I.15Доступность и ассистивные технологии

facebook/mms-tts-gor — модель синтеза речи на языке горонтало (gor), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на горонтало. Это отдельный языковой чекпойнт семейства MMS-TTS, построенный на архитектуре VITS: модель сочетает вариационный автоэнкодер, flow-модуль и декодер HiFi-GAN; число параметров — 3,5 млн. Модель поддерживается библиотекой Transformers версии 4.33 и выше. Стохастический предиктор длительности позволяет получать варианты произношения и ритма для одного текста, поэтому для воспроизводимого результата нужно фиксировать seed. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия CC BY-NC 4.0 допускает использование с атрибуцией, но запрещает коммерческое применение.

facebook/mms-tts-kca — модель синтеза речи на хантыйском языке из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на хантыйском языке. Модель использует архитектуру VITS — сквозной вариационный автоэнкодер с текстовым энкодером на основе Transformer, flow-модулем и декодером, построенным по принципу HiFi-GAN. Отдельный стохастический предиктор длительности позволяет варьировать ритм речи; из-за стохастической генерации для повторяемого результата требуется фиксированный seed. Модель содержит 3,5 млн параметров и доступна в форматах PyTorch и Safetensors. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерческое. Модель предназначена для синтеза хантыйской речи; качество произношения и пригодность для конкретных вариантов языка в карточке не охарактеризованы.

facebook/mms-tts-nnw — модель синтеза речи на языке нуну, южный вариант (Nuni, Southern, nnw), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую волну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS: энд-ту-энд вариационный автокодировщик с потоком преобразований, текстовым энкодером на основе Transformer, декодером и стохастическим предсказателем длительности. В метаданных указан размер 3,5 млн параметров; доступны веса PyTorch и Safetensors. Для повторения одного и того же результата требуется фиксировать seed, поскольку генерация недетерминирована. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-trc — модель синтеза речи на языке трики, диалект Копала, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, поточный модуль и декодер, формирующий аудиоволну; предсказатель длительности позволяет варьировать ритм речи. В репозитории указаны 3,5 млн параметров, веса представлены в форматах PyTorch и safetensors. Для повторяемой генерации одного и того же аудио требуется фиксированный seed, поскольку предсказатель длительности стохастический. Лицензия CC-BY-NC-4.0 допускает использование с указанием авторства, но запрещает коммерческое применение.

jaeyong2/neutts-air-hi-preview — предварительная версия модели синтеза речи на основе Neuphonic NeuTTS Air, дообученная для хинди. Модель содержит 552,8 млн параметров, использует плотную архитектуру Qwen2 и формат Safetensors; для работы указано контекстное окно 32 768 токенов. Модель предназначена для преобразования текста в речь на хинди и английском. Её можно использовать для озвучивания текстов и создания голосовых ответов. Карточка README не содержит описания качества синтеза, поддержки клонирования голоса или подробных инструкций по применению. Лицензия — Apache-2.0.

NeuTTS Air Q4-GGUF — компактная модель синтеза речи, разработанная Neuphonic. Это квантованная версия NeuTTS Air в формате GGUF, предназначенная для локального запуска на устройствах пользователя, включая смартфоны, ноутбуки и Raspberry Pi. Модель создаёт речь на основе текста и короткого образца голоса, поддерживая мгновенное клонирование тембра по референсной записи длительностью от 3 секунд. Архитектура построена на языковой модели Qwen 0.5B и нейронном аудиокодеке NeuCodec с одним кодбуком, ориентированном на качественное кодирование при низком битрейте. Заявлены реалтайм-генерация на устройствах среднего класса, оптимизация энергопотребления и естественное звучание. Для работы требуются текст и монофонический WAV-файл с чистой непрерывной речью; рекомендуемая длительность записи составляет 3–15 секунд. README не указывает полный перечень поддерживаемых языков и размер контекстного окна. Сильные стороны модели — малый размер, возможность локального и автономного использования, реалтайм-инференс, клонирование голоса по короткому образцу и встроенная маркировка синтезированного аудио. Ограничения включают зависимость качества от чистоты и характеристик референсной записи, необходимость передавать текст референса, а также отсутствие в README подробных данных о языковом охвате, точности и совместимости с различными устройствами. Все сгенерированные аудиофайлы содержат Perth Watermarker. Модель распространяется по лицензии Apache 2.0.

