I.15Доступность и ассистивные технологии

SenseNova-U1-8B-MoT-8step-preview — предварительная мультимодальная модель SenseNova на архитектуре NEO-Unify, представленная в карточке как средство для объединения понимания и генерации. Репозиторий использует библиотеку Transformers и хранит веса в формате safetensors; в названии указаны размер 8B и вариант MoT с 8 шагами. Модель предназначена для мультимодального чата и сценариев преобразования между текстом и изображениями: метаданные отмечают генерацию и редактирование изображений, описание изображений и чередование текста с изображениями. Интерфейс также содержит поддержку вызова инструментов. Лицензия — Apache-2.0. Карточка README краткая и отсылает к публичному репозиторию за инструкциями по использованию; детали контекста, поддерживаемых языков и точного поведения отдельных режимов здесь не приведены.

UBC-NLP/Simba-TTS-lin — модель синтеза речи из семейства Simba, разработанная UBC-NLP для африканских языков и дообученная на данных SimbaBench. Карточка описывает серию Simba-TTS как мультиязычные модели для преобразования текста в естественную речь; этот вариант предназначен для лин, языка Lingala. Для запуска указана библиотека Transformers. Архитектура репозитория — VITS, размер модели — 3,5 млн параметров; веса опубликованы в формате safetensors. Модель подходит для озвучивания текстов на Lingala, например для голосовых интерфейсов и речевого контента. README также заявляет ориентацию серии на малоресурсные африканские языки и высокое качество распознавания и синтеза, однако для этой конкретной модели такие заявления не сопровождаются результатами оценки. В метаданных задача обозначена как распознавание речи, тогда как README классифицирует Simba-TTS как синтез речи; назначение модели как TTS следует из названия и описания варианта. Лицензия — CC BY 4.0.

ArTST — модель синтеза речи на основе SpeechT5, разработанная с использованием предварительно обученных весов ArTST и дообученная авторами карточки на классическом арабском корпусе ClArTTS. Она преобразует текст на классическом арабском языке в речь и предназначена для локального запуска через библиотеку Transformers. Модель использует архитектуру SpeechT5 и распространяется в формате PyTorch. Для работы требуется библиотека Transformers. Модель опубликована по лицензии CC BY-NC 4.0, которая ограничивает использование некоммерческими целями.

Sys1MLX — локальная мультимодальная модель принятия решений для компьютеров Apple Silicon, созданная на основе Qwen3.5-4B-Base и адаптера. Она принимает текст, необязательное изображение и заданные пользователем варианты, после чего возвращает выбранный ответ и вероятности; также поддерживает типы вопросов `noul` и `score`. Модель использует архитектуру Qwen3.5 с восстановленной башней зрения: языковые веса квантованы в MLX affine 4-bit, визуальный энкодер хранится в BF16, отдельная голова указателя — в FP32. Размер базовой модели — 4 млрд параметров. Модель предназначена для локального выбора из вариантов по тексту и изображениям, например для распознавания содержимого снимка или ответа на вопрос о расположении объектов. Для запуска требуется Mac с Apple Silicon и рабочей поддержкой MLX Metal; автор проверял запуск на M4 с 16 ГБ общей памяти. Это не генератор текста и не поддерживается стандартными интерфейсами генерации MLX или Transformers: нужен включённый в репозиторий Python runtime. Качество визуальных решений экспериментальное; приведённые проверки малы и не являются обобщающим бенчмарком. Модель распространяется по лицензии Apache-2.0.

Модель VicentCano/toki-pona-wav2vec2-xls-r-300m-common-voice-17 — дообученная на Common Voice 17.0 версия wav2vec2-xls-r-300m для автоматического распознавания речи на токипона. Она принимает аудио и выдаёт распознанный текст. Архитектура — Wav2Vec2ForCTC; содержит около 402,7 млн параметров и рассчитана на использование с библиотекой Transformers. В README указаны результаты на тестовой выборке: loss 0,0718 и WER 0,0457. Модель выпущена под лицензией Apache-2.0. Карточка не сообщает дополнительных сведений о поддерживаемых условиях записи или ограничениях качества; результаты оценки относятся к указанной выборке Common Voice 17.0.

