I.15Доступность и ассистивные технологии

Vamba-Qwen2-VL-7B — гибридная модель для понимания видео, представленная в репозитории TIGER-Lab. Она сочетает Mamba-2 блоки для обработки видеотокенов и трансформерные механизмы внимания: самовнимание применяется к текстовым токенам, а текстовые запросы обращаются к видеотокенам через cross-attention. Такой подход предназначен для снижения вычислительной сложности при анализе длинных видео, включая ролики длительностью до часа. Модель содержит 7,1 млрд параметров, построена на архитектуре Qwen2-VL и поддерживает контекст длиной 32 768 токенов. Она принимает видео и текстовые запросы и формирует текстовые ответы, например описание событий или ответы на вопросы о содержимом ролика. В метаданных указаны библиотека Transformers и формат safetensors. Лицензия — MIT.

Cseti разработал VibeVoice_7B_hun_v2 — дообученную версию VibeVoice-Large для синтеза речи на венгерском языке по тексту. Модель использует архитектуру VibeVoiceForConditionalGeneration и распространяется в формате safetensors. Автор применил LoRA к языковой части, полностью дообучил diffusion-модули и объединил их с базовой моделью. Модель предназначена для преобразования венгерского текста в речь; примеры в карточке демонстрируют синтез связных фрагментов. Для запуска автор указывает ComfyUI-ноду и демо-код сообщества VibeVoice. Базовая VibeVoice-Large рассчитана на длинную выразительную многоязычную речь и диалоги, но карточка этой версии не подтверждает отдельные возможности вроде нескольких голосов. Это фанатский проект, созданный для исследовательских целей, без коммерческого использования. Автор предупреждает, что обучающий набор может содержать материалы, защищённые авторским правом; качество и правомерность использования результатов следует оценивать с учётом применимых законов.

VideoRefer-7B — мультимодальная модель DAMO-NLP-SG для понимания пространственно-временных характеристик объектов в видео. В архитектуре dense объединены визуальный энкодер SigLIP SO400M patch14-384 и языковой декодер Qwen2-7B-Instruct; модель содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для диалоговых вопросов о видео, в том числе для определения объектов и их поведения во времени. В обучении использовалось 16 кадров. В метаданных указаны задачи text-generation и visual-question-answering, причём основная задача автора — visual-question-answering. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Vintern-3B-beta — мультимодальная чат-модель проекта 5CD-AI для вопросов по изображениям, с особым упором на вьетнамский язык. Она объединяет визуальный энкодер InternViT-300M-448px с языковой моделью Qwen2.5-3B-Instruct через MLP; архитектура указана как InternVLChatModel, веса опубликованы в формате safetensors. Для обучения использовались более 10 миллионов вьетнамских вопросов и ответов и описаний, а также данные на английском и китайском языках. Модель предназначена для визуальных вопросов и ответов, описания изображений и мультимодального диалога. В карточке приведены результаты на MTVQA, VMLU, OpenCompass и SEED-Bench-2-Plus; README сообщает о сильных результатах на отдельных тестах, но эти цифры не гарантируют качество для каждого сценария. Доступ к модели осуществляется через Transformers. Лицензия в предоставленных данных не указана.

