I.15Доступность и ассистивные технологии

Карточка модели Diankun/Spatial-MLLM-v1.1-Instruct-135K на Hugging Face совпадает с карточкой Diankun/Spatial-MLLM-subset-sft, поэтому описание составлено по ней. Diankun/Spatial-MLLM-subset-sft — дообученная мультимодальная модель семейства Qwen2.5-VL, предназначенная для анализа видео и ответов на вопросы о визуальной пространственной информации. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2_5_VL_VGGTForConditionalGeneration, работает через Transformers и принимает контекст до 128 000 токенов. Модель описана в работе Spatial-MLLM: Boosting MLLM Capabilities in Visual-based Spatial Intelligence. Она подходит для диалогового анализа видеосцен с пространственным содержанием и формирования ответов на естественном языке. Базовая модель — Qwen/Qwen2.5-VL-3B-Instruct. Репозиторий распространяется по лицензии MIT.

Prince Nasamu Alhassan разработал модель распознавания речи на языке тви, дообучив Wav2Vec2-BERT CTC на базе ghananlpcommunity/w2v-bert-2.0_twi_alpha_v1. Модель содержит 402,7 млн параметров и принимает аудио, например монофонические записи с частотой 16 кГц, а выдаёт текстовую расшифровку. Модель предназначена для транскрибирования речи на тви. В сравнении с базовой моделью она показала более низкий WER на четырёх тестовых срезах тви; в README также отмечен рост CER на двух срезах FISD, поэтому качество на уровне отдельных символов может ухудшаться даже при снижении WER. Оценка проводилась на чтении и машинно переведённом тексте и не отражает надёжно работу с разговорной речью, командами или переключением языков. Это исследовательская работа для хакатона, а не поддерживаемый продукт. Лицензия репозитория — CC BY-NC 4.0; обучение использовало датасет Ghana Speech и связанные ганские корпуса. Для обучения Twi ASR README отдельно указывает разрешение Farmerline только на некоммерческое исследовательское использование.

Voicera — модель синтеза речи из текста, разработанная Lwasinam Dilli. Она использует трансформерную архитектуру GPT-2 и представляет аудио в виде дискретных токенов, полученных с помощью кодека Multi-Scale Neural Audio Codec (SNAC). Модель обучалась примерно на 1000 часах речевых данных; в обучающую выборку входили чистые подмножества HiFi-TTS, LibriSpeech, Libri-TTS и GLOBE с ограничением длительности аудиофрагментов до 10 секунд. Модель предназначена для преобразования написанного текста в речь. Автор также описывает варианты, дообученные на наборах Jenny и Expresso, и отмечает, что на момент карточки лучший результат давал вариант Jenny. Контекст модели составляет 1024 токена. Автор предупреждает, что Voicera не является моделью уровня state of the art и пока недостаточно точна для производственного применения; оценка качества в карточке ограничена наблюдениями за снижением loss и улучшением выходной речи. Указана лицензия «Free and Open to use I guess», поэтому точные условия повторного использования из карточки неясны.

YorubaEnglish-CodeSwitching-TTS — модель синтеза речи от LyngualLabs, полученная полным дообучением VoxCPM2 с 2 млрд параметров. Она озвучивает текст на йоруба, английском и в смешанной йоруба-английской речи, используя оригинальную письменность йоруба без G2P, espeak и языковых тегов. Модель рассчитана прежде всего на клонирование голоса: для этого ей подают короткий образец речи и его расшифровку. Также доступен синтез по текстовому описанию голоса, но на этом чекпойнте он работает ненадёжно. Обучение проводилось на корпусе объёмом около 1 039 часов из четырёх источников; оно остановлено после 28 000 шагов, примерно на 1,06 эпохи, до выхода валидационной ошибки на плато. Поэтому качество заметно различается между фразами, особенно при озвучивании имён и редких выражений. Обучение на нескольких дикторах также делает референсный аудиоклип полезным для более стабильного голоса. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

