I.15Доступность и ассистивные технологии

Hy-MT2-1.8B-i1-GGUF — квантованные GGUF-версии модели Hy-MT2-1.8B, разработанной Tencent и подготовленной пользователем mradermacher. Модель предназначена прежде всего для задач машинного перевода и локального запуска в приложениях, поддерживающих формат GGUF. Доступны варианты с разной степенью квантования и размером примерно от 0,6 до 1,6 ГБ, что позволяет выбирать между требованиями к памяти, скоростью и качеством. Заявлена поддержка китайского, английского, французского, португальского, испанского, японского, турецкого, русского, арабского, корейского, тайского, итальянского, немецкого, вьетнамского, индонезийского, малайского, филиппинского, хинди, польского, чешского, нидерландского, кхмерского, бирманского, персидского, гуджарати, урду, телугу, маратхи, иврита, бенгальского, тамильского, украинского, тибетского, казахского, монгольского и уйгурского языков. Архитектура, размер контекста и другие внутренние характеристики в карточке не указаны; из названия следует размер базовой модели около 1,8 млрд параметров. Сильной стороной является широкий набор языков и возможность запуска на устройствах с ограниченными ресурсами благодаря многочисленным квантованным вариантам. Качество зависит от выбранного типа квантования: в README отмечены компромиссы между размером, скоростью и точностью, а некоторые малые варианты характеризуются как низкокачественные. Модель ориентирована на перевод, поэтому её возможности для других задач и мультимодальность не заявлены. Распространение указано по лицензии Apache-2.0.

Llama-Mimi-8B — модель для работы с речью, разработанная командой LLM-jp. Она объединяет токенизатор Mimi и декодер-трансформер Llama, совместно моделируя последовательности чередующихся семантических и акустических токенов. Модель дообучена на базе meta-llama/Llama-3.1-8B и содержит около 7,5 млрд параметров. Модель предназначена для задач преобразования аудио в аудио. Обучение проводилось примерно на 240 тысячах часов англоязычного аудио. В описании отмечены высокая акустическая согласованность по оценке SALMon и сохранение идентичности говорящего. Контекст составляет до 131 072 токенов; архитектура — плотный декодер Llama, формат весов — safetensors. Для использования указаны Transformers, PyTorch и torchaudio. Лицензия — Llama 3.1 Community License. README не уточняет конкретные режимы преобразования аудио и ограничения применения; модель и обучающие данные ориентированы на английскую речь.

facebook/mms-tts-hus-dialect_centralveracruz — модель синтеза речи на языке уастек (Huastec), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для генерации речи на варианте языка центрального Веракруса. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. VITS объединяет текстовый энкодер, вероятностную модель длительности и декодер речи в сквозной системе синтеза; стохастический предиктор длительности позволяет получать разные ритмические варианты произношения. Для работы с моделью подходит библиотека Transformers версии 4.33 и новее. Одинаковый результат генерации требует фиксированного seed. Модель распространяется в форматах PyTorch и safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Она предназначена для одного языкового варианта; качество и область применимости за пределами синтеза речи на уастек в карточке не описаны.

facebook/mms-tts-kog — модель синтеза речи на языке Kogi (код kog), созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на Kogi. Модель использует архитектуру VITS: вариационный автоэнкодер с потоковым модулем, трансформерным текстовым энкодером, декодером HiFi-GAN и стохастическим предсказателем длительности. Для MMS обучается отдельная модель на каждый язык; размер этого чекпойнта — 3,5 млн параметров. Модель доступна через Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и Safetensors. Генерация недетерминирована: для повторения того же результата нужно фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Карточка не сообщает о голосовом клонировании или поддержке других языков.