Карточка модели pomato233/VLM-FO1-3B-v01 на Hugging Face совпадает с карточкой omlab/VLM-FO1-3B-v01, поэтому описание составлено по ней. VLM-FO1-3B-v01 — модель семейства VLM-FO1, разработанная как реализация одноимённого фреймворка для усиления моделей «зрение—язык» в задачах детального визуального восприятия. Она предназначена для поиска и понимания конкретных областей изображения, визуальных рассуждений по регионам и генеративного описания выбранных областей, сохраняя возможности базовой VLM для общего понимания и рассуждений. В README описан Hybrid Region Encoder (HFRE), объединяющий семантические и ориентированные на восприятие визуальные признаки в региональные токены, а также двухэтапное обучение. Метаданные указывают плотную архитектуру OmChatQwen25VLForCausalLM семейства omchat_qwen2_5_vl, 3,1 млрд параметров, контекст до 128 000 токенов и формат safetensors. Модель принимает изображения и текстовые запросы, выдаёт текст с результатами обнаружения и локализации объектов. В карточке указаны китайский и английский языки; лицензия — Apache-2.0. Модель подходит для сценариев, где требуется совместить диалоговое понимание изображения с детальной локализацией объектов и рассуждениями о регионах. README заявляет результаты уровня state of the art, но не приводит ссылки на репозиторий, статью или таблицы бенчмарков, поэтому эти заявления нельзя независимо оценить. Также карточка не уточняет требования к запуску и совместимые базовые модели.

VoxCPM2-Yoruba — экспериментальная модель синтеза речи от LyngualLabs, полученная полным дообучением openbmb/VoxCPM2. Она преобразует текст на йоруба и смешанный текст на йоруба и английском в речь; поддерживает клонирование голоса по короткому аудиофрагменту с расшифровкой и создание голоса по текстовому описанию. В основе лежит VoxCPM2 с 2 млрд параметров; обучение проведено на примерно 102 часах многоязычных и спонтанных записей с частотой 16 кГц. Модель предназначена для синтеза речи на йоруба, в том числе с переключением на английский. Это ранняя экспериментальная версия: возможны ошибки произношения и тонов, артефакты и ухудшение качества на длинных текстах и текстах с большим количеством чисел. При обучении на нескольких голосах для стабильного воспроизведения конкретного голоса рекомендуется передавать эталонную запись; дообучение также снизило способность базовой модели работать с другими языками. Лицензия — Apache-2.0.

facebook/wav2vec2-base — базовая модель Facebook на архитектуре wav2vec 2.0 с 113,3 млн параметров, предварительно обученная на аудиоречи без текстовой разметки. Она принимает речь с частотой дискретизации 16 кГц и обучает представления аудиосигнала с помощью маскирования скрытых представлений и контрастивной задачи. Модель служит основой для систем распознавания речи после добавления токенизатора и дообучения на размеченных аудиозаписях. Такой подход рассчитан на сценарии, где нужно использовать ограниченный объём транскрибированной речи. Репозиторий содержит веса PyTorch; в карточке указан английский язык и датасет LibriSpeech ASR. Это базовая модель предобучения, а не готовая система распознавания: без токенизатора и дообучения на размеченных данных она не выдаёт транскрипцию. Лицензия — Apache-2.0.

facebook/wav2vec2-base-100k-voxpopuli — базовая модель Facebook AI на архитектуре Wav2Vec2, предварительно обученная на 100 тысячах часов неразмеченной речи из корпуса VoxPopuli. Модель содержит 113,3 млн параметров и принимает аудио; предобучение не использует текстовую разметку. Чекпойнт предназначен для дообучения под распознавание речи на размеченных аудиоданных. Сам по себе он не содержит токенизатора и не готов выдавать транскрипции: для распознавания нужно создать токенизатор и дообучить модель на паре аудио и текста. Корпус VoxPopuli многоязычный, однако конкретные поддерживаемые языки этим чекпойнтом не перечислены. Модель опубликована под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка рекомендует использовать её как основу для языковой адаптации и дообучения.

wav2vec2-base-cs-80k-ClTRUS — одноязычная модель Wav2Vec 2.0 базового размера, разработанная для чешского языка и предварительно обученная на более чем 80 тысячах часов неразмеченной чешской речи. В метаданных указаны 113,3 млн параметров и архитектура Wav2Vec2ForPreTraining; модель обновлена до версии после 400 тысяч шагов обучения. Модель принимает монофоническое аудио с частотой 16 кГц. Она обучена на радиозаписях, данных VoxPopuli, телевизионных передачах, спортивных и телефонных записях и других источниках. Для распознавания речи её нужно дообучить на размеченных аудиоданных и создать токенизатор: сама модель не содержит токенизатора и не готова к распознаванию речи «из коробки». После дообучения автор сообщает WER 3,8% на чешской части CommonVoice v7.0 и 8,8% на чешской части VoxPopuli. Модель предназначена для дальнейшей адаптации к задачам обработки чешской речи. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных материалов на той же лицензии, но запрещает коммерческое использование.