Cambrian-S-3B — мультимодальная языковая модель пространственного анализа видео, разработанная Shusheng Yang, Jihan Yang, Pinzhi Huang, Ellis Brown и соавторами. Она предназначена прежде всего для ответов на вопросы о пространственных отношениях и событиях в видео, сохраняя возможности общего понимания видео. Модель построена на Qwen2.5-3B-Instruct с визуальным энкодером SigLIP2-SO400M (SigLIP-384) и двухслойным MLP-адаптером; содержит около 3,1 млрд параметров и поддерживает контекст до 32 768 токенов. Обучение включало этапы согласования изображений, обучения на инструкциях по изображениям и видео, а затем пространственного обучения на VSI-590K и общих данных видеоинструкций. Модель подходит для анализа видеосцен и пространственных рассуждений. Карточка заявляет высокие результаты на визуально-пространственных тестах и конкурентное качество на задачах общего понимания видео. В метаданных указана лицензия Apache-2.0. Язык карточки — английский; других сведений о языковой поддержке нет.

DUSUNEN Oku 62M v1 — модель распознавания печатных турецких слов, разработанная и выпущенная Göktuğ Düşünen. Это дообученная 61,6-миллионная модель TrOCR с архитектурой vision-encoder-decoder: она принимает изображение с одним обрезанным словом и генерирует его текстовую транскрипцию. Поддерживает турецкие символы ç, ğ, ı, İ, ö, ş и ü. В описанном word-disjoint тесте на синтетических изображениях модель показала CER 0,24% и точность распознавания целого слова 98,39%; тестовые слова не встречались при дообучении. Эти результаты не подтверждают качество на фотографиях, рукописном тексте, сканах, чеках, исторической печати или произвольных шрифтах. Модель рассчитана на отдельные слова, а не на полные страницы; для обработки документов её следует сочетать с детектором текста. Обучающие метки не включают цифры, пунктуацию и строки из нескольких слов. Для юридических, медицинских, финансовых документов и документов, удостоверяющих личность, требуется проверка результата человеком. Лицензия — CC BY-SA 4.0.

FreyaTTS-small (Leyla, extended-coverage fine-tune) — независимое сообщественное дообучение модели Freya-TTS, опубликованное mirzakarahan. Модель содержит 183,2 млн параметров и предназначена для синтеза турецкой речи голосом Leyla. Для расширения охвата текста и фонетики автор дообучил исходные веса Freya-TTS на примерно 19 979 клипах длительностью около 21,5 часа: записи турецкого Common Voice были преобразованы в тембр Leyla с помощью seed-vc, после чего применялось полнопараметрическое дообучение. Выбран шаг 3500 из 4000, чтобы сохранить голосовую идентичность базовой модели. Архитектура, код инференса и способ использования совпадают с базовой Freya-TTS; репозиторий заменяет веса. Для запуска требуется код инференса FreyaTTS. Модель распространяется по лицензии Apache-2.0. Качество ограничено узкополосным трактом AudioVAE2 с кодированием на 16 кГц; входы с большим количеством цифр требуют преобразования чисел в произносимую форму, а на длинных фрагментах возможен дрейф без разбиения по фразам. Модель не оценивалась на Freya-TR-Eval, и автор не приводит метрик разборчивости или качества звучания.

Hypa Intelligence разработала Hypa SmolLM 135M — специализированную языковую модель для подсказок клавиатуры на основе архитектуры Llama с 134,5 млн параметров. Эта сборка содержит объединённые BF16-веса в формате safetensors и предназначена для запуска через Transformers или vLLM, оценки без артефактов квантования и подготовки собственных конвертаций. Модель обучена методом LoRA на наборе Hypa-Keyboard-v2 из 409 598 примеров; базовая модель — unsloth/smollm-135m-instruct-bnb-4bit. Контекст составляет 2048 токенов. Модель выполняет предсказание следующего слова, завершение набираемого слова, исправление последнего слова и коррекцию предложения, включая восстановление диакритических знаков в тональных орфографиях. Она рассчитана на 27 языков, включая игбо, йоруба, хауса, эфик, тив, английский, французский, испанский, португальский и арабский, с особым вниманием к языкам Африки с ограниченными ресурсами. Рекомендуется жадное декодирование и короткая генерация; лицензия — Apache-2.0.

