I.15Доступность и ассистивные технологии

Это квантизированная GGUF-версия мультимодальной модели UI-Mate-27B, разработанной Tencent и подготовленной сообществом bartowski для запуска через llama.cpp. Модель предназначена для взаимодействия с графическим интерфейсом и сценариев computer use: управления рабочим столом, выполнения действий в приложениях и автоматизации задач с использованием визуального контекста. В README также указана применимость к GUI-агентам, desktop-агентам и тестовым средам OSWorld и WindowsAgentArena. Модель содержит около 27 миллиардов параметров и принимает текст и изображения; для мультимодального режима требуется отдельный файл mmproj. Доступны варианты квантизации от BF16 до низкобитных форматов, что позволяет выбирать баланс между качеством, размером и требованиями к памяти. Для большинства сценариев автор сборки рекомендует Q4_K_M, а варианты Q5 и Q6 обеспечивают более высокое качество при большем размере. Квантизация выполнена с использованием imatrix; спекулятивное декодирование и измерения perplexity/KLD не заявлены. Сильными сторонами являются мультимодальность, специализация на задачах управления интерфейсом и широкий выбор вариантов квантизации, включая форматы, подходящие для систем с ограниченной оперативной памятью. Ограничения включают значительные требования к ресурсам даже для компактных вариантов, необходимость отдельного mmproj для изображений и отсутствие в представленном README сведений о поддерживаемых языках, размере контекстного окна и подробных результатах тестирования. Модель распространяется по лицензии Apache-2.0.

Это вокодер HiFi-GAN от SpeechBrain, обученный на многоголосом наборе LibriTTS. Он преобразует спектрограмму в звуковую волну с частотой дискретизации 16 кГц и предназначен для использования как звуковой компонент конвейера синтеза речи после модели, которая формирует спектрограмму из текста. Модель работает с аудиосинтезом на английском языке и распространяется в формате PyTorch. Лицензия — Apache-2.0. Для самостоятельного синтеза текста потребуется отдельная TTS-модель, способная подготовить совместимую спектрограмму; вокодер сам по себе текст не принимает.

UGround-V1-72B — мультимодальная модель для визуальной привязки элементов графического интерфейса к текстовым запросам. Её разработали совместно OSUNLP и Orby AI; это дообученная версия Qwen2-VL-72B с плотной архитектурой Qwen2-VL и 71,5 млрд параметров. Модель принимает изображения интерфейсов и текстовые инструкции, а в ответ указывает соответствующий элемент интерфейса. Модель предназначена для поиска кнопок, значков и текстовых элементов на экранах мобильных приложений, веб-сайтов и настольных программ. Её можно использовать как компонент визуального агента, который управляет интерфейсом по текстовым указаниям. В метаданных указаны контекст длиной 32 768 токенов, библиотека Transformers и формат весов safetensors. README не сообщает условия лицензии, а в метаданных указана лицензия other.

VideoLLaMA2.1-7B-16F — чат-модель для понимания видео, разработанная командой DAMO-NLP-SG. Она принимает видеокадры и текстовый запрос, чтобы описывать события, отвечать на вопросы о содержании и анализировать временную последовательность сцен. Версия 16F использует 16 кадров; в карточке указаны архитектура VideoLLaMA2 с языковой моделью Qwen2, 7,1 млрд параметров и контекст длиной 32 768 токенов. Модель предназначена для диалоговых сценариев с видео. В README также заявлены пространственно-временное моделирование и понимание аудио в видео, однако доступные сведения для этой версии не уточняют обработку звука как входа. Карточка перечисляет английский язык. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Video-Ma²mba-1.3B — модель для понимания длинных видео, разработанная исследователями Integrated Vision and Language Lab при KAIST. Она отвечает текстом на вопросы о содержании видео и рассчитана на обработку последовательностей продолжительностью более двух часов при выборке 1 кадр в секунду. Модель объединяет визуальный энкодер SigLIP-so400m, MLP-проектор и языковую модель Mamba-2 с 48 слоями и размером скрытого представления 2048; в языковой части около 1,3 млрд параметров, общий размер модели — около 1,8 млрд. Архитектура LlavaMambaForCausalLM использует слои пространства состояний с линейным масштабированием по длине последовательности, что помогает обрабатывать длинные видео. Модель принимает видео и выдаёт текст; в карточке указан английский язык. Она подходит для вопросов и ответов по видео, анализа длинных записей и обобщения их содержания. В README приведены результаты на Video-MME, LongVideoBench и других тестах, но они не гарантируют качество на произвольных видео. Для инференса нужны поддержка пользовательской архитектуры и специальная предобработка видео; детали настройки предлагается смотреть в официальном репозитории. Лицензия — Apache-2.0.