Zonos-v0.1-Hebrew — вариант модели синтеза речи Zonos, опубликованный пользователем notmax123. Модель преобразует текст в естественную речь и поддерживает генерацию с заданным голосовым эмбеддингом или аудиофрагментом; заявлены клонирование голоса по короткому образцу и управление темпом, высотой тона, качеством звучания и эмоциями. Архитектура Zonos включает нормализацию текста и фонемизацию через eSpeak, а затем предсказание токенов DAC трансформерной или гибридной моделью. В репозитории представлены форматы ONNX и safetensors; лицензия — CC BY-NC 4.0. В README указана поддержка английского, японского, китайского, французского и немецкого языков, а также генерация аудио с частотой 44 кГц. Однако название варианта указывает на иврит, которого нет в перечисленных языках, поэтому фактическую поддержку иврита следует считать не подтверждённой. README описывает работу в Linux с современной видеокартой NVIDIA и рекомендует не менее 6 ГБ видеопамяти; приведённая оценка скорости — около двукратного реального времени на RTX 4090.

Anthropic-ai/aivoice — набор локальных компонентов ViiTorVoice-NAR, модели генерации речи, предназначенной для клонирования голоса, локального редактирования речи и управления эмоциями и паралингвистическими характеристиками. README описывает компоненты: LLM генерирует речевые токены с учётом текста, токенов речи-примера, масок редактирования, длительности и меток эмоций; DualCodec кодирует и декодирует аудио, а W2V-BERT 2.0 извлекает семантические признаки речи. Модель поддерживает синтез речи по тексту, сохранение характеристик говорящего по аудиопримеру, замену отдельных фрагментов высказывания и управление эмоциональными или невербальными вокальными событиями. Метаданные указывают архитектуру Qwen3-TTS, дообучение Qwen/Qwen3-0.6B, форматы ONNX и safetensors и языки китайский, английский, японский и корейский. Лицензия указана как Apache-2.0.

Это англоязычная модель синтеза речи Chatterbox от Resemble AI, экспортированная организацией loom-ai-org для локального запуска через loom.cpp и loom-py-rt. Экспорт упаковывает неизменённые веса исходной модели ResembleAI/chatterbox в один файл GGUF; внутри находятся Llama-токенная модель и декодер на основе flow matching. Модель преобразует текст в речь встроенным голосом и поддерживает текстовые теги событий, например смеха и вздоха. Модель рассчитана на локальный синтез речи на небольших устройствах. Используется один встроенный голос; клонирование новых голосов недоступно в этой сборке, поскольку необходимые компоненты не включены. Генерация по умолчанию стохастическая, но результат можно воспроизвести с seed или сделать детерминированным, задав temperature=0. Экспорт не содержит водяной знак Perth. Лицензия — MIT.

theoracleguy/chatterbox-turbo-fp16 — версия Chatterbox Turbo, подготовленная для запуска в формате MLX и опубликованная theoracleguy. README указывает, что модель преобразована из ResembleAI/chatterbox-turbo с помощью mlx-audio 0.2.8; метаданные связывают её с mlx-community/chatterbox-turbo-fp16. Она генерирует речь из текста и поддерживает клонирование голоса. В текст можно добавлять теги выразительных звуков, например вздоха или прочищения горла. Модель предназначена для синтеза англоязычной речи, в том числе с настройкой голоса и выразительной подачей. Репозиторий использует safetensors и библиотеку mlx-audio; README описывает локальное использование через mlx-audio и совместимость с OpenVox. Лицензия — Apache-2.0. Подробные ограничения качества и поддерживаемые языки помимо английского в предоставленных материалах не описаны.