Kızagan-TTS-v1.0 — турецкая модель синтеза речи, выпущенная Alican Kiraz на основе VoxCPM2 от OpenBMB. Она преобразует текст в монофоническую речь с частотой 48 кГц; при генерации можно передать аудиозапись-образец, чтобы обусловить голос. Для нескольких фраз README рекомендует подавать отдельные предложения строками и повторно использовать одну и ту же запись-образец. Модель дообучена на закрытом односпикерном турецком корпусе TR-Voice-TTS. Выпуск v1.0 содержит объединённый чекпойнт Step 1500; повторное дообучение при подготовке релиза не проводилось. Карточка приводит ограниченные результаты прослушивания для голоса диктора обучающего корпуса, но они не подтверждают сходство голоса для незнакомых дикторов, акцентов или языков. Указанная лицензия — Apache-2.0.

LLaVA-Gemma-2b — компактная мультимодальная модель Intel, дообученная по фреймворку LLaVA-v1.5 на основе google/gemma-2b-it. Она сочетает языковую модель Gemma-2B с визуальным энкодером на основе CLIP и принимает текст вместе с изображениями, чтобы отвечать на вопросы и вести диалог о визуальном содержимом. Модель также может работать с текстом без изображений. Модель предназначена для оценки мультимодальных систем и использования в качестве чат-бота. В карточке описано применение в бенчмарках, но характеристики длины контекста и результаты сравнительных оценок этой версии не приведены. Авторы не рекомендуют использовать её в ситуациях, требующих высокой фактической точности, а также в медицинских и других высокорисковых сценариях. Модель распространяется под лицензией Gemma; условия следует сверить с файлами лицензии репозитория.

LumynaX Speech Kokoro 82M TTS — ранний эксперимент AbteeX AI Labs из Аотеароа, Новая Зеландия, на базе hexgrad/Kokoro-82M. Модель предназначена для преобразования текста в речь; в выпуске используется маршрутизация к исходной модели и интеграция идентичности без изменения или слияния её весов. Это архивный артефакт, который больше не поддерживается и не рекомендуется для производственного применения. В карточке указана лицензия Apache-2.0. Подробности о поддерживаемых голосах, языках синтеза и характеристиках аудио для этого выпуска не приведены.

onecxi/mms-english-female-indic — модель синтеза речи, созданная на основе facebook/mms-tts и обученная на наборе данных IndicTTS. Она преобразует английский текст в аудио женским голосом, связанным с хинди. Модель построена на архитектуре VITS, содержит 3,5 млн параметров и распространяется в формате safetensors для использования через Transformers. Модель подходит для озвучивания английских фраз женским голосом с индийским акцентом, например для учебных демонстраций и экспериментов с синтезом речи. В карточке указана лицензия CC BY-NC 4.0, которая запрещает коммерческое использование. Авторы также предостерегают от имитации реальных людей без их согласия и от создания вводящего в заблуждение или вредоносного контента.

facebook/mms-tts-did — модель синтеза речи на языке дидинга (Didinga, код did), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на дидинга в речевую аудиоволну и предназначена для создания озвучивания на этом языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. VITS объединяет вариационный автоэнкодер, потоковый модуль, текстовый энкодер на основе Transformer и декодер, формирующий аудиоволну; стохастический предиктор длительности позволяет варьировать ритм речи. Для языков MMS-TTS выпускаются отдельные контрольные точки. Модель доступна через библиотеку Transformers. Генерация недетерминирована: для повторения результата требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

OmniVoice Hakka Community 1 — контрольная точка OmniVoice, дообученная FormoSpeech на тайваньских диалектах языка хакка. Модель преобразует текст в речь и поддерживает клонирование голоса по образцу аудио с его текстовой расшифровкой, а также настройку голоса по текстовой инструкции. В карточке указано обучение в течение 16 000 шагов и поддержка шести диалектных меток: Sixian, Hailu, Dapu, Raoping, Zhao'an и Southern Sixian. Модель предназначена для синтеза речи на тайваньском хакка, включая озвучивание текста и генерацию речи с заданным голосом. В оценке на диалектах Sixian и Hailu она показала CER 2,03% и 2,44% соответственно; результаты относятся к описанным в карточке тестовым наборам и метрикам. Для использования нужен доступ к закрытому репозиторию Hugging Face. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое применение.

Карточка модели khaledmezdour/omnivoice-singing на Hugging Face совпадает с карточкой ModelsLab/omnivoice-singing, поэтому описание составлено по ней. ModelsLab/omnivoice-singing — это дообученная модель преобразования текста в речь на базе k2-fsa/OmniVoice. Она добавляет к многоязычному синтезу речи пение и управление эмоциями с помощью текстовых тегов, например [singing], [happy], [sad], [angry], [excited], [calm], [nervous] и [whisper]. Разработчик указывает архитектуру Qwen3-0.6B LM с аудиотокенизатором HiggsAudioV2 и частотой вывода 24 кГц; модель совместима с кодом и API исходной OmniVoice. Модель предназначена для синтеза выразительной речи и мелодичного вокала, а также сохраняет клонирование голоса по образцу аудио, настройку характеристик голоса и управление произношением, скоростью и длительностью. Карточка заявляет поддержку более 600 языков; среди перечисленных — английский, китайский, японский, корейский, испанский, французский, немецкий, итальянский, русский, хинди и гуджарати. Модель опубликована под лицензией Apache-2.0. Ограничения: поведение тегов [calm] и [excited] слабее из-за малого числа обучающих примеров, а качество пения на других языках может различаться. Токенизатор настроен на речь и не предназначен для генерации музыки или ударных партий.

Это дообученная модель Qwen3-TTS-12Hz-0.6B-Base, опубликованная пользователем duarteocarmo. Она предназначена для клонирования голоса говорящего duarte и синтеза речи по тексту; при дообучении применено исправление из обсуждения Qwen3-TTS. В README указано 200 обучающих примеров. Модель использует архитектуру Qwen3-TTS с плотной конфигурацией и генерацией речи на основе дискретных многокодовых последовательностей. Семейство поддерживает китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки; базовая модель также поддерживает клонирование голоса по аудиопримеру. Карточка приводит результаты оценки: WER 0,0229, CER 0,0019 и среднюю разницу длительности +0,12 с. Модель подходит для персонализированной озвучки и создания речи голосом целевого говорящего. Она распространяется по лицензии Apache-2.0. Опубликованные метрики и малый объём обучающих данных не гарантируют качество для других голосов, текстов и условий; характеристики потоковой генерации из README относятся к семейству Qwen3-TTS и не подтверждены отдельно для этого чекпойнта.

Это языковая модель RoBERTa для латинского языка, опубликованная пользователем pstroe. Она предназначена для заполнения пропусков в тексте и оценки результатов распознавания рукописного текста (HTR); автор также предлагает использовать её как декодер для архитектуры TrOCR. Модель построена на архитектуре RoBERTa и содержит около 151,8 млн параметров. Она обучалась на корпусе латинских текстов объёмом около 390 млн токенов, полученном из латинской части CC-100 после очистки и нормализации. Максимальный контекст составляет 514 токенов. Репозиторий содержит веса PyTorch. Модель подходит для языкового моделирования латинских текстов и поддержки экспериментов с распознаванием рукописей. Лицензия в предоставленных данных не указана.

