I.15Доступность и ассистивные технологии

Dia2-1B — потоковая диалоговая модель синтеза речи, разработанная Nari Labs. Она начинает генерировать аудио после получения первых слов и может использовать входное аудио для управления звучанием диалога. Репозиторий содержит веса в формате safetensors и код для запуска; модель рассчитана на генерацию речи на английском языке продолжительностью до двух минут. Модель предназначена для диалоговой речи в сценариях с низкой задержкой, включая интерактивные голосовые приложения. Для запуска README указывает CUDA 12.8 или новее; пример использует bfloat16. Доступны отметки времени слов относительно аудиокадров Mimi. Лицензия — Apache-2.0. Разработчики запрещают имитацию реальных людей без разрешения, вводящую в заблуждение генерацию и незаконное или вредоносное применение.

Ekko PnC v2 — модель RyeAI для восстановления пунктуации, границ предложений и заглавных букв в датских транскриптах речи. Она сохраняет исходные слова и их порядок, поэтому подходит для обработки расшифровок с временными метками слов, диктовок и записей совещаний. Модель построена на ELECTRA и дообучена на jonfd/electra-small-nordic; размер — 37,2 млн параметров, контекст — до 512 токенов. Доступны веса Safetensors и ONNX, включая вариант ONNX с квантованием int8 для локального запуска. Модель принимает текст и предсказывает разметку токенов, на основе которой расставляет запятые, точки, вопросительные и восклицательные знаки, а также восстанавливает регистр. По данным карточки, версия v2 заметно лучше предыдущей обрабатывает длинную непрерывную речь и границы предложений, но на очень коротких фрагментах может добавлять лишние точки. Вопросительные знаки остаются слабым классом; модель не использует паузы или интонацию и не восстанавливает внутренний регистр слов вроде iPhone из строчной записи. Лицензия — CC BY 4.0.

Это производная модель GLM-4.7-Flash, предназначенная для перевода японских субтитров на английский. В карточке указано, что при прореживании экспертов измерили их использование на данных субтитров и удалили наименее используемые эксперты: число экспертов на слой сократили с 64 до 32. Метаданные относят модель к семейству glm4_moe_lite и архитектуре для авторегрессионной генерации текста; репозиторий содержит веса Safetensors и использует библиотеку Transformers. Метаданные указывают 4,1 млрд параметров и контекст до 202 752 токенов; README приводит оценку около 16 млрд параметров до прореживания. Поддерживаемые языки — японский и английский. Модель распространяется под лицензией MIT. Карточка не приводит результатов оценки качества, подробностей обучающих данных или конкретных ограничений, поэтому пригодность для конкретного сценария перевода стоит проверять на собственных примерах.

Gooya V1 — модель синтеза персидской речи, созданная Reza2kn как LoRA-дообучение Gooya 0.1 на базе MOSS-TTS-Nano-100M. Обучение проходило в два этапа: на корпусе из 102 084 одобренных аудиофрагментов с фонемами v7 G2P и на 2 707 более длинных фрагментах для улучшения непрерывной речи. LoRA с рангом 16 применена к линейным слоям трансформера; веса представлены в формате PyTorch и bf16. Модель предназначена для озвучивания персидского текста и синтеза речи с клонированием голоса. Для инференса текст нужно преобразовать в фонемы v7 G2P с пробелами между символами. По карточке, усиление обучения на длинных фрагментах позволяет генерировать до 12–16 секунд речи за один проход и уменьшает артефакт дыхания посреди слова. Для сэмплирования автор рекомендует audio_temperature около 0,6 и audio_top_p около 0,9; стандартная температура 1,7 может вызывать дрожание звучания. Лицензия указана как other, конкретные условия в предоставленных данных не описаны.

