I.15Доступность и ассистивные технологии

Emu2-Chat — диалоговая версия модели Emu2, разработанная BAAI. Это авторегрессионная модель с архитектурой EmuForCausalLM и 32,3 млрд параметров; метаданные классифицируют её как модель генерации текста. Карточка также показывает сценарии с чередованием изображений и текста, поэтому модель предназначена для диалога по смешанному визуальному и текстовому контексту. Модель можно применять для ответов на вопросы о изображениях и ведения диалога с чередованием текста и изображений. В карточке приведены инструкции для запуска на одной и нескольких GPU и ссылка на рекомендации по квантованию в Transformers. Указанный родной контекст составляет 2048 токенов. Метаданные указывают английский язык; подтверждений поддержки других языков нет. Веса опубликованы в формате PyTorch. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя. Количество параметров и контекст основаны на метаданных; сведения о качестве и ограничениях модели в карточке не приведены.

team-lucid разработала Hubert Large Korean — модель Hubert для обучения речевых представлений на необработанном аудиосигнале с помощью самообучения. Она принимает аудио и предназначена для задач распознавания речи на корейском языке; в README показано получение последовательности скрытых представлений через библиотеку Transformers. Модель содержит 402,7 млн параметров и обучалась примерно на 4 000 часах корейских данных: записей свободных диалогов, многоголосного синтеза речи и разговорной речи из вещательного контента. Веса опубликованы в форматах PyTorch, Flax и Safetensors. Лицензия Apache-2.0. README показывает выход HubertModel в виде скрытых представлений, поэтому для получения текстовой транскрипции может потребоваться дополнительная ASR-голова или декодер.

Это конверсия в формат MLX-VLM модели Huihui-Qwen3.6-35B-A3B-abliterated от huihui-ai, подготовленная автором репозитория vanch007 для запуска на Apple Silicon и в LM Studio. Модель построена на архитектуре Qwen3_5MoeForConditionalGeneration и поддерживает диалоговую генерацию текста и анализ изображений по текстовым запросам. README указывает размер 66 ГБ и точность bf16; в метаданных формат файлов обозначен как safetensors. Модель подходит для ответов на вопросы по изображениям, описания визуальных сцен и обычного диалога. В README приведены успешные локальные проверки загрузки и генерации текста и изображений. Ослабленная фильтрация отказов может приводить к менее ограниченным ответам, чем у стандартных инструктивных моделей. Для использования требуется совместимый MLX-VLM runtime; лицензия в предоставленных данных не указана.

cstr/indextts-1.5-GGUF — GGUF-конверсия модели IndexTTS-1.5, разработанной IndexTeam, подготовленная для использования с CrispASR. Это система синтеза речи с zero-shot клонированием голоса: по короткому образцу голоса и тексту генерирует речь с характеристиками исходного диктора. Модель предназначена для многоязычного синтеза и кросс-языкового клонирования; в метаданных указаны английский, китайский, японский и корейский языки, при этом в README отдельно отмечено обучение на английском и китайском. Архитектура включает Conformer-энкодер для обработки эталонного аудио, Perceiver resampler, авторегрессионный декодер GPT-2 и вокодер BigVGAN. Всего около 500 млн параметров. Conformer состоит из 6 блоков с размерностью 512, Perceiver использует 2 слоя и 32 латентных вектора, а GPT-2 — 24 трансформерных блока с размерностью 1280 и 20 головами внимания. На выходе формируется монофонический сигнал с частотой дискретизации 24 кГц. Для работы требуются два GGUF-файла: GPT-модель и общий вокодер BigVGAN. Сильные стороны модели — zero-shot клонирование голоса по WAV-образцу длительностью 3–10 секунд, отсутствие внешних зависимостей вроде espeak и phonemizer, а также наличие вариантов квантования Q8_0, Q4_K и F16. Q8_0 заявлен как оптимальный баланс качества и размера, Q4_K — как самый компактный вариант, а F16 обеспечивает эталонное качество и полное совпадение mel-кодов с реализацией на Python. Ограничения включают необходимость эталонной записи и двух компонентов модели; характеристики качества для всех языков и устойчивость к различным голосам в README подробно не приведены. Модель распространяется по лицензии Apache-2.0.