Rafflezs/simplificador-mt5 — дообученная модель Google mT5-small для упрощения математических текстовых задач на португальском языке, предназначенных для учеников 5–7-х классов начальной и средней школы. Она разработана в рамках проекта AutoMat(e), где используется как второй этап конвейера: после диагностики текста правилами модель преобразует формулировку задачи. Модель имеет архитектуру encoder-decoder MT5ForConditionalGeneration и содержит 157,4 млн параметров. На вход подаются исходный текст и, если они сформированы диагностическим этапом, маркеры сложности, расплывчатых глаголов и типа структуры; на выходе — упрощённая формулировка на португальском. Обучение проводилось на 1321 паре для обучения и 55 парах для проверки; лучший чекпойнт показал BLEU 30,97 и ROUGE-L 0,5109 на указанном проверочном наборе. Модель рассчитана на узкую образовательную задачу и формат входа с диагностическими маркерами, поэтому эти результаты не характеризуют её качество на произвольных текстах или математических задачах вне указанного школьного диапазона. Лицензия — Apache-2.0.

Карточка модели Diankun/Spatial-MLLM-v1.1-Instruct-820K на Hugging Face совпадает с карточкой Diankun/Spatial-MLLM-subset-sft, поэтому описание составлено по ней. Diankun/Spatial-MLLM-subset-sft — дообученная мультимодальная модель семейства Qwen2.5-VL, предназначенная для анализа видео и ответов на вопросы о визуальной пространственной информации. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2_5_VL_VGGTForConditionalGeneration, работает через Transformers и принимает контекст до 128 000 токенов. Модель описана в работе Spatial-MLLM: Boosting MLLM Capabilities in Visual-based Spatial Intelligence. Она подходит для диалогового анализа видеосцен с пространственным содержанием и формирования ответов на естественном языке. Базовая модель — Qwen/Qwen2.5-VL-3B-Instruct. Репозиторий распространяется по лицензии MIT.

sapinsapin/speecht5_tts-fsc — дообученная модель Microsoft SpeechT5 для синтеза речи из текста на филиппинском языке, включая тагальский и смешанную речь Taglish. Модель обучена на датасете FilipinoSpeechCorpus: 1867 записей прочитанной речи; обучение продолжалось 1000 шагов. Для генерации использовались обусловливание голосом через SpeechBrain x-vector и вокодер microsoft/speecht5_hifigan. Модель предназначена для озвучивания филиппинских текстов и экспериментов с синтезом речи для тагальской и Taglish-речи. В карточке приведено значение eval_loss 0.4432 и упомянуты аудиопримеры для прослушивания. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT. Это дообучение microsoft/speecht5_tts, которая сама основана на SpeechT5 и была дообучена на LibriTTS. Оценка качества ограничена описанным экспериментом на небольшом корпусе прочитанной речи; сведения о переносе на другие голоса, типы речи и широкие сценарии использования не приведены.

VibeVoice-1.5B-hf — совместимая с Transformers версия модели VibeVoice, разработанной Microsoft; карточку этой версии внес Eric Bezzam. Модель предназначена для синтеза выразительной длинной разговорной речи из текста, например подкастов и диалогов с несколькими участниками. Она использует непрерывные акустические и семантические токенизаторы с частотой 7,5 Гц, языковую модель для понимания текста и хода диалога и diffusion-компонент для генерации акустических деталей. Базовая модель — Qwen2.5 1.5B. Модель может генерировать речь длительностью до 90 минут с участием до четырёх разных голосов, а также поддерживает клонирование голоса по предоставленному аудиообразцу. Она рассчитана на английский и китайский языки. В каждом сгенерированном аудиофайле предусмотрены слышимый дисклеймер и невидимый водяной знак. Лицензия — MIT. Авторы предназначают релиз для исследований и разработки и не рекомендуют применять его в коммерческих или реальных сценариях без дополнительной проверки. Модель синтезирует только речь: она не рассчитана на музыку, фоновые звуки или перекрывающиеся реплики; языки помимо английского и китайского не поддерживаются. Возможны неожиданные, предвзятые или неточные результаты, а клонирование голоса требует явного согласия его владельца.

