I.15Доступность и ассистивные технологии

Hy-MT1.5-1.8B-1.25bit — компактная квантованная версия специализированной модели машинного перевода Hy-MT1.5-1.8B от команды Tencent Hunyuan. Она предназначена для перевода между 33 языками, включая 1 056 языковых направлений, и рассчитана на локальную работу на мобильных устройствах без подключения к интернету. Базовая модель поддерживает также пять диалектов и языков меньшинств. Модель использует плотную архитектуру HunYuan Dense V1 с 1,8 млрд параметров и контекстом до 262 144 токенов. Для сжатия применён алгоритм Sherry с эффективной разрядностью 1,25 бита: веса упакованы с разреженностью 3:4, а размер весов сокращён примерно до 440 МБ. В README сообщается о небольшом снижении точности после квантования и о возможности запускать модель офлайн на телефонах; для мобильного ускорения упоминается специальное ядро STQ. Репозиторий содержит веса Safetensors. Модель подходит для офлайн-перевода сообщений, писем и веб-страниц, в том числе в фоновом режиме Android-приложения. Для исходной модели заявлены высокое качество и широкий набор языковых направлений, однако результаты квантованной версии могут отличаться; лицензия в предоставленных данных не указана.

LLaVA-NeXT-Video-7B-32K — открытый мультимодальный чат-бот lmms-lab, созданный дообучением языковой модели Mistral на данных для следования инструкциям с изображениями и видео. Модель предназначена для диалога по видеоматериалам: она принимает видео и текстовые запросы, чтобы отвечать на вопросы и описывать содержание роликов. Также поддерживает задачи визуального вопросно-ответного взаимодействия. Модель имеет плотную архитектуру LLaVA-Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Базовая языковая модель — mistralai/Mistral-7B-Instruct-v0.2. Для обучения использовались наборы инструкций по изображениям и видео, включая VideoChatGPT-Instruct. Выпущена в формате Safetensors под лицензией Apache-2.0. Карточка позиционирует модель прежде всего для исследований и экспериментов с мультимодальными чат-ботами. Её ответы могут быть неточными, а качество для конкретных типов видео и запросов следует проверять отдельно.

DevQuasar/meta-models.Muse-Glimmer-30B-GGUF — это квантованная версия модели meta-models/Muse-Glimmer-30B, подготовленная в формате GGUF. В карточке указано, что исходная модель разработана проектом meta-models, а версия размещена проектом DevQuasar. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Ключевые характеристики исходной модели, включая архитектуру, точный размер, поддерживаемые языки и длину контекста, в README не указаны; обозначение 30B присутствует только в названии модели. Сведения о сильных сторонах, ограничениях, лицензии и условиях использования также отсутствуют, поэтому их нельзя достоверно оценить по предоставленным данным.

facebook/mms-tts-imo — модель синтеза речи на языке имбонгу (Imbongu), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на имбонгу в речевую аудиоволну и предназначена для синтеза речи на этом языке. Модель основана на архитектуре VITS и обучается сквозным образом: текстовый энкодер и flow-модуль формируют акустические признаки, а декодер генерирует аудиоволну. Размер модели — 3,5 млн параметров; она доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers версии 4.33 и новее. Генерация зависит от случайного предиктора длительности, поэтому для повторения того же результата требуется фиксировать seed. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства на некоммерческих условиях.

facebook/mms-tts-juy — модель синтеза речи на языке джурай (Juray, код juy), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Это отдельный языковой чекпойнт проекта, предназначенный для преобразования текста на джурай в речевую аудиоволну. Модель построена на архитектуре VITS и выполняет синтез речи сквозным образом: текстовый энкодер и flow-модуль формируют акустическое представление, а декодер на основе свёрточных слоёв генерирует аудиоволну. Предсказатель длительности стохастический, поэтому один и тот же текст может звучать с разным ритмом; для повторения результата нужен фиксированный seed. Размер модели — 3,5 млн параметров. Модель предназначена для генерации речи на джурай, а не для распознавания или перевода. Для использования требуется Transformers версии 4.33 или новее. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-lef — модель синтеза речи на языке Lelemi (ISO 639-3: lef) из проекта Massively Multilingual Speech, разработанного Meta. Это отдельный чекпойнт VITS для одного языка: компактная модель с 3,5 млн параметров, которая преобразует входной текст в речевую аудиоволну. Архитектура VITS объединяет вариационный автоэнкодер, потоковый модуль с текстовым энкодером на основе Transformer, стохастический предсказатель длительности и декодер, подобный HiFi-GAN. Модель предназначена для озвучивания текста на Lelemi. Стохастический предсказатель может создавать варианты ритма для одного текста; результат генерации недетерминирован, поэтому для повторяемого аудио требуется фиксировать seed. Чекпойнт распространяется в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers версии 4.33 и выше. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-mcq — модель синтеза речи для языка Ese (код ISO 639-3: mcq), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на Ese в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS и обучена как отдельный языковой чекпойнт MMS-TTS. В описании архитектуры указаны текстовый энкодер на основе Transformer, flow-модуль, декодер HiFi-GAN и стохастический предсказатель длительности, который позволяет варьировать ритм речи. Чекпойнт содержит 3,5 млн параметров, представлен в форматах PyTorch и Safetensors и доступен через Transformers версии 4.33 и выше. Модель генерирует речь из текста на Ese; для одинакового результата при повторном запуске требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое применение.