UI-TARS-1.5-7B-GGUF — мультимодальная модель размером 7 миллиардов параметров, опубликованная Mungert в формате GGUF. Модель предназначена для задач image-text-to-text и работы с графическими интерфейсами; заявленная область применения включает анализ изображений и сценарии, связанные с GUI. Для запуска используются llama.cpp, файл модели GGUF и отдельный файл mmproj для мультимодальной обработки изображений. В карточке указано, что модель поддерживает английский язык и работает с изображениями и текстом. Доступны варианты с разной точностью квантования, включая Q8 и сверхнизкобитные форматы IQ1/IQ2, ориентированные на снижение требований к памяти и запуск на CPU, устройствах с ограниченной VRAM и edge-оборудовании. Для таких вариантов возможен компромисс между размером, скоростью и качеством; приведённые в README бенчмарки относятся к Llama-3-8B, а не непосредственно к UI-TARS-1.5-7B. Сильные стороны модели — мультимодальность, совместимость с llama.cpp и наличие компактных квантованных вариантов для локального запуска. Ограничения: архитектура, размер контекстного окна, полный набор поддерживаемых языков, точность в задачах управления интерфейсом и требования к ресурсам в карточке не указаны; приведённый пример демонстрирует описание изображения, но не подтверждает другие возможности. Модель распространяется по лицензии Apache-2.0.

ViiTorVoice-NAR — модель синтеза речи с неавторегрессионной генерацией, разработанная для проекта viitor-ai/viitor-voice-nar. Она генерирует речевые токены по тексту, аудио-промпту, маскам редактирования, условиям длительности и меткам эмоций или неречевых вокальных событий. В состав входят языковая модель на основе дообученной Qwen3-0.6B, DualCodec для преобразования аудио в дискретные токены и обратно, а также W2V-BERT 2.0 для извлечения семантических признаков речи. Модель предназначена для клонирования голоса по образцу, локальной замены фрагментов записи с сохранением остальной речи и управления эмоциями и паралингвистическими особенностями звучания. В метаданных указаны языки китайский, английский, японский и корейский, форматы ONNX и safetensors. Модель распространяется под лицензией Apache-2.0; README рекомендует отдельно проверять условия использования каждого подкомпонента.

Align-Anything Chameleon 7B Plus — мультимодальная модель семейства Chameleon, разработанная командой PKU-Alignment. Она принимает и генерирует чередующиеся последовательности текста и изображений; модель основана на Chameleon и дополнительно обучена и выровнена алгоритмом Align-Anything для развития генерации изображений и лучшего соответствия человеческим предпочтениям. Архитектура плотная, число параметров — 6,7 млрд, нативная длина контекста — 4096 токенов. Для работы используется библиотека Transformers, веса представлены в формате PyTorch. Модель предназначена для мультимодальных сценариев, где нужно совместно обрабатывать и создавать текст и изображения, например для диалога по изображениям и генерации изображений по текстовому контексту. Карточка указывает английский язык. Лицензия — CC BY 4.0.

ai-ssam/darija-omnivoice-kore-v1 — дообученная на базе k2-fsa/OmniVoice модель синтеза речи, настроенная на марокканский арабский язык (дариджа) и голос Kore. Она предназначена для преобразования текста в речь с более чётким произношением дариджи, естественным ритмом и просодией и устойчивым тембром целевого голоса. Для подачи языка обычно используют код ary; модель работает в библиотеке OmniVoice и хранит веса в формате safetensors. Это экспериментальная исследовательская версия. В карточке нет численных оценок качества или сходства голоса, поэтому перед применением стоит прослушать результаты. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

Модель itshamdi404/Egy_Arabic_Qwen3-TTS-12Hz-1.7B-Base — дообученная Hamdi Mohamed модель Qwen3-TTS-12Hz-1.7B-Base для синтеза речи на египетском арабском диалекте (масри). Она преобразует текст в речь с разговорным произношением, интонацией и ритмом, характерными для египетского арабского. В основе лежит плотная Transformer TTS архитектура Qwen3-TTS; модель распространяется в формате safetensors. Дообучение проводилось на примерно 90 часах чистой речи из египетских источников. Модель предназначена для создания озвучки и разговорной речи на египетском арабском. По заявлению автора, она сохраняет многоязычные возможности исходной модели, однако основной специализацией является масри. Репозиторий распространяется по лицензии Apache-2.0.