Mungert/Holo2-30B-A3B-GGUF — GGUF-квантизированная мультимодальная vision-language модель, разработанная H Company и опубликованная пользователем Mungert. Она создана на основе Qwen/Qwen3-VL-30B-A3B-Thinking и предназначена для навигации и управления графическими интерфейсами веб-приложений, настольных и мобильных систем. Модель ориентирована на GUI-агентов, которые анализируют содержимое экрана, локализуют элементы интерфейса, рассуждают над многошаговыми задачами и выполняют действия в цифровой среде. Модель относится к семейству Holo2-30B-A3B и использует архитектуру Mixture of Experts с заявленными 30B параметров и 3B активных параметров. Она поддерживает обработку текста и изображений; в карточке указано, что заявленный язык — английский. Контекстное окно и точный перечень поддерживаемых форматов входных данных не указаны. Версия распространяется в формате GGUF и создана с использованием llama.cpp; применённый подход к квантизации повышает точность отдельных важных слоёв по сравнению с базовой конфигурацией IMatrix, но может увеличивать размер файла. Сильные стороны модели — понимание интерфейсов, визуальная локализация элементов, выполнение многошаговых действий и обобщение между различными средами. В README приведены результаты на WebVoyager, WebArena, OSWorld и AndroidWorld, однако их следует считать заявленными авторами показателями. Ограничения включают исследовательскую направленность, возможное снижение точности при низкой разрядности квантизации и отсутствие данных о контекстном окне. Для конкретной 30B-A3B версии указана лицензия CC BY-NC 4.0 и некоммерческое использование; в исходном описании семейства также упоминается research-only license, поэтому коммерческое применение требует отдельного разрешения правообладателя.

LongVA-7B-DPO — мультимодальная модель семейства LlavaQwen от команды LongVA, представленная в репозитории lmms-lab. Модель содержит 7,1 млрд параметров и предназначена для диалоговой генерации текста с анализом длинных визуальных последовательностей, в том числе видео. В карточке заявлена обработка до 2000 кадров или более 200 тысяч визуальных токенов; модель показывает высокие результаты на Video-MME среди моделей с 7 млрд параметров. Модель подходит для вопросов и ответов по видео и длинным последовательностям изображений. Метаданные указывают на архитектуру LlavaQwen, поддержку чата и формат Safetensors; заявленная длина контекста составляет 224 000 токенов. Данные карточки не уточняют поддерживаемые естественные языки и лицензию, поэтому условия использования следует проверять в репозитории модели.

Mantis-bakllava-7b — мультимодальная диалоговая модель TIGER-Lab для ответов на вопросы и рассуждений по изображениям. Она дообучена на базе llava-hf/bakLlava-v1-hf с использованием набора Mantis-Instruct, предназначенного для задач с несколькими изображениями. Модель принимает текст и изображения и выдаёт текстовые ответы; поддерживает диалог, в котором чередуются текст и изображения. В метаданных указаны архитектура LLaVA, плотная модель и формат safetensors. Карточка помечает эту версию как устаревшую и рекомендует более новую Mantis-Siglip-llama3, которая, по заявлению авторов, лучше справляется с задачами по одному и нескольким изображениям. Лицензия — Apache-2.0.

Professor разработал эту модель на основе facebook/mms-300m, дообучив её для автоматического распознавания речи на языке фон (фɔнгбе), тональном языке, распространённом в Бенине. Модель использует архитектуру Wav2Vec2 с выходной головой CTC и содержит 402,7 млн параметров; она принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст. Модель предназначена для расшифровки речи на фон и сохранения тоновых диакритических знаков и специальных букв, включая ɖ, ɛ и ɔ. В тесте ALFFA на 2168 высказываниях автор сообщает WER 9,48% и CER 3,96%. Её также можно использовать как основу для дальнейших исследований и разработки инструментов для языка фон. В карточке указаны ограничения: качество может снижаться при шуме и фоновой музыке; для отдельных диалектов и быстрой разговорной речи может потребоваться дополнительная настройка. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-enx — модель синтеза речи на языке энxет (Enxet, код enx), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS — сквозную условную вариационную автоэнкодерную систему с текстовым энкодером, нормализующими потоками, стохастическим предсказателем длительности и декодером в стиле HiFi-GAN. Размер модели — 3,5 млн параметров; она доступна для PyTorch и Safetensors и поддерживается библиотекой Transformers версии 4.33 и выше. Стохастический предсказатель длительности позволяет получать варианты ритма для одного и того же текста, поэтому результаты генерации могут различаться; фиксированный seed нужен для повторения того же аудио. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Ertugrul/Qwen2-VL-7B-Captioner-Relaxed — дообученная мультимодальная модель на основе Qwen2-VL-7B-Instruct, созданная для подробного описания изображений. Она формирует развернутые подписи на естественном английском языке, описывает объекты и их расположение и предназначена, в частности, для подготовки текстовых описаний для наборов данных генерации изображений. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2-VL и принимает изображения с текстовыми инструкциями; контекст — до 32 768 токенов. Дообучение на вручную отобранном наборе данных направлено на более подробные и свободные описания, которые можно использовать в системах text-to-image. Карточка указывает, что качество на других задачах может быть ниже, чем у исходной модели: например, результат на mmmu_val снизился примерно на 10%. Модель распространяется по лицензии Apache-2.0.

alkhrzmy дообучил Qwen3-TTS 0.6B для синтеза речи на сунданском языке. Модель построена на архитектуре Qwen3-TTS и предназначена для преобразования текста в речь с использованием голоса `sunda_speaker`; при обучении использовался датасет OpenSLR SLR44 с женским голосом, полученным из Mozilla Common Voice. Модель содержит 0,6 млрд параметров и распространяется в формате safetensors. Она подходит для озвучивания сунданского текста и создания речевых образцов фиксированным голосом. Базовая модель также поддерживает синтез речи и клонирование голоса по аудиопримеру, однако карточка этого дообученного варианта описывает только синтез заданным голосом. Лицензия — Apache-2.0.

Sa2VA-Qwen3-VL-4B-SAM3 — мультимодальная модель ByteDance для диалога и сегментации объектов по текстовому описанию на изображениях и видео. Она построена на Qwen3-VL-4B-Instruct и использует энкодер SAM3 с трекером PVS: модель предсказывает токен [SEG], скрытое состояние которого задаёт декодеру SAM3 условие для формирования маски объекта. Модель предназначена для сегментации по выражению на естественном языке, отслеживания описанного объекта в видео и генерации ответов в диалоге с визуальным заземлением. В README приведены результаты на наборах RefCOCO, RefCOCO+, RefCOCOg, MeViS, ReVOS и Ref-DAVIS17. Репозиторий содержит код SAM3 для заземления; для загрузки README рекомендует bfloat16, поскольку автоматический выбор смешанных типов данных может привести к ошибке. Модель использует архитектуру Sa2VA с Qwen3-VL-4B-Instruct и SAM3, распространяется в формате safetensors и имеет лицензию Apache-2.0. В метаданных указан тег image-text-to-text; поддержка видео для сегментации описана в README. Языки и длина контекста в доступных данных не приведены.

Это экспериментальная модель распознавания речи Akan, подготовленная Ghanaian Speech Lab для серии Serendepify GSL. Модель основана на Whisper Small с 153,1 млн параметров и дообучена на данных GhanaNLP; при этом энкодер Whisper был заморожен, а остальные параметры прошли полное дообучение с низкой скоростью обучения. Модель предназначена для преобразования речи на Akan в текст. В обучении использовались 10 000 строк GhanaNLP, а набор Waxal применялся только для проверки регрессии. Это реальный обучающий запуск, однако авторы считают его кандидатом на проверку: оценка на отложенной выборке и анализ типов ошибок ещё не завершены. Лицензия — CC BY-SA 4.0.

TreeVGR-7B — мультимодальная модель для визуального рассуждения с привязкой выводов к областям изображения, представленная авторами работы Traceable Evidence Enhanced Visual Grounded Reasoning: Evaluation and Methodology. Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct и предназначена для вопросов по изображениям, локализации объектов и объяснения ответов с проверяемыми визуальными свидетельствами. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2.5-VL и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы. Заявленный контекст — 128 000 токенов. Обучение сочетает supervised fine-tuning и обучение с подкреплением; авторы сообщают об улучшении результатов на V* Bench, MME-RealWorld и TreeBench. Репозиторий содержит веса Safetensors, используется библиотека Transformers. TreeVGR ориентирована на сложные сцены с множеством объектов, тонкие визуальные детали, пространственные отношения и взаимодействия объектов. В README описан локальный демонстрационный запуск на TreeBench; для установки требуются зависимости проекта и FlashAttention. Лицензия — Apache 2.0. Ограничение: заявленные результаты относятся к указанным визуальным бенчмаркам; README не приводит подробностей о качестве на других типах изображений или языках.

Это вокодер HiFi-GAN от SpeechBrain, обученный на наборе LJSpeech. Он принимает мел-спектрограмму и преобразует её в речевую звуковую волну с частотой дискретизации 22 050 Гц; обычно его используют после модели синтеза речи, которая строит спектрограмму из текста. Репозиторий содержит предварительно обученные веса в формате PyTorch. Модель рассчитана прежде всего на речь одного диктора и английский язык, соответствующий обучающему набору LJSpeech. Она может обобщать на голоса других дикторов, но качество в таком режиме может быть ниже; для многодикторной речи авторы рекомендуют вокодер, обученный на LibriTTS. Лицензия — Apache-2.0.

UI-TARS-7B-DPO-GGUF — мультимодальная модель для взаимодействия с графическими интерфейсами, разработанная на основе UI-TARS-7B-DPO от Bytedance Research. Это дообученная версия reasoning-модели Qwen VL, созданная для GUI-агентов с человекоподобным восприятием, рассуждением и выполнением действий. Модель предназначена для сценариев автоматизации интерфейсов, где требуется анализ визуального содержимого и формирование действий на его основе. Модель содержит около 7 миллиардов параметров и распространяется в формате GGUF. Квантизацию выполнил bartowski на базе llama.cpp версии b4514. В карточке указана поддержка мультимодального режима image-text-to-text и английского языка. Размер контекста, конкретные поддерживаемые варианты входных изображений и характеристики отдельных уровней квантизации не указаны, поэтому их следует уточнять для конкретного файла модели. К сильным сторонам относятся сочетание визуального анализа, рассуждений и ориентации на управление GUI, а также возможность локального запуска благодаря формату GGUF. Ограничениями являются потенциальная потеря качества из-за квантизации и отсутствие в предоставленных данных подробных оценок точности, требований к оборудованию и результатов тестирования. Лицензия модели указана как Apache-2.0.

UI-Venus-2-9B — мультимодальный агент для управления графическими интерфейсами от inclusionAI. Он наблюдает экран, определяет состояние задачи, выбирает действие и использует обратную связь среды, чтобы продолжить работу в мобильных приложениях, веб-сервисах и настольных операционных системах. Модель построена на архитектуре Qwen3.5-9B и дообучена для визуального заземления, навигации и выполнения действий в интерфейсе; заявленная конфигурация обслуживания допускает контекст до 262144 токенов. Модель предназначена для сквозного выполнения задач в GUI, включая поиск и взаимодействие с элементами, работу с CAPTCHA, навигацию по сайтам и использование приложений. В README описаны многоязычные мобильные среды с приложениями на китайском и английском языках, веб-среды и задачи для настольных ОС. По сравнению с базовой Qwen3.5-9B модель показывает более низкий Attack Success Rate на тестах OSHarm и OSBlind, однако риск вредоносных действий сохраняется. Лицензия весов на момент карточки ожидает окончательного подтверждения; Apache-2.0 не следует считать действующей лицензией.

UniSpeech Large с архитектурой CTC, дообученная автором репозитория на наборе TIMIT_ASR - NA на основе microsoft/unispeech-large-1500h-cv. Модель предназначена для автоматического распознавания речи и преобразования аудиозаписей в текст; в метаданных указано около 402,7 млн параметров. На оценочной выборке README сообщает Loss 0,3099 и WER 0,2196. Данные не уточняют поддерживаемые языки, условия записи и область применения набора TIMIT_ASR - NA, поэтому результаты нельзя уверенно переносить на другие наборы данных и сценарии. Репозиторий содержит веса в формате PyTorch; лицензия в предоставленных сведениях не указана.

Vision-OPD-4B — мультимодальная языковая модель для понимания изображений, разработанная на основе Qwen/Qwen3.5-4B и дообученная методом Vision On-Policy Distillation. Метод переносит умение отвечать на вопросы по мелким деталям с изображения-фрагмента на целое изображение: модель обучается на собственных ответах, сопоставляя восприятие фрагмента и полного изображения. Для этого использован набор из 6,2 тысячи синтетических примеров Vision-OPD-6K. Модель предназначена для диалога по изображениям и вопросов, требующих распознавания небольших объектов и визуальных деталей. При обработке целого изображения она учитывает тонкие детали за один проход, без внешних инструментов увеличения или многошагового агента. Поддерживаемые языки по карточке — английский и китайский. Модель загружается через Transformers и распространяется по лицензии Apache-2.0. В README заявлено улучшение тонкого визуального понимания при сохранении общих мультимодальных возможностей на тестах. Это заявление основано на оценках авторов; фактическое качество может зависеть от изображения и формулировки запроса.

Vocaela-500M — компактная мультимодальная модель для управления графическими интерфейсами компьютеров и мобильных устройств. Согласно карточке, это дообученная версия HuggingFaceTB/SmolVLM2-500M-Video-Instruct с архитектурой SmolVLM и 500 млн параметров. Модель принимает снимок экрана и инструкцию на естественном языке, а затем выдаёт структурированные действия в формате JSON: например, нажатие клавиш, ввод текста, щелчки, перетаскивание и прокрутку с координатами элементов. Модель предназначена для GUI-агентов, которым нужно выполнять конкретные действия на экране; её компактный размер рассчитан на запуск на ноутбуках и мобильных устройствах. Карточка приводит английский пример инструкции, а метаданные указывают английский язык. Контекстное окно в предоставленных источниках не описано. В репозитории указаны веса Safetensors и лицензия CC BY-NC-SA 4.0, предусматривающая некоммерческое использование и распространение на тех же условиях.

