I.15Доступность и ассистивные технологии

Український TTS-нормалізатор — компактна текстова модель на архітектурі Gemma 3, розроблена автором репозиторію skypro1111 і донавчена на базі google/gemma-3-270m-it. Вона перетворює письмовий український текст на форму, зручну для подальшого синтезу мовлення: розгортає числа, дати, час, суми, одиниці виміру, скорочення, коди, телефони та інші записи відповідно до контексту й граматичного узгодження. Модель призначена для нормалізації тексту реченнями перед подачею в TTS. Репозиторій містить ваги safetensors у bf16, GGUF у F16 та експорт ONNX із KV-кешем; метадані вказують на 113,9 млн параметрів і контекст 32 768 токенів. Для голих послідовностей цифр і довгих чисел потрібні два детерміновані кроки препроцесингу з репозиторію. Ліцензія — Gemma. Сильні сторони — читання числівників із контекстним відмінюванням, узгодження з іменниками та нормалізація часу й дат; автор повідомляє високі результати на власних тестових наборах. Обмеження включають слабшу транслітерацію невідомих англійських слів, помилки на деяких технічних і наукових записах та обробку лише одного речення за раз. Для послідовної роботи потрібні сегментація на речення та рекомендований препроцесинг.

Gemma4 E4B CPT Round 2 — дообученная модель, опубликованная Puujeeeeeeeeeeee на основе Puujeeeeeeeeeeee/gemma4-e4b-cpt-round1. Это плотная модель семейства Gemma 4 с архитектурой Gemma4ForConditionalGeneration и поддержкой изображений; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста по текстовым и визуальным входам, в том числе для сценариев, где нужно учитывать содержимое изображения. При обучении использовались Unsloth и библиотека TRL от Hugging Face. В карточке указана лицензия Apache-2.0. Данных о размере модели, длине контекста и конкретных результатах обучения в предоставленной карточке нет.

Helium1-VL-2B — инструктивно дообученная модель Kyutai для работы с изображениями и текстом, выпущенная в рамках проекта CASA. Она основана на языковой модели Helium1-2B и предварительно обученном визуальном энкодере Qwen-2.5VL; архитектура использует вставку визуальных токенов. Модель предназначена для ответов на вопросы об изображениях и других задач понимания визуального содержимого по текстовой инструкции. Модель содержит 1,9 млрд параметров, использует архитектуру Helium1 и формат safetensors. Контекст составляет 4096 токенов. В карточке указаны обучающие наборы FineVision и LLaVA-OneVision-1.5-Instruct-Data; заявлен английский язык. По описанию разработчиков, это высокопроизводительный базовый вариант среди моделей сопоставимого размера, обученных на общедоступных данных. Для загрузки требуется trust_remote_code=True. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий распространения и атрибуции.

mlx-community/IndexTTS-1.5 — конвертация модели IndexTTS-1.5 в формат MLX, выполненная сообществом mlx-community из IndexTeam/IndexTTS-1.5 с помощью mlx-audio 0.2.3. Модель предназначена для синтеза речи по тексту; репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. README отсылает к исходной карточке IndexTeam за подробностями о модели, поэтому дополнительные сведения о поддерживаемых языках, архитектуре синтеза и ограничениях качества здесь не подтверждены.

sulabhkatiyar выпустил NE-TTS — мультиязычную многоголосую модель синтеза речи для 16 языков Северо-Восточной Индии с 23 голосовыми вариантами. Это архитектура VITS, обученная с нуля на корпусе Vaani; базовая предобученная модель не использовалась. Модель напрямую преобразует текст в монофоническую аудиоволну с частотой 22 050 Гц. На вход подаётся текст в нижнем регистре, записанный латиницей и романизированный для соответствующего языка. Фронтенд посимвольный: он принимает символы из ограниченного набора, без знаков пунктуации; неподдерживаемые символы удаляются. Голос выбирается по имени из доступных языковых и региональных групп. Голоса основаны на записях нескольких дикторов одного пола и района, поэтому акцент внутри одного языка может меняться. Релизный чекпойнт содержит 86,5 млн параметров, включая дискриминатор, используемый при обучении; генератор для инференса содержит 39,8 млн параметров. Это первая версия модели, обученная на доступных данных для этих языков, поэтому качество и покрытие могут различаться. Лицензия модели — CC-BY-4.0; при использовании требуется сохранить атрибуцию проекта ARTPARK-IISc Vaani.