OmniVoice BR-PT v1.5 — модель синтеза речи на бразильском португальском, созданная edwixx как дообучение k2-fsa/OmniVoice. Она предназначена для генерации речи по тексту, экспериментов с дизайном голоса и клонирования голоса с помощью OmniVoice. Модель использует архитектуру OmniVoice и формат весов safetensors; внутри базовой модели применяется языковой код `pt`, а бразильский вариант португальского поддержан тонкой настройкой на соответствующих данных. В README приведена оценка распознаваемости на наборе из 20 запросов; выбранный чекпойнт показал один из лучших результатов среди вариантов настройки. Модель выпущена по лицензии Apache-2.0.

ehzawad/orpheus-bangla-emotional-tts — модель синтеза речи на бенгальском языке, разработанная Emrul Hasan Zawad на архитектуре Orpheus TTS с декодером SNAC. Она преобразует текст в естественно звучащую речь с частотой дискретизации 24 кГц и поддерживает эмоциональные и выразительные стили, включая радость, грусть, гнев, шёпот, плач, удивление, ускоренную и замедленную речь. Модель предназначена для экспериментов и исследований по синтезу эмоциональной бенгальской речи; для запуска автор указывает CUDA GPU как минимум с 8 ГБ памяти. Лицензия ehzawad Research-Only Non-Commercial Model License 1.0 ограничивает использование некоммерческими исследованиями и R&D: коммерческое или производственное применение, распространение весов и размещение сервиса требуют письменного разрешения автора.

Plapre Pico — модель синтеза речи на датском языке, разработанная командой syv-ai. Она преобразует датский текст в аудио с частотой дискретизации 24 кГц и поддерживает выбор встроенных голосов, условную генерацию по голосовой характеристике и клонирование голоса по эталонной аудиозаписи. Модель построена на LLaMA-подобной архитектуре с 30 слоями и размером скрытого состояния 576. Базовая модель содержит около 118 млн параметров, дополнительно используется проекция говорящего примерно на 74 тыс. параметров. Текст разбивается на BPE-токены, после чего авторегрессионно генерируются аудиотокены токенизатора Kanade с частотой 25 токенов в секунду и кодовой книгой размером 12 800. Для идентификации голоса применяется 128-мерное embedding-представление, которое может быть извлечено из референсного WAV-файла. Доступны варианты в формате GGUF с разными уровнями квантования, а основная точность — bfloat16. Модель предназначена для озвучивания датских текстов, создания аудиофайлов, приложений с синтезом речи и сценариев, где требуется воспроизведение выбранного или клонированного голоса. Поддерживается разбиение длинного текста на предложения и настройка параметров генерации. Основное ограничение — заявленная языковая поддержка ограничена датским языком; сведения о качестве, скорости, допустимых коммерческих сценариях и устойчивости клонирования голоса в README не приведены. Модель распространяется по лицензии CC BY 4.0.

mlx-community/Qwen3-TTS-12Hz-0.6B-CustomVoice-bf16 — модель синтеза речи, преобразованная в формат MLX из Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice с помощью mlx-audio версии 0.3.0. Разработчик исходной модели — команда Qwen; данная версия опубликована сообществом mlx-community. Модель предназначена для преобразования текста в аудио и поддерживает сценарии генерации речи с использованием пользовательского или референсного голоса. Её можно запускать через библиотеку mlx-audio, в том числе передавая текст и путь к аудиофайлу для настройки голоса. Модель имеет размер 0.6B параметров, формат bf16 и ориентирована на выполнение в экосистеме MLX. В README указана частота 12Hz в названии модели, однако сведения о поддерживаемых языках, максимальной длине контекста, точной архитектуре и перечне голосовых возможностей отсутствуют. Сильной стороной модели является адаптация для MLX и возможность локальной генерации речи с пользовательским голосом через готовый интерфейс mlx-audio. Ограничения и качество по языкам, тембру, выразительности, скорости и требованиям к оборудованию в карточке не описаны. Модель распространяется по лицензии Apache-2.0.

Raon-OpenTTS 0.3B-GGUF — конвертированная в формат GGUF версия модели KRAFTON/Raon-OpenTTS-0.3B, подготовленная для использования с CrispASR. Это англоязычная система синтеза речи на архитектуре F5-TTS DiT с flow matching и клонированием голоса по образцу; в комплект входят вокодер HiFi-GAN с частотой дискретизации 16 кГц, mel-фильтр Slaney, окно Hann и словарь на 5555 символов. Диффузионный блок имеет размерность 1024 и 22 слоя. Модель предназначена для преобразования текста в речь и синтеза с голосом, заданным аудиозаписью и её расшифровкой. Репозиторий содержит единый GGUF-файл точности F16. Лицензия CC-BY-NC-4.0 разрешает использование только в некоммерческих целях с указанием авторства KRAFTON.

Qwen3-VL-4B-SAMTok Composite — самодостаточная составная модель с кодом для Transformers, объединяющая Qwen3-VL и декодер масок SAMTok VQ-SAM2. Репозиторий содержит веса Qwen3-VL, декодер SAMTok и контрольную точку энкодера изображений SAM2.1 Hiera Large; заявленная архитектура — составная SAMTokCompositeModel, а формат весов — safetensors. Модель предназначена для диалоговой работы с изображениями и задач зрения; README указывает, что она принимает обычные вызовы Qwen3-VL. Метаданные классифицируют её как image-text-to-text и отмечают поддержку чата и зрения. Лицензия и поддерживаемые языки не приведены в доступных сведениях, поэтому их нельзя уточнить.

S-MLLMUn Qwen2.5-VL Original — мультимодальный чекпойнт на основе Qwen2.5-VL-7B-Instruct, подготовленный авторами проекта S-MLLMUn. Это исходная дообученная версия модели, использованная в бенчмарке до применения методов забывания данных; она принимает текст и изображения и формирует текстовые ответы. Модель имеет плотную архитектуру Qwen2.5-VL с 7,1 млрд параметров, контекстом до 128 000 токенов и рассчитана на работу через Transformers. Модель подходит для диалога по изображениям и других задач визуально-языкового понимания, в том числе как исходный чекпойнт для экспериментов по избирательному забыванию мультимодальной информации. Карточка описывает её как версию, дообученную на данных S-MLLMUn. Лицензия в предоставленных данных не указана.

Модель sapinsapin/speecht5_tts-pld-bcl — дообученная на наборе данных sapinsapin/pld версия SpeechT5 от Microsoft для синтеза речи из текста на бикольском языке (Bicolano, BCL). Она принимает текст и использует обусловливание по голосовому эмбеддингу говорящего; для получения аудио в примерах применялись x-vector из SpeechBrain и вокодер microsoft/speecht5_hifigan. Обучение проведено на 1878 аудиофрагментах в течение 1000 шагов; указанная eval_loss — 0,4176. Модель подходит для озвучивания текстов на бикольском языке. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — MIT.

Turkish-LLaVA-v0.1, разработанная командой ytu-ce-cosmos, — мультимодальная модель на архитектуре LLaVA-Llama для выполнения визуальных инструкций на турецком языке. Она принимает изображения и текстовые запросы и формирует текстовые ответы; подходит для диалога по изображению, визуальных вопросов и распознавания текста на обложках книг. Модель основана на Turkish-Llama-8b-Instruct-v0.1 и содержит около 7,5 млрд параметров. Для предварительного обучения использовался переведённый на турецкий язык набор LLaVA-CC3M-Pretrain-595K, а дообучение включало подмножества Stanford GQA, VisualGenome и COCO, а также многоходовые инструкции по обложкам книг. Архитектура — плотная LLaVA-Llama; контекст составляет 8192 токена. Репозиторий предоставляет веса в формате safetensors. Модель рассчитана прежде всего на турецкие запросы и визуальное понимание, включая OCR на обложках книг. Карточка не приводит количественных оценок качества, поэтому результаты на иных языках и типах изображений могут отличаться. Лицензия — MIT.

UniSpeech-Large-plus Spanish — модель Microsoft семейства UniSpeech для автоматического распознавания испанской речи. Модель основана на архитектуре UniSpeechForCTC, содержит 402,7 млн параметров и дообучена на одном часе испанских фонем; предобучение проводилось на речевых аудиозаписях с частотой дискретизации 16 кГц и фонетическими метками. Модель принимает аудио с частотой 16 кГц и последовательность фонем в качестве текста для распознавания. Она предназначена для экспериментов и приложений распознавания испанской речи, включая оценку фонетического распознавания на данных Common Voice. Для использования требуется преобразовать текст в последовательность фонем. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

VARGPT_LLaVA-v1 — мультимодальная модель семейства VARGPT, разработанная авторами проекта VARGPT. Она объединяет понимание визуальных данных и генерацию изображений в одной системе: для понимания модель предсказывает следующий текстовый токен, а для генерации — следующий визуальный масштаб. В README указана конфигурация 7B+2B; архитектура представлена классом VARGPTLlavaForConditionalGeneration и рассчитана на работу через Transformers. Модель предназначена для мультимодального диалога и генерации изображений по текстовому запросу. Карточка демонстрирует сценарии визуального понимания и text-to-image generation. Указана поддержка английского языка; модель распространяется в формате safetensors по лицензии Apache-2.0. Длина контекста в доступных сведениях не приведена.

VieNeu-TTS-0.3B — модель синтеза речи на вьетнамском языке, разработанная Фам Нгуен Нгок Бао. Она преобразует текст в речь и поддерживает мгновенное клонирование голоса по образцу аудио длительностью 3–5 секунд. Модель обучена с нуля на наборе VieNeu-TTS-1000h и использует плотную архитектуру Qwen3ForCausalLM; в репозитории указано 244,1 млн параметров и контекст 4096 токенов. Модель предназначена для локального синтеза речи и встраивания в приложения; автор заявляет ускоренный вывод при сохранении высокого качества речи. В карточке также описаны варианты для CPU и мобильных устройств в формате GGUF, однако эти варианты относятся к отдельным репозиториям. Репозиторий модели содержит веса safetensors. Лицензия — Apache-2.0. Указанные задачи включают text-to-speech и text-generation; основное пользовательское назначение — синтез речи. Клонирование голоса требует референсного аудио, а качество и скорость могут зависеть от аппаратуры и варианта модели.

VieNeu-TTS-0.3B-q4-gguf — квантованная версия модели VieNeu-TTS-0.3B для синтеза речи на вьетнамском языке. Модель разработал Phạm Nguyễn Ngọc Bảo; обучение связано с наборами данных VieNeu-TTS-1000h и VieNeu-TTS-140h. Она предназначена для преобразования текста в речь, включая чтение текста, голосовые интерфейсы, чат-ботов реального времени и исследовательские приложения. Модель распространяется в формате GGUF с квантованием Q4_0, занимает около 200 МБ и оптимизирована для работы непосредственно на CPU без выделенного GPU. Заявлена поддержка синтеза в реальном времени на обычных потребительских процессорах, включая офисные ноутбуки и мини-ПК. Доступны стандартные предустановленные голоса и режим zero-shot voice cloning по образцу аудио с текстовой расшифровкой. Для фонемизации обязательно требуется eSpeak NG. Архитектура, точное число параметров базовой модели, длина контекста и дополнительные модальности в README не указаны. К сильным сторонам относятся небольшой размер, низкие требования к оборудованию, высокая скорость CPU-инференса и поддержка клонирования голоса. Ограничения включают специализацию на вьетнамском языке, зависимость от eSpeak NG и отсутствие заявленной поддержки GPU-оптимизированного режима; качество синтеза и клонирования в README количественно не оценено. Модель доступна по лицензии CC BY-NC 4.0: её разрешено использовать в исследовательских, учебных и некоммерческих целях, тогда как коммерческое и корпоративное применение требует предварительного разрешения автора.

VieNeu-TTS-v2 — модель синтеза речи, разработанная Phạm Nguyễn Ngọc Bảo и представленная проектом VieNeu-TTS. Она предназначена для генерации естественной речи на вьетнамском и английском языках, включая двуязычное переключение языков внутри одной фразы, создание подкастов, длинных аудиоматериалов, диалогов с несколькими говорящими, голосовых интерфейсов и чат-ботов в реальном времени. Основная версия VieNeu-TTS-v2 имеет размер 0,3 млрд параметров и ориентирована на высококачественную двуязычную речь и длинные тексты. Модель поддерживает эмоциональные режимы natural и storytelling, пресетные голоса и zero-shot voice cloning по аудиозаписи длительностью 3–5 секунд. В экосистему также входит VieNeu-TTS-v2-Turbo, оптимизированная для минимальной задержки и работы на CPU с использованием GGUF. Для удалённого запуска предусмотрена интеграция с LMDeploy; локальная работа ориентирована преимущественно на GPU. К сильным сторонам относятся естественное звучание, поддержка code-switching между английским и вьетнамским, многоголосые сценарии и быстрое клонирование голоса. README не содержит подробных сведений о внутренней архитектуре, максимальной длине контекста, точных требованиях к оборудованию или ограничениях качества клонирования. Модель распространяется по лицензии Apache-2.0; в описании также указан обучающий набор VieNeu-TTS-10k-ENVI.

VieNeu-TTS v3 Turbo CPP — пакет модели синтеза речи на вьетнамском языке, подготовленный сообществом lastudio-community для запуска в C++-среде VieNeu-TTS.cpp. Он основан на pnnbao-ump/VieNeu-TTS-v3-Turbo и включает семантическую основу GGUF, веса акустических компонентов, конфигурацию и токенизатор, голосовые пресеты, а также компоненты кодека MOSS в ONNX. Общий размер модели — 103,8 млн параметров; нативный контекст — 1024 токена. Пакет предназначен для преобразования текста в речь через конвейер vieneu-v3-native, в том числе с использованием голосовых пресетов и кодирования референсного аудио. Это комплект ресурсов для VieNeu-TTS.cpp, а не самостоятельный чекпойнт Transformers и не единый файл GGUF: для работы нужны все предусмотренные компоненты пакета и C++-среда. Модель лицензирована по Apache 2.0.

Карточка модели oaattia/VoiceTut-TTS на Hugging Face совпадает с карточкой mohammedaly22/VoiceTut-TTS, поэтому описание составлено по ней. VoiceTut-TTS — модель преобразования текста в речь, созданная разработчиком репозитория на основе OmniVoice от k2-fsa и дообученная на примерно 380 часах египетской арабской речи из подкастов. Она предназначена для синтеза естественной египетской арабской речи, в том числе с переключением между арабским и английским языками. В основе — текстовый Qwen3-0.6B и аудиотокенизатор Higgs; модель использует библиотеку OmniVoice и распространяется в формате safetensors. Модель предлагает 17 встроенных голосов, клонирование голоса по короткому аудиопримеру, нормализацию чисел, дат, валют, телефонных номеров, адресов и сокращений, а также потоковую выдачу аудио частями для длинного текста. В README указаны результаты измерения скорости на NVIDIA T4: средний коэффициент реального времени 1,13 и время до первого аудио при потоковой генерации 1,68 секунды. Лицензия — Apache-2.0. Клонирование чужого голоса следует выполнять только с согласия его владельца; авторы также предостерегают от имитации людей и создания вводящего в заблуждение аудио. Данные о размере всей модели и максимальной длине текста не приведены.

Это перенесённая в Transformers версия модели S3PRL на базе wav2vec2-base, подготовленная для классификации намерений в речи в рамках бенчмарка SUPERB. Модель содержит 113,3 млн параметров и принимает речевое аудио с частотой дискретизации 16 кГц. Она определяет намерение высказывания по заранее заданным категориям Fluent Speech Commands: действие, объект и место. В оценке SUPERB для исходной версии S3PRL указана точность 0,9235; результат версии Transformers не приведён. Модель предназначена для англоязычной речи. Лицензия — Apache-2.0.

Wav2Vec2-Large — базовая модель Facebook для предварительного обучения на речевом аудио. Она содержит 402,7 млн параметров и реализована на архитектуре Wav2Vec2; модель обучалась на аудиозаписях с частотой дискретизации 16 кГц, поэтому входные записи также следует приводить к 16 кГц. Для распознавания речи её нужно дообучить на целевой задаче. Модель предназначена для получения речевых представлений и последующего применения в распознавании речи, в том числе при ограниченном количестве размеченных аудиоданных. В описанной авторами схеме Wav2Vec 2.0 маскирует вход в латентном пространстве и решает контрастивную задачу с квантованными представлениями. Веса доступны в формате PyTorch по лицензии Apache 2.0. Карточка приводит результаты экспериментов на LibriSpeech, но не описывает готовую к использованию систему распознавания речи: для этого требуется дообучение.

GetmanY1/wav2vec2-large-fi-150k — крупная модель Wav2Vec2, разработанная Ярославом Гетманом и Тамашем Гросом. Она предварительно обучена на 158 тысячах часов неразмеченной финской речи с использованием целевой функции Wav2Vec2 и предназначена для последующего дообучения на задачах обработки речи, в частности распознавания речи и распознавания эмоций в речи. Модель содержит около 402,7 млн параметров, принимает аудио с частотой дискретизации 16 кГц и выдаёт аудиопредставления; у неё нет токенизатора, поэтому для распознавания речи необходимо создать токенизатор и дообучить модель на размеченных текстовых данных. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. При предварительном обучении использовались аудиозаписи длительностью до 60 секунд, поэтому модель, вероятно, лучше подходит для коротких фрагментов. Значительная часть данных взята из финских радио- и телеархивов, что может смещать модель в сторону голосов ведущих и разговорного финского; в обучающих данных могли присутствовать музыка и другие неречевые звуки.

Finnish Wav2Vec2 X-Large — аудиомодель, разработанная Ярославом Гетманом и Тамашем Гросом. Это предварительно обученный энкодер Wav2Vec2ForPreTraining на основе Wav2Vec2, обученный на 158 тысячах часов неразмеченной финской речи. Модель принимает аудио с частотой дискретизации 16 кГц; токенизатора в репозитории нет. Модель предназначена для последующего дообучения на размеченных текстом аудиоданных для распознавания финской речи, а также может служить основой для задач распознавания эмоций в речи. Для ASR нужны токенизатор и дообучение; готовая дообученная версия опубликована отдельно как GetmanY1/wav2vec2-xlarge-fi-150k-finetuned. Лицензия — Apache-2.0. Предобучающие аудиозаписи ограничены длиной до 60 секунд, поэтому модель лучше подходит для относительно коротких фрагментов; очень длинные записи могут требовать разбиения на части и значительных ресурсов памяти. Корпус преимущественно основан на архивах радио и телевидения, что может приводить к смещению в сторону голосов ведущих и разговорного финского; в данных также могли остаться музыкальные фрагменты.

wfloat-tts — лёгкая многоязычная по голосам, но англоязычная модель синтеза речи на архитектуре VITS, опубликованная Wfloat. Она преобразует текст в речь и поддерживает выбор одного из 20 голосов по числовому идентификатору, а также управление эмоцией и её интенсивностью для всей реплики. Среди доступных эмоций — радость, грусть, гнев, страх, удивление, пренебрежение и замешательство; интенсивность задаётся в диапазоне от 0 до 1 и преобразуется в один из десяти уровней. Модель предназначена для локального синтеза речи в браузере, мобильных приложениях и среде Python. Репозиторий содержит веса Safetensors и примеры аудио; для запуска в Python разработчик указывает собственный пакет. В метаданных указана лицензия MIT. README не сообщает размер модели и длину контекста.

yuriyvnv выпустил дообученную на португальской речи модель Whisper-Tiny для автоматического распознавания речи. В обучении использованы данные Common Voice 17.0 и синтетические речевые данные, отфильтрованные по порогу качества q ≥ 0,5. Модель содержит 29,4 млн параметров и представлена в формате safetensors; лицензия — Apache-2.0. Модель предназначена для транскрибации аудио на португальском языке. На тесте Common Voice указана WER 30,11%; на тесте MLS — 47,25%, что хуже результата базовой Whisper-Tiny на этом наборе. Эксперимент показывает, что добавление синтетических примеров среднего и высокого качества дало лишь небольшой выигрыш на Common Voice и снизило качество переноса на другой корпус. Результаты стоит проверять на целевых аудио и домене перед практическим применением.

whisper-tiny-myanmar — дообученная Chuu Htet Naing версия модели OpenAI Whisper Tiny для распознавания бирманской речи и её преобразования в текст. Она основана на WhisperForConditionalGeneration и обучена на датасете chuuhtetnaing/myanmar-speech-dataset-openslr-80. Модель содержит 29,4 млн параметров и принимает аудио, выдавая текст. На оценочном наборе указаны loss 0,2353 и WER 61,8878; высокий WER указывает на существенные ошибки распознавания. Репозиторий распространяет веса в формате safetensors по лицензии Apache-2.0.

Bengali CosyVoice3 TTS — модель синтеза речи на бенгальском языке, подготовленная Kawshik Kumar Paul и дообученная на базе FunAudioLLM/Fun-CosyVoice3-0.5B-2512. Она преобразует текст в синтетическую речь; рекомендованный сценарий — кроссъязычный перенос голоса по короткому аудиообразцу. Модель предназначена для экспериментов с бенгальским TTS, разработки для малоресурсных языков, демонстраций и прототипирования. Модель поддерживает бенгальский язык и принимает текст, а при клонировании голоса также использует аудиообразец; результатом является аудио. В репозитории указаны форматы ONNX и safetensors. Лицензия — Apache-2.0. Данные для дообучения — внутренний бенгальский речевой набор, который не опубликован. Возможны ошибки в произношении редких слов, имён, чисел, сокращений и смешанного бенгальско-английского текста; длинные фрагменты могут давать нестабильный результат, а качество может различаться между диалектами и стилями речи. Перед выпуском результат следует проверять; для клонирования голоса необходимо разрешение говорящего.