CycleGRPO-4B — мультимодальная модель XinNUS для генерации описаний изображений и сегментационных масок. Она дообучена на базе zhouyik/Qwen3-VL-4B-SAMTok методом обучения с подкреплением: модель учится согласовывать описание области изображения с возможностью найти эту область обратно. На этапе RL используются оценка пересечения масок и регуляризаторы без эталонных описаний. Модель построена на архитектуре Qwen3-VL-4B и принимает изображения и текстовые запросы, выдавая текст с чередующимися специальными токенами масок для соответствующих частей описания. Обычный текст можно генерировать через Transformers; для преобразования токенов масок в сегментационные маски требуется декодер VQ-SAM2 из репозитория CycleGRPO. Модель подходит для описания объектов и областей на изображении с привязкой к их маскам, а также для визуального заземления текстовых описаний. Карточка не сообщает контекстное окно и перечень поддерживаемых языков. Распространяется по лицензии Apache-2.0.

mlx-community/Dia-1.6B-fp16 — конвертированная в формат MLX версия модели Dia-1.6B от Nari Labs. Она предназначена для синтеза речи по тексту и рассчитана на работу в экосистеме MLX; исходная модель описана как англоязычная система для реалистичной диалоговой речи с управлением голосом и эмоциями по аудиоусловию. Репозиторий содержит веса в формате safetensors и использует библиотеку MLX. Модель подходит для генерации диалоговых реплик и озвучивания текстов на английском языке. README отсылает к карточке исходной модели за подробностями; лицензия репозитория — Apache-2.0. Параметры контекста и иные характеристики качества в доступных данных не приведены.

DiVA Llama 3 — голосовой ассистент на базе Llama 3.1 8B Instruct, разработанный авторами проекта DiVA. Модель рассчитана на сквозное взаимодействие с речью и текстом: принимает речь или текст и формирует ответы в голосовом сценарии. В метаданных Hugging Face указаны архитектура DiVAModel, 8 млрд параметров у базовой модели, формат safetensors и библиотека Transformers; обучение проводилось на корпусе Common Voice с использованием дистилляции. Базовая модель дообучена, лицензия репозитория — MPL-2.0. Карточка не уточняет языковой охват, длину контекста и точный формат выходного сигнала. Хотя README описывает голосового ассистента, метаданные указывают задачу feature-extraction, поэтому профиль задачи может не полностью отражать пользовательский сценарий. Практические ограничения и качество по отдельным языкам в карточке не описаны.

Карточка модели Jennifer2233/elevenlabs-speech на Hugging Face совпадает с карточкой Anthropic-ai/aivoice, поэтому описание составлено по ней. Anthropic-ai/aivoice — набор локальных компонентов ViiTorVoice-NAR, модели генерации речи, предназначенной для клонирования голоса, локального редактирования речи и управления эмоциями и паралингвистическими характеристиками. README описывает компоненты: LLM генерирует речевые токены с учётом текста, токенов речи-примера, масок редактирования, длительности и меток эмоций; DualCodec кодирует и декодирует аудио, а W2V-BERT 2.0 извлекает семантические признаки речи. Модель поддерживает синтез речи по тексту, сохранение характеристик говорящего по аудиопримеру, замену отдельных фрагментов высказывания и управление эмоциональными или невербальными вокальными событиями. Метаданные указывают архитектуру Qwen3-TTS, дообучение Qwen/Qwen3-0.6B, форматы ONNX и safetensors и языки китайский, английский, японский и корейский. Лицензия указана как Apache-2.0.