MOSS-VL-Realtime-SGLANG — совместимый пакет команды OpenMOSS для запуска мультимодальной модели MOSS-VL-Realtime через специализированный backend SGLang-Omni. Это не переобученная и не квантованная модель: сохранены исходные веса BF16 и токенизатор, а пакет адаптирует конфигурацию и интерфейсы для совместимости с Transformers 5.12.1. В основе — плотная архитектура MossVLForConditionalGeneration с отдельным визуальным кодировщиком, языковой частью и перекрёстным вниманием; модель содержит 11 млрд параметров и поддерживает контекст до 256 тыс. токенов. Модель предназначена для потокового понимания видео: она анализирует кадры по мере поступления, отвечает на вопросы о происходящем, учитывает временные метки, порядок и длительность событий, а также может обновлять ответы или сохранять молчание, если ответ не нужен либо визуальных данных недостаточно. Подходит для интерактивных видео- и голосовых приложений и сервисов потокового вывода. Основные языки карточки — английский и китайский; вход включает видео и текст, выход — текст. Для работы требуются совместимые версии Transformers, SGLang-Omni и PyTorch, а также специализированная интеграция MOSS-VL; универсальная установка SGLang-Omni её не содержит. Реальная задержка зависит от оборудования и настроек, а пропуск кадров и окна визуального KV ограничивают доступную историю. Для продолжения работы за пределами контекста приложению нужна собственная логика памяти. Лицензия — Apache-2.0.

MotionAtlas-4B — модель для понимания видео с фокусом на движении, представленная в работе MotionAtlas: Detailed Region Captioning for Motion-Centric Videos. Она формирует подробные текстовые описания движения в указанных областях видео, переходя от общих описаний ролика к анализу движения в конкретных регионах. Модель основана на плотной мультимодальной архитектуре Qwen3-VL и использует интерфейс диалога с визуальным вводом. MotionAtlas-4B предназначена для описания движения в выбранных областях видео и анализа видеороликов с учётом заданных регионов. Репозиторий содержит веса safetensors; заявленная задача Hugging Face — image-text-to-text. Модель лицензирована по Fair Noncommercial Research License, поэтому её использование ограничено условиями этой лицензии. Подробности запуска приведены во внешнем GitHub-репозитории и на странице проекта.

Карточка модели ngoctham/neutts-2e на Hugging Face совпадает с карточкой neuphonic/neutts-2e, поэтому описание составлено по ней. NeuTTS-2E — модель синтеза речи, разработанная Neuphonic для локального запуска на устройствах с ограниченными ресурсами. Она преобразует текст на английском языке в речь и позволяет выбирать одну из четырёх фиксированных голосовых персон и одну из шести эмоций либо нейтральную подачу. Модель использует компактную языковую модель для генерации токенов речи и аудиокодек NeuCodec. В README указано около 125 млн активных параметров базовой части и около 236 млн параметров всего; доступны квантованные версии GGUF. Модель оптимизирована для генерации в реальном времени на CPU и для встраиваемых устройств. Все создаваемые аудиофайлы по умолчанию содержат водяной знак Perth. Это ранняя альфа-версия, рассчитанная только на английский язык и фиксированный набор голосов; клонирование голоса не заявлено. Лицензия указана как other, поэтому условия использования следует сверять с файлами лицензии репозитория.

umt5-thai-g2p-v2-0.5k — модель B-K, дообученная на наборе B-K/thai-g2p для преобразования тайского текста в фонемную транскрипцию Международным фонетическим алфавитом (IPA). Это модель семейства UMT5 с архитектурой условной генерации текста; число параметров — 29,6 млн. Её применяют для преобразования слов и предложений на тайском языке в произношение, в том числе как этап предварительной обработки в конвейере синтеза речи. На оценочном наборе указаны loss 1,0480 и CER 0,0369. Модель может ошибаться, особенно на редких словах, неологизмах, сложных именах и данных, отличающихся от обучающего набора; неоднозначность тайского письма также может приводить к неверному произношению. Устойчивость на очень длинных или сложных предложениях может варьироваться. Распространяется по лицензии Apache-2.0.