Video-R1-7B — мультимодальная модель на 7,1 млрд параметров, разработанная для исследования Video-R1: Reinforcing Video Reasoning in MLLMs. Она дообучена на Qwen/Qwen2.5-VL-7B-Instruct и предназначена для анализа видео и ответов на вопросы о его содержимом. Модель использует архитектуру Qwen2.5-VL, принимает текст и видео и генерирует текст; заявленное контекстное окно — 128 000 токенов. Поддержка видео является основной задачей модели, а английский указан среди языков карточки. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Модель dianavdavidson/wav2vec2-large-xlsr-53-indic_voices-61921-hinglish_mixed_scripts-30_70-1e-4-steps-12000-FT — дообученная на распознавание речи версия wav2vec2-large-xlsr-53 от Meta. Она принимает аудио и выдаёт распознанный текст; название указывает на настройку для Hinglish и смешанной письменности, однако README не описывает языки и обучающие данные подробнее. Модель построена на архитектуре Wav2Vec2ForCTC, содержит 402,8 млн параметров и распространяется в формате Safetensors. На оценочном наборе указаны loss 1,0091 и Global WER 61,6218, что говорит о заметных ошибках распознавания. Модель может подойти для экспериментов и проверки распознавания речи в соответствующем сценарии, но качество следует оценить на собственных аудиоданных. Лицензия — Apache-2.0.

TrueTuner/whisper-small-br_260315 — модель автоматического распознавания речи, полученная дообучением Whisper-small от OpenAI на примерно 80 часах аудиоданных. Данные преимущественно состоят из бретонской речи: около половины обучающей выборки взято из Brezhoweb, а остальные материалы включают записи Banque Sonore des Dialectes Bretons, Dizale, Common Voice и других источников. Модель предназначена для транскрибирования речи, в первую очередь на бретонском языке. Это плотная модель архитектуры Whisper с 153,1 млн параметров; репозиторий содержит веса в формате safetensors и поддерживает входное аудио. Лицензия — MIT. Обучение на специализированных бретонских данных ориентирует модель на распознавание этого языка. Качество для других языков, устойчивость к различным акцентам и условиям записи, а также точность на независимых тестовых наборах в карточке не описаны.

KitsuMate/chatterbox-nano-onnx — зеркало независимой конвертации модели Chatterbox Nano в формат ONNX для воспроизводимых загрузок и запуска через Unity и ONNX Runtime. Конвертация включает эмбеддинги текста и речевых токенов в FP16, а также речевой энкодер и авторегрессионную языковую модель в Q4F16. Это не официальный ONNX-релиз Resemble AI; исходная модель — ResembleAI/chatterbox-nano, официальная реализация опубликована в resemble-ai/chatterbox. Модель предназначена для синтеза английской речи по тексту и поддерживает клонирование голоса по образцу речи. Профиль не потоковый. Конвертация прошла сквозную проверку на CPU, однако качество синтеза и совместимость с устройствами не оценивались на репрезентативных наборах. Репозиторий распространяется по лицензии MIT.

cstr/chatterbox-turbo-GGUF — конверсия и, в некоторых вариантах, квантование модели ResembleAI/chatterbox-turbo в формате GGUF/GGML для использования с CrispASR. Это модель синтеза речи, преобразующая текст в монофонический WAV-аудиосигнал с частотой 24 кГц. Репозиторий не обучал и не дообучал модель, а только изменил формат числового представления весов. Модель представляет собой дистиллированный TTS-конвейер примерно на 350 млн параметров. В его составе GPT-2 BPE-токенизатор на 50 276 токенов, авторегрессионная T3-модель GPT-2 Medium с 24 слоями и размерностью 1024, генератор речевых токенов, UpsampleConformerEncoder, Meanflow CFM-денойзер и вокодер HiFTGenerator. Для генерации используются два шага CFM вместо десяти в базовой Chatterbox, без classifier-free guidance. Доступны варианты T3 и S3Gen с точностью F16, а также квантованием Q8_0 и Q4_K; для работы требуются оба файла. Модель предназначена для локального синтеза речи и поддерживает английский язык. В тексте можно использовать специальные теги эмоций и стиля, включая [laugh], [whispering], [angry], [happy], [dramatic] и другие, однако сила их воздействия может различаться. К сильным сторонам относятся компактный размер, ускоренная двухшаговая генерация и возможность развёртывания в GGUF через CrispASR. Ограничения включают заявленную поддержку только английского языка, необходимость загрузки двух компонентов и зависимость от CrispASR с поддержкой соответствующего формата и исправленного токенизатора. Модель и конверсия распространяются по лицензии MIT. Лицензия и возможности исходной модели определяются upstream-репозиторием ResembleAI/chatterbox-turbo; данный репозиторий не предоставляет дополнительных прав.