Fun-CosyVoice3-0.5B-2512-GGUF — неофициальная общественная GGUF-сборка модели CosyVoice3-2512, основанная на FunAudioLLM/Fun-CosyVoice3-0.5B-2512. Сборка поддерживается независимым разработчиком и предназначена для запуска через C++/GGML-конвейер cosyvoice.cpp, а не является официальным релизом CosyVoice. Модель относится к системам синтеза речи по тексту и принимает текст вместе с аудиопромптом в формате GGUF, после чего генерирует WAV-аудио. Она подходит для локального инференса и сценариев, где требуется управление голосом на основе заданного речевого примера. В репозитории доступны варианты с точностью от F32 и F16 до различных квантований Q8_0–Q2_K; размер файлов составляет примерно от 0,42 до 3,21 ГиБ. Рекомендуемым вариантом названа Q8_0, обеспечивающая качество, близкое к F16, при меньшем размере; F16 и Q6_K также относятся к высококачественным вариантам. Ключевое ограничение — заметная деградация качества при сильном квантовании: варианты Q4 и ниже могут давать приглушённую речь, артефакты произношения, шум и неразборчивый звук. Для запуска требуется cosyvoice.cpp; отдельные компоненты требуют поддержки AVX2, а работа GPU зависит от используемого бэкенда GGML и драйверов. Языки, максимальная длина контекста и точная архитектура в README не указаны. Файлы модели распространяются по лицензии Apache-2.0, тогда как runtime cosyvoice.cpp имеет лицензию MIT.

Higgs-Audio-v3-Studio — это репозиторий с runtime-файлами для локального запуска Higgs Audio v3 в Windows-приложении Higgs Audio v3 Studio. Репозиторий поддерживается авторами приложения Saganaki22 и не является оригинальным релизом исходной модели. Приложение использует портированную нативную реализацию C++/CUDA и предоставляет функции синтеза речи из текста, клонирования голоса, продолжения речи и генерации с несколькими говорящими, а также локальный API и потоковую выдачу аудио. Модель предназначена для многоязычного text-to-speech и управляемой генерации выразительной речи. В README заявлена поддержка языков от африкаанс и арабского до русского, английского, китайского и других языков; полный список включает более 100 языковых кодов. Доступны сборки в формате GGUF с квантованием q4_k_m, q5_k, q6_k и q8_0, а также вариант BF16. Рекомендуемые требования к видеопамяти составляют примерно от 8 ГБ для q4_k_m до 16 ГБ для BF16; q8_0 указан как вариант по умолчанию с балансом качества и скорости. Сильными сторонами являются локальная работа без обязательного облачного сервиса, поддержка клонирования голоса, многоязычность, несколько режимов генерации и варианты моделей для разных объёмов VRAM. Ограничения связаны с платформой и аппаратными требованиями: готовый engine рассчитан на Windows x64 и NVIDIA GPU RTX 30xx, 40xx или 50xx с совместимым драйвером CUDA 13; для работы также требуются системные компоненты CUDA и MSVC, хотя их можно загрузить через приложение. Лицензия указана как boson-higgs-audio-v3-research-and-non-commercial-license, то есть использование ограничено исследовательскими и некоммерческими условиями.

Это дообученная версия Higgs Audio v3 размером 4 млрд параметров для синтеза речи на телугу голосом одного диктора. Модель преобразует текст в выразительную речь и может работать с переключением между телугу и английским; референсный аудиофрагмент для генерации не нужен. Для телугу требуется текст в ISO-15919-транслитерации и тот же frontend.py, который применялся при обучении: без него токенизация может разбивать текст на байтовые фрагменты. В README указано, что это первая исследовательская версия адаптации. Лицензия в метаданных обозначена как other, конкретные условия использования не приведены.