Emu3-Stage1 — предобученная модель команды Emu3 из BAAI, обученная с нуля как плотный трансформер с авторегрессионным предсказанием следующего токена. Веса относятся к первой стадии обучения Emu3; модель содержит 7,7 млрд параметров, использует библиотеку Transformers и поддерживает контекст до 5120 токенов. На этой стадии обучение не включало видео. Модель принимает текст и изображения, токенизированные в дискретное пространство, и предназначена для генерации изображений по текстовому запросу, а также понимания изображений и создания текстовых подписей. README указывает генерацию изображений с разрешением 512×512 и возможность дообучения для дальнейших задач генерации и восприятия изображений. Заявленные для полного семейства Emu3 возможности видео не следует переносить на эту стадию. Модель распространяется под лицензией Apache-2.0. Это базовый чекпойнт предобучения, поэтому качество и пригодность для диалоговых или специализированных задач могут зависеть от дополнительного instruction tuning.

F5-TTS Burmese v2 — модель синтеза речи на основе Flow-Matching Diffusion Transformer, разработанная автором репозитория freococo. Она обучена на более чем 794,5 часа бирманской речи и содержит около 337 млн параметров; карточка описывает 22 слоя, 16 голов и размерность 1024. Модель предназначена для преобразования текста на бирманском языке в речь и поддерживает клонирование голоса по образцу. Автор сообщает об улучшениях фонетического выравнивания, передачи тонов, естественности разговорной речи и сокращении обрывов аудио; веса FP16 занимают около 674 МБ. Модель подходит для озвучивания текста и создания речи голосом-образцом. В репозитории также доступны промежуточные чекпойнты для продолжения дообучения. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование. Длина контекста и условия качества за пределами описанных автором сценариев в карточке не приведены.

Florence-2-VQAJP2 — дообученная модель семейства Florence-2, созданная на основе microsoft/Florence-2-base-ft. Разработчик дообучил её на датасете Kendamarron/japanese-photo-instruction для задачи создания подписей к изображениям на японском языке. Для получения результата README рекомендует использовать запрос CAPTION. Модель принимает изображение и текстовый запрос, а выдаёт текстовое описание на японском языке. В метаданных указаны архитектура Florence2ForConditionalGeneration, библиотека Transformers и формат весов safetensors. На оценочной выборке сообщается значение loss 0,77. Лицензия — MIT. Подходит для автоматического создания японских подписей к фотографиям и описания изображений в приложениях, рассчитанных на японский язык. README не приводит подробностей о данных обучения, методике оценки или практических ограничениях; качество на иных типах изображений и языках по имеющимся сведениям оценить нельзя.

Карточка модели dare43321/hindi-tts-model-8 на Hugging Face совпадает с карточкой dare43321/hindi-tts-model-5, поэтому описание составлено по ней. Модель dare43321/hindi-tts-model-5 — дообученная dare43321 версия kenpath/svara-tts-v1. Это плотная LlamaForCausalLM на 3,3 млрд параметров, представленная в формате safetensors; в метаданных также указана поддержка чата. Базовая модель предназначена для преобразования текста в выразительную речь на 18 индийских языках и индийском английском, однако README не уточняет, какие возможности этой базовой модели сохранены после дообучения и как именно следует задавать текст для синтеза. В метаданных указаны тег text-generation, контекстное окно 131 072 токена и английский язык. Данных о речевых выходах, поддерживаемых языках самой производной модели или качестве синтеза нет, поэтому назначение TTS можно считать вероятным по базовой модели, но не подтверждённым для этого чекпойнта. Лицензия — Apache-2.0.