Clear — модель для локального улучшения речи от desert-ant-labs. Она подавляет шум, уменьшает реверберацию и нормализует громкость, чтобы очистить записи с микрофонов телефона, гарнитуры или ноутбука, в том числе сделанные в кафе, офисе или необработанной комнате. Модель предназначена для подкастов, видео, голосовых приложений, интервью и записей встреч. В репозитории представлены варианты clear-studio и clear-natural в форматах Core ML, ONNX и TFLite. Вариант studio стремится к тихому, чистому звучанию, а natural сохраняет часть комнатного фона, дыхания и артикуляционных деталей. Обработка выполняется на устройстве; для Core ML заявлена оптимизация под Apple Neural Engine. Модель принимает моно- или стереозвук с частотой 48 кГц и выдаёт очищенный звук. Clear ориентирована именно на речь: музыка, эффекты и другие невокальные сигналы могут подавляться как шум, а перекрывающиеся голоса не разделяются. Это не модель распознавания речи, синтеза или изменения голоса. В README приведены условия совместимости SDK для платформ Apple и варианты для Android; лицензия указана в метаданных как other, без дополнительных условий в предоставленных данных.

efwkjn/cohere-asr-ja-v0.1 — японский вариант Cohere Transcribe, созданный разработчиком репозитория путём дообучения CohereLabs/cohere-transcribe-03-2026. Это модель распознавания речи, ориентированная на японскую речь общего содержания и аниме; в README указана обработка аудиофрагментов длительностью до 35 секунд, в среднем около 25 секунд. Модель принимает аудио и выдаёт текстовую транскрипцию. В README приведены оценки на нескольких наборах данных, включая FLEURS, JSUT, Blue Archive и Nekopara, а также сравнение с некоторыми вариантами Whisper и NUE-ASR. Результаты различаются в зависимости от набора данных, поэтому они не гарантируют аналогичное качество на других типах аудио. Модель опубликована в формате safetensors; отдельная лицензия для этой версии в доступных сведениях не указана.

CosyVoice3 Badini Kurdish TTS — дообученная модель семейства CosyVoice3 для синтеза речи на курдском языке в диалекте бадини. Она предназначена для генерации речи по тексту с возможностью zero-shot синтеза по аудиоподсказке: в примере использования задаются WAV-файл, его текстовая расшифровка и инструкция. Репозиторий содержит файлы ONNX и Safetensors; модель распространяется по лицензии Apache-2.0. Модель рассчитана на сценарии озвучивания текста на бадини, в том числе с голосовым примером в качестве подсказки. В карточке не приведены сведения о размере, длине контекста и количественных оценках качества, поэтому нельзя оценить масштаб модели и точность синтеза.

Dasheng-AudioGen — унифицированная модель генерации аудио по тексту. Она создана разработчиком mispeech и предназначена для синтеза разборчивой речи, музыки, звуковых эффектов и окружающих акустических сцен по текстовым описаниям. Модель относится к семейству Dasheng-AudioGen, использует плотную архитектуру и доступна в формате safetensors; для работы указана библиотека Transformers. Модель поддерживает английский язык и принимает текст, выдавая аудио. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает размер модели, длину контекста и подробности о качестве генерации.