Ichigo-llama3.1-s-instruct-v0.3-phase-2 — исследовательская модель Homebrew Research на архитектуре Llama 3.1, рассчитанная на совместное понимание аудио и текста и выдачу текстовых ответов. Это чекпойнт шага 7000 семейства Ichigo-llama3s, дообученный на базе homebrewltd/Ichigo-llama3.1-s-base-v0.3 примерно на 1 млрд токенов набора Instruction Speech WhisperVQ v3; WhisperVQ используется как токенизатор аудио. Модель имеет 7,5 млрд параметров и контекст 131 072 токена. Модель предназначена прежде всего для исследований понимания звука языковой моделью: например, для ответов на инструкции, содержащие аудио, и диалога по аудиовходу. В карточке указана поддержка английского языка. Авторы сообщают о результатах на MMLU и AudioBench, но предупреждают, что шум в обучающих данных завышает оценку на Speech Instruction benchmark. Репозиторий распространяется под лицензией Apache-2.0.

Irodori-TTS-v4.1-Small-8bit — японская модель синтеза речи из текста, опубликованная mlx-community как версия в формате MLX, преобразованная из Aratako/Irodori-TTS-v4.1-Small. Она построена на архитектуре Irodori-TTS и предназначена для озвучивания текста, клонирования голоса по референсному аудио и генерации голоса по текстовому описанию (VoiceDesign). В чекпойнт включены текстовый энкодер ModernBERT-ja-310m с токенизатором и японский аудиокодек Semantic-DACVAE-Japanese-32dim; для инференса дополнительные загрузки не нужны. Модель принимает референсное аудио длительностью до 120 секунд, а предсказатель длительности автоматически оценивает длительность синтеза. Веса квантизированы до 8 бит с размером группы 64 через mlx.nn.quantize; предсказания длительности отличаются от модели fp16 не более чем на один кадр (40 мс). Версия v4.1 обновляет предсказатель длительности, обученный отдельно при замороженных остальных параметрах; остальные 683 из 714 тензоров совпадают с v4. Для коротких запросов только с описанием голоса модель может переоценивать длительность и повторять текст; можно передать референсное аудио или задать duration_scale либо seconds. Использование рассчитано на mlx-audio. Сведения о лицензии в предоставленных материалах отсутствуют.

Latxa-Qwen3-VL-32B-Instruct — мультимодальная инструктивная модель HiTZ Research Center и исследовательской группы IXA Университета Страны Басков UPV/EHU. Она дообучена на базе Qwen/Qwen3-VL-32B-Instruct и предназначена для диалога с пользователем и выполнения инструкций с учётом изображений. Модель принимает текст и изображения и генерирует текст; архитектура — плотная Qwen3-VL, размер — 32 млрд параметров. Основной вариант адаптирован для баскского языка; мультиязычная ревизия дополнительно адаптирована для галисийского и каталанского. Карточка также указывает поддержку испанского, английского и других языков, но качество вне баскского не гарантируется. Модель распространяется по лицензии Apache 2.0. Разработчики отмечают, что опубликованные версии предварительные и продолжают развиваться.

llama3-s-instruct-v0.2 — разработанная Homebrew Research плотная модель семейства Llama-3 с 7,5 млрд параметров. Она принимает текст и аудио и выдаёт текст; модель обучали улучшать понимание речи и звука, используя WhisperVQ как аудиотокенизатор и набор Instruction Speech WhisperVQ v2. Заявленный родной контекст — 131 072 токена. Модель предназначена для диалоговых сценариев и исследований понимания аудио на английском языке. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0. Карточка не приводит количественной оценки качества и подробных результатов тестирования.

HKUST Audio Llasa-1B-multi-speakers-genshin-zh-en-ja-ko — дообученная на базе HKUSTAudio/Llasa-1B-Multilingual модель семейства Llama для синтеза речи из текста. Название указывает на настройку для нескольких голосов и контента, связанного с Genshin; в доступном README подробности этой настройки не раскрыты. Модель имеет плотную архитектуру Llama с 1,4 млрд параметров, использует формат safetensors и заявлена для задачи text-to-speech. Метаданные указывают китайский и английский языки; японский и корейский присутствуют в названии репозитория, но их поддержка карточкой отдельно не подтверждена. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