JayLL13/VoxCPM-1.5-VN — дообученный на вьетнамском корпусе vivoice-relabeled чекпойнт модели VoxCPM1.5 от OpenBMB для синтеза речи из текста. В README указан обучающий набор объёмом 1000 часов, контрольная точка на 100 000-й итерации и частота дискретизации синтезируемого аудио 44,1 кГц. Модель предназначена для генерации речи на вьетнамском языке; базовая VoxCPM1.5 также поддерживает клонирование голоса по короткому аудиофрагменту. Репозиторий содержит веса в формате safetensors и распространяется по лицензии CC BY-SA 4.0. Автор позиционирует модель для исследований, экспериментов и разработки технологий и запрещает неправомерное копирование голоса, выдачу синтетической речи за речь реального человека и другие обманные сценарии.

LeBenchmark/wav2vec2-FR-7K-large — предварительно обученная модель wav2vec 2.0, выпущенная проектом LeBenchmark. Это крупная плотная модель с 402,7 млн параметров, обученная на 7,6 тыс. часов французской речи, включая спонтанную, прочитанную и транслируемую речь. Модель создаёт акустические представления речи и предназначена для извлечения признаков, которые можно использовать в системах распознавания речи, распознавания говорящего и разделения источников звука. Модель можно дообучать для распознавания речи с CTC через Fairseq или применять как замороженный кодировщик признаков в SpeechBrain; также описано экспериментальное дообучение вместе с последующей задачей. Карточка предупреждает, что результаты преобразования речи в текст с CTC не обязательно будут передовыми. Модель распространяется по лицензии Apache-2.0; при этом наборы данных и бенчмарки могут зависеть от корпусов с ограниченной доступностью.

anantoj/wav2vec2-xls-r-300m-zh-CN — модель автоматического распознавания речи на основе wav2vec2, дообученная на наборе COMMON_VOICE — ZH-CN. Архитектура использует CTC; размер модели — 407,4 млн параметров. Модель принимает аудио и преобразует речь в текст на китайском языке (упрощённое письмо, zh-CN). В опубликованной оценке указаны WER 0,8392 и CER 0,2059; высокая ошибка слов указывает на ограниченную точность распознавания. Модель предназначена для транскрибирования китайской речи. Она распространяется в формате PyTorch по лицензии Apache-2.0. README не содержит дополнительных сведений о рекомендуемых сценариях, условиях записи или ограничениях.

clu-ling/whisper-large-v2-arabic-5k-steps — модель распознавания речи, созданная дообучением openai/whisper-large-v2 на арабской части Common Voice 11.0. Это плотная модель Whisper с 905,2 млн параметров, опубликованная в формате PyTorch и распространяемая по лицензии Apache-2.0. Модель предназначена для преобразования арабской речи в текст. Её обучали 5000 шагов; на тестовой выборке Common Voice 11.0 указана WER 0,4239 и loss 0,3434. Автор предупреждает, что качество транскрипций может быть недостаточным для пользователей, поэтому чекпойнт больше подходит для экспериментов и оценки дообучения.

Drishti Sharma дообучила OpenAI Whisper Large-v2 для автоматического распознавания речи. Модель содержит 905,2 млн параметров и предназначена для преобразования аудио в текст; в метаданных указан язык хауса и набор данных Common Voice 11.0. В README название противоречит идентификатору репозитория: оно говорит о непали, тогда как метаданные указывают хауса, поэтому язык назначения нельзя подтвердить однозначно. На оценочной выборке Common Voice 11.0 приведены Loss 0,5364 и WER 36,5689; это указывает на заметные ошибки распознавания. Модель опубликована в формате PyTorch по лицензии Apache-2.0.

kktoto/wwdd_tiny — компактная модель token classification, опубликованная пользователем kktoto на Hugging Face. Она построена на архитектуре BERT и предназначена для токен-классификации в задачах восстановления пунктуации в тексте. Модель содержит около 12,6 млн параметров, использует 4 скрытых слоя, размер скрытого представления 312, 12 attention-heads и поддерживает контекст до 512 токенов. Выходные классы включают NORM, COMMA, PERIOD, QUEST_MARK и EXCLAMATION, то есть обычный текст без знаков препинания преобразуется в последовательность токенов с предсказанными знаками препинания. Модель подходит для автоматической расстановки запятых, точек, вопросительных и восклицательных знаков, включая сценарии постобработки распознанной речи. Ограничения связаны с узким набором классов пунктуации, лимитом контекста 512 токенов и отсутствием подробной карточки модели с описанием обучающего набора, метрик и условий применения.