Irodori-TTS-600M-v3-VoiceDesign-fp16 — вариант Irodori-TTS, преобразованный сообществом mlx-community из Aratako/Irodori-TTS-600M-v3-VoiceDesign в формат MLX с помощью mlx-audio 0.4.3. Модель предназначена для синтеза речи по тексту и поддерживает настройку голоса: можно задать текстовое описание желаемого стиля, аудиореференс или оба условия одновременно. Модель использует плотную архитектуру семейства irodori_tts и распространяется в формате safetensors; в метаданных указана библиотека mlx-audio и лицензия MIT. Карточка связывает модель с японским языком. Вариант fp16 рассчитан на запуск в экосистеме MLX. Подробности об объёме параметров, длине контекста и ограничениях качества в предоставленных данных отсутствуют.

LLaDA2.0-Uni-FP8 — версия LLaDA2.0-Uni, подготовленная Inclusion AI, в которой веса MoE-экспертов блочно квантованы до FP8. Квантизация уменьшает объём памяти для загрузки модели примерно на 48% по сравнению с вариантом BF16, при этом README заявляет о сохранении качества результатов. Модель относится к мультимодальному семейству LLaDA2 MoE и поддерживает генерацию изображений по тексту, понимание изображений и редактирование изображений. Заявленный контекст составляет 8192 токена; модель использует Transformers и хранится в формате safetensors. Для загрузки FP8-варианта требуется около 32,5 ГБ памяти GPU; пиковое потребление при инференсе сопоставимо с BF16 и зависит от сценария. Лицензия — Apache-2.0.

LocateAnything-3B-MLX — конвертированная и оптимизированная Somesh Choudhary из And AI Platforms версия мультимодальной модели NVIDIA LocateAnything-3B для локального запуска на компьютерах Apple Silicon. Модель с 3 млрд параметров принимает изображение и текстовый запрос и находит соответствующие объекты или области на изображении, в том числе по запросам на естественном языке. Модель предназначена для обнаружения объектов с открытым словарём и визуальной привязки текста к областям изображения. Она возвращает текстовые метки и координаты областей, нормализованные в диапазоне от 0 до 1000. Конверсия адаптирует обработку изображений к локальным ограничениям памяти; README заявляет ускорение инференса до 20 раз, но не приводит условия измерения. Репозиторий распространяет веса в формате safetensors и предназначен для использования через MLX на Apple Silicon. Лицензия указана как other, её конкретные условия следует уточнить перед использованием.

LumynaX OCR TrOCR Large Printed — ранний эксперимент AbteeX AI Labs на базе microsoft/trocr-large-printed для распознавания печатного текста на изображениях. Модель использует архитектуру vision-encoder-decoder и доступна для работы через Transformers; веса сохранены в форматах PyTorch и Safetensors. Модель предназначена для OCR печатного текста, например для извлечения текста из изображений строк и чеков. В этом выпуске базовая модель подключена через маршрутизацию во время выполнения и интеграцию идентичности; веса исходной модели не изменены. Модель ориентирована на английский и маори. Лицензия — MIT. Это устаревший, не поддерживаемый выпуск, который авторы не рекомендуют для производственного использования. README характеризует его как исторический исследовательский артефакт, а не как отражение актуальных возможностей LumynaX.

facebook/mms-tts-alt — модель синтеза речи на южноалтайском языке из проекта Massively Multilingual Speech компании Facebook. Это отдельный чекпойнт VITS, обученный для одного языка; архитектура VITS преобразует текст в речевую аудиоволну и использует стохастический предсказатель длительности, поэтому один и тот же текст может звучать с разным ритмом. Модель содержит около 3,5 млн параметров и доступна для работы через Transformers версии 4.33 и выше. Модель предназначена для озвучивания текста на южноалтайском языке. Генерация недетерминирована: чтобы получать одинаковый результат при повторном запуске, требуется фиксировать seed. Репозиторий содержит веса PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-cab — модель синтеза речи на языке гарифуна (код cab), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на гарифуна. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт семейства MMS-TTS; библиотека Transformers поддерживает его начиная с версии 4.33. Стохастический предсказатель длительности позволяет получать варианты ритма произношения, поэтому результаты могут меняться между запусками; фиксированный seed нужен для воспроизводимого аудио. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Модель ориентирована на синтез речи именно на гарифуна.