AvoCahDoe/llava-1.5-13b-rlmpq-high-fidelity — вариант мультимодальной чат-модели LLaVA 1.5 13B, созданный на основе llava-hf/llava-1.5-13b-hf для экспериментов с RL-MPQ-квантованием. Модель принимает изображения и текстовые инструкции и формирует текстовые ответы, например, описывает изображения и отвечает на вопросы о них. В карточке указан сценарий High Fidelity и средняя точность квантования 6,7 бита; формат файлов репозитория — safetensors. README приводит сравнительные результаты для базовой FP16-модели, INT4 NF4 и RL-MPQ Aggressive на MMMU, MMBench и ScienceQA, но не содержит результатов именно для варианта High Fidelity. Модель предназначена для визуального диалога и оценки качества квантования; лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория и базовой модели.

Malay Parler TTS Mini V1 — модель синтеза речи на малайском языке, дообученная Mesolitica на наборе данных для синтеза малайской речи. Она принимает текст и генерирует аудио, что подходит для озвучивания малайских текстов и создания голосовых ответов. Модель основана на архитектуре Parler TTS и опубликована в формате safetensors для использования с Transformers. Карточка не сообщает размер модели, длину контекста, характеристики голоса или лицензию, поэтому эти свойства нельзя уточнить. README также не приводит сведения о качестве синтеза и ограничениях по применению; перед использованием следует проверить лицензионные условия репозитория.

Ming-UniVision-16B-A3B — мультимодальная авторегрессионная модель от inclusionAI для совместного понимания и генерации изображений в диалоге. Она использует непрерывные визуальные представления MingTok в единой схеме предсказания следующего токена, без дискретного квантования изображений и отдельных модальных голов. Архитектура в метаданных обозначена как BailingMMNativeForConditionalGeneration; веса опубликованы в формате safetensors, библиотека — Transformers. Модель предназначена для вопросов по изображениям, генерации изображений и их редактирования, включая многошаговые сценарии, где пользователь чередует запросы на понимание и изменение изображения. README сообщает о согласованном пространстве представлений для визуального понимания и генерации, а также о более быстром сходимости совместного обучения; заявлено ускорение в 3,5 раза. Поддерживаемые языки по метаданным — английский и китайский. Модель распространяется по лицензии Apache-2.0. В README не приведены конкретные сведения о размере контекстного окна и практических ограничениях качества; модельная карточка не содержит примеров использования или подробных инструкций по запуску.

facebook/mms-tts-asg — модель синтеза речи для языка Cishingini (asg), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну; для каждого языка MMS-TTS обучается отдельная модель. Архитектура VITS объединяет вариационный автоэнкодер, Transformer-энкодер текста, потоковые слои, стохастический предиктор длительности и декодер на основе свёрточных слоёв. Модель содержит около 3,5 млн параметров и доступна для использования через Transformers версии 4.33 и выше. Стохастический предиктор длительности позволяет получать разные варианты ритма для одного текста, поэтому для воспроизводимого результата требуется фиксированное случайное зерно. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-bcc-script_arabic — модель синтеза речи для белуджского языка, южного диалекта, с текстом на арабском письме. Она разработана Meta в рамках проекта Massively Multilingual Speech (MMS), который расширяет речевые технологии на языки с ограниченными ресурсами. Модель предназначена для преобразования текста в речевую волну; отдельный чекпойнт MMS-TTS обучен для каждого языка. В основе лежит компактная архитектура VITS с 3,5 млн параметров: модель объединяет вариационный автоэнкодер, flow-модуль, Transformer-энкодер текста, стохастический предсказатель длительности и декодер волновой формы. Разные варианты длительности могут давать разный ритм речи для одного и того же текста; для воспроизводимого результата требуется фиксированное случайное зерно. Модель доступна через Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Модель специализирована на белуджском южном диалекте в арабской письменности; качество для других языков или вариантов письма не заявлено.