VideoLLaMA2-72B — мультимодальная языковая модель для диалога о видео из семейства VideoLLaMA 2, разработанного DAMO-NLP-SG. Она предназначена для ответов на вопросы о содержании видео и его пространственно-временных событиях; в карточке также заявлена поддержка генерации текста. Модель имеет плотную архитектуру на основе Qwen2 с 71,5 млрд параметров и поддерживает контекст до 32 768 токенов. Метаданные указывают английский язык. README описывает VideoLLaMA 2 и перечисляет видеомодели с визуальным энкодером CLIP, но не приводит отдельные технические детали именно версии 72B. Модель подходит для анализа видеосцен и диалоговых сценариев, где нужно сформулировать текстовый ответ по визуальному содержанию. Репозиторий распространяется по лицензии Apache-2.0. В доступной карточке не приведены отдельные результаты оценки качества или рекомендации по ограничениям применения.

aufklarer/VoiceChat-11B-Perception-MLX-int8 — конверсия полного речевого пайплайна NVIDIA NemotronLabs VoiceChat 11B в формат MLX для Apple Silicon. Модель предназначена для потокового двустороннего общения голосом: воспринимает речь пользователя, обрабатывает языковые и функциональные каналы и генерирует ответную речь встроенным голосом Aria. В состав входят языковая модель Nemotron-H, потоковый энкодер FastConformer и декодер аудиокодека; полный чекпойнт содержит 11,1 млрд параметров. Вариант использует 8-битное представление и занимает около 12,11 ГБ; в тесте README его жадные выходы совпали с fp16-версией токен в токен. Модель принимает и выдаёт аудио, а языковой канал поддерживает английский. Репозиторий распространяется по лицензии OpenMDW 1.1. Пайплайн поддерживает потоковую работу, но в приведённом тесте на Apple Silicon не успевал обрабатывать речь в реальном времени. Генерация проверена для встроенного голоса Aria; клонирование пользовательского голоса не подтверждено и работает некорректно.

Vyvo/Vyvo-Multilingual-EN-FT-v0.1 — дообученная компанией Vyvo модель синтеза английской речи с клонированием голоса. Она продолжает аудиопоследовательность как языковая модель: для генерации нужны короткий аудиореференс с расшифровкой и целевой текст. Модель рассчитана на один выразительный голос и английский язык. Модель основана на Vyvo/Vyvo-Multilingual-v0.1, использует плотную архитектуру Qwen3 с 574,8 млн параметров и аудиокодек kyutai/mimi с 32 кодовыми книгами и частотой 24 кГц. Контекст — до 40 960 токенов. Полное дообучение снизило WER английской речи для этого голоса относительно базовой модели; в оценке из карточки лучший результат получен при генерации нескольких вариантов с отбором по совпадению распознанного текста. Для работы требуется транскрипт референсного аудио: без него клонирование голоса не работает надёжно. Жадное декодирование может обрывать длинные фразы, а редкие имена иногда произносятся неверно. Модель распространяется по лицензии MIT.

Модель представляет собой LoRA-адаптер для базовой модели xelsoft-ai-lab/AfriVoxAccent_QW3_spk_wolof-tts_12hz_lora-r32_s42_20260911_174933. Она разработана организацией или лабораторией xelsoft-ai-lab для синтеза речи на языке волоф с поддержкой нескольких акцентов в рамках проекта AfriVoxAccent. Доступные акценты — baol, dakar и fouta; выбор акцента осуществляется через специальный токен accent. Модель предназначена для задач text-to-speech, то есть преобразования текста в речь на волоф, с возможностью управлять акцентом говорящего или произношения. В README указано, что это PEFT-модель и LoRA-адаптер с рангом r16, однако архитектура базовой модели, число параметров, поддерживаемые модальности помимо текста и речи, размер контекста, характеристики голоса и требования к аппаратному обеспечению не раскрыты. Сильной стороной модели является компактная адаптация базовой TTS-модели для многорегионального или многоакцентного синтеза волоф. Ограничения связаны с узкой языковой и функциональной специализацией, а также с отсутствием подробных сведений о качестве синтеза, совместимости, лицензии и условиях использования. Лицензия в README не указана.