DuraS2ST-Think-RL — модель для перевода речи между английским и китайским языками с генерацией речи на целевом языке. Она разработана в рамках проекта DuraS2ST, описанного в статье, принятой на основную конференцию EMNLP 2026. Модель использует архитектуру StepAudio 2 и причинную языковую модель; репозиторий содержит веса для вывода, токенизатор и речевой декодер, а для запуска предусмотрена поддержка vLLM. Подход DuraS2ST планирует формулировку перевода и его фонетическую длительность перед генерацией речи. Обучение оптимизировано с помощью мультимодального обучения с подкреплением, учитывающего длительность, чтобы согласовывать перевод и длительность целевой речи. Модель предназначена для перевода английской речи на китайский и китайской речи на английский. Для инференса авторы указывают Linux x86_64, FFmpeg и NVIDIA GPU с драйвером, совместимым с CUDA 12.8; проверка проводилась на A100 80 GB. Лицензия репозитория — Apache-2.0. В README не приведены оценки качества или длина контекста; указанные требования к оборудованию ограничивают удобство локального запуска.

Fasih-TTS-V1 — модель синтеза речи на современном литературном арабском языке (фусха), разработанная Yahya Elnawasany (NightPrince) на основе Coqui XTTS-v2. Она озвучивает текст профессиональным мужским голосом в стиле новостного диктора; модель рассчитана на одного говорящего и предназначена для чтения религиозных и образовательных материалов на арабском языке, подготовленных или проверенных специалистом. Модель содержит около 466,9 млн параметров: дообучена GPT-часть XTTS-v2, а декодер HiFi-GAN и DVAE оставлены без изменений. Она генерирует аудио с частотой 24 кГц, поддерживает потоковую работу и поставляется с латентными параметрами голоса, поэтому для синтеза не требуется эталонная запись. Текстовый фронтенд может расставлять диакритические знаки, преобразовывать числа в слова, применять словарь религиозной терминологии и разбивать длинный текст на фрагменты. Автор сообщает о высокой разборчивости речи на тестах, но естественность голоса не является главным приоритетом модели. Для правильных грамматических окончаний предпочтителен текст с диакритическими знаками; автоматическая расстановка диакритики и согласование рода числительных могут ошибаться. Обучение проводилось примерно на 2,4 часах записей одного диктора, а исходное аудио ограничено качеством MP3 128 кбит/с. Модель не предназначена для чтения Корана с таджвидом, вынесения религиозных решений, имитации личности или распространения ложных высказываний. Условия распространения — Coqui Public Model License: некоммерческое использование с указанием авторства.

GaussianMind — аудиоязыковая модель, совместно разработанная командой Хао Тана из Школы компьютерных наук Пекинского университета и Пекинской академией искусственного интеллекта (BAAI). Она построена на основе RoboBrain и OpenMOSS Audio и предназначена для сценариев, где нужно обрабатывать аудио и формировать текстовые ответы. В каталоге указаны архитектура RoboBrain Audio и класс RoboBrainAudioForConditionalGeneration; модель распространяется в формате safetensors и поддерживает чат и интерфейс вызова инструментов. Для загрузки README предлагает использовать Transformers и AutoProcessor с включённым trust_remote_code=True, поскольку репозиторий содержит собственный код Transformers. Лицензия — Apache-2.0. Карточка не приводит размер модели, длину контекста, конкретный список языков или подробные результаты оценки качества.

Felldude/gemma-4-E4B-uncensored — дообученная модель семейства Gemma 4, созданного Google DeepMind. По данным карточки, версия намеренно ослабляет ограничения и предназначена, в частности, для создания описаний откровенных изображений. Модель основана на Gemma 4 E4B и использует архитектуру Gemma4ForConditionalGeneration; веса доступны в формате safetensors и работают с библиотекой Transformers. Базовая модель поддерживает работу с изображениями и аудио, но карточка этой версии отдельно указывает на сценарий описания изображений; обучение на видео не проводилось, поэтому видео модель может описывать как неподвижные кадры. Модель выпущена под лицензией Apache-2.0. Карточка не сообщает о размере контекста или языках этой дообученной версии.

HuBERT Extra-Large — модель самоконтролируемого обучения речевым представлениям, разработанная Facebook AI Research. Она принимает речевой аудиосигнал с частотой дискретизации 16 кГц и извлекает из него признаки; для распознавания речи, идентификации говорящего, классификации намерений или эмоций модель нужно дообучить под соответствующую задачу. Архитектура основана на HuBERT и использует BERT-подобное предсказание скрытых акустических единиц на замаскированных участках. Модель предварительно обучена на Libri-Light; в карточке указано около 1,3 млрд параметров и доступны форматы PyTorch и TensorFlow. Лицензия — Apache-2.0. Для корректной работы входную речь нужно подавать с частотой 16 кГц; сама модель не является готовой системой распознавания или классификации без дообучения.