Belaid-31M — модель на 30,9 млн параметров, разработанная для восстановления пунктуации и регистра букв в текстах на кабильском языке (Taqbaylit) латиницей. Это дообучение agbalu/Masinissa-31M для поклассовой разметки токенов; модель принимает текст без пунктуации и заглавных букв и предсказывает знак после каждого слова и его регистр. Контекст ограничен 512 токенами. Модель предназначена прежде всего для постобработки текста распознавания речи, а также для подготовки субтитров, титров и текстовых корпусов к чтению. На тесте Common Voice указаны macro-F1 0,793 по знакам и точное совпадение всего предложения в 86,3% случаев; на отложенной прозе показатели ниже. Модель сохраняет исходное написание слов и работает только с текстом, не используя аудио. Она рассчитана на одну реплику за раз и не сегментирует абзацы на предложения. Расстановка запятых менее надёжна, а перенос на другие берберские языки не подтверждён. Для загрузки используются Transformers, PyTorch и код архитектуры из репозитория с trust_remote_code=True. Лицензия — Apache-2.0.

ConvTasNet для разделения двух одновременно звучащих голосов, обученная Joris Cosentino с помощью рецепта LibriMix в Asteroid на задаче sep_clean датасета Libri2Mix. Модель принимает аудио с частотой дискретизации 16 кГц и формирует отдельные аудиодорожки для двух источников. Архитектура ConvTasNet использует обучаемый фильтробанк и масочную сеть; обучающие сегменты имели длину 3 секунды. Модель предназначена для разделения чистых речевых смесей, похожих на данные Libri2Mix. Карточка приводит результат на тестовом наборе Libri2Mix, но численное значение результата недоступно в представленном тексте. Модель распространяется по лицензии CC BY-SA 3.0 Unported; в обучении использовался корпус LibriSpeech, лицензированный CC BY 4.0.

CSM 1B — модель генерации речи Sesame, представленная в варианте примерно на 977 млн параметров. Она использует языковую основу Llama и небольшой аудиодекодер, который генерирует аудиокоды Mimi на основе текста и аудиоконтекста. Модель поддерживается библиотекой Transformers и допускает дообучение через Trainer. Модель предназначена для синтеза речи из текста и может создавать разные голоса; конкретный голос отдельно не настраивался. Контекстная длина — 2048 токенов. Основной язык карточки — английский; авторы отмечают ограниченную способность работать с другими языками. Модель не генерирует текст и не является универсальной мультимодальной языковой моделью. Лицензия — Apache-2.0. Авторы запрещают использовать модель для имитации реальных людей без их согласия, обмана и незаконной или вредоносной деятельности; качество речи на языках помимо английского может быть низким.

DeepSeek-V4-Flash-Vision-Strix-Halo-GGUF — мультимодальная версия DeepSeek-V4-Flash-Vision-Exp, подготовленная автором репозитория для запуска на AMD Strix Halo (gfx1151) через Ember. Это аблитерированная, откалиброванная по матрице важности GGUF-квантизация с эффективной точностью 2,58 BPW; в комплект входят башня зрения в F16 и черновая модель DSpark. Основная модель занимает около 85,3 ГиБ, а весь набор с башней и черновой моделью — около 96,3 ГиБ в памяти. Модель принимает текст и изображения и отвечает на вопросы о содержимом изображений, включая распознавание текста, подсчёт объектов и пространственные вопросы. Изображения обрабатываются только при наличии отдельной башни зрения и должны быть неинтерлейсными PNG в RGB/RGBA8. README приводит проверки на синтетических и естественных вопросах, но не заявляет поддержки конкретных языков. Для запуска требуется AMD Strix Halo и Ember либо совместимый движок с поддержкой графа deepseek4, типов ROCmFPx и маршрутизации токенов изображения. В README не приведены условия лицензии, а в метаданных указана лицензия other. Это производный экспериментальный артефакт; его пригодность зависит от требуемого оборудования и runtime.