Salesforce/InstructBLIP-Vicuna-7B — визуально-языковая модель семейства InstructBLIP, разработанная Salesforce и основанная на BLIP-2 с языковой моделью Vicuna-7B. Она принимает изображение и текстовую инструкцию, а затем генерирует текстовый ответ о содержимом изображения. Модель предназначена для ответов на вопросы по изображениям, описания сцен и других задач взаимодействия с изображениями на естественном языке. В репозитории представлены веса PyTorch и Safetensors; поддерживаемый язык карточки — английский. README указывает на исследовательский выпуск и рекомендует оценивать точность, безопасность и справедливость перед применением. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования по доступным данным определить нельзя.

InternLM-XComposer2-4KHD — мультимодальная модель для работы с изображениями и текстом, разработанная командой InternLM на базе InternLM2. Она принимает изображения и текстовые запросы, поддерживает понимание изображений с разрешением до 4K и генерирует текстовые ответы в диалоге. Модель подходит для визуальных вопросов и ответов, а также для задач, в которых нужно описать или интерпретировать содержимое изображения. Модель имеет плотную архитектуру InternLM2ForCausalLM и содержит 7,4 млрд параметров. Для запуска предусмотрена загрузка через Transformers с пользовательским кодом модели; README рекомендует bfloat16, чтобы снизить требования к памяти. Указанный в метаданных размер контекста — 32 768 токенов. Репозиторий содержит веса PyTorch, лицензия обозначена как other; конкретные условия лицензии в предоставленных данных не раскрыты.

InternVL3-14B-hf — реализация на базе Transformers мультимодальной модели OpenGVLab InternVL3. Репозиторий содержит веса в формате safetensors и предназначен для функционально эквивалентного использования модели в экосистеме Hugging Face Transformers; архитектура — плотная модель InternVL с поддержкой диалогового режима и зрения. Это дообученная версия OpenGVLab/InternVL3-14B-Instruct. Модель принимает текст вместе с изображениями и видео, а также поддерживает генерацию текста по одному лишь текстовому запросу. Она предназначена для визуальных вопросов и ответов, анализа изображений и видео, мультимодального рассуждения и сценариев взаимодействия с интерфейсами и инструментами. В README отмечены возможности пакетного инференса и обработки чередующихся текстовых, графических и видеоданных; заявлены улучшения мультимодального восприятия и рассуждения относительно InternVL 2.5. Карточка указывает мультиязычную поддержку, но не перечисляет конкретные языки. Лицензия обозначена как other, поэтому условия использования следует сверять с лицензией исходной модели и репозитория. Модель рассчитана на инференс через Transformers; конкретные ограничения качества и контекстного окна в предоставленных данных не описаны.

InternVL3.5-1B-Instruct — мультимодальная модель OpenGVLab из семейства InternVL3.5, дообученная на базе OpenGVLab/InternVL3_5-1B-Pretrained и предназначенная для диалогов по тексту и изображениям. Она объединяет зрительную и языковую части и выдаёт ответы в текстовой форме; архитектура в метаданных обозначена как InternVLChatModel. В карточке семейства описаны возможности рассуждения по изображениям, включая понимание визуальных сцен и документов, а также GUI-взаимодействие. Модель подходит для вопросов об изображениях, визуального анализа и мультимодального общения. Метаданные указывают поддержку многоязычного режима, формат весов Safetensors и библиотеку Transformers. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает размер именно этой версии и длину её контекста.

MLX-конверсия мультимодальной чат-модели InternVL3-8B, подготовленная mlx-community из модели models/InternVL3-8B с помощью mlx-vlm 0.1.23. Она предназначена для диалога по изображениям и задач визуального понимания: принимает текст и изображения, отвечает текстом. Архитектура относится к семейству InternVL Chat; карточка указывает мультиязычную поддержку и формат safetensors. Модель подходит для описания изображений и ответов на вопросы о визуальном содержимом в диалоговом интерфейсе. Для запуска в экосистеме MLX README рекомендует пакет mlx-vlm. В метаданных указана лицензия other; конкретные условия следует сверить с исходной карточкой модели.

Jano-TTS — компактная многоголосая модель синтеза речи, представленная автором репозитория jano3. Она основана на Flow Matching и архитектуре UNet в стиле Matcha, содержит около 24,6 млн параметров и генерирует речь с частотой 24 кГц. В карточке указана поддержка 128 голосов. Эта версия дообучена для синтеза речи на сомалийском языке; для английского автор рекомендует базовую модель. Модель рассчитана на преобразование текста в аудио, а для инференса в README перечислены PyTorch, Transformers, Vocos и tokenizers. Репозиторий распространяется по лицензии Apache-2.0.

