст, предназначенная для распознавания текста на изображениях, в частности на иврите, что следует из названия базовой модели. В карточке приведены метрики на оценочном наборе: loss 4,1024, CER 0,7121 и WER 1,0086. Эти результаты указывают на существенные ошибки распознавания; качество для практического применения следует оценивать на целевых данных. Обучающий набор и конкретные сценарии применения не описаны. Модель опубликована в формате safetensors для Transformers; сведения о лицензии отсутствуют в предоставленных данных.

Falcon Perception 300M — компактная модель на 0,3 млрд параметров от TII для обнаружения объектов по изображениям и текстовым запросам. Она использует плотный Transformer с ранним объединением визуальных патчей и текстовых токенов: модель строит визуальный контекст и авторегрессионно выдаёт структурированные координаты ограничивающих рамок. По сравнению с полной Falcon Perception эта версия предназначена только для детекции и подходит для сценариев с ограниченными вычислительными ресурсами. Модель принимает изображение и запрос на естественном языке и возвращает ноль или более найденных экземпляров с рамками. Её можно использовать для поиска объектов по свободному описанию, выбора элементов на изображении и обработки сцен с большим числом экземпляров. Лицензия — Apache 2.0. Модель не предназначена для открытого диалога, длинной генерации или многошаговых визуальных вопросов и ответов; маски сегментации она не выдаёт. Возможны ложные срабатывания на сложных отрицательных примерах, а точность локализации снижается при низком разрешении; обнаружение мелкого текста затруднено.

mikhail-panzo/fil_weak_checkpoint — дообученная модель SpeechT5 на базе mikhail-panzo/malay_full_checkpoint. По задаче text-to-audio она предназначена для преобразования текста в аудио. В README приведено значение Loss 0,5971 на оценочном наборе, однако состав данных и подробности оценки не раскрыты. Модель опубликована в формате safetensors по лицензии MIT.

Flare-TTS v1.5 28M — компактная модель синтеза речи, разработанная LH-Tech-AI. Она содержит 28 млн параметров, использует архитектуру GlowTTS и вокодер для преобразования текста в более естественно звучащую речь. Модель обучена на полном наборе данных LJSpeech и предназначена для генерации англоязычного аудио из текста. Модель можно использовать для озвучивания коротких текстов и создания речевых аудиофайлов; в README приведён пример запуска через CoquiTTS с чекпойнтами модели и вокодера. Репозиторий содержит веса в формате PyTorch. В метаданных указана лицензия, однако её идентификатор здесь не приведён.

Huihui-MiniCPM-V-4.6-abliterated — мультимодальная модель huihui-ai на основе openbmb/MiniCPM-V-4.6. Разработчик применил abliteration — экспериментальный метод снижения числа отказов модели; README характеризует реализацию как грубую проверку концепции. Модель предназначена для диалога и ответов по изображениям, а также поддерживает интерфейс вызова инструментов. Её можно загружать с помощью библиотеки Transformers. Архитектура — плотная MiniCPMV4_6ForConditionalGeneration; веса представлены в формате safetensors. Модель принимает текст и изображения и генерирует текст. Снижение защитных отказов может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты требуют проверки. Лицензия — Apache-2.0.

Inflect-Nano-v2 — компактная модель синтеза речи от автора репозитория owensong. Она преобразует английский текст в монофоническое аудио с частотой 24 кГц и рассчитана на локальный запуск, в том числе на CPU. Модель содержит 3 966 721 параметр, размер весов FP32 — 15,97 МБ; для вывода доступны детерминированный seed и обработка длинных текстов с разбиением по пунктуации. Модель использует фиксированный мужской голос и не поддерживает клонирование голоса с нуля. Автор сообщает о скорости CPU выше реального времени и приводит оценки естественности и разборчивости, однако эти автоматические метрики не заменяют контролируемую оценку людьми. На необычных формулировках речь может звучать менее выразительно или стабильно; числа, сокращения, омографы и редкие имена зависят от контекста и текстового фронтенда. Длинные фрагменты обрабатываются частями, поэтому переходы между ними могут отличаться от цельной генерации. Лицензия — Apache-2.0. В README также описан инструментарий адаптации голоса или языка, но качество адаптированных вариантов названо экспериментальным и зависящим от данных и оценки носителями языка.

Это версия Irodori-TTS-v4.1-Small-MF, конвертированная сообществом mlx-community в формат MLX и сохранённая в fp16. Модель построена на плотной архитектуре семейства irodori_tts и предназначена для синтеза речи по тексту; для запуска используется библиотека mlx-audio. Модель ориентирована на японский язык. README указывает, что конверсия выполнена из Aratako/Irodori-TTS-v4.1-Small-MF с помощью mlx-audio 0.5.4. Лицензия и дополнительные ограничения качества или применения в доступных данных не описаны.

Irodori-TTS-v4-Small-fp16 — японская модель синтеза речи из текста, преобразованная проектом mlx-community в формат MLX из Aratako/Irodori-TTS-v4-Small. Она объединяет клонирование голоса по образцу речи, VoiceDesign по текстовому описанию голоса и автоматический прогноз длительности речи в одном чекпойнте. Модель предназначена для локального синтеза речи с библиотекой mlx-audio; в репозитории поставляются текстовый энкодер ModernBERT-ja-310m с токенизатором и японский аудиокодек Semantic-DACVAE-Japanese-32dim, поэтому для инференса не требуются дополнительные загрузки. Для клонирования можно подать референсную аудиозапись длительностью до 120 секунд; несколько аудиоклипов кодируются отдельно и объединяются. При генерации по описанию голоса без референсного аудио короткие тексты менее чем примерно из семи токенов могут озвучиваться дважды из-за прогноза длительности; это поведение соответствует исходной реализации PyTorch. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

jiangchengchengNLP выпустил версию Llama-4-Scout-17B-16E-Instruct, изменённую методом abliteration для снижения отказов и ограничений на ответы. Это дообученная мультимодальная модель семейства Llama 4 с архитектурой Llama4ForConditionalGeneration; репозиторий содержит веса в формате safetensors и предназначен для работы с Transformers. Модель принимает текст и изображения и генерирует текст: её можно использовать для диалога, ответов на вопросы по изображениям и других задач понимания визуального содержимого. В метаданных указана поддержка арабского, немецкого, английского, испанского, французского, хинди, индонезийского, итальянского, португальского, тайского и вьетнамского языков. В README рекомендованы параметры генерации temperature=0.8 и top_p=0.75. README характеризует модель как uncensored, однако не приводит результатов оценки качества и не описывает подробно метод изменения. Лицензия в предоставленных данных не указана; условия лицензии базовой модели могут применяться отдельно и требуют проверки на странице репозитория.

facebook/mms-tts-bgq — модель синтеза речи на языке багри (код bgq), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на багри в речевой аудиосигнал; для каждого языка проекта обучается отдельная модель. Модель основана на архитектуре VITS: включает текстовый энкодер, flow-модуль, стохастический предиктор длительности и декодер формы волны, построенный по принципу HiFi-GAN. Размер модели — 3,6 млн параметров. Модель подходит для озвучивания текста на багри и создания речевых интерфейсов для этого языка. Из-за стохастического предиктора одинаковый текст может звучать по-разному; для воспроизводимого результата нужно фиксировать seed. Для работы доступна библиотека Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей.