I.15Доступность и ассистивные технологии

Cosmos-Reason2-2B-W4A16 — мультимодальная модель Embedl, полученная квантизацией NVIDIA Cosmos-Reason2-2B. Она принимает текст вместе с изображениями или видео и формирует текстовые ответы с рассуждениями по визуальному содержимому. Модель предназначена для мультимодального диалога и анализа изображений и видео, в том числе для сценариев инференса на периферийных устройствах. Квантизация W4A16 хранит веса в INT4, а активации — в FP16, что сокращает потребление памяти и рассчитано на повышение эффективности инференса. Для работы с vLLM README приводит пример контейнера NVIDIA для Jetson Orin; для доступа к оптимизациям Embedl требуется патч vLLM, который на момент карточки ещё не выпущен. Лицензия указана как other, поэтому условия следует уточнять в материалах репозитория.

Echo-TTS — диффузионная модель синтеза речи из текста. Оригинальная модель разработана Jordan Darefsky; данный репозиторий содержит GGUF-файлы для audio.cpp и включает веса кодека s1. Автор сборки не связан с оригинальным разработчиком и не представляет его интересы. Модель предназначена для преобразования текста в аудио, в том числе для исследовательских экспериментов и некоммерческих сценариев использования. Доступны варианты весов f16 и q8_0. Сведения о размере модели, поддерживаемых языках, максимальной длине контекста, дополнительных модальностях и конкретных требованиях к оборудованию в README не указаны. Веса распространяются по лицензии CC-BY-NC-SA-4.0 и предназначены только для исследований и некоммерческого использования. Запрещено применять модель для обмана, мошенничества, выдачи себя за другого человека или имитации голоса реального человека без его явного согласия, а также для дипфейков, травли, дискриминации, дезинформации и политических манипуляций. Использование должно соответствовать применимым законам и нормативным требованиям.

FLANEC XL CD — модель семейства T5 на базе FLAN-T5, разработанная для задачи Generative Speech Error Correction в рамках GenSEC Task 1 на SLT 2024. Она принимает несколько вариантов распознавания речи от ASR-систем и генерирует одну исправленную транскрипцию, улучшая её грамматическую и языковую корректность. Модель предназначена для постобработки результатов распознавания английской речи в разных акустических и тематических условиях. Это encoder-decoder модель с 1,5 млрд параметров по метаданным Hugging Face; README указывает около 3 млрд для варианта XL. В карточке заявлена английская поддержка, контекст составляет 512 токенов. Модель обучена на данных HyPoradise, охватывающих новости, запросы о путешествиях, шумную и акцентированную речь, выступления и разговорную речь. Лицензия — MIT. Модель помогает исправлять ошибки ASR, но сама не распознаёт аудио: ей нужны текстовые гипотезы распознавания. Заявленное применение ограничено английским языком и постобработкой транскрипций; качество может зависеть от домена и качества входных гипотез.

GLM-4.6V-Flash-MLX-8bit — это 8-битная квантованная версия мультимодальной модели GLM-4.6V-Flash, разработанной компанией zai-org. Квантование в формате MLX предоставлено командой LM Studio с использованием библиотеки mlx_vlm; модель оптимизирована для запуска на компьютерах с Apple Silicon. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. В README заявлена поддержка китайского и английского языков. Она может использоваться в локальных мультимодальных приложениях, способных анализировать визуальные данные и отвечать на текстовые запросы, при условии совместимости программного окружения с MLX. Ключевой особенностью является 8-битное представление, снижающее требования к памяти по сравнению с полноразмерной версией и ориентированное на эффективное выполнение на Apple Silicon. Архитектура, точный размер модели, максимальная длина контекста и дополнительные характеристики в предоставленных данных не указаны. README также не описывает специфические ограничения качества или перечень поддерживаемых сценариев сверх мультимодальной обработки текста и изображений. Для модели указана лицензия MIT. При использовании следует учитывать, что модель может генерировать неточную, вредную или неподходящую информацию, поэтому результаты требуют проверки.

Карточка модели quangdung/higgs-tts-3-4b на Hugging Face совпадает с карточкой LiShi30678/higgs-tts-3-4b, поэтому описание составлено по ней. Higgs TTS 3 — модель синтеза речи, представленная в репозитории LiShi30678 и разработанная Boson AI. Она преобразует текст в выразительную разговорную речь, поддерживает клонирование голоса по образцу и управление эмоциями, стилем, просодией, паузами и звуковыми эффектами с помощью встроенных тегов. Модель построена на авторегрессионном декодере примерно на 4 млрд параметров с архитектурой Higgs Multimodal Qwen3; аудио представляется восемью кодовыми книгами, частота кодирования — 25 кадров в секунду. Длина контекста составляет 8 192 токена. В README заявлена поддержка более 100 языков: для 85 указано качество WER/CER ниже 5, для ещё 17 — от 5 до 10. Русский входит в первую группу. Основной сценарий — генерация естественной речи для диалогов и озвучивания контента. Лицензия Boson Higgs TTS 3 Research and Non-Commercial License разрешает исследовательское и некоммерческое использование. Для производственного применения, размещённых API, интеграции в продукт или перепродажи нужна отдельная коммерческая лицензия. Создателям цифрового контента разрешено монетизировать созданные материалы по Creator Use Grant при указании авторства Boson AI's Higgs Audio. Лицензия запрещает клонирование голоса без согласия, имитацию личности, мошенничество, обман избирателей и биометрическое наблюдение.

Модель utakumi/Hubert-common_voice-phoneme-ctc_zero_infinity — версия HuBERT, дообученная на японской части набора Mozilla Common Voice 13.0 для распознавания речи. Она использует архитектуру HubertForCTC и содержит 113,3 млн параметров; ожидаемый сценарий — преобразование японской речи в текст. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. На оценочной выборке указаны WER 1,0 и CER 0,1953. Высокий WER говорит о существенных ошибках при распознавании целых слов; результаты могут зависеть от данных и условий записи. Карточка не описывает ограничения применения и дополнительные сценарии.

Это 4-битная модель в формате MLX, преобразованная сообществом mlx-community из huihui-ai/Huihui-Qwen3.5-4B-Claude-4.6-Opus-abliterated с помощью mlx-vlm версии 0.4.0. Базовая модель — Jackrong/Qwen3.5-4B-Claude-4.6-Opus-Reasoning-Distilled. В метаданных указана лицензия Apache-2.0. Модель предназначена для мультимодальных задач, включая обработку изображений и генерацию текста по визуальным запросам. В качестве примера использования приведён сценарий описания изображения через mlx-vlm. Заявлены характеристики reasoning, chain-of-thought и Dense, а также модификация abliterated и uncensored, однако подробности архитектуры, языков, размера контекста и фактических ограничений в карточке не раскрыты. Для работы требуется установка mlx-vlm; дополнительные сведения рекомендуется уточнять в оригинальной карточке модели.

noctrex/Huihui-Qwen3-VL-2B-Instruct-abliterated-GGUF — набор квантованных версий модели Huihui-Qwen3-VL-2B-Instruct-abliterated, разработанной huihui-ai и распространяемой в формате GGUF. Модель предназначена для задач image-text-to-text: обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. В README указано, что это мультимодальная instruct-модель на базе Qwen3-VL с размером 2B параметров; поддерживаемые языки и максимальная длина контекста не указаны. Ключевая особенность — abliterated-версия, а квантования созданы с использованием imatrix, объединяющей наборы combined_all_large и harmful.txt. Это позволяет запускать модель с меньшими требованиями к ресурсам, однако конкретные варианты квантования и их характеристики в README не перечислены. Для работы рекомендуется использовать актуальную версию llama.cpp, а для мультимодального проектора mmproj — версию F32, которая, согласно README, обеспечивает лучшее качество по сравнению с BF16 и F16. Сильными сторонами модели являются поддержка визуально-текстовых сценариев, компактный размер и возможность локального запуска через llama.cpp. Ограничения включают отсутствие подробных данных о качестве, языках, контекстном окне и точных параметрах квантований. Лицензия в представленном README не указана.

Hypa-Orpheus-3b-TTS-VC-ext — экспериментальная продолженная донастройка модели Hypa Intelligence для синтеза речи и клонирования голоса. Это плотная causal language model семейства Llama с 3,3 млрд параметров, обученная продолжением Hypa-Orpheus-3b-TTS-VC: адаптер LoRA повышенной ёмкости был дообучен и объединён с весами для инференса в bf16. Модель принимает текстовые промпты и генерирует последовательности SNAC-токенов, которые декодируются в речь; карточка указывает мультиязычную поддержку, включая английский, французский, испанский, португальский, арабский и ряд языков с ограниченными ресурсами. Контекст модели — 131072 токена. Продолжение обучения показало более низкую валидационную потерю, чем у основной версии, но это само по себе не доказывает более высокое воспринимаемое качество речи. Модель предназначена для экспериментов и развёртываний, которым важна эта версия с повышенной ёмкостью адаптера; основная Hypa-Orpheus-3b-TTS-VC остаётся рекомендуемой версией для стандартного производства. Ограничения включают короткий этап продолжения обучения, примерно четырёхкратный рост размера адаптера и отсутствие опубликованных оценок WER/CER, сходства голосов и MOS. Лицензия — Apache-2.0.

Inflect-Micro-v2 — компактная модель синтеза речи от Owensong, преобразующая английский текст в аудио. Она содержит 9 356 513 параметров, использует PyTorch и выдаёт монофонический звук с частотой 24 кГц. Модель рассчитана на локальный запуск на CPU или CUDA и подходит для устройств с ограниченными ресурсами; заявлена скорость 6,28× реального времени на CPU с четырьмя потоками. Для ONNX доступен отдельный экспортный вариант. Модель синтезирует речь одним фиксированным мужским голосом, поддерживает детерминированные генерации по seed и обработку длинных текстов с разбиением по пунктуации. В карточке приведены оценки естественности и разборчивости на тестовых текстах, однако они не заменяют контролируемую человеческую оценку. Доступен инструментарий для адаптации голоса или языка, но качество адаптированных вариантов экспериментальное и зависит от данных и оценки носителями языка. Модель поддерживает только английский язык и не выполняет клонирование голоса с нуля. Незнакомые фразы могут звучать менее выразительно или стабильно; произношение чисел, сокращений, омографов и редких имён зависит от контекста и текстового фронтенда. Лицензия — Apache-2.0.

InternOmni — мультимодальная диалоговая модель OpenGVLab для взаимодействия с изображениями и текстом. Карточка показывает запуск через библиотеку Transformers, а метаданные относят модель к семейству InternVL Chat и указывают возможности чата. Модель предназначена для диалога с изображениями и генерации текста; в метаданных также отмечена поддержка text-generation. Она собрана с использованием InternLM2.5-7B-Chat и визуальной модели InternViT-300M-448px. Репозиторий содержит веса Safetensors и распространяется по лицензии MIT. Карточка README не описывает качество, конкретные сценарии работы, поддерживаемые языки или ограничения, поэтому эти свойства нельзя уточнить.

Japanese Parler-TTS Mini Bata — экспериментальная компактная модель синтеза японской речи от автора репозитория 2121-8, дообученная на базе Parler-TTS и объединённая с компонентом retrieva-jp/t5-base-long. Она преобразует текст в речь и рассчитана на озвучивание японских текстов. Модель использует архитектуру Parler-TTS и доступна в формате PyTorch; её токенизатор несовместим с оригинальным Parler-TTS и заменён специальным токенизатором для этой модели. Репозиторий помечен как бета-версия: оптимизация продолжается, а управление конкретным голосом описано как функция в подготовке. В обучающих данных мало мужских голосов, поэтому их генерация может иметь неестественную интонацию или нестабильное качество. Карточка разрешает исследовательское, образовательное и коммерческое использование сгенерированной речи, но запрещает продажу самой модели и её весов; метаданные указывают лицензию other.

LFG-3 — аудиоязыковая модель Glenn2, которая принимает английскую речь и формирует текстовые ответы. Она объединяет разговорные возможности Gemma 4 31B с аудиоэнкодером Parakeet через обученный проекционный слой и предназначена для понимания устных вопросов и инструкций, включая то, как они произнесены, а не только для преобразования речи в текст. Модель создана как независимый эксперимент и обучалась одним разработчиком на одном H100. В README заявлено первое место в Voice Bench на момент выпуска; приведены оценки AlpacaEval, CommonEval и WildVoice. Карточка не указывает лицензию и размер чекпойнта, поэтому условия распространения по этим данным определить нельзя.

LFM2-VL-450M-GGUF — мультимодальная vision-language модель, разработанная компанией Liquid AI. Она предназначена для обработки изображений и генерации текста по визуальному контексту, а также для сценариев edge AI и локального запуска непосредственно на пользовательских устройствах. Модель основана на LFM2-VL-450M и доступна в формате GGUF, совместимом с llama.cpp. Указанный размер — 450 млн параметров. В карточке заявлена поддержка англоязычных сценариев и конвейер image-text-to-text. Для запуска доступны варианты F16, Q4_0 и Q8_0: F16 ориентирован на работу в полном формате точности, а квантованные варианты — на более быструю инференцию и сниженное потребление памяти. Ключевые сильные стороны модели — компактность, скорость и эффективность использования памяти, что делает её подходящей для встраиваемых систем и устройств с ограниченными ресурсами. README не содержит подробных данных о максимальной длине контекста, перечне поддерживаемых языков сверх English, результатах бенчмарков и известных ограничениях качества, поэтому эти характеристики нельзя оценить точнее. Лицензия указана как lfm1.0; дополнительные условия следует уточнять в файле LICENSE.

Llama-Mimi-1.3B — речевая языковая модель, разработанная командой llm-jp. Она объединяет токенизатор Mimi и декодер Transformer Llama, совместно моделируя чередующиеся семантические и акустические токены. Модель дообучена на базе meta-llama/Llama-3.2-1B и содержит 1,3 млрд параметров; для работы используется библиотека Transformers. Заявленная длина контекста — 131072 токена. Модель предназначена для генерации речи с сохранением акустической согласованности и идентичности говорящего. Она обучалась примерно на 240 тысячах часов английского аудио; авторы сообщают о результатах на бенчмарке SALMon. Метаданные относят её к задачам генерации текста и преобразования аудио в аудио, при этом основное практическое назначение карточки — речевая генерация. Лицензия — Llama 3.2 Community License; применяются её условия.

MamreTTS — дообученная модель синтеза речи на основе notmax123/Zonos-Hebrew, предназначенная для генерации выразительной речи на иврите. В карточке проекта система описана как решение для синтеза речи и преобразования голоса; заявлена архитектура DiffMamba с компонентами на основе Zonos. Модель рассчитана на синтез речи с естественной просодией и ритмом и на преобразование голоса с сохранением его индивидуальности. Обработка текста включает нормализацию и расстановку огласовок иврита (ниkkуд) с помощью Phonikud. Заявлена работа в реальном времени на современных GPU Nvidia и поддержка длинного контекста, однако численные показатели скорости и длины контекста не приведены. Модель ориентирована на иврит и обучена с использованием наборов данных SASpeech и ILSpeech. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

MGM-8B-HD — открытая мультимодальная чат-модель, разработанная авторами MGM путём дообучения Meta-Llama-3-8B-Instruct на наборе MGM-Instruction с инструкциями, сгенерированными GPT. Это плотная модель семейства MGM примерно на 7,5 млрд параметров с контекстом до 8192 токенов; репозиторий содержит веса в формате safetensors. Модель предназначена для диалога и работы с изображениями высокого разрешения: она поддерживает понимание изображений, рассуждения по ним и генерацию изображений. Её можно применять для исследовательских прототипов мультимодальных чат-ботов и задач компьютерного зрения с текстовыми инструкциями. Карточка указывает исследовательское и любительское применение; лицензия в предоставленных данных не приведена.

MiraToffel — немецкоязычная дообученная версия MiraTTS, разработанная SebastianBodza на базе модели YatharthS/MiraTTS с архитектурой Qwen2. Она преобразует текст в речь и поддерживает клонирование голоса по образцу аудио. По данным карточки, модель создаёт речь на немецком языке; заявлены реалистичное звучание, частота аудио 48 кГц, скорость до 100× реального времени при пакетной обработке с Lmdeploy и работа на GPU с объёмом видеопамяти менее 6 ГБ. Модель подходит для озвучивания немецких текстов и создания речи с голосом, похожим на голос из аудиопримера. Карточка отмечает более чёткое произношение и стабильность по сравнению с некоторыми другими вариантами Kartoffel, при этом сходство клонированного голоса может быть неидеальным. Условия применения определяются лицензией CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

BleachNick/MMICL-Instructblip-T5-xxl — мультимодальная модель для работы с изображениями и текстовыми инструкциями, основанная на MMICL (Multi-Modal In-Context Learning). Она дообучена на instructblip-flan-t5-xxl и использует архитектуру InstructBLIP с языковой частью Flan-T5-XXL; в карточке указана реализация на Transformers и PyTorch. Разработчики описывают способность анализировать несколько изображений, сопоставлять их и рассуждать по ним, а также выполнять сложные задачи визуального анализа и мультимодального обучения в контексте. Модель рассчитана на ответы на вопросы об изображениях, сравнение и совместное рассуждение по нескольким изображениям и следование инструкциям. README также сообщает о возможностях понимания видео в демо, однако метаданные для этой модели подтверждают только задачу image-text-to-text. В карточке указан английский язык и лицензия MIT. Размер модели и длина контекста не приведены.

facebook/mms-1b — мультиязычная предобученная модель речи от Facebook AI, разработанная Vineel Pratap и соавторами. Это плотная архитектура Wav2Vec2 с 1,3 млрд параметров, обученная с самоконтролем примерно на 500 000 часах речи более чем на 1 400 языках. Для входного аудио требуется частота дискретизации 16 кГц. Модель служит основой для дообучения под конкретные задачи обработки речи, включая автоматическое распознавание речи, перевод и классификацию. Сам репозиторий содержит чекпойнт предобучения, а не готовую модель для этих прикладных задач. Указанная лицензия CC-BY-NC 4.0 запрещает коммерческое использование без дополнительных прав.

facebook/mms-tts-ade — модель синтеза речи Adele (ade) из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну; для каждого языка проекта обучается отдельная модель. Чекпойнт использует архитектуру VITS — сквозную условную вариационную автоэнкодерную модель с текстовым энкодером на основе Transformer, поточным модулем, декодером в стиле HiFi-GAN и стохастическим предсказателем длительности. Размер модели — 3,5 млн параметров. Модель предназначена для озвучивания текста на языке Adele. Стохастический предсказатель позволяет варьировать ритм речи, поэтому результат может меняться между запусками; фиксированный seed нужен для повторяемого аудио. Модель доступна через Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

facebook/mms-tts-hap — модель синтеза речи на языке Hupla (код hap), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текста на Hupla. Это отдельный языковой чекпойнт семейства VITS: компактная модель с 3,5 млн параметров, построенная как сквозная система text-to-speech с вариационным автоэнкодером, потоком преобразования признаков и декодером аудио; стохастический предиктор длительности позволяет получать варианты ритма, поэтому для повторяемого результата требуется фиксированный seed. Модель доступна в Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

facebook/mms-tts-isl — модель синтеза речи на исландском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на исландском языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS, доступный через библиотеку Transformers. Стохастический предиктор длительности позволяет варьировать ритм речи; для повторяемого результата при генерации нужно фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-mhy — модель синтеза речи на языке мааньян (mhy), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует текст на мааньян в речевую аудиоволну и подходит для озвучивания текстов на этом языке. Модель использует архитектуру VITS: текстовый энкодер, потоковый модуль и декодер HiFi-GAN обучаются совместно для генерации речи. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; его можно использовать через Transformers версии 4.33 и новее. Из-за стохастического предсказания длительности результат может меняться между запусками; фиксированный seed позволяет воспроизводить одну и ту же аудиоволну. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

facebook/mms-tts-quc-dialect_east — модель синтеза речи для восточного диалекта языка киче, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст на киче в речевую аудиоволну. Модель построена на архитектуре VITS: текстовый энкодер и потоковый модуль формируют акустическое представление, а декодер на основе свёрточных слоёв генерирует звук; стохастический предсказатель длительности позволяет варьировать ритм речи. Размер модели — 3,5 млн параметров; она доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Чекпойнт предназначен для озвучивания текста на киче восточного диалекта. Из-за стохастического предсказателя одинаковый текст может звучать по-разному; для повторяемого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-tuk-script_arabic — модель синтеза речи на туркменском языке, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в аудиоволну и подходит для озвучивания туркменских текстов. Для каждого языка MMS обучается отдельный чекпойнт. Модель использует архитектуру VITS — сквозную систему синтеза речи с вариационным автоэнкодером, поточным модулем и декодером на основе HiFi-GAN. В чекпойнте около 3,5 млн параметров. Доступны веса PyTorch и Safetensors, модель поддерживается библиотекой Transformers начиная с версии 4.33. Предсказатель длительности работает стохастически, поэтому одинаковый текст может звучать с разным ритмом; для повторяемого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

Это конвертированная в GGUF BF16-модель MOSS-VoiceGenerator от OpenMOSS, подготовленная для запуска в среде OpenMOSS на базе C++/GGML. Она синтезирует речь по тексту и описанию желаемого голоса; аудиообразец для задания голоса не требуется. Поддерживаются английский и китайский языки, а выход — монофоническое аудио с частотой 24 кГц. Репозиторий содержит веса модели и отдельный аудиофайловый sidecar, которые должны находиться рядом. Для загрузки и декодирования нужен OpenMOSS со встроенной поддержкой BF16/FP32 для sidecar: старые сборки, ожидающие там FP16, несовместимы. README сообщает об успешной проверке запуска на CPU и Vulkan. Модель распространяется по лицензии Apache-2.0.

NMikka разработал OmniVoice Georgian — вариант OmniVoice, дообученный для синтеза грузинской речи. Модель принимает текст и может использовать аудиозапись образца голоса для клонирования голоса без дополнительного обучения; также предусмотрен режим задания характеристик голоса без образца. Авторы сообщают о дообучении на примерно 150 часах грузинской речи от 29 дикторов. Модель предназначена прежде всего для преобразования грузинского текста в речь, а также для синтеза на английском и кросс-языкового клонирования голоса с грузинским образцом. По данным README, качество грузинской фонетики и интонации улучшилось по отзывам носителей, а разборчивость на FLEURS близка к исходной OmniVoice. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. К ограничениям авторы относят отсутствие формальной оценки MOS, небольшое снижение сходства с голосом диктора и недостаточную проверку просодии при синтезе на английском. Улучшение качества оценивается частично по отзывам слушателей, а поддержка языков помимо грузинского и английского после узкоязычного дообучения может ухудшиться.

OmniVoice Word-Control — дообученная multimodalart модель синтеза речи на основе OmniVoice (0,6 млрд параметров, masked-diffusion LM TTS на Qwen3-0.6B). Она добавляет управление акустическими характеристиками на уровне отдельных слов: в текст можно вставлять специальные токены для задания высоты тона, длительности, паузы, энергии и тембра; для слов без меток модель выбирает характеристики самостоятельно. Управление задаётся дискретными значениями, а токен длительности распределяет время внутри заранее заданной общей длительности синтеза. Модель рассчитана на английский язык и сохраняет возможность обычного синтеза речи без меток; репозиторий содержит токенизатор с 116 управляющими токенами. Модель обучена на WordVoice-5A: 2 138 часов аудиозаписей и 1,18 млн высказываний; все параметры дообучались, а цель masked-diffusion не менялась. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Parkiet — открытая модель синтеза речи на нидерландском языке, разработанная Pevers на основе Dia от Nari Labs и дообученная для нидерландской речи. Она преобразует текст в реалистичное аудио, позволяет задавать эмоциональную окраску и тон, поддерживает клонирование голоса и диалоги до четырёх говорящих. Можно также генерировать смех; примеры и рекомендации по формату текста помогают управлять произношением и паузами. Модель использует архитектуру Dia и распространяется в формате safetensors. Для запуска доступны варианты на Hugging Face Transformers, JAX и PyTorch; заявленный объём видеопамяти составляет от 10 ГБ в bfloat16, хотя преобразование всех весов в этот тип может повысить нестабильность и число галлюцинаций. Модель чувствительна к неожиданным токенам и формулировкам, а смех рекомендуется использовать умеренно. Лицензия — OpenRAIL; автор также запрещает выдавать сгенерированную речь за речь реальных людей без разрешения и использовать её для обмана или вреда.