Карточка модели Redvodk/LFM2.5-VL-450M-heretic на Hugging Face совпадает с карточкой coder3101/LFM2.5-VL-450M-heretic, поэтому описание составлено по ней. Это уменьшенная по уровню отказов версия мультимодальной модели LFM2.5-VL-450M, созданная автором репозитория на основе LiquidAI/LFM2.5-350M и обработанная инструментом Heretic v1.3.0. Модель принимает изображения и текст и генерирует текстовые ответы; архитектура включает языковую основу LFM2.5-350M и визуальный энкодер SigLIP2 NaFlex на 86 млн параметров. Контекст составляет 32 768 токенов. Модель предназначена для общего понимания изображений, их описания, визуального вопросно-ответного взаимодействия и предсказания рамок объектов. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский языки. В README отмечены нативная обработка изображений до 512×512 пикселей и разбиение крупных изображений на фрагменты; доступны настройки числа визуальных токенов и фрагментов для выбора компромисса между скоростью и качеством. По приведённому в карточке сравнению версия реже отказывает на тестовых запросах, чем исходная модель; это не гарантирует отсутствия отказов или точности ответов. Автор не рекомендует её для задач, требующих обширных знаний, и тонкого OCR. Модель опубликована с лицензией «other»; конкретные условия следует проверять в репозитории.

Это 4-битная конверсия мультимодальной модели Meta Llama 3.2 11B Vision в формат MLX, подготовленная shashikanth-a на основе unsloth/Llama-3.2-11B-Vision. Модель принимает изображения и текстовые запросы, а отвечает текстом в диалоговом режиме; она предназначена для анализа изображений и визуальных вопросов и ответов. Архитектура — Mllama, размер базовой модели — 11 млрд параметров. Метаданные указывают английский язык. Для использования указан стек mlx-vlm; карточка ссылается на исходное описание модели за подробностями.

LLaVA 1.5 13B — мультимодальная чат-модель от команды LLaVA, представленная в формате Hugging Face Transformers. Это авторегрессионная модель на архитектуре Transformer, дообученная на базе LLaMA/Vicuna на мультимодальных инструкционных данных, сгенерированных GPT. Она принимает изображения и текстовые запросы и формирует текстовые ответы; поддерживает несколько изображений в одном запросе и диалоговый формат. Модель предназначена для вопросов об изображениях, описания визуальных сцен и диалогового взаимодействия с визуальным контекстом. Карточка показывает использование через Transformers и возможность ускорения генерации с FlashAttention 2 или работы в 4-битном режиме через bitsandbytes при наличии совместимого GPU. В метаданных указан английский язык. Репозиторий содержит веса Safetensors, а лицензия обозначена как Llama 2. Модель имеет 13B параметров согласно названию чекпойнта; отдельные значения длины контекста в предоставленных данных нет.

LLaVA-OneVision-2-8B-Instruct — мультимодальная модель для диалога с изображениями и видео. Основную работу над проектом ведёт Glint Lab. Модель использует языковую основу Qwen3-8B и визуальный энкодер в стиле OneVision; это плотная архитектура для генерации текста по визуальному контексту. Модель принимает одиночные изображения, несколько изображений и видео. Для видео доступны равномерная выборка кадров и дополнительный кодековый режим с упаковкой кадров в холсты, рассчитанный на более точную обработку длинных роликов при том же бюджете токенов. Чекпойнт предназначен для запуска через Transformers и поставляется с пользовательским кодом; для загрузки кода модели требуется включить trust_remote_code. Лицензия — Apache-2.0.

Мультимодальная модель LLaVA-Phi-2-3B разработана LAION, SkunkworksAI и Ontocord. Это авторегрессионная модель на архитектуре Transformer, созданная дообучением Phi-2 на мультимодальных данных для следования инструкциям; размер составляет около 3,5 млрд параметров. Модель принимает текстовые запросы и изображения и формирует текстовые ответы, например описывает содержимое изображения и отвечает на вопросы о нём. Модель подходит для диалоговых сценариев с визуальным вводом, включая генерацию подписей к изображениям и ответы на вопросы по их содержимому. В карточке приведены результаты тестов на задачах визуальных вопросов и распознавания текста на изображениях. Указаны английский язык и контекст длиной 2048 токенов. Репозиторий содержит веса в формате Safetensors, использовать модель можно по лицензии MIT.

Это конверсия MiniCPM-V-4.6 от OpenBMB в формат MLX с точностью bf16 для запуска на устройствах Apple Silicon. Модель принимает изображения и текст и предназначена для диалогов и ответов на вопросы по визуальному содержимому; базовая карточка также описывает работу с видео. Модель построена на архитектуре MiniCPM-V 4.6 и поддерживает мультимодальный чат с изображениями. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. В карточке этой конверсии не приведены размер модели и длина контекста; для подробностей о возможностях следует сверяться с карточкой исходной модели.

facebook/mms-tts-bak — модель синтеза речи на башкирском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует текст в речевую аудиоволну и предназначена для озвучивания башкирских текстов. Для каждого языка проекта обучена отдельная модель MMS-TTS. Модель использует архитектуру VITS — сквозной вариационный автоэнкодер с Transformer-энкодером текста, поточным модулем, декодером в стиле HiFi-GAN и стохастическим предсказателем длительности. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; для работы поддерживается библиотека Transformers версии 4.33 и выше. Стохастический предсказатель позволяет получать варианты ритма для одного и того же текста, поэтому результаты синтеза недетерминированы; фиксированный seed нужен для воспроизведения той же аудиоволны. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-ife — модель синтеза речи для языка Ifè, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на Ifè в речевую аудиоволну и предназначена для создания озвучивания и речевых интерфейсов для этого языка. Модель использует архитектуру VITS: условный вариационный автоэнкодер с Transformer-энкодером текста, потоковым модулем, стохастическим предсказателем длительности и декодером, построенным по принципу HiFi-GAN. Размер модели — 3,5 млн параметров. Для разных языков проекта обучаются отдельные контрольные точки; эта модель рассчитана на Ifè. Из-за стохастического предсказания длительности результат может различаться при одинаковом входном тексте; фиксированный seed позволяет воспроизводить генерацию. Для работы доступна библиотека Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-khm — модель синтеза речи на кхмерском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для приложений озвучивания на кхмерском. Модель построена на архитектуре VITS и содержит 3,6 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; для генерации используется стохастический предиктор длительности, поэтому одинаковый текст может звучать с разным ритмом, а для воспроизводимого результата нужно фиксировать seed. Модель доступна через Transformers версии 4.33 и выше. Модель принимает текст на кхмерском и выдаёт аудио. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-mbt — модель синтеза речи на языке манобо матигсалуг (mbt), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текста на этом языке. Модель построена на архитектуре VITS и включает текстовый энкодер на основе Transformer, вариационный автоэнкодер, flow-модуль, HiFi-GAN-подобный декодер и стохастический предиктор длительности. Число параметров — 3,5 млн. Для каждого языка MMS-TTS обучается отдельный чекпойнт. Модель доступна через библиотеку Transformers версии 4.33 и выше. Предиктор длительности позволяет получать разные ритмические варианты произнесения одного текста; генерация недетерминирована, поэтому для повторяемого результата нужно фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

facebook/mms-tts-pan — модель синтеза речи на восточном пенджаби, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на пенджаби в речевую аудиоволну и предназначена для озвучивания текста и создания голосовых сообщений на этом языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, вероятностный модуль длительности и декодер, формирующий аудиоволну. Это отдельный чекпойнт MMS-TTS для одного языка, содержащий 3,6 млн параметров. Доступна через библиотеку Transformers версии 4.33 и новее; лицензия CC BY-NC 4.0 запрещает коммерческое использование. Из-за стохастического предсказания длительности генерация недетерминирована: для повторения результата требуется фиксировать seed.

facebook/mms-tts-sqi — модель синтеза речи на албанском языке из проекта Massively Multilingual Speech компании Facebook. Это отдельный чекпойнт для албанского языка на архитектуре VITS, реализующий сквозное преобразование входного текста в речевую аудиоволну. Модель содержит около 3,5 млн параметров и доступна в форматах PyTorch и Safetensors; для работы с ней подходит библиотека Transformers версии 4.33 и выше. Модель предназначена для озвучивания албанского текста. Архитектура VITS сочетает вариационный автокодировщик, потоковый модуль, текстовый энкодер на основе Transformer, декодер и стохастический предиктор длительности, благодаря которому один текст может звучать с разным ритмом. Генерация недетерминирована: для повторяемого результата требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-uig-script_cyrillic — модель синтеза речи на уйгурском языке с текстом на кириллической графике, созданная в рамках проекта Massively Multilingual Speech компании Facebook. Она преобразует входную последовательность текста в речевую аудиоволну и подходит для озвучивания уйгурских текстов и создания речевого вывода в приложениях. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный чекпойнт для данного языкового варианта; MMS-TTS доступна через библиотеку Transformers версии 4.33 и новее. При генерации речь может звучать по-разному для одного и того же текста, поэтому для повторяемого результата требуется фиксированное начальное значение генератора случайных чисел. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Novasy nova-vision-7b — дообученная Novasy мультимодальная модель на архитектуре Qwen2.5-VL с 7 млрд параметров. Она основана на unsloth/qwen2.5-vl-7b-instruct-unsloth-bnb-4bit и предназначена для диалоговых задач, в которых нужно учитывать изображения и формировать текстовый ответ. Модель подходит для вопросов об изображениях, визуального диалога и описания изображений. В карточке указано обучение с использованием Unsloth и библиотеки TRL. Доступна по лицензии Apache-2.0.