VideoChat-Flash-Qwen2_5-7B_InternVideo2-1B — видеоязыковая чат-модель OpenGVLab на основе InternVideo2-1B и Qwen2.5-7B. Она анализирует видео и отвечает на вопросы о его содержании; для взаимодействия рекомендуется английский, поскольку обучающий корпус преимущественно англоязычный, а понимание китайского базовое. Модель использует 16 токенов на кадр, а в README заявлена поддержка последовательностей примерно до 10 000 кадров благодаря расширению контекста методом YaRN. Метаданные указывают 7,1 млрд параметров и контекст 32 768 токенов; README описывает расширение до 128 тыс. токенов. Модель предназначена для диалога по видеоматериалам и задач понимания длинных видео. В карточке приведены результаты на MVBench, LongVideoBench и VideoMME, однако численные показатели в таблице относятся к вариантам модели с другими обозначениями, поэтому их нельзя уверенно приписать этому чекпойнту. Репозиторий содержит веса Safetensors для библиотеки Transformers. Лицензия — Apache-2.0.

Это дообученная модель распознавания речи на архитектуре Wav2Vec2 Large XLSR-53, разработанная на базе jonatasgrosman/wav2vec2-large-xlsr-53-arabic. Она предназначена для распознавания чтения Корана в стилях таджвид и муратталь, включая поддержку османского письма и специальных символов ٱ и ٰ. В карточке указаны WER 4,41% для знакомых чтецов и 6,51% для новых, а точность сегментации по аятам превышает 98%. Модель принимает аудио и выдаёт распознанный текст на арабском языке. Репозиторий содержит веса в формате safetensors, размер модели — 402,7 млн параметров. Лицензия — Apache-2.0.

Whisper-large-v3-ar-eg — модель автоматического распознавания речи, созданная Мохамедом Котбом под патронажем профессора Али Гомаа. Это дообученная на базе openai/whisper-large-v3 модель семейства Whisper с 905,2 млн параметров, принимающая аудио и выдающая текст. Она обучена на корпусах Корана и хадисов на литературном арабском, а также на египетской арабской речи. Модель предназначена для транскрибации религиозных текстов и египетской речи как вспомогательный инструмент и для исследований. Лучшая заявленная оценка для египетского арабского относится к речи того же диктора и формального регистра, что и обучающие данные; на спонтанной речи незнакомых дикторов качество заметно ниже универсальной базовой модели. Вывод использует арабскую орфографию без огласовок, числа записываются словами, временные метки не выдаются. Религиозные расшифровки следует сверять с каноническими письменными источниками. Лицензия — Apache-2.0.

Карточка модели luca0621/appgen-qwen3-uedgrpo-ngc-amex-pbrs-v32r12-step50 на Hugging Face совпадает с карточкой namhokaist/appgen-qwen3-model-e-uedgrpo-awlegacy-stalesparse-v47-h200x8-s100-20260807-step70, поэтому описание составлено по ней. AppGen Qwen3-VL frozen SFT — A-variant arm E — это дообученная namhokaist модель на базе Qwen/Qwen3-VL-8B-Instruct, разработанная для исследований визуальных агентов Android. Она принимает изображения интерфейсов и текстовые инструкции, а затем формирует текстовые ответы для задач работы с экраном. Веса визуального энкодера и модулей выравнивания заморожены, а языковая модель и LM head дообучены; обучение проведено на наборах AppGen SFT и AMEX. Репозиторий содержит финальный чекпойнт в формате safetensors и распространяется по лицензии Apache-2.0. Модель предназначена для анализа интерфейсов Android и визуального заземления инструкций. В README не приводятся оценки качества, а статические бенчмарки не подтверждают успешность интерактивных задач AndroidWorld. Модель заявлена для исследований визуальных агентов и не предназначена для критически важных автономных развертываний.

BigVGAN-v2 — нейронный вокодер, разработанный Sang-gil Lee, Wei Ping, Boris Ginsburg, Bryan Catanzaro и Sungroh Yoon. Этот репозиторий содержит вариант с частотой дискретизации 22 кГц, 80 мел-полосами и коэффициентом повышения частоты 256×. Модель генератора имеет архитектуру BigVGAN; размер конкретного чекпойнта в предоставленных данных не указан. Модель принимает мел-спектрограмму и синтезирует из неё звуковую волну. Она предназначена для вокодирования речи и других аудиосигналов; обучение BigVGAN-v2 охватывало речь на разных языках, окружающие звуки и музыкальные инструменты. Для ускорения инференса предусмотрено CUDA-ядро, но его сборка требует CUDA, nvcc и ninja. Репозиторий опубликован по лицензии MIT.