Kahya-TTS-v1.0 — турецкая модель синтеза речи, выпущенная Alican Kiraz как адаптация OpenBMB VoxCPM2. Репозиторий содержит объединённые веса шага 1500, уже проходившие оценку; для этой версии автор не выполнял дополнительное дообучение или изменение весов. Модель принимает текст и может использовать аудиозапись-образец для генерации речи с заданным голосом. Она создаёт монофонический звук с частотой 48 кГц; README также описывает генерацию последовательности отдельных высказываний из строк текстового файла. Модель предназначена прежде всего для турецкого синтеза речи и голосовой генерации с аудиообразцом. Обучение проводилось на закрытом односпикерном турецком корпусе TR-Voice-TTS; оценивание с прослушиванием проводилось на голосе этого диктора. Возможность использовать записи других дикторов предусмотрена, но сходство голоса, соблюдение стиля и разборчивость для незнакомых голосов, акцентов и языков не подтверждены. Для запуска в README приведён сценарий для Linux с NVIDIA CUDA GPU. Лицензия — Apache-2.0.

Kartoffel_Orpheus-3B_german_synthetic-v0.1 — немецкая модель синтеза речи из семейства Kartoffel на основе Orpheus-3B. Эта синтетическая версия создана для генерации речи с эмоциональными интонациями и эмоциональными возгласами; в README описаны четыре голоса: Martin, Luca, Anne и Emma. Модель принимает немецкий текст и может генерировать речь с заданным голосом и одной из поддерживаемых эмоций, например радостью, грустью или спокойствием. Для выбора голоса и эмоции используется шаблон «Имя голоса — Эмоция: текст». Поддерживаются также возгласы вроде «haha», «wow» и «ohhh». Репозиторий использует Transformers и формат safetensors. Модель собрана слиянием на базе amuvarma/3b-de-pretrain и canopylabs/orpheus-3b-0.1-ft. Лицензия — Llama 3.2. README указывает, что эта версия ориентирована на синтетически звучащие голоса; естественность звучания, кроме общего описания семейства, отдельно не гарантируется.

Magma-8B — мультимодальная агентная модель Microsoft Research и исследовательских партнёров, предназначенная для работы с цифровой средой и роботами. Модель принимает текст и изображения и генерирует текстовые ответы и целевые планы действий. В README указаны сценарии навигации по интерфейсам, манипуляции объектами роботом, игры, а также понимание изображений и видео. Для пространственно-временной привязки и планирования используются Set-of-Mark, Trace-of-Mark и данные видео без разметки. Модель имеет плотную архитектуру MagmaForCausalLM и около 7,5 млрд параметров. Для неё указано контекстное окно в 8192 токена; опубликованные веса представлены в формате safetensors. README заявляет широкое исследовательское применение на английском языке. Лицензия — MIT. Модель не предназначена для производственного развёртывания и не была специально разработана или оценена для всех прикладных сценариев. Её ответы могут быть неточными, вымышленными, предвзятыми или оскорбительными; качество на языках помимо английского ниже. Не следует применять её в высокорисковых сценариях, включая финансы, оборону и критическую инфраструктуру.

Карточка модели servantofares/Ming-UniVision-16B-A3B на Hugging Face совпадает с карточкой inclusionAI/Ming-UniVision-16B-A3B, поэтому описание составлено по ней. 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-bqi — модель синтеза речи на бактияри, созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевой аудиосигнал и предназначена для озвучивания текста на бактияри. Для каждого языка MMS обучается отдельный чекпойнт. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, вариационный автоэнкодер, потоковый модуль, декодер волновой формы и стохастический предиктор длительности. Последний позволяет получать разные ритмические варианты одной фразы; генерация недетерминирована, поэтому для воспроизводимого результата требуется фиксированный seed. В метаданных указано 3,5 млн параметров. Модель доступна в Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и safetensors. Лицензия CC-BY-NC-4.0 допускает использование с указанием авторства, но некоммерческое. Модель рассчитана на бактияри и не является универсальным многоязычным синтезатором: отдельный чекпойнт обучен для каждого языка. Качество синтеза и поддержка текстов вне бактияри в карточке не описаны.

