I.15Доступность и ассистивные технологии

Kokoro-82M CoreML — модель синтеза речи, представляющая собой CoreML-экспорт базовой модели hexgrad/Kokoro-82M, подготовленный разработчиком aufklarer для устройств Apple. Она предназначена для локального преобразования текста в речь в приложениях на iOS и macOS, включая голосовые интерфейсы, озвучивание текста и другие сценарии on-device TTS. Для работы требуется iOS 18 или macOS 15 и новее, а интеграция рассчитана на использование CoreML и Apple Neural Engine. Модель содержит 82 млн параметров, работает в формате FP16 и объединяет в одном вызове CoreML полный конвейер синтеза: BERT, предсказание длительности, выравнивание фиксированной формы, просодию и декодер. Максимальная длина генерируемого аудио составляет 5 секунд, поддерживается до 128 фонем за один проход, размерность стиля — 256, частота дискретизации — 24 кГц. Для преобразования графем в фонемы используются отдельные модели G2P Encoder и G2P Decoder. В комплект входят 54 предустановленных голосовых эмбеддинга для 10 языков и языковых вариантов: английского (US/UK), испанского, французского, хинди, итальянского, японского, корейского, португальского и китайского. К сильным сторонам относятся единый end-to-end CoreML-конвейер, оптимизация под Apple Neural Engine и возможность локальной генерации речи без обращения к серверу. Ограничения включают зависимость от современных версий iOS и macOS, максимальную длительность одного прохода в 5 секунд, ограничение по числу фонем и крупный размер FP16-файла модели около 325 МБ. Модель и её CoreML-конверсия распространяются по лицензии Apache-2.0; словари и компоненты G2P также указаны как Apache-2.0.

LFM2.5-VL-450M — компактная мультимодальная модель Liquid AI для понимания изображений и ответов на вопросы по ним. Она дообучена на языковой основе LFM2.5-350M и использует визуальный энкодер SigLIP2 NaFlex размером 86 млн параметров. Модель обрабатывает изображения с сохранением нестандартных пропорций, разбивает крупные изображения на фрагменты и поддерживает контекст до 32 768 токенов. Модель предназначена для описания изображений, визуального диалога, обнаружения объектов и предсказания ограничивающих рамок. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский языки; вызов функций доступен для текстового ввода. Модель подходит для локального запуска и развёртывания на периферийных устройствах, а карточка рекомендует дообучать её под конкретные сценарии. По данным карточки, обновлённая версия улучшает результаты предшественника на ряде визуальных и языковых тестов. Она не предназначена для задач, требующих обширных знаний, и плохо подходит для точного OCR. Лицензия указана как other; конкретные условия следует сверять в репозитории модели.

unsloth/llava-1.5-7b-hf — версия LLaVA-1.5-7B, опубликованная Unsloth на базе llava-hf/llava-1.5-7b-hf. Это плотная авторегрессионная модель семейства LLaVA на архитектуре Transformer, дообученная для диалогов и следования мультимодальным инструкциям. Она принимает изображения и текстовые запросы и генерирует текстовые ответы; поддерживает несколько изображений в одном запросе и шаблон диалога USER/ASSISTANT. Модель предназначена для визуальных вопросов и диалога с учётом изображений. Для использования требуется совместимая версия Transformers; README также описывает загрузку в 4-битном режиме на CUDA GPU и ускорение с Flash Attention 2. Указана лицензия Llama 2.

MBZUAI/LLaVA-Meta-Llama-3-8B-Instruct — мультимодальная модель семейства LLaVA, разработанная на основе Meta-Llama-3-8B-Instruct. Она предназначена для диалогов и понимания изображений: принимает текстовые запросы вместе с изображениями и формирует текстовые ответы. Репозиторий содержит объединённые веса; при обучении на этапе предварительной настройки обучался только визуально-языковой проектор, а при дообучении LLM использовался LoRA при замороженном визуальном энкодере CLIP. Модель содержит около 7,5 млрд параметров, использует архитектуру LlavaLlamaForCausalLM и поддерживает контекст до 8192 токенов. Для обучения указаны наборы LCS-558K и LLaVA-Instruct-665K. Доступный формат весов — safetensors. Лицензия в предоставленных сведениях не указана.