InternVideo2.5 Chat 8B — мультимодальная языковая модель для работы с видео, разработанная OpenGVLab на основе InternVL2.5. Она принимает видеоматериал и текстовые запросы, чтобы отвечать на вопросы о содержании роликов и описывать события с учётом деталей и их временной последовательности. Модель использует плотные аннотации визуальных задач, Direct Preference Optimization и адаптивное иерархическое сжатие пространственно-временных токенов HiCo для работы с длинным и насыщенным контекстом. Модель относится к семейству InternVL Chat и имеет плотную архитектуру; веса доступны в формате safetensors для Transformers. В README приведены результаты на видеобенчмарках и замеры скорости генерации на A800 при BF16 и INT4. Лицензия — Apache-2.0. Размер 8B указан в идентификаторе модели; сведения о длине контекста в доступных материалах не приведены.

Khmer TTS — экспериментальная модель синтеза речи, созданная дообучением VITS-модели Facebook facebook/mms-tts-khm. Она преобразует текст на кхмерском языке в аудио и распространяется в формате Hugging Face Transformers с весами safetensors; размер модели — 3,6 млн параметров. Модель рассчитана на одноголосую генерацию речи на кхмерском языке. Её можно применять для озвучивания коротких текстов и создания речевых примеров на кхмерском языке. В тестовом наборе из 50 примеров генерация завершилась без сбоев, однако эта проверка не оценивает всесторонне качество речи. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

IndicF5-Marathi-Numbers-v2 — модель синтеза речи, разработанная Turtlemint путём дообучения ai4bharat/IndicF5. Она преобразует текст на маратхи в речь и специально настроена на произношение чисел: сумм, лакхов и кроров, времени, дат и процентов, записанных цифрами деванагари или латиницей. Модель использует архитектуру F5-TTS Base на основе Diffusion Transformer с flow matching и нерекуррентной генерацией. Поддерживается клонирование голоса по короткому аудиообразцу длительностью 5–10 секунд и его точной расшифровке. Модель предназначена для голосовых помощников, IVR и клиентских сообщений в страховании и финансах, а также для исследований синтеза речи на индийских языках. В обучении использованы около 31,5 часа маратхской речи и дополнительные примеры с числовыми форматами. Лицензия — MIT. Качество на отложенных данных по CER/WER и MOS в карточке не приведено.

facebook/mms-tts-pwg — модель синтеза речи на языке гапапайва (Gapapaiwa), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельная языковая версия MMS-TTS, обученная преобразовывать входной текст в речевую волну. Модель использует архитектуру VITS: текстовый энкодер и потоковый модуль формируют акустическое представление, а декодер на основе свёрточных слоёв генерирует аудио. Стохастический предиктор длительности позволяет получать разные ритмические варианты произнесения одного текста; для воспроизводимого результата требуется фиксировать seed. В метаданных указано 3,5 млн параметров. Модель доступна через Transformers версии 4.33 и новее. Она предназначена для озвучивания текста на гапапайва. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерчески.

MOSS-TTS-Nano Persian — компактная модель синтеза персидской речи, созданная NimaaaAI дообучением OpenMOSS-Team/MOSS-TTS-Nano. Модель содержит 117,3 млн параметров и использует авторегрессионную архитектуру MOSS-TTS-Nano вместе с аудиокодеком MOSS-Audio-Tokenizer-Nano; контекст модели — 32 768 токенов. Для дообучения использованы 34 000 персидских записей Mozilla Common Voice 13.0. Модель принимает текст и короткую референсную аудиозапись, позволяя клонировать голос говорящего при чтении текста на фарси. Чекпойнт предназначен для генерации коротких персидских реплик, например уведомлений, голосовых подсказок интерфейса и экспериментального наполнения аудиодатасетов. Он улучшает естественность персидского произношения по сравнению с базовой моделью и рассчитан на запуск на CPU или GPU. Лицензия — Apache-2.0. Типичная длина высказывания ограничена примерно пятью секундами; длинный текст рекомендуется делить на фрагменты. Качество и чистота референсной записи заметно влияют на результат, а эмоциональная выразительность ограничена данными обучения. Модель не предназначена для имитации реальных людей без их согласия или для введения слушателей в заблуждение.

google/pix2struct-ai2d-large — модель Google семейства Pix2Struct, дообученная для визуальных вопросов и ответов по изображениям AI2D. Она принимает изображение вместе с вопросом и генерирует текстовый ответ; для этой версии рекомендуется формат вопроса с вариантами ответа. Архитектура — визуальный энкодер и текстовый декодер Pix2Struct; предобучение модели основано на преобразовании замаскированных снимков веб-страниц в упрощённый HTML. Модель рассчитана на визуально обусловленные задачи, включая понимание иллюстраций и диаграмм. Карточка описывает дообучение для VQA, а метаданные указывают задачу visual-question-answering и поддержку английского, французского, румынского и немецкого языков. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Размер модели и длина контекста в предоставленных данных не указаны.

