I.15Доступность и ассистивные технологии

Clarity-OMR — модель оптического распознавания нотной записи, разработанная автором репозитория для преобразования изображений музыкальных партитур в текстовое представление. Она дообучена на основе визуального трансформера DaViT Base и предназначена для распознавания партитур с последующим использованием результата в сценариях работы с нотным текстом. Модель обрабатывает изображения и выдаёт текст; автор описывает подход с распознаванием нотного стана за станом и приводит сравнение с Audiveris на разных музыкальных произведениях. По словам автора, на GPU RTX 3080 обработка занимает в среднем около 10 секунд на страницу и примерно втрое быстрее Audiveris в указанном режиме. Качество заметно снижается на партитурах с неаккуратной или нестандартной организацией нотных станов. Репозиторий распространяется по лицензии CC BY-SA 4.0.

RJ3vans/CMV1spanTagger — модель разметки токенов на основе BERT, разработанная для обнаружения составных глагольных групп в предложении, включая сочинённые глаголы и союзы. Она отмечает, какие токены входят в составную глагольную группу; для работы с союзом-разделителем его нужно заранее выделить квадратными скобками, например [and]. Модель предназначена для конвейеров упрощения предложений и обработки текста, где требуется выявлять составные глагольные конструкции. Она имеет 433,9 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Для дообучения использован набор данных из диссертации R. Evans «Sentence Simplification for Text Processing» (2020); код модели адаптирован из оригинальной программы Le An Ha. Лицензия в предоставленных данных не указана.

Dhee-Vagmi-Core v4 — модель машинного перевода компании DheeYantra, обученная с нуля на архитектуре M2M100. Модель содержит около 301 млн параметров и предназначена для перевода предложений и коротких фрагментов между 20 языками: английским, 11 индийскими и 8 другими мировыми языками. Поддерживаются все 380 направлений перевода; заявленные языки включают ассамский, бенгальский, гуджарати, хинди, каннада, малаялам, маратхи, ория, панджаби, тамильский, телугу, английский, арабский, немецкий, испанский, французский, японский, китайский, португальский и русский. Модель создана для локального перевода на мобильных устройствах и задумана как замена NLLB-200-distilled-600M в коммерческом продукте VAGMI. Архитектура с глубоким энкодером и неглубоким декодером рассчитана на низкую задержку; README описывает экспорт в INT8 ONNX для onnxruntime-mobile. Версия обучена на параллельных данных, включая явные пары индийских языков, и сообщает усреднённую chrF++ 53,49 по 380 направлениям. Модель не является универсальной языковой моделью и не предназначена для суммаризации документов; её область применения — перевод предложений и коротких текстов. Качество различается между направлениями, поэтому для конкретной языковой пары его следует оценивать отдельно. Лицензия Apache-2.0.

Salesforce GTA1-32B — модель зрения и языка на архитектуре Qwen2.5-VL с 32 млрд параметров, разработанная Salesforce для привязки текстовых инструкций к элементам графического интерфейса и автоматизации действий в GUI. Она обучена с применением обучения с подкреплением, включая GRPO, и ориентирована на задачи grounding, где важно выбирать конкретные элементы интерфейса и выдавать применимые действия, а не длинные рассуждения. Модель принимает изображения и текст, поддерживает диалоговый режим и рассчитана прежде всего на английский язык; контекстное окно составляет 128 000 токенов. В README заявлены оценки на бенчмарках ScreenSpot, OSWorld и WindowsAgentArena. Модель может помогать агентам ориентироваться в интерфейсах ОС и приложений, однако способна неверно распознавать элементы или предлагать ошибочные действия, поэтому автоматизацию следует проверять и контролировать человеком. Лицензия — MIT; в карточке также указано исследовательское и образовательное назначение.

Holo-3.1-0.8B — мультимодальная модель H Company для агентного управления графическими интерфейсами. Она основана на семействе Qwen 3.5 и предназначена для работы с веб-сайтами, настольными и мобильными приложениями. Модель принимает изображения интерфейса и текстовые инструкции, а через интерфейс вызова функций может передавать агентной системе команды для выполнения действий. Модель относится к семейству Holo3.1 размером от 0,8 млрд до 35 млрд параметров; для этой версии метаданные указывают архитектуру Qwen3.5 и размер 0,8 млрд параметров. Она ориентирована на автоматизацию интерфейсов, привязку элементов к их расположению и бизнес-сценарии. Выпускается в формате safetensors и использует лицензию Apache 2.0. Карточка сообщает о сильных результатах семейства на тестах автоматизации и понимания интерфейсов, но не приводит численных результатов отдельно для версии 0.8B. Её пригодность для конкретной системы и качество действий следует проверять в целевом окружении.