facebook/mms-tts-nga — модель синтеза речи на языке Ngbaka (nga), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую волну и предназначена для озвучивания текста на Ngbaka. Модель использует архитектуру VITS — сквозную систему text-to-speech на основе вариационного автоэнкодера, Transformer-кодировщика текста, нормализующих потоков и декодера, построенного по принципу HiFi-GAN. В контрольной точке 3,5 млн параметров; для каждого языка MMS обучается отдельная модель. Поддерживается библиотекой Transformers версии 4.33 и новее. Предсказатель длительности работает стохастически: один и тот же текст может получать разный ритм и звучание, поэтому для повторяемого результата нужен фиксированный seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-tao — модель синтеза речи на языке ями (Yami, tao) из проекта Massively Multilingual Speech компании Facebook. Она преобразует текст на ями в речевую волну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт семейства MMS-TTS; для синтеза применяются предсказание длительности и декодер, формирующий аудиоволну. Модель доступна через библиотеку Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 запрещает коммерческое использование. Предсказатель длительности стохастический, поэтому результат может меняться между запусками; для воспроизводимого синтеза нужно фиксировать seed. Модель предназначена для речи на ями, а не для многоязычного синтеза.

facebook/mms-tts-tng — модель синтеза речи на языке тобанга, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на тобанга. Для каждого языка MMS-TTS обучается отдельная модель. Модель основана на архитектуре VITS и содержит текстовый энкодер на базе Transformer, flow-модуль, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN. Размер модели — 3,5 млн параметров. Из-за стохастического предиктора результаты могут различаться при одинаковом вводе; для воспроизводимой генерации нужен фиксированный seed. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

MOSS-Video-Preview-SFT — созданный командой OpenMOSS-Team контрольный пункт с инструкционной настройкой модели MOSS-Video-Preview для понимания видео и изображений в офлайн-режиме. Он предназначен для ответов на вопросы и выполнения инструкций по визуальному содержимому, а также может служить основой для дальнейшей адаптации под предметную область или обучения потоковой версии. Архитектура объединяет визуальные и текстовые данные с помощью cross-attention и поддерживает совместную обработку изображений и видео. Модель построена на базе Llama-3.2-Vision; карточка не сообщает размер и длину контекста. Для запуска используется Transformers с пользовательским кодом модели; рекомендуются GPU и Flash Attention 2, доступна лицензия Apache-2.0. Это офлайн-версия: она не поддерживает потоковый режим и динамические прерывания, заявленные для отдельной Real-Time SFT-версии. Авторы отмечают, что по качеству модель пока уступает ведущим системам, включая Qwen2.5-VL, и называют текущую версию архитектурной проверкой; разнообразие обучающих данных и обобщающая способность остаются направлениями дальнейшей работы.

MOSS-VoiceGenerator — открытая модель генерации речи из семейства MOSS-TTS, разработанного MOSI.AI и командой OpenMOSS. Она создаёт речь с заданным тембром по свободному текстовому описанию голоса и не требует образца аудио. Текст для синтеза и инструкция о голосе, стиле или эмоции совместно подаются на вход модели архитектуры MossTTSDelay. Модель предназначена для озвучивания аудиокниг, дубляжа игровых персонажей, ролевых агентов и разговорных помощников. Она позволяет задавать индивидуальные голоса и управлять выразительностью речи; заявлена поддержка китайского и английского языков. Может использоваться самостоятельно или как слой разработки голоса для других систем синтеза речи. В карточке модели размер не указан. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Заявления о естественности и выразительности приведены разработчиком и не сопровождаются в доступных данных независимыми оценками качества.

Карточка модели suryatmodulus/neutts-nano на Hugging Face совпадает с карточкой neuphonic/neutts-nano, поэтому описание составлено по ней. NeuTTS Nano (English) — модель синтеза речи, разработанная Neuphonic для локального запуска на CPU и устройствах с ограниченными ресурсами. Она преобразует текст в речь, используя короткий аудиозапись и её расшифровку как образец голоса, чтобы клонировать его тембр и манеру. Модель предназначена для голосовых помощников, встроенных голосовых агентов и приложений, которым важно обрабатывать текст и аудио на устройстве. В основе — компактная языковая модель для генерации токенов речи и аудиокодек NeuCodec с одной кодовой книгой. В README указано около 116,8 млн активных параметров у языковой основы и около 228,7 млн параметров с учётом связанных эмбеддингов и выходной головы. Репозиторий предлагает версии GGUF с квантованием Q4 и Q8; метаданные также указывают формат safetensors. Модель рассчитана на генерацию в реальном времени или быстрее на процессорах и поддерживает только английский язык. Для работы нужны текст, референсное аудио и его текстовая расшифровка; результат — синтезированная речь с водяным знаком. Качество клонирования зависит от чистоты и непрерывности референсной записи. Для фонемизации требуется espeak-ng. В метаданных лицензия обозначена как other, но её условия в предоставленной карточке не раскрыты.