facebook/mms-tts-wap — модель синтеза речи на языке вапишана (Wapishana, код wap), разработанная Facebook в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка из семейства MMS-TTS, построенный на архитектуре VITS и содержащий около 3,5 млн параметров. Модель принимает текст на вапишана и генерирует речевую аудиоволну. VITS объединяет вариационный автоэнкодер, текстовый энкодер на основе Transformer, модуль предсказания длительности и декодер, подобный HiFi-GAN; стохастический предсказатель длительности позволяет варьировать ритм речи. Чекпойнт доступен через библиотеку Transformers версии 4.33 и новее. Модель подходит для озвучивания текста и создания речевого вывода на вапишана. Генерация недетерминирована: для повторения того же результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей.

facebook/mms-tts-ycn — модель синтеза речи на языке юкуна (Yucuna, код ycn) из проекта Massively Multilingual Speech компании Meta (Facebook). Она преобразует текст на юкуна в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; для работы с ним подходит библиотека Transformers версии 4.33 и выше. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

OpenImages16 Prompted Mixed LISA-13B — дообученная модель ken101do для сегментации объектов на изображениях по текстовым запросам. Она создана на базе xinlai/LISA-13B-llama2-v1 с помощью LoRA на данных LISA ReasonSeg и OpenImages16Prompted; декодер масок SAM во время обучения был заморожен. Модель насчитывает 12,9 млрд параметров, использует архитектуру LLaVA и контекст до 4096 токенов. Модель предназначена для поиска и выделения запрошенных объектов на изображениях, в том числе по сложным запросам с рассуждением. Валидационные показатели составили gIoU 0,2733 и cIoU 0,4910. Для запуска нужны кодовая база LISA и контрольная точка SAM ViT-H. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

ParaStyleTTS — модель синтеза речи, разработанная haoweilou и опубликованная в Hugging Face Hub. Она предназначена для преобразования текста в речь на китайском и английском языках; конкретные сценарии применения, поддерживаемые режимы управления стилем и особенности реализации в карточке модели не описаны. Из доступных данных известно, что модель распространяется через интеграцию PyTorchModelHubMixin и имеет исходный код в репозитории haoweilou/ParaStyleTTS. Название модели указывает на ориентацию на управление стилем речи, однако архитектура, количество параметров, используемые модальности, размер контекста, требования к ресурсам и ключевые преимущества не указаны, поэтому их нельзя достоверно оценить. Модель распространяется по лицензии MIT. Дополнительные ограничения использования, сведения о качестве синтеза, голосах, поддерживаемых функциях и известных ограничениях в README отсутствуют.

yousifgamalo/quran-s-finetuned — дообученная методом полного fine-tuning модель OpenAI Whisper medium для расшифровки чтения Корана на арабском языке. Это ASR-модель архитектуры Whisper с 455,8 млн параметров, принимающая аудио и выдающая текст. Она обучена на записях чтения Корана из MP3Quran и проверена на отложенной выборке из того же источника; заявленный WER на тесте — 0,1162. Модель предназначена для транскрибирования классического арабского языка в чтении Корана. Она может быть полезна для создания текстовых записей чтения и поиска по транскрипциям. Модель выдаёт текст без диакритических знаков. Лицензия — Apache 2.0.