Карточка модели Hcompany/Holo-3.1-35B-A3B на Hugging Face совпадает с карточкой Hcompany/Holo-3.1-0.8B, поэтому описание составлено по ней. Holo-3.1-0.8B — мультимодальная модель H Company для агентного управления графическими интерфейсами. Она основана на семействе Qwen 3.5 и предназначена для работы с веб-сайтами, настольными и мобильными приложениями. Модель принимает изображения интерфейса и текстовые инструкции, а через интерфейс вызова функций может передавать агентной системе команды для выполнения действий. Модель относится к семейству Holo3.1 размером от 0,8 млрд до 35 млрд параметров; для этой версии метаданные указывают архитектуру Qwen3.5 и размер 0,8 млрд параметров. Она ориентирована на автоматизацию интерфейсов, привязку элементов к их расположению и бизнес-сценарии. Выпускается в формате safetensors и использует лицензию Apache 2.0. Карточка сообщает о сильных результатах семейства на тестах автоматизации и понимания интерфейсов, но не приводит численных результатов отдельно для версии 0.8B. Её пригодность для конкретной системы и качество действий следует проверять в целевом окружении.

Holo-3.1-4B — мультимодальная модель компании H Company для агентного управления веб-интерфейсами, настольными и мобильными приложениями. Это вариант семейства Holo3.1 на 4 млрд параметров, построенный на архитектуре Qwen3.5 и объединённый с несколькими моделями семейства Qwen3.5. Модель принимает изображения и текст, поддерживает диалог и интерфейс вызова инструментов; в метаданных указан английский язык. Модель предназначена для навигации по интерфейсам, автоматизации пользовательских действий, привязки элементов интерфейса и выполнения рабочих процессов. Её можно интегрировать в агентные системы; семейство также ориентировано на локальное развёртывание. В репозитории указаны веса Safetensors, библиотека Transformers и лицензия Apache 2.0. Карточка описывает результаты семейства в целом, но не приводит отдельные показатели для версии 4B. Мультимодальные входы, точная длина контекста и количественная оценка качества этой версии в доступных данных не раскрыты.

aufklarer/IndexTTS2-MLX-fp16 — экспорт IndexTTS-2 в формате fp16 и safetensors, подготовленный для оценки реализации на Apple Silicon. Исходную модель разработала IndexTeam; экспорт сохраняет имена параметров и структуру каталогов исходных весов и включает вспомогательные компоненты для синтеза речи по референсному аудио. Модель предназначена для преобразования текста в речь, в том числе с клонированием голоса по аудиореференсу и управлением выразительностью. Вспомогательные компоненты извлекают признаки и стиль голоса из референсного аудио; базовая IndexTTS-2 описана как авторегрессионная zero-shot модель с контролем длительности. В карточке указана поддержка китайского и английского языков. Это конвертированный артефакт для портирования Swift/MLX, а не готовый чекпойнт Transformers. README предупреждает, что одной поставки весов недостаточно для инференса: необходимы реализации графов нескольких компонентов, включая GPT/S2Mel, BigVGAN и вспомогательные модели. Лицензия в метаданных указана как other; дополнительных условий использования карточка не сообщает.

Keak Ember 1.4 — компактная языковая модель Keak для локальной работы в приложении диктовки. Это дообученная версия Qwen3-1.7B, опубликованная в формате GGUF; текущий файл модели использует квантизацию Q4_K_M. Модель рассчитана на исправление ошибок диктовки с сохранением сказанного, точное написание пользовательской лексики, преобразование голосовых команд в структурированные данные, определение адресата сообщения, краткие ответы и ответы на языке запроса. Ember специализируется на ограниченном наборе задач и не предназначена для широких знаний общего назначения. В README приведены результаты KeakBench и отмечено, что версия 1.4 улучшила общую точность относительно 1.3, однако проверка защитных отказов набрала 0,841 при целевом значении 1,000; автор рекомендует вручную проверять такие сбои перед использованием с чувствительными данными. Модель рассчитана на офлайн-запуск через llama.cpp или Ollama с контекстом 4096 токенов. Лицензия — Apache-2.0.