facebook/mms-tts-gri — модель синтеза речи на языке гхари (Ghari, gri), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текстов на гхари. Для каждого языка проекта обучается отдельный чекпойнт; модель построена на архитектуре VITS, которая объединяет вариационный автоэнкодер, потоковый модуль и декодер, подобный HiFi-GAN. Предсказатель длительности позволяет получать варианты ритма речи, поэтому при одинаковом тексте результат может различаться; для повторяемой генерации нужен фиксированный seed. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; использовать его можно через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-kma — модель синтеза речи на языке конни (kma), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на конни в речевую аудиоволну и предназначена для озвучивания текста и создания речевых данных на этом языке. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный чекпойнт для конни из семейства MMS-TTS; для работы с ним подходит библиотека Transformers версии 4.33 и новее. Стохастический предиктор длительности позволяет варьировать ритм речи, поэтому для повторяемого результата требуется фиксированное случайное зерно. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не приводит оценок качества или подробностей о голосе и наборе данных.

facebook/mms-tts-kqp — модель синтеза речи для языка Kimré (код kqp), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на Kimré. Модель использует архитектуру VITS: текстовый энкодер, вероятностные потоки, стохастический предиктор длительности и декодер формы сигнала, обученные сквозным образом. Чекпойнт содержит около 3,5 млн параметров и доступен в форматах PyTorch и safetensors; для работы с ним подходит библиотека Transformers версии 4.33 и новее. Генерация недетерминирована, поэтому для повторяемого результата требуется фиксированное случайное зерно. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-kyo — модель синтеза речи для языка Klon (kyo), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на Klon в речевую аудиоволну; для каждого языка в MMS обучается отдельный чекпойнт. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, Transformer-энкодер текста, нормализующие потоки, стохастический предиктор длительности и декодер волновой формы в стиле HiFi-GAN. Веса содержат около 3,5 млн параметров и доступны в форматах PyTorch и Safetensors. Модель поддерживается библиотекой Transformers начиная с версии 4.33. Стохастический предиктор длительности позволяет получать варианты ритма для одного текста, поэтому генерация недетерминирована; для повторяемого результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-lac — модель синтеза речи на языке лакандон, разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт VITS, обученный для преобразования текста на лакандон в речевую аудиоволну; модель доступна через библиотеку Transformers версии 4.33 и новее. Архитектура VITS объединяет текстовый энкодер на основе Transformer, вариационный автоэнкодер, flow-модуль, предсказатель длительности и декодер, построенный по принципу HiFi-GAN. Размер модели — 3,5 млн параметров. Модель подходит для озвучивания текста на лакандон, например для синтеза коротких фраз и речевого сопровождения материалов на этом языке. Предсказатель длительности стохастический, поэтому при одинаковом тексте возможны разные варианты ритма и звучания; для повторяемого результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-lnd — модель синтеза речи на языке лундее из проекта Massively Multilingual Speech компании Facebook. Это отдельный чекпойнт VITS, обученный для одного языка; архитектура объединяет условный вариационный автоэнкодер, потоковый модуль и декодер, формирующий речевую волну. Модель содержит 3,5 млн параметров и принимает текст, выдавая аудио. Она доступна через библиотеку Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на лундее. Стохастический предсказатель длительности позволяет получать варианты с разным ритмом; поэтому результат может меняться между запусками, и для воспроизводимости нужен фиксированный seed. Репозиторий содержит веса PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