OmniVoice Badini — дообученная модель преобразования текста в речь на базе k2-fsa/OmniVoice, подготовленная для курдского диалекта бадини (центральный/северный курдский, kmr). Модель использует архитектуру OmniVoice с языковой основой Qwen3 и обучалась на речевых данных бадини в течение 10 000 шагов. Модель предназначена для синтеза речи с клонированием голоса без отдельного обучения под диктора: на вход подаются текст и короткий аудиофрагмент с транскриптом, а на выходе генерируется речь с голосом говорящего из образца. Подходит для озвучивания текстов на бадини и создания речи с заданным голосом. Лицензия — Apache-2.0. README подтверждает работоспособность загрузки и генерации через библиотеку OmniVoice. Данные README не приводят объём обучающего корпуса, поэтому качество и покрытие разных вариантов произношения бадини оценить по карточке нельзя.

OmniVoice Thai — модель синтеза тайской речи, созданная UKA дообучением k2-fsa/OmniVoice на базе Qwen3-0.6B. Она принимает текст и генерирует аудио; при генерации можно задавать характеристики голоса, например мужской голос с низким тембром. Модель использует OmniVoice и подход Masked Token Prediction в стиле MaskGIT для синтеза речи. Для дообучения использовались датасет Thanarit/Thai-Voice-Test7 и дополнительные голосовые данные: около 20 тысяч высказываний общей длительностью примерно 12,6 часа от двух дикторов. Модель ориентирована прежде всего на синтез тайской речи. В карточке также указана английская языковая поддержка базовой модели, но качество английского синтеза для этой версии не описано. Ограниченный объём обучающих данных и наличие возможных ошибок в транскрипциях ASR могут снижать обобщающую способность и точность произношения. Модель распространяется по лицензии Apache-2.0.

Sam4rano/omnivoice-yoruba-tts — дообученная Sam4rano версия OmniVoice для синтеза речи на языке йоруба. Модель принимает текст и может использовать аудиозапись-образец для клонирования голоса без отдельного обучения под диктора; генерируемая речь имеет частоту дискретизации 24 кГц. Модель обучена на 6 989 высказываниях общей длительностью около 9,6 часа из наборов IroyinSpeech и Google Yoruba Speech Dataset (OpenSLR 86). В описанной оценке нормализованный WER синтезированной речи составил около 11,5%; сходство голоса при zero-shot клонировании оценено косинусной близостью 0,2–0,4, поэтому точное воспроизведение личности диктора ограничено. Для использования требуется установленный репозиторий OmniVoice. В метаданных указана лицензия Apache-2.0.

Piper Plus Mera Multilingual — японский разработчик Kizuna Intelligence подготовил эту мультиязычную модель синтеза речи для использования с piper-plus-swift. Репозиторий содержит контрольную точку ONNX и конфигурацию Piper / Piper Plus; карточка приводит примеры коротких реплик персонажа Меры и образцы на шести языках. Модель предназначена для преобразования текста в речь на японском, английском, китайском, испанском, французском и португальском языках. Японский текст можно подавать через японский frontend piper-plus-swift; для остальных языков в README показаны образцы, созданные из подготовленного мультиязычного ввода в симуляторе. Разработчик указывает, что голос создан с нуля и не основан на голосе существующего актёра озвучивания. Файлы модели представлены в формате ONNX. Репозиторий распространяется по лицензии Apache-2.0. README не приводит размер модели, скорость синтеза или оценку качества; описанный способ подготовки примеров для пяти неяпонских языков может отличаться от обычного ввода через Swift frontend.

SocioReasoner-3B — дообученная модель на основе Qwen2.5-VL-3B-Instruct, опубликованная пользователем vvangfaye. Это мультимодальная модель с архитектурой Qwen2.5-VL для диалогового анализа изображений и генерации ответов на естественном языке. В метаданных указаны 3,1 млрд параметров, контекст до 128 000 токенов и поддержка изображений; модель предназначена для сценариев, связанных с набором данных SocioSeg. Доступна в формате safetensors и распространяется по лицензии Apache-2.0.