ToPo-ToPo/Qwen3.8-Flash-Next-mlx-bf16 — модель Qwen3.8-Flash-Next, преобразованная в формат MLX для запуска на устройствах Apple с MLX. В метаданных указаны архитектура Qwen4ExpForConditionalGeneration и поддержка диалога и изображений; карточка описывает преобразование официальных весов bf16 без квантизации и размер около 331 ГиБ. Модель предназначена для диалоговых сценариев с анализом изображений и текстовым ответом. Для инференса требуется более 355 ГБ памяти. При конвертации исключена голова MTP, поэтому для спекулятивного декодирования её нужно отдельно взять из официальной версии bf16. Указана лицензия other; конкретные условия следует сверить с лицензией базовой модели и репозитория.

jaykwok/Qwen3-ASR-0.6B-JA-Anime-Galgame-hf — преобразованная для нативной загрузки через Hugging Face Transformers версия дообученной модели Qwen3-ASR-0.6B. Веса сохранены без изменений, а структура репозитория и ключи тензоров приведены к формату официального шаблона Qwen3-ASR. Модель предназначена для распознавания японской речи в аниме и галгеймах, включая транскрибацию аудио. Модель использует архитектуру Qwen3-ASR с аудиобашней и языковой моделью; файлы весов представлены в safetensors. Для нативной поддержки требуется Transformers версии 5.13.0 или новее. Репозиторий распространяется по лицензии Apache-2.0. README рекомендует оценить качество на собственных данных перед применением в production.

Карточка модели llyim/VideoChat-Flash-Qwen2-7B_res448 на Hugging Face совпадает с карточкой OpenGVLab/VideoChat-Flash-Qwen2-7B_res448, поэтому описание составлено по ней. VideoChat-Flash-Qwen2-7B_res448 — видеоязыковая модель OpenGVLab на базе Qwen2-7B и UMT-L. Она анализирует видео и отвечает на вопросы о его содержании в формате диалога. Модель использует 16 токенов на кадр; заявленная версия поддерживает последовательности примерно до 10 000 кадров. В README указано расширение контекста до 128 тыс. токенов с помощью YaRN, тогда как метаданные указывают native context в 32 768 токенов. В карточке приведены результаты на MVBench, LongVideoBench и VideoMME. Обучающий корпус преимущественно англоязычный: английский рекомендуется для взаимодействия, а понимание китайского описано как базовое. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0.

BricksDisplay/vits-cmn — модель синтеза речи семейства VITS, разработанная на основе архитектуры условного вариационного автокодировщика с состязательным обучением. Она преобразует входной текст в речевую аудиоволну и предназначена для синтеза китайской речи. В карточке указаны обучение на наборе THCHS-30, 44 диктора и 48 часов обучающих аудиозаписей; размер модели — 3,5 млн параметров. Репозиторий содержит форматы ONNX и safetensors и поддерживает запуск через Transformers.js. Лицензия — Apache-2.0. Модель подходит для озвучивания китайского текста и прототипов приложений синтеза речи. Данные карточки описывают один язык и ограниченный объём обучения, поэтому качество для иных языков и сценариев не подтверждено.

chickenrice0721/whisper-large-v2-translate-zh-v0.2-st — это дообученная модель Whisper large-v2 для перевода японской речи на китайский язык. По карточке, её дополнительно обучали на 5000 часах японского аудио с китайскими субтитрами с временными метками; режим использования указан как translate с языком ja. Модель построена на архитектуре WhisperForConditionalGeneration и содержит 905,2 млн параметров. Модель принимает аудио и генерирует китайский текстовый перевод. В README приведены результаты оценки: TER 60,4828, BLEU 29,3658 и CER 0,6602; набор оценки и методика не описаны, поэтому эти значения не позволяют надёжно сравнить качество с другими системами. Модель распространяется по лицензии Apache-2.0.