erkamk разработал Qwen3 0.6B Turkish — турецкую адаптацию модели Qwen3-TTS-12Hz-0.6B-Base для синтеза речи по тексту с заданным голосом. Модель принимает текст на турецком и чистую эталонную запись речи длительностью 5–10 секунд, из которой извлекает характеристики говорящего. Она создаёт несегментированное аудио с частотой дискретизации 24 кГц; в состав поставки входят около 1,1 млрд параметров, включая 0,6 млрд параметров talker и речевой токенизатор. Модель дообучена на примерно 2 277 часах турецкой речи из датасета Kiraat. Она подходит для озвучивания предложений и абзацев с голосом, выбранным по аудиопримеру, без отдельного дообучения под каждого говорящего. Лицензия — Apache-2.0. Качество снижается при вводе чисел цифрами, дат, цен, английских слов и смешанных турецко-английских фраз; такие данные рекомендуется записывать словами по-турецки. Модель обучалась один проход, и обучение завершилось до стабилизации dev loss, поэтому она может допускать ошибки произношения. Режимы генерации, отличные от указанной конфигурации с эталонной записью и несегментированным выводом, не проверялись.

Qwen3-Omni-30B-A3B-bf16 — мультимодальная модель для диалога с речью, дообученная VikramPal на базе Qwen/Qwen3-Omni-30B-A3B-Instruct. Модель объединяет вход аудио и генерацию ответа голосом; в README описано обучение Thinker — части модели, которая воспринимает вход и формирует содержание ответа. Talker и декодер code2wav оставлены без изменений относительно базовой модели. Обучение выполнено методом QLoRA с рангом 16 на проекциях внимания и плотных MLP, после чего адаптер объединён с базовой моделью. Объём параметров обучавшейся части Thinker — 31,72 млрд; общий размер bf16-артефакта на диске — около 65,69 ГиБ. Репозиторий использует safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Модель предназначена для сквозных голосовых диалогов: она принимает речь и выдаёт речевой ответ. README сообщает лишь о проверке работоспособности на небольшом числе клипов и не приводит метрик точности, сравнительных тестов или результатов пользовательского прослушивания. Дообучение проведено за одну эпоху на диалогах; голосовой Talker не обучался и сохраняет поведение базовой модели.

Qwen3-TTS with Emotion Tags — дообученный с помощью LoRA вариант Qwen3-TTS-12Hz-1.7B-CustomVoice от SpragAI для синтеза речи с управлением подачей через теги в тексте. Тег эмоции или темпа, например [Angry], [Gentle] или [Fast], задаёт стиль для всей реплики. Модель поддерживает девять тегов и девять встроенных голосов: aiden, dylan, eric, ono_anna, ryan, serena, sohee, uncle_fu и vivian. Модель сохраняет эмбеддинги голосов базовой модели без изменений. Она принимает текст и выдаёт аудио; обучение проводилось для английского языка. Основа — плотная архитектура Qwen3TTSForConditionalGeneration, размер базовой модели — 1,7 млрд параметров. Для подключения требуется базовая модель Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice. Репозиторий распространяется по лицензии Apache-2.0. Тег действует на всю реплику, поэтому нельзя назначить разные эмоции отдельным фрагментам одной реплики. Обучение охватывало только английский язык; работа с другими языками не подтверждена.

SESAME — открытая мультимодальная модель, созданная дообучением LLaVA на инструкционных данных для привязки изображений к текстовым описаниям и сегментации. Это авторегрессионная языковая модель, объединённая с моделью сегментации; архитектура относится к семейству LLaVA и содержит 6,6 млрд параметров. Модель принимает текстовые инструкции и изображения, а также может выдавать текстовые ответы и результаты сегментации. SESAME предназначена для экспериментов с мультимодальными моделями и чат-ботами, в частности для визуального заземления и сегментации по текстовым запросам. В обучении использованы данные RefCOCO, RefCOCO+ и RefCOCOg, а также набор визуальных вопросов и ответов LLaVA 150K. Контекст составляет 4096 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT.

Video-XL-2 — мультимодальная модель семейства Qwen2 от BAAI, предназначенная для диалога и генерации текстовых ответов на основе видео. Она принимает видео и текстовые запросы; для обработки длинных видеороликов README описывает потоковое кодирование с разбиением на чанки, снижающее потребление памяти и задержку ответа. Также заявлена стратегия двухуровневого декодирования KV-кэша, но её пример использования пока обозначен как готовящийся. Модель содержит 7,1 млрд параметров, использует архитектуру LlavaQwenForCausalLM, работает через Transformers и имеет контекст длиной 32 768 токенов. В карточке указаны английский язык и лицензия Apache-2.0. Материалы описывают интерфейс чата и вызова инструментов, но не приводят оценок качества или подробных ограничений по поддержке видео.