Ornith-Agents-A1-3.7-35B-A3B-dare_ties_v3 — мультимодальная модель для диалогов и анализа изображений, созданная объединением предварительно обученных моделей с помощью mergekit и метода DARE TIES. В слияние вошли deepreinforce-ai/Ornith-1.0-35B и InternScience/Agents-A1, а Qwen/Qwen3.6-35B-A3B использована как базовая модель. Модель построена на архитектуре Qwen 3.5 MoE и распространяется в формате safetensors. Модель принимает текст и изображения и генерирует текст; метаданные указывают на поддержку чата и vision-задач, а основной тег Hugging Face — image-text-to-text. Лицензия в предоставленных данных не указана.

Orpheus Telugu Male (QLoRA v1) — модель преобразования текста в речь для телугу с мужским голосом, разработанная prasadvittaldev на основе Orpheus от canopylabs. Она принимает текст с префиксом голоса `telugu_male` и генерирует аудиотокены SNAC, которые декодируются вокодером SNAC в монофонический PCM с частотой 24 кГц. Модель основана на архитектуре Llama, содержит 3,3 млрд параметров и имеет контекст 131 072 токена. Модель дообучена методом QLoRA: базовые веса использовались в 4-битном формате nf4, вычисления выполнялись в bf16; адаптеры применялись к слоям attention и MLP, а embeddings оставались замороженными. Для настройки голоса указана медианная основная частота 136,9 Гц. Модель предназначена для синтеза телугу-речи мужским голосом; клонирование голоса по образцу не поддерживается, аудио на вход она не принимает. В README отмечен низкий уровень выходного сигнала, который может потребовать нормализации громкости. Лицензия указана как `other`, конкретные условия в доступных сведениях не приведены.

Google PaliGemma 2 10B FT DOCCI 448 — это мультимодальная модель, дообученная на наборе данных DOCCI для описания изображений. Она принимает изображение и текст, а в ответ генерирует текст; версия настроена на изображения размером 448 × 448 пикселей. Архитектура семейства сочетает визуальную модель SigLIP и языковую модель Gemma 2. Веса доступны в формате bfloat16, модель использует библиотеку Transformers и распространяется по лицензии Gemma. Модель подходит для генерации описаний изображений и исследований задач «изображение—текст». Хотя семейство PaliGemma 2 также рассчитано на ответы на вопросы по изображениям, чтение текста и другие визуальные задачи, этот чекпойнт дообучен именно для описаний DOCCI. Он лучше работает с чёткими инструкциями, может ошибаться в фактах и сложных рассуждениях и не предназначен для многоходового диалога. Разработчик — Google; модель обозначена как предназначенная для исследовательского использования.

Это конвертированная в формат Vokra GGUF модель синтеза речи piper-plus-mera-multilingual. Репозиторий Vokra содержит веса исходной модели без дообучения; источник указан как ayutaz/piper-plus, лицензия — MIT. Архитектура обозначена как piper-plus-mb-istft-vits2, файл весит 73,3 МБ. Модель предназначена для преобразования текста в речь в среде инференса Vokra. Для подачи текста требуется фронтенд G2P, подходящий этой голосовой модели. В карточке название указывает на многоязычный вариант, однако конкретные языки и параметры голоса в предоставленных данных не перечислены. Формат GGUF предназначен для загрузки весов в runtime Vokra.

unsloth/Pixtral-12B-2409 — мультимодальная разговорная модель для работы с изображениями и текстом, опубликованная Unsloth как дообученная версия mistralai/Pixtral-12B-2409. Она принимает изображения вместе с текстовым запросом и генерирует текстовые ответы, например описания и ответы на вопросы о содержимом изображения. Модель поддерживает передачу изображений по URL и в виде данных base64; для работы с чекпойнтом в README упоминается библиотека mistral_common. В метаданных указаны архитектура семейства LLaVA, плотная модель и класс LlavaForConditionalGeneration; веса представлены в формате safetensors. В карточке подтверждена поддержка английского языка. README посвящён в том числе настройке и дообучению Pixtral с помощью Unsloth, однако не приводит оценок качества или характеристик контекстного окна. Модель распространяется по лицензии Apache-2.0.