AudioRubrics — мультимодальная модель лаборатории Zhou при University of Maryland, полученная постобучением Qwen2.5-Omni-7B методом GRPO. В обучении использовались саморазвивающиеся критерии оценки, привязанные к аудио, и штраф за избыточные рассуждения; опубликован полный объединённый чекпойнт Omni. Модель предназначена для ответов на текстовые запросы об аудио и задач аудиорассуждения. Она принимает аудио и поддерживает диалог; базовая Qwen2.5-Omni также работает с текстом, изображениями и видео, однако карточка AudioRubrics подтверждает только аудиовход и задачу audio-text-to-text. Репозиторий содержит веса Safetensors. В README приведён запуск через vLLM с ограничением контекста 8192 токена и одним аудиофрагментом на запрос. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели и связанных материалах. Модель ориентирована на английский язык; результаты и качество за пределами аудиорассуждения в карточке не описаны.

BabyLM-community/babylm-multimodal-baseline-flamingo — мультимодальная модель генерации текста, опубликованная сообществом BabyLM как базовая модель для мультимодального направления BabyLM Challenge. Она предназначена для изучения того, как компактные языковые модели связывают язык с визуальной информацией; в частности, может генерировать текст с учётом изображения и использоваться для визуального заземления языка. Архитектура построена на Flamingo с текстовым декодером, обусловленным визуальными токенами; в конфигурации Hugging Face указано семейство OPT и около 138,4 млн параметров. Контекст составляет 2048 токенов. Ввод включает текст и изображения, вывод — текст. Модель ориентирована на англоязычные данные BabyLM; сведения о лицензии и более точных ограничениях в карточке не приведены.

Tencent GameMate Chinese HuBERT Base — предобученная акустическая модель на архитектуре HuBERT, разработанная Tencent GameMate. Модель содержит 113,3 млн параметров и обучена на 10 тысячах часов аудиоданных из подмножества WenetSpeech L. Она предназначена для извлечения признаков из китайской речи и может служить акустической основой для последующего обучения систем распознавания речи. Модель принимает аудио и выдаёт речевые представления. Веса опубликованы в формате PyTorch; для работы автор указывает Transformers 4.16.2. Токенизатора в репозитории нет: для распознавания речи потребуется создать токенизатор и дообучить модель на размеченных текстовых данных. Лицензия — MIT.

elijahross/csm-german — модель генерации аудио из текста на архитектуре CSM, опубликованная под именем elijahross. Модель обучена с нуля на неизвестном наборе данных; в карточке не приведены дополнительные сведения о разработчике, обучении или назначении. Репозиторий содержит веса в формате Safetensors, модель рассчитана на использование через Transformers и насчитывает около 977 млн параметров; длина контекста — 2048 токенов. Модель предназначена для преобразования текстового ввода в аудио. По названию можно предположить связь с немецким языком, однако README не подтверждает, что именно немецкая речь или текст были целевыми данными. Качество синтеза, поддерживаемые голоса и языки, а также ограничения применения в карточке не описаны. Лицензия в предоставленных данных не указана.

Dasheng-AudioGen-GGUF — версия модели mispeech/Dasheng-AudioGen в формате GGUF, подготовленная ilintar для запуска через C++/GGML-рантайм thinksound.cpp. Модель преобразует текстовое описание в аудио: Flan-T5-Large кодирует текст, адаптер предсказывает содержание и длительность, LayerFusionAudioDiT формирует аудиолатенты, а декодер Vocos выдаёт монофонический звук с частотой 16 кГц. Генерация выполняется с помощью 25-шагового flow-matching-сэмплера. Пакет включает веса аудиомодели, декодера и текстового энкодера; заявлена работа на CPU, ROCm/HIP и Vulkan, а соответствие PyTorch-версии проверено поэтапным сравнением. Модель подходит для создания речи, музыки, звуковых эффектов и фоновых звуков по описанию. Длительность результата предсказывается моделью и может не совпасть с запрошенной. Репозиторий распространяется по лицензии Apache-2.0.