Это модель автоматического распознавания речи на базе архитектуры Wav2Vec2-Conformer с CTC-декодированием, дообученная ylacombe на африкаансском поднаборе Mozilla Common Voice 16.0. Число параметров — около 402,7 млн; модель принимает аудио и преобразует речь в текст. Модель предназначена для распознавания африкаансской речи в аудиозаписях. В карточке указаны результаты оценки: WER 1,0 и бесконечная функция потерь, что свидетельствует о крайне низком качестве распознавания в проведённой оценке. Лицензия в доступных данных не указана.

brindap/wav2vec2-large-xls-r-300m-hsb-colab — модель распознавания речи на архитектуре wav2vec2 с CTC-декодированием, дообученная на Common Voice на основе facebook/wav2vec2-xls-r-300m. Она предназначена для преобразования входной речи в текст; суффикс hsb в названии указывает на верхнелужицкий язык. Модель содержит около 402,7 млн параметров и опубликована в формате PyTorch. В карточке приведён результат оценки на тестовой выборке: WER 0,9818 и loss 3,2283, что указывает на очень высокую долю ошибок распознавания в этой оценке. Модель распространяется по лицензии Apache-2.0. Подробности о наборе оценки и условиях применения в карточке не раскрыты.

AfriGuard-AfriqueQwen3.5-4B — дообученная модель israel на базе McGill-NLP/AfriqueQwen3.5-4B с использованием набора данных afriguard. Это плотная модель семейства Qwen3.5 с 4 млрд параметров, предназначенная для диалогов с изображениями и текстом; карточка указывает возможности чата и обработки изображений. Подходит для сценариев, где нужно передать изображение и получить текстовый ответ. Карточка не описывает конкретные задачи набора afriguard, языки дообучения или результаты оценки, поэтому назначение AfriGuard и её преимущества сверх мультимодального чата уточнить нельзя. Репозиторий использует Transformers и формат safetensors. Лицензия указана как other; конкретные условия использования по карточке определить нельзя.

ljnlonoljpiljm/florence-2-base-nsfw-v2-ext-mlx — это конвертированная в формат MLX версия модели ljnlonoljpiljm/florence-2-base-nsfw-v2-ext, предназначенная для задач image-text-to-text с изображениями. Модель подготовлена для запуска через библиотеку mlx-vlm и Transformers на совместимой с MLX инфраструктуре. Она может использоваться для генерации текстового описания изображения и других сценариев взаимодействия изображения с текстом, поддерживаемых исходной моделью Florence-2. Суффикс nsfw и метка not-for-all-audiences указывают на ориентацию версии на содержимое для взрослых или чувствительный контент. В README приведён пример запроса описания изображения с ограничением генерации до 100 токенов. Модель является конвертацией, поэтому её поведение зависит от исходной модели и корректности поддержки MLX. README не содержит сведений о лицензии, языках, размере параметров или длине контекста.

Модель Chingkheinganba предназначена для распознавания рукописных слов на письме мейтей майек. Это сегментационно-независимый распознаватель: признаки извлекает ConvNeXt-T, за которым следуют двунаправленная двухслойная LSTM и CTC-декодирование по 54 символам повседневного написания. При декодировании используется символьная языковая модель с поиском по лучу. Модель обучена на синтетических словах, составленных из обучающих символов TUMMHCD. В синтетических тестах автор сообщает CER 0,33% и WER 2,04% с языковой моделью. Репозиторий содержит веса PyTorch и формат ONNX. Лицензия — MIT. Модель подходит для распознавания отдельных рукописных слов мейтей майек. Проверка на реальном письме охватывала одного автора, писавшего на планшете; качество на других почерках, ручках и фотографиях может быть ниже. Символы за пределами TUMMHCD, включая lum iyek и расширения, не распознаются.

Irodori-TTS-v4-Small-8bit — преобразованная в формат MLX и 8-битное представление версия модели Aratako/Irodori-TTS-v4-Small, опубликованная mlx-community. Она предназначена для синтеза речи на японском языке и объединяет в одном чекпойнте клонирование голоса по аудиообразцу, создание голоса по текстовому описанию (VoiceDesign) и автоматическое предсказание длительности речи. Модель использует текстовый энкодер ModernBERT-ja-310m с включёнными весами и токенизатором, а также японский аудиокодек Semantic-DACVAE-Japanese-32dim; для инференса эти компоненты не требуется загружать отдельно. Можно передавать аудиообразец длительностью до 120 секунд; список фрагментов кодируется отдельно и объединяется, что соответствует обучению модели. При передаче описания голоса без аудиообразца предсказатель длительности может примерно удваивать короткие тексты короче семи токенов, из-за чего модель повторяет фразу. Это преобразованная производная базовой модели, а не самостоятельная разработка. Лицензия в предоставленных данных не указана.