facebook/mms-tts-maz — модель синтеза речи на центральном мазахуа, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на мазахуа в речевую аудиоволну и предназначена для создания озвучки и других приложений синтеза речи для этого языка. Модель построена на архитектуре VITS: она объединяет текстовый энкодер на основе Transformer, flow-модули, стохастический предиктор длительности и декодер, формирующий аудиоволну. Это отдельный чекпойнт для одного языка; в метаданных указано 3,5 млн параметров. Генерация недетерминирована, поэтому для повторения результата требуется фиксированный seed. Модель доступна через Transformers версии 4.33 и новее и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-mbc — модель синтеза речи на языке макуши (код mbc), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну; для каждого языка проекта обучается отдельный чекпойнт. Модель построена на архитектуре VITS и содержит текстовый энкодер, flow-модуль, стохастический предиктор длительности и декодер аудиосигнала. Чекпойнт содержит 3,5 млн параметров и доступен для работы через библиотеку Transformers версии 4.33 и выше. Стохастический предиктор длительности позволяет синтезировать разные ритмические варианты одного текста; для повторения результата требуется фиксированное начальное значение генератора случайных чисел. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-nod — модель синтеза речи для северного тайского языка (код nod), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и подходит для озвучивания фраз и создания голосовых сообщений. Модель основана на архитектуре VITS: она объединяет вариационный автоэнкодер, потоковый модуль, Transformer-энкодер текста и декодер, построенный по принципу HiFi-GAN. Чекпойнт содержит 3,6 млн параметров и доступен в форматах PyTorch и Safetensors; для работы поддерживается библиотека Transformers версии 4.33 и выше. Предсказатель длительности стохастический, поэтому результат синтеза может различаться; для повторяемого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-raw — модель синтеза речи на языке Rawang из проекта Massively Multilingual Speech компании Facebook. Она преобразует текст на Rawang в речевую аудиоволну; для каждого языка проекта обучается отдельная модель. Модель построена на архитектуре VITS и доступна через библиотеку Transformers версии 4.33 и новее. Размер модели — 3,5 млн параметров. VITS объединяет текстовый энкодер на основе Transformer, flow-модуль и декодер для генерации аудио. Стохастический предиктор длительности позволяет варьировать ритм речи для одного и того же текста, поэтому результат может меняться между запусками; фиксированный seed позволяет воспроизводить один и тот же вариант. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-upv — модель синтеза речи на языке Uripiv-Wala-Rano-Atchin, разработанная в рамках проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания фраз и создания голосового вывода на этом языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, flow-модуль и декодер, построенный по принципу HiFi-GAN, работают совместно для генерации речи. Для каждой поддерживаемой языковой разновидности MMS-TTS обучается отдельный чекпойнт; этот чекпойнт предназначен для Uripiv-Wala-Rano-Atchin. Размер модели — 3,5 млн параметров; она доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers версии 4.33 и выше. Предсказатель длительности работает стохастически, поэтому одна и та же фраза может звучать по-разному; для воспроизводимого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

MOSS-TTS-v1.5-GGUF — это набор самодостаточных моделей в формате GGUF для библиотеки audio.cpp, основанный на MOSS-TTS-v1.5 и аудиокодеке MOSS-Audio-Tokenizer от OpenMOSS-Team. Пакеты подготовлены пользователем christopherthompson81 и включают 8B backbone с delay-pattern, кодек с encoder и decoder, токенизатор и спецификацию модели. Поддерживаются английский и китайский языки. Модель предназначена для синтеза речи из текста и клонирования голоса по короткой эталонной записи. Эталон автоматически преобразуется в монофонический сигнал с частотой 24 кГц. Доступны варианты bf16 размером 20,5 ГБ, q8_0 размером 13,2 ГБ и q4_k размером 9,3 ГБ; кодек во всех вариантах сохраняется в f16. Клонирование голоса работает хорошо, поддерживаются длинные тексты и управление длительностью через бюджет токенов. Для практического использования рекомендуется GPU с CUDA: на RTX 3090 варианты q4_k и q8_0 показывают RTF около 0,69–0,84, а пиковое потребление видеопамяти при клонировании составляет примерно 14,1 и 17,9 ГиБ соответственно. На CPU выполнение примерно в 25 раз медленнее реального времени. Вариант q4_k экономичнее по памяти, но может допускать ошибки в словах; q8_0 точнее. Вариант bf16 не помещается в 24 ГиБ при клонировании. Инструкции с описанием голоса соблюдаются ненадёжно, поэтому для важного результата лучше использовать эталонную запись. Лицензия Apache-2.0.