LLaVA-NeXT-Video-7B — открытый мультимодальный чат-бот, разработанный LLaVA Lab и дообученный на базе языковой модели Vicuna 7B v1.5. Это плотная модель семейства LLaVA с архитектурой LlavaLlamaForCausalLM и 6,6 млрд параметров; репозиторий содержит веса Safetensors. Модель принимает текстовые инструкции вместе с видео и формирует текстовые ответы. В карточке указано окно контекста 4096 токенов. Модель предназначена для диалога о видео, ответов на вопросы о его содержании и описания видеосцен. В обучении использованы данные VideoChatGPT-Instruct, а также наборы изображений и мультимодальных инструкций. Разработчики позиционируют её прежде всего для исследований в области компьютерного зрения и мультимодальных чат-ботов. Лицензия — Llama 2 Community License; условия лицензии следует учитывать при использовании и распространении модели.

Malaysian Parler TTS Mini V1 — модель синтеза речи семейства Parler TTS, дообученная Mesolitica на датасете Mesolitica/TTS. Она предназначена для преобразования текстового ввода в речь на малайском языке. В метаданных указаны архитектура ParlerTTSForConditionalGeneration и формат весов safetensors; модель рассчитана на использование через Transformers. Карточка не сообщает размер модели, длину контекста, лицензию, параметры голоса или оценки качества. Для использования нужны совместимые компоненты Parler TTS и код запуска; README не содержит завершённых инструкций по установке или примеров. Языковые теги метаданных включают малайский и китайский, однако поддержка китайского синтеза отдельно не описана.

Ming-UniVision — мультимодальная авторегрессионная модель семейства BailingMM, представленная в карточке проекта Ming-UniVision. Она объединяет понимание изображений и их генерацию в едином механизме предсказания следующего токена, используя непрерывные визуальные представления MingTok вместо дискретной квантизации и отдельных голов для разных модальностей. Модель предназначена для диалога с изображениями, генерации и редактирования изображений, включая многошаговые сценарии, где пользователь чередует вопросы и запросы на изменение изображения. README заявляет о более быстрой сходимости совместного обучения и возможности выполнять многораундовые задачи в непрерывном латентном пространстве без декодирования промежуточных состояний в изображения. В репозитории указаны веса Safetensors и библиотека Transformers; метаданные обозначают задачу any-to-any и языки en и zh. Лицензия — Apache-2.0. Размер модели и длина контекста в предоставленных данных не указаны.

facebook/mms-tts-gng — модель синтеза речи на языке нгангам (Ngangam, gng), разработанная Facebook в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт VITS для одного языка: модель принимает текст и генерирует речевую аудиоволну. Архитектура VITS объединяет вариационный автоэнкодер, Transformer-энкодер текста, потоковый модуль, декодер в стиле HiFi-GAN и стохастический предсказатель длительности, благодаря которому текст может звучать с разным ритмом. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors. Модель предназначена для озвучивания текста на нгангам. Генерация недетерминирована: для воспроизводимого результата требуется фиксировать seed. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-jvn — модель синтеза речи на яванском языке (код jvn), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на яванском в речевую аудиоволну и предназначена для озвучивания текста и создания речевых интерфейсов для этого языка. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. VITS синтезирует речь сквозным образом, сочетая вариационный автоэнкодер, потоковый модуль, декодер, похожий на HiFi-GAN, и стохастический предиктор длительности. Для одинакового текста возможны разные ритм и звучание; чтобы получать воспроизводимый результат, нужно зафиксировать seed. Модель доступна через Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и safetensors. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Модель предназначена для синтеза яванской речи; сведений о поддержке других языков или дополнительных задач в карточке нет.

facebook/mms-tts-kyq — модель синтеза речи на языке кенга (Kenga, kyq), 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: она сочетает вариационный автоэнкодер, потоковые преобразования и декодер, построенный по принципу HiFi-GAN. Для одного языка обучается отдельный чекпойнт; размер этой модели — 3,5 млн параметров. Стохастический предиктор длительности позволяет варьировать ритм синтезированной речи, поэтому для повторяемого результата требуется фиксировать seed. Модель доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-noa — модель синтеза речи на языке Woun Meu (noa), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и предназначена для озвучивания текстов и создания речевого вывода в приложениях. Модель построена на архитектуре VITS: генерация речи выполняется сквозным образом, а стохастический предиктор длительности позволяет получать варианты ритма для одного текста. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; для работы поддерживается библиотека Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование на условиях атрибуции и некоммерческого применения.

OpenCUA-7B — мультимодальная модель агента для управления компьютером, разработанная командой xlangai на основе Qwen2.5-VL-7B-Instruct. Она принимает текстовые инструкции и снимки экрана, анализирует интерфейс и выдаёт текстовые команды и действия, например координаты для нажатий. Модель предназначена для многошаговых сценариев работы с графическими интерфейсами в Ubuntu, Windows и macOS, включая распознавание элементов, привязку действий к экрану и планирование последовательности операций. Модель поддерживает контекст до 128 000 токенов и может учитывать до трёх снимков экрана из истории. В README описаны возможности рассуждения с самопроверкой и оценки на бенчмарках GUI и управления компьютером; приведённые высокие результаты OSWorld-Verified относятся к OpenCUA-72B и не являются результатом версии 7B. Для выполнения действий требуется агентная среда, которая передаёт снимки модели и исполняет её команды; координаты модели необходимо согласовать с применяемым smart resize в обработке Qwen2.5-VL. Репозиторий распространяется по лицензии MIT, разрешающей исследовательское, образовательное и коммерческое использование.

Karayakar/Orpheus-TTS-Turkish-PT-5000 — дообученная модель Orpheus TTS на архитектуре LlamaForCausalLM, созданная для синтеза турецкой речи по тексту. В README указано, что это версия на шаге обучения 2000; для обучения использовали более 220 часов синтетических голосовых данных, а также данные с реальной озвучкой эмодзи для их поддержки. Модель предназначена для генерации турецкой речи и поддерживает эмоциональные и вокальные маркеры, включая смех, хихиканье, вздох, кашель и удивлённый вдох. В метаданных указаны 3,3 млрд параметров, контекст 131 072 токена, формат safetensors и лицензия MIT. README описывает взаимодействие через Flask API.

AppleScript-16B-A4B-JANG_4M — модель Osaurus для автоматизации macOS с помощью AppleScript и вызовов инструментов. Она дообучена на основе google/gemma-4-26B-A4B-it, а её архитектура Gemma 4 использует MoE: 16,1 млрд параметров всего и около 4 млрд активных. Модель квантована в формате JANG_4M: 8-битное внимание и 4-битные маршрутизируемые эксперты; размер файлов около 11 ГБ. Для запуска предназначена библиотека MLX, автор рекомендует среду vMLX. Модель формирует структурированные вызовы инструмента run_applescript для управления приложениями macOS, включая Safari, Finder, Mail, Notes, Calendar и Reminders, а также системными функциями, буфером обмена, снимками экрана и ASObjC. Без описания инструмента она может выдавать AppleScript напрямую. В тесте автора на 87 задачах заявлены 100% корректных вызовов инструмента, 100% компиляции скриптов и 84% правильного выполнения; это результаты указанного теста, а не гарантия для произвольных сценариев. Лицензия — Gemma.

Osaurus-AppleScript-8B-JANG_6M — дообученная Osaurus модель на базе Zyphra/ZAYA1-8B для управления macOS с помощью AppleScript и вызовов инструментов в агентном цикле. Она принимает текстовые запросы и при наличии описания инструмента формирует структурированный вызов run_applescript с AppleScript для автоматизации Safari, Finder, Mail, Notes, Calendar и System Events, а также для управления системой, буфером обмена и снимками экрана. Без описания инструмента модель может выдавать AppleScript напрямую. Модель построена на архитектуре Zaya MoE с 16 экспертами. В README указано 8,84 млрд параметров, а в метаданных — 5,4 млрд; веса квантованы Osaurus с помощью JANG до 6 бит, эмбеддинги — до 8 бит. Репозиторий содержит safetensors для MLX, размер указан примерно как 7,4 ГБ; контекст — до 131 072 токенов. В тесте на 87 задачах модель выдавала вызов инструмента в 100% случаев, компилируемый AppleScript — в 80%, правильный результат на вычислительной подвыборке — в 75%. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели.

Qwen3.5-4B Lite.OSWorld + CUAGym SFT — мультимодальная плотная модель семейства Qwen3.5, дообученная разработчиком карточки методом supervised fine-tuning на объединённых данных Lite.OSWorld и CUAGym. Это контрольная точка на базе Qwen/Qwen3.5-4B с архитектурой Qwen3_5ForConditionalGeneration; она принимает текст и изображения и формирует текстовые ответы. Модель предназначена для диалога и выполнения задач управления компьютерным интерфейсом, представленных в обучающих данных. Для обучения использовано 3648 строк SFT-данных; карточка указывает три эпохи обучения. Модель может быть полезна для экспериментов и разработки агентов, взаимодействующих с компьютерными интерфейсами. Лицензия в предоставленных данных не указана.

DavidAU/Qwen3-VL-32B-Gemini-Heretic-Uncensored-Thinking — мультимодальная модель на архитектуре Qwen3-VL-32B, опубликованная DavidAU и дообученная на базе coder3101/Qwen3-VL-32B-Thinking-heretic-v2 с использованием датасета TeichAI/gemini-3-pro-preview-high-reasoning-250x. Модель предназначена для диалога и рассуждений по тексту и изображениям, а также для творческого письма и ролевых сценариев. Автор описывает её режим рассуждений как основанный на компактных трассах Gemini и заявляет контекст 256 тысяч токенов. Модель принимает текст и изображения и генерирует текст; метаданные подтверждают возможности чата и обработки изображений. В карточке заявлены английский и китайский языки. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Автор характеризует модель как uncensored и сообщает о снижении частоты отказов, однако приведённая таблица сравнения не является независимой оценкой качества. Карточка также заявляет способность работать с широким спектром содержимого; соблюдайте применимые правила при использовании. Указанный автором базовый репозиторий в README расходится с метаданными: для происхождения использован идентификатор базовой модели из метаданных.

ssdlite320-mobilenet-v3-large — модель обнаружения объектов, экспортированная Software Mansion для библиотеки React Native ExecuTorch. В основе лежит upstream-модель SSDLite320 MobileNetV3 Large из torchvision/PyTorch. Модель предназначена для запуска непосредственно на мобильных и других периферийных устройствах в приложениях React Native, где требуется обнаруживать объекты на изображениях без обязательной обработки на сервере. Архитектура сочетает детектор SSDLite с backbone MobileNetV3 Large; размер входа, судя по названию модели, составляет 320 пикселей. Репозиторий содержит готовые программы ExecuTorch в формате .pte для двух вариантов выполнения: Core ML с точностью fp16 и XNNPACK с точностью fp32. Модель работает с визуальными данными и ориентирована на задачи object detection; сведения о поддерживаемых классах, языках, метриках качества и обучающем наборе данных в README не приведены. К сильным сторонам относятся адаптация для on-device-инференса, интеграция с React Native ExecuTorch и наличие вариантов под разные вычислительные backend’ы. Ограничения включают отсутствие опубликованного варианта для MLX и отсутствие в README подробностей о производительности, точности и составе классов. Файлы опубликованы для ExecuTorch v1.4.1; обратная совместимость с более старыми версиями не гарантируется, поэтому перед использованием необходимо учитывать требования совместимости runtime. Лицензия репозитория — BSD 3-Clause.

PRAIG/smt-grandstaff — модель семейства Sheet Music Transformer (SMT), опубликованная Image Pattern Recognition and Artificial Intelligence Group. Она предназначена для оптического распознавания нотной записи: по изображению нотного стана с фортепианной партитурой генерирует текстовое представление музыки. В карточке Hugging Face указаны архитектура SMT с причинным декодером и размер около 21,4 млн параметров; файлы представлены в формате Safetensors. Карточка самого репозитория содержит мало сведений о применении, но описание родственной модели SMT, дообученной на GrandStaff, указывает на транскрибирование изображений фортепианных партитур. Для PRAIG/smt-grandstaff лицензия и поддерживаемые языки в доступных сведениях не установлены; описание родственной модели нельзя считать подтверждением этих характеристик для данного репозитория.

TEMPURA-InternVL3-8B — дообученная видеоязыковая модель на базе OpenGVLab/InternVL3-8B-hf, представленная в проекте TEMPURA (Temporal Event Masked Prediction and Understanding for Reasoning in Action). Она предназначена для анализа видео и рассуждений о временной структуре событий. Модель создаёт подробные описания последовательных событий с временными метками в неразмеченном видео, предсказывает содержание скрытых фрагментов и находит моменты, соответствующие текстовому запросу, включая выделение ярких эпизодов. Видео подаётся как последовательность кадров с отметками времени, подготовленная с частотой 0,5 кадра в секунду. Модель основана на мультимодальной архитектуре InternVL и распространяется в формате safetensors. Карточка связывает модель с набором данных TEMPURA-VER и описывает оценку на задачах временной локализации Charades-STA и обнаружения ярких моментов QVHighlights. Лицензия указана как other; конкретные условия следует проверять в репозитории модели. Практическое использование зависит от подачи кадров и временных меток в ожидаемом формате.