KoLLaVA-KoVicuna-7b — мультимодальная модель семейства LLaVA, разработанная tabtoyou. Она объединяет языковую модель KoVicuna с визуальным энкодером CLIP ViT-14 и обучена на корейских данных с визуальными инструкциями. Модель предназначена для диалога по изображениям и генерации текстовых ответов на вопросы о визуальном содержимом. Модель содержит 6,6 млрд параметров, использует архитектуру LlavaLlamaForCausalLM, работает через Transformers и принимает контекст длиной до 2048 токенов. Основной язык карточки — корейский. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. В метаданных основная задача указана как text-generation, хотя модель также обрабатывает изображения.

Карточка модели HKUSTAudio/Llasa-1B-two-speakers-kore-puck на Hugging Face совпадает с карточкой HKUSTAudio/Llasa-1B-multi-speakers-genshin-zh-en-ja-ko, поэтому описание составлено по ней. 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.

facebook/mms-tts-ban — модель синтеза речи на языке бали (ban), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на бали в речевую форму и предназначена для озвучивания текста и создания речевого вывода в приложениях, работающих с этим языком. Модель использует архитектуру VITS и обучена сквозным образом; в семействе MMS-TTS для каждого языка подготовлена отдельная контрольная точка. Число параметров — 3,5 млн. Для использования подходит библиотека Transformers версии 4.33 и новее. Из-за стохастического предсказателя длительности генерация недетерминирована: для повторения результата требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка описывает синтез речи на бали; качество для других языков не заявлено.

facebook/mms-tts-mej — модель синтеза речи на языке Meyah (код mej), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на Meyah. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, потоковый модуль с текстовым энкодером и декодер, похожий на HiFi-GAN. Размер модели — 3,5 млн параметров. Отдельный чекпойнт MMS-TTS обучен для каждого языка; модель доступна через Transformers версии 4.33 и новее. Стохастический предиктор длительности позволяет получать варианты ритма произношения, поэтому результат может меняться между запусками; для повторяемой генерации требуется фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-prf — модель синтеза речи на языке Paranan (prf), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиозапись; для каждого языка в MMS-TTS обучается отдельный чекпойнт. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. Это сквозная система синтеза речи с вариационным автоэнкодером, flow-модулем и декодером, подобным HiFi-GAN; стохастический предиктор длительности позволяет варьировать ритм произношения. Модель доступна через библиотеку Transformers версии 4.33 и выше и распространяется по лицензии CC BY-NC 4.0. Генерация недетерминирована: для воспроизводимого результата необходимо зафиксировать seed. Модель предназначена для синтеза речи на Paranan и не является универсальным многоязычным чекпойнтом.

shibing624/parrots-chinese-hubert-base — модель на архитектуре HuBERT, содержащая 113,3 млн параметров. По карточке она обозначена как text-to-speech и предназначена для задач синтеза речи на китайском языке. Репозиторий содержит веса PyTorch в формате safetensors и опубликован под лицензией Apache-2.0. README сообщает только, что это chinese-hubert-base на основе предварительно обученных моделей; подробностей об обучении, способе синтеза, аудиовходах и качестве нет. Поэтому пригодность модели для конкретного речевого сценария по доступным сведениям оценить нельзя.

Sopro — компактная англоязычная модель преобразования текста в речь, созданная Сэмюэлом Виторину как сайд-проект. Версия в этом репозитории устарела: автор рекомендует перейти на Sopro V2. Архитектура сочетает дилатированные свёртки в стиле WaveNet с лёгкими слоями перекрёстного внимания вместо стандартного Transformer; модель содержит 135 млн параметров. Модель предназначена для синтеза английской речи, в том числе в потоковом режиме, и клонирования голоса по референсной аудиозаписи длительностью 3–12 секунд. В README заявлены скорость около 0,05 RTF на процессоре M3 и потоковая задержка до первого аудио около 250 мс для более новой версии v1.5; эти показатели не следует напрямую считать характеристиками данной старой версии. Доступна по лицензии Apache-2.0. Качество может быть нестабильным; сходство клонированного голоса зависит от качества записи и может ухудшаться для голосов, отличающихся от обучающих данных. Потоковая генерация не полностью совпадает по звучанию с непотоковой. Длительность генерации ограничена примерно 32 секундами, а при превышении модель может галлюцинировать.