InternVL3_5-1B-GGUF — это квантизированная версия мультимодальной модели InternVL3.5-1B, разработанной OpenGVLab. Репозиторий подготовлен bartowski в формате GGUF с использованием llama.cpp и imatrix-калибровки. Модель предназначена для задач image-text-to-text: анализа изображений и генерации текстовых ответов по ним, а также для локального запуска в LM Studio, llama.cpp и совместимых проектах. Доступны варианты от BF16 до низкобитных квантований Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-серии, объёмом примерно от 0,38 до 1,51 ГБ. Более высокие уровни квантования обычно сохраняют лучшее качество, тогда как низкобитные варианты требуют меньше оперативной памяти и подходят для устройств с ограниченными ресурсами. В README не указаны точная архитектура, размер контекста, поддерживаемые языки и конкретные характеристики визуального энкодера. Основные преимущества — поддержка мультимодального ввода, компактный размер и возможность локального запуска на широком спектре оборудования. Ограничения связаны с потерями качества при низком уровне квантования, а также с отсутствием в README шаблона промпта и сведений о лицензии. Для корректной работы следует использовать совместимый рантайм llama.cpp и уточнить формат запросов на странице исходной модели.

Aasher разработал дообученную на базе mahwizzzz/orpheus-urdu-tts модель синтеза речи Orpheus 3B. Она преобразует текст на урду в аудио, стараясь передать характерные темп, интонацию и выразительную манеру выступлений пакистанского оратора Зии Мохиеддина. Модель подходит для синтеза озвучивания на урду с этим голосовым стилем. Модель построена на архитектуре LlamaForCausalLM, содержит 3,3 млрд параметров и принимает контекст до 131 072 токенов. Для дообучения использованы записи речи Зии Мохиеддина из набора muhammadsaadgondal/urdu-tts; обучение выполнено с помощью Unsloth и LoRA. Репозиторий распространяется по лицензии Apache-2.0.

Pashto Ghag TTS — многоязычная? Нет, модель синтеза речи на пушту, разработанная Nasimbahar. Она использует архитектуру YourTTS в стиле VITS и предназначена для преобразования текста на пушту в речь с выбором одного из 11 голосов. Модель обучена на подготовленном наборе данных объёмом 44,15 часа, включающем записи личного диктора и десяти дикторов Common Voice; частота дискретизации выходного аудио составляет 22 050 Гц. Модель подходит для демонстраций синтеза речи на пушту, исследований и как основа для дальнейшей адаптации под конкретный голос. Это многоголосая опорная модель, а не готовый персональный голос; качество и сходство с выбранным диктором зависят от способа задания голоса. Качество синтеза следует оценивать на слух, а смешанный источник записей не обеспечивает студийного уровня единого голоса. Модель распространяется по лицензии Apache-2.0.

Репозиторий tranhuyluyen/piper-voices-thai содержит две тайские модели синтеза речи, женский и мужской голоса, преобразованные из дообученных моделей MMS-TTS в формат Piper. Обе используют архитектуру VITS и поставляются в ONNX вместе с конфигурациями Piper; частота дискретизации — 22,05 кГц. Их можно загружать через piper-tts для синтеза тайской речи из текста. Модели предназначены для локального синтеза речи, например озвучивания коротких сообщений и создания аудиофайлов тайской речи. Текст обрабатывается посимвольно без фонемизации; алфавит модели включает 71 тайский символ. Лицензия репозитория — CC BY-NC 4.0. Известное ограничение: словарь содержит только цифры 0, 1, 2 и 4, поэтому остальные цифры пропускаются; перед синтезом числа следует записывать словами.