RaviNaik/Llava-Phi2 — мультимодальная модель на основе Phi-2, разработанная Ravi Naik по мотивам LLaVA-Phi. Она объединяет языковую модель Phi-2 с визуальным модулем CLIP ViT-L/14 разрешением 336 пикселей и дообучена для работы с изображениями и инструкциями. В карточке указаны предварительное обучение на 200 тысячах примеров LAION-CC-SBU с подписями BLIP и дообучение на наборе из 150 тысяч инструкций на основе COCO. Модель предназначена для диалога по изображениям: она принимает изображение и текстовый запрос, а в ответ формирует текст. Размер составляет 3,5 млрд параметров, контекст — 2048 токенов; в метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

MBZUAI/LLaVA-Phi-3-mini-4k-instruct — мультимодальная чат-модель MBZUAI для понимания изображений и диалога на их основе. Она объединяет архитектуру LLaVA v1.5 с языковой моделью Phi-3-mini-4k-instruct; в репозитории размещены объединённые веса. Обучение включало настройку визуально-языкового проектора и LoRA-дообучение языковой части при замороженном визуальном энкодере CLIP. Модель содержит 3,7 млрд параметров, принимает текст и изображения и генерирует текст. Контекст составляет 4096 токенов. В README указаны наборы данных LCS-558K для предварительного обучения и LLaVA-Instruct-665K для дообучения. Модель подходит для диалога о содержимом изображений и ответов на вопросы по ним. Лицензия — MIT.

Malaysian-TTS-1.7B-v1 — разговорная языковая модель для синтеза речи, разработанная mesolitica. Это продолжение предобучения mesolitica/Malaysian-TTS-1.7B-v0.1 на более согласованном наборе данных с полным дообучением параметров. Модель построена на архитектуре Qwen3, содержит 1,8 млрд параметров и использует контекст до 32 768 токенов. Модель принимает текст и генерирует речевые токены, которые декодируются с помощью DistilCodec в аудио с частотой 24 кГц. Она поддерживает переключение между малайским и английским языками, несколько голосов и улучшенное произношение букв и устойчивость к повторениям. Предназначена для озвучивания текста на малайском и английском, включая переключение языков в одной фразе. Для корректной озвучки числа нужно предварительно нормализовать в слова. В некоторых повторяющихся фразах запятые не обеспечивают паузы. В README указана установка DistilCodec, но лицензия модели не приведена.

Это дообученная модель распознавания речи на основе openai/whisper-small, разработанная пользователем simran14. Она предназначена для преобразования аудио в текст на маратхи и обучена на наборе Common Voice 11.0. Модель использует архитектуру WhisperForConditionalGeneration и содержит 153,1 млн параметров. Репозиторий опубликован в формате safetensors; лицензия — Apache-2.0. Базовая Whisper поддерживает несколько языков, но сведения о качестве распознавания, длине аудио и результатах оценки этой версии не приведены.

facebook/mms-tts-ara — модель синтеза арабской речи из текста, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Это отдельный чекпойнт для арабского языка с архитектурой VITS, объединяющей вариационный автоэнкодер, flow-модуль и декодер на основе HiFi-GAN. Модель содержит около 3,5 млн параметров и доступна через библиотеку Transformers. Модель преобразует входной текст в речевую аудиоволну и подходит для озвучивания арабских текстов и создания речевого вывода в приложениях. Стохастический предиктор длительности позволяет получать разные ритмические варианты произношения; для воспроизводимого результата требуется фиксировать seed. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-bus — модель синтеза речи на языке бокобару (код bus), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на бокобару. Модель построена на архитектуре VITS: это сквозная система с вариационным автоэнкодером, потоковым модулем, текстовым энкодером на основе Transformer, декодером в стиле HiFi-GAN и стохастическим предиктором длительности. Для проекта MMS обучается отдельный чекпойнт для каждого языка. В метаданных указано 3,5 млн параметров; модель доступна для PyTorch и Transformers. Предиктор длительности стохастический, поэтому при одинаковом тексте модель может генерировать варианты с разным ритмом; для воспроизводимого результата нужен фиксированный seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-eus — модель синтеза речи на баскском языке, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую волну и подходит для озвучивания фраз и создания басскоязычной речи в приложениях. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, потоковый модуль и декодер, построенный по принципу HiFi-GAN. Размер модели — 3,5 млн параметров; для каждой языковой версии MMS обучена отдельная модель. Стохастический предиктор длительности позволяет получать варианты произношения и ритма для одного текста, поэтому результат может меняться между запусками; для повторяемого результата нужен фиксированный seed. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-hun — модель синтеза речи на венгерском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на венгерском языке. Модель основана на архитектуре VITS и содержит 3,5 млн параметров. Это сквозная система синтеза речи с вариационным автоэнкодером, flow-модулем, декодером и стохастическим предсказателем длительности, который позволяет варьировать ритм речи. Для использования доступна через библиотеку Transformers версии 4.33 и выше. Генерация недетерминирована: для повторения результата нужно зафиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-kir — модель синтеза речи на кыргызском языке из проекта Massively Multilingual Speech компании Facebook. Это отдельный чекпойнт для кыргызского, построенный на архитектуре VITS: модель принимает текст и генерирует речевую аудиоволну. Вариационный автоэнкодер, потоковый модуль и декодер HiFi-GAN работают сквозным образом, а стохастический предиктор длительности позволяет варьировать ритм речи для одного и того же текста. Модель предназначена для озвучивания кыргызскоязычных текстов. Она доступна через библиотеку Transformers версии 4.33 и выше; в репозитории используются форматы PyTorch и Safetensors, размер модели — 3,5 млн параметров. Из-за стохастического предиктора результат генерации может меняться между запусками; для воспроизводимого аудио требуется фиксированное значение seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

facebook/mms-tts-mal — модель синтеза речи на малаялам от Meta, созданная в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на малаялам. Модель использует архитектуру VITS и содержит 3,6 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; библиотека Transformers поддерживает его начиная с версии 4.33. Стохастический предиктор длительности позволяет получать разные ритмические варианты произношения одного текста, поэтому при фиксированном seed можно воспроизводить тот же результат. Модель подходит для озвучивания текстов и создания речевого аудио на малаялам. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и запрещает коммерческое применение.

Molmo2-8B — открытая мультимодальная модель для понимания изображений, видео и наборов изображений, разработанная Allen Institute for AI (Ai2). Она объединяет языковую основу Qwen3-8B с визуальным энкодером SigLIP 2; каталог указывает плотную архитектуру Molmo2 и формат весов safetensors. Модель принимает визуальный материал и текстовые запросы, а ответы формулирует текстом. Модель предназначена для вопросов и ответов по изображениям и видео, описания сцен, подсчёта объектов, указания их местоположения и отслеживания объектов в видео. По данным README, она показывает сильные результаты на коротких видео, подсчёте и создании описаний, а на длинных видео конкурентоспособна. В метаданных указан английский язык; языки кроме него не подтверждены. Репозиторий распространяется по лицензии Apache-2.0. Контекстное окно в предоставленных данных не описано.

Moonshine Streaming Tiny — Arabic — модель распознавания арабской речи с потоковой расшифровкой, разработанная командой Moonshine AI. В метаданных указано 13,8 млн параметров; README сообщает о 27 млн, поэтому размер в источниках расходится. Модель использует временной аудиофронтенд с частотой 50 Гц и Transformer-энкодер со скользящими окнами, а также декодер; она выдаёт текст постепенно, не дожидаясь окончания аудиофрагмента. Заявленное применение — запуск на устройствах с ограниченными ресурсами. Модель обучена на автоматически размеченных арабских подкастах, видео и других аудиозаписях; транскрипты получены от модели-учителя семейства Whisper и не проверялись людьми для большей части данных. README приводит результаты на выборке из 400 фрагментов Common Voice и FLEURS, но предупреждает, что это не полная оценка арабского языка и что диалекты отдельно почти не измерялись. Среди ограничений — ошибки в именах, числительных и переключении языков, повторения на коротких или шумных фрагментах и слабая проверенность в телефонных и дальнеполевых условиях. Лицензия — MIT.

IndicWav2Vec Nepali — модель распознавания речи, созданная дообучением ai4bharat/indicwav2vec_v1_hindi для непальского языка в рамках сравнительного бенчмарка непальских ASR-моделей. Она построена на Wav2Vec 2.0 с CTC-декодированием и содержит 113,3 млн параметров по метаданным Hugging Face. Принимает аудио, подготовленное как монофоническое с частотой 16 кГц, и выдаёт текст на письме деванагари. Модель предназначена для транскрибирования непальской речи, в частности записанной и читаемой речи. На тесте OpenSLR SLR54 указаны WER 14,89% и CER 3,07%; на FLEURS (ne_np) — WER 40,68%, а на Common Voice ne-NP — 51,65%. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства в рамках некоммерческих условий. Обучение охватывало только читаемую речь. Модель не проверялась для спонтанных разговоров, смешения непальского с английским или хинди и диалектных вариантов; при декодировании внешний языковой модуль не используется. Качество на шумном аудио и пользовательских записях может быть ниже, чем на тестовых данных.

PaliGemma 2 3B Mix 448 — мультимодальная модель Google для работы с изображениями и текстом. Она сочетает визуальный энкодер SigLIP с языковой моделью Gemma 2 и принимает изображение вместе с текстовым запросом, выдавая текст. Версия Mix поддерживает несколько языков; вариант 448 рассчитан на изображения с разрешением 448 пикселей. Модель предназначена прежде всего для дообучения под задачи понимания изображений: создания подписей и описаний, визуальных вопросов и ответов, чтения текста на изображении, обнаружения объектов с координатами и сегментации. Также она может описывать короткие видео и служить основой для специализированных решений, например вопросов по спутниковым снимкам или интерфейсам. PaliGemma 2 лучше работает с чёткими запросами и задачами, заданными шаблонами. Это предварительно обученная модель, поэтому её результаты без дообучения на специализированных задачах могут уступать моделям общего назначения; она не является многоходовым чат-ботом и может ошибаться в фактах, сложных рассуждениях и интерпретации нюансов. Модель распространяется по лицензии Gemma с ограничениями, изложенными в политике допустимого использования Gemma.

leo009/paligemma-3b-pt-224 — вариант PaliGemma 3B от разработчика leo009, основанный на открытых компонентах SigLIP и Gemma. Это предобученная модель зрения и языка: принимает изображение размером 224×224 и текст, а затем генерирует текст; длина текстовой последовательности на входе и выходе составляет 128 токенов. Архитектура реализована в Transformers как PaliGemmaForConditionalGeneration, веса доступны в формате safetensors. Модель предназначена прежде всего для дообучения под отдельные задачи: создание подписей к изображениям и коротким видео, ответы на визуальные вопросы, чтение текста на изображениях, обнаружение и сегментация объектов. Также её можно адаптировать для вопросов по снимкам дистанционного зондирования, помощи незрячим пользователям и описания элементов интерфейса. Модель поддерживает несколько языков, но карточка не перечисляет их. PaliGemma рассчитана на один раунд ввода изображения и текста и не предназначена для многоходового диалога. Без дополнительного обучения результаты на специализированных задачах могут уступать специализированным моделям; сложные открытые запросы, нюансы языка и фактические утверждения могут обрабатываться ненадёжно. Указана лицензия Gemma.

PanoVLM-500M — компактная модель «изображение—текст» от PanocularAI. Она объединяет визуальный энкодер FastViT-HD, языковую модель PanoLM с линейным вниманием и лёгкий проектор BitLinear. В метаданных указано около 385,1 млн параметров, а длина контекста составляет 131 072 токена. Модель принимает изображение и текст и предназначена для диалоговых сценариев с визуальными данными, например ответов на вопросы об изображении и его описания. README задаёт разрешение изображений 1024×1024 с изменением размера и дополнением; указано, что менять следует только разрешение. Для работы заявлены PyTorch, Transformers, flash-linear-attention и timm. Модель распространяется по лицензии Apache-2.0.

giangndm выпустил совместимое с Transformers представление модели NVIDIA Parakeet CTC 0.6B Vietnamese в формате BF16. Это модель распознавания речи с архитектурой ParakeetForCTC на основе FastConformer; она принимает аудио и преобразует его в текст на вьетнамском языке. В репозитории также находятся процессор и токенизатор, а для загрузки весов используется файл safetensors без необходимости выполнять удалённый код. Модель предназначена для транскрибирования вьетнамской речи. Её можно применять для получения текста из аудиозаписей и обработки речевых сигналов через Transformers. Представление BF16 является конверсией исходного чекпойнта и не заявляет об изменении качества распознавания. Применяются лицензия и ограничения использования исходной модели NVIDIA; в метаданных лицензия обозначена как other.

Это преобразованная в формат GGUF версия англоязычного голоса en_US-lessac-medium из набора Piper, опубликованного rhasspy. Репозиторий подготовлен для использования с CrispASR; модель синтезирует речь из текста и выдаёт монофонический PCM-аудиосигнал с частотой 22,05 кГц. В основе — архитектура VITS с трансформерным текстовым энкодером, стохастическим предсказателем длительности, блоками нормализующего потока и декодером HiFi-GAN. Веса представлены в F16, размер файла — около 30 МБ. Модель предназначена для озвучивания английского текста голосом Lessac, в том числе при локальном синтезе речи через CrispASR. Для фонемизации требуется espeak-ng. Это конверсия представления весов upstream-модели без дообучения, изменения архитектуры или возможностей. Лицензия — MIT; README указывает, что условия upstream-модели сохраняются.

Это модель синтеза речи Piper для польского языка, голос zenski_wg_glos. Модель перепакована из репозитория WitoldG/polish_piper_models для использования с speaches и распространяется в формате ONNX. Она преобразует польский текст в речь с женским голосом. Подходит для озвучивания текста и интеграции синтеза речи в приложения, использующие Piper или speaches. В метаданных указан язык pl; дополнительные сведения об архитектуре, размере и контекстном окне не приводятся. Условия лицензирования в карточке не описаны.

Карточка модели nttruong1007/qb-llava16-mistral7b на Hugging Face совпадает с карточкой llava-hf/llava-v1.6-mistral-7b-hf, поэтому описание составлено по ней. LLaVA-NeXT (LLaVA-1.6) — мультимодальная модель для диалога с изображениями, разработанная авторами работы LLaVA-NeXT. В этой версии языковая часть основана на Mistral-7B-Instruct-v0.2, объединённой с предварительно обученным визуальным энкодером. Модель принимает изображения и текстовые инструкции, а в ответ генерирует текст. Повышенное разрешение изображений и улучшенное обучение визуальным инструкциям предназначены для более качественного распознавания текста на изображениях, ответов на визуальные вопросы и рассуждений о содержимом изображения. Подходит для описания изображений и мультимодального чат-бота. Поддерживается английский язык; в README также заявлена двуязычная поддержка для семейства LLaVA-1.6, но второй язык для этого чекпойнта не уточнён. Репозиторий распространяется по лицензии Apache-2.0.

Это шестибитная MLX-конверсия мультимодальной модели Qwen2.5-VL-3B-Instruct, подготовленная сообществом mlx-community из базовой модели Alibaba Qwen. Она предназначена для диалогового анализа изображений и видео с ответами на естественном языке; метаданные также отмечают интерфейс вызова инструментов. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Вариант рассчитан на запуск в экосистеме MLX; карточка указывает преобразование с помощью mlx-vlm 0.1.11 и формат файлов safetensors. Поддерживаемый язык карточки — английский. Лицензия этой конверсии в предоставленных данных не указана; дополнительные сведения о возможностях и условиях использования следует сверять с карточкой исходной модели Qwen2.5-VL-3B-Instruct.

RohitUltimate/Qwen3.5_VL_2B_minor — дообученная мультимодальная модель на базе Qwen/Qwen3.5-2B, опубликованная пользователем RohitUltimate. Она предназначена для диалоговой работы с текстом и изображениями; основная задача в метаданных — преобразование изображений и текста в текст. Карточка сообщает, что полная версия дообученной модели может предоставляться по запросу, иногда за плату. Модель распространяется по лицензии MIT.

JEILDLWLRMA/Qwen3-VL-8B-Instruct-NVFP4 — мультимодальная vision-language модель для понимания изображений и генерации текста. Она основана на Qwen3-VL-8B-Instruct, разработанной командой Qwen, и использует архитектуру Qwen3VLForConditionalGeneration. Модель предназначена для описания изображений, визуального вопросно-ответного взаимодействия и других задач мультимодального анализа и генерации. Модель сжата в формат NVFP4 с применением SmoothQuant и инструмента llmcompressor. Веса квантизуются в 4-битный формат NVFP4 поканально, активации — поточечно с динамическим масштабированием; визуальный энкодер, lm_head и отдельные MLP gate-проекции исключены из квантизации для сохранения качества. Максимальная длина последовательности составляет 32 768 токенов. Поддерживается обработка изображений; сведения о полном наборе языков в README не указаны. Основные преимущества — уменьшенное примерно на 80% потребление памяти и потенциально более высокая скорость инференса на совместимых NVIDIA GPU, включая Jetson Thor. По заявлению README, типичное снижение качества относительно полноточной версии составляет 2–5%, однако результат зависит от задачи. Для работы требуется оборудование и программное окружение с поддержкой NVFP4; заявлена совместимость, в частности, с NVIDIA H100, A100 и Jetson Thor при подходящих версиях CUDA. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

Re3Cap-SC-LLaVA1.5-7B — мультимодальная модель для описания изображений, разработанная на основе LLaVA-1.5-7B. Модель дообучена методом GRPO с вознаграждением за самокоррекцию на уровне ключевых слов и стратегией Re³Cap, которая использует поиск для уточнения подписи к изображению. Подход Re³Cap включает Caption Refinement Suggester и Caption Quality Assessor: они помогают обнаруживать галлюцинации и пропущенные детали в сгенерированном описании. Модель предназначена для получения более точных и подробных подписей без дополнительных аннотаций. Поддерживает ввод изображений и текста, выдаёт текст; контекст — 4096 токенов. Репозиторий содержит веса Safetensors. Лицензия — Llama 2 Community License.

Rychanfox разработала модель Semantic Highlighting Classifier на основе encoder-модели ModernBERT-base с линейным классификатором токенов и слоем CRF для совместного выбора последовательности меток. Она выделяет в англоязычных технических и академических аннотациях смысловые фрагменты: вклад, метод, результаты, доказательства, ограничения, будущую работу и безопасность. Модель предназначена для инструмента доступности, который помогает читателям с дислексией или СДВГ просматривать научный текст по цветовым смысловым категориям; она также подходит для разметки таких фрагментов в аннотациях. Модель дообучена на слабо размеченных аннотациях arXiv, частично исправленных вручную, и использует веса в формате safetensors. CRF помогает формировать более связные последовательности меток, а модель рассчитана на работу в реальном времени. На небольшой проверочной выборке из 21 аннотации точность точных границ фрагментов скромная: exact-match F1 составляет 0,16, тогда как F1 с перекрытием символов — 0,86. Данные преимущественно охватывают ML/NLP; перенос на другие области и полный текст статей не проверен, а метки Safety и FutureWork представлены редко. Лицензия — Apache-2.0.

senga-nt-fused-tts — модель синтеза речи из текста, созданная дообучением SpeechT5 от Microsoft. В метаданных указаны архитектура SpeechT5, класс SpeechT5ForTextToSpeech и формат весов safetensors; модель доступна по лицензии MIT. Модель предназначена для преобразования текста в аудио. В README приведено значение loss 0,0868 на оценочном наборе, но подробности о данных, языках, голосах и методике оценки отсутствуют, поэтому качество и область применимости по этому показателю оценить нельзя.