Это вокодер HiFi-GAN от SpeechBrain, обученный на многоголосом датасете LibriTTS. Модель принимает спектрограмму и преобразует её в звуковую волну с частотой дискретизации 22 050 Гц; обычно её используют после модели синтеза речи, которая преобразует текст в спектрограмму. Вокодер подходит для построения англоязычных систем синтеза речи и преобразования спектрограмм в аудио. Для работы требуется спектрограмма, поэтому сам по себе этот репозиторий не выполняет полный цикл преобразования текста в речь. Модель распространяется по лицензии Apache-2.0.

Карточка модели Jinstudio/VibeVoice-AcousticTokenizer на Hugging Face совпадает с карточкой microsoft/VibeVoice-AcousticTokenizer, поэтому описание составлено по ней. VibeVoice Acoustic Tokenizer — акустический токенизатор Microsoft, компонент семейства VibeVoice для работы с речевым аудио. Он преобразует аудио в непрерывные речевые представления и поддерживает обратное декодирование; токенизатор используется в системах VibeVoice для синтеза речи и распознавания речи. В README указана частота кадров 7,5 Гц, что позволяет компактно представлять длинные аудиопоследовательности. Модель предназначена для извлечения признаков из аудио и как компонент конвейеров TTS и ASR, включая генерацию выразительной многосторонней речи и обработку разговорного аудио. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — MIT. Для подключения README описывает установку из исходного кода до включения токенизатора в официальный релиз Transformers.

VibeVoice-Realtime-0.5B with encoder — потоковая модель синтеза речи из текста с клонированием голоса по аудиозаписи. Репозиторий создан mohammed-bahumaish на основе Microsoft VibeVoice-Realtime-0.5B: к модели добавлен отсутствовавший акустический энкодер, необходимый для использования собственного аудио как образца голоса. Модель предназначена для синтеза речи с низкой задержкой и совместима с демонстрационными скриптами Microsoft, принимающими файлы голосов формата .pt. Для клонирования рекомендуется предоставить чистую запись одного говорящего длительностью не менее 15 секунд и частотой дискретизации от 24 кГц; явная передача транскрипта улучшает результат. Автоматическая транскрипция работает только для английского. Карточка указывает лицензию MIT. Для запуска требуется transformers версии 4.51.x: версия 5.x нарушает работу модели.

ViZipVoice — вьетнамская модель синтеза речи с нулевым обучением и клонированием голоса, разработанная авторами репозитория contextboxai и дообученная на базе ZipVoice от k2-fsa. Она преобразует текст в речь и может воспроизводить голос по короткому аудиопримеру. Модель реализована на PyTorch; опубликован чекпойнт FP16. Токенизатор посимвольный, содержит 244 токена, частота дискретизации синтеза — 24 кГц. Обучающие данные включают около 7000 часов вьетнамской и английской речи; для нормализации вьетнамского текста используется soe-vinorm, а вокодер по умолчанию — charactr/vocos-mel-24khz. Модель подходит для озвучивания вьетнамского текста, создания голосовых демонстраций и синтеза речи с заданным тембром. В карточке приведены аудиопримеры и 30 записей для референсного голоса с транскрипциями. Лицензия — Apache-2.0. Клонировать следует только голоса, на использование которых есть право или явное разрешение; качество и стабильность для других языков и сценариев в карточке не охарактеризованы.

VyvoTTS-v0-Qwen3-0.6B — англоязычная модель синтеза речи, разработанная на основе Qwen3-0.6B и дообученная для генерации естественно звучащей английской речи. В карточке заявлено около 810 млн параметров, а метаданные указывают 537 млн параметров; модель использует архитектуру Qwen3ForCausalLM, библиотеку Transformers и формат safetensors. Длина контекста по метаданным — 40 960 токенов. Модель предназначена для преобразования текста в речь. В README отмечен высокий уровень ошибок распознавания (WER) в сгенерированной речи и рекомендуется использовать её как предварительно обученную основу, затем дообучить на подходящем речевом наборе данных и отдельно настроить для одного диктора. Доступна по лицензии MIT.