Polaris-VGA-2B-Post1.0-i1-GGUF — квантизированная версия модели Polaris-VGA-2B-Post1.0, разработанной prithivMLmods и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена для задач визуального анализа, включая object detection, localization и visual grounding, то есть связывание объектов на изображении с текстовыми указаниями. Поддерживаются сценарии локализации объектов и работы с визуально-языковыми приложениями через совместимые инструменты, включая llama.cpp и vLLM. Это vision-модель на базе архитектуры и формата, совместимых с Transformers; заявленный размер исходной модели — 2B параметров. В метаданных указан английский язык. Для обработки изображений могут потребоваться отдельные mmproj-файлы из статического репозитория модели. Репозиторий содержит набор вариантов квантизации с разным соотношением размера, скорости и качества; рекомендуются варианты i1-Q4_K_M и i1-Q4_K_S, тогда как наиболее компактные варианты могут существенно снижать качество. Главное преимущество модели — возможность локального запуска в компактных GGUF-вариантах и применение к задачам визуального grounding и локализации. Ограничения включают зависимость качества от выбранного уровня квантизации, необходимость дополнительных компонентов для работы с изображениями и отсутствие в карточке сведений о размере контекста, точных характеристиках архитектуры, метриках качества и поддерживаемых языках, кроме английского. Модель распространяется по лицензии Apache-2.0.

omlab/Qwen2.5VL-3B-VLM-R1-REC-500steps — дообученная модель на основе Qwen/Qwen2.5-VL-3B-Instruct с усилением для задачи REC (распознавание объектов по выражениям на естественном языке). Она предназначена для поиска на изображении объекта, соответствующего текстовому описанию, и выдачи его локализации. Модель относится к семейству Qwen2.5-VL, использует архитектуру Qwen2_5_VLForConditionalGeneration и содержит 3,1 млрд параметров. Она принимает изображения и текст; заявленный контекст составляет 128 000 токенов. В карточке указаны английский язык и датасет lmms-lab/RefCOCOg. Репозиторий содержит веса safetensors. Модель рассчитана на визуальное указание объектов по фразе, например для визуального поиска и привязки описаний к областям изображения. README называет её улучшенной версией REC с обучением VLM-R1, но не приводит результатов оценки или подробностей обучения. Лицензия в предоставленных данных не указана.

daje разработал корейскую версию Qwen3-TTS-12Hz-0.6B, дообучив базовую модель Qwen/Qwen3-TTS-12Hz-0.6B-Base на датасете daje/korean-tts-training для голоса korean_tts. Модель преобразует текст на корейском языке в речь; пример использования в карточке показывает генерацию аудио с выбором этого говорящего и сохранением результата в WAV. Это плотная модель семейства Qwen3-TTS с архитектурой Qwen3TTSForConditionalGeneration, опубликованная в формате safetensors. В каталоге она описана как версия базовой мультиязычной модели Qwen для синтеза речи и клонирования голоса, однако README демонстрирует только генерацию речи фиксированным голосом korean_tts. Лицензия и размер контекста в предоставленных данных не указаны.

Raj-0 — модель распознавания речи на бирманском языке, выпущенная разработчиком Raj. Она дообучена на более чем 800 часах бирманской речи на базе NVIDIA Nemotron 3.5 ASR Streaming 0.6B и предназначена для преобразования живой речи или аудиозаписей в текст. Доступны исходные веса NeMo и компактная квантованная версия GGUF Q8 объёмом около 724 МБ; заявлена работа на устройстве, в том числе на Android среднего класса и на CPU Mac. Внутренняя проверка на 18,02 часах аудио показала CER 11,02%; сравнение проводилось с автоматическими транскриптами, а не с проверенной вручную разметкой. Модель сосредоточена на бирманском языке: английские слова могут записываться фонетически бирманским письмом, а распознавание бирманско-английской речи с переключением языков пока ограничено. Веса распространяются по лицензии Apache 2.0, допускающей коммерческое использование на её условиях.