EGM-Qwen3-VL-4B-SFT — промежуточная контрольная точка первого этапа обучения модели Efficient Visual Grounding Language Models, разработанной NVIDIA. Это плотная мультимодальная модель на архитектуре Qwen3VLForConditionalGeneration, полученная дообучением Qwen/Qwen3-VL-4B-Thinking методом supervised fine-tuning на данных для визуального заземления с пошаговыми рассуждениями. Модель принимает изображения и текстовые запросы и формирует текстовые ответы с визуальным заземлением. Контрольная точка предназначена прежде всего для дальнейшего обучения с подкреплением по схеме GRPO; итоговая модель этого процесса — nvidia/EGM-4B. Модель поддерживает диалоговый режим и визуальный ввод. В README указана точность bfloat16 и размер текстового скрытого представления 2560. Репозиторий распространяется по лицензии Apache-2.0.

Idan/fga-vqa-trainval — модель для ответов на вопросы об изображениях, обученная по протоколу VQA v1 на объединённых наборах train2014 и val2014. Она использует архитектуру OpenEndedVQAModel с механизмом внимания Factor Graph Attention из работы CVPR 2019 и рассчитана на открытые вопросы по визуальному содержимому. Модель обучена на 351 596 вопросах с 36 региональными признаками изображения на пример и целевой функцией soft_ce, учитывающей оценки ответов десятью аннотаторами. Для инференса подаются токены вопроса и признаки изображения; модель выдаёт ответ. README не приводит оценку на test-dev: ответы тестового набора VQA v1 не опубликованы, а метрика появляется только после отправки предсказаний на сервер оценки. Модель распространяется под лицензией MIT.

LLaVA-Scissor-baseline-7B — базовая модель проекта LLaVA-Scissor, разработанного для исследования сжатия визуальных токенов в видеоязыковых моделях. Это мультимодальная модель на архитектуре LlavaQwenZipForCausalLM: она объединяет визуальный энкодер SIGLIP с языковой моделью Qwen2.5-7B-Instruct и дообучена на данных Oryx. Модель предназначена для понимания видео и ответов на текстовые запросы о его содержании; карточка также описывает запуск инференса без сжатия токенов. Размер модели — 7,1 млрд параметров, контекст — 32 768 токенов. В метаданных указаны английский и китайский языки. Модель распространяется под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-myy — модель синтеза речи на языке макуна (myy), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует текст на макуна в речевую аудиоволну и подходит для озвучивания текста на этом языке. Модель использует архитектуру VITS и обучена отдельно для макуна. Вариативный предиктор длительности позволяет синтезировать разные ритмические варианты речи из одного текста; поэтому результат может меняться между запусками, а для воспроизводимого синтеза требуется фиксированное начальное значение генератора. Размер модели — 3,5 млн параметров; она доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель предназначена для языка макуна; качество синтеза и поддержка других языков не заявлены.

MOSS-Audio-Tokenizer-Nano — компактный аудиотокенизатор команды OpenMOSS-Team для MOSS-TTS-Nano и совместимых рабочих процессов семейства MOSS-TTS. Это модель на основе причинного Transformer по архитектуре Cat, которая кодирует стереозвук в дискретную последовательность токенов и восстанавливает его из неё. В чекпойнте около 22 млн параметров; модель принимает и выдаёт стереозвук с частотой 48 кГц, а частота потока кодов составляет 12,5 Гц. Остаточный квантователь использует 16 кодовых книг по 1024 элемента и поддерживает битрейт от 0,125 до 2 кбит/с. Модель предназначена для компактного представления и восстановления речи, музыки и других аудиосигналов, включая потоковые сценарии с низкой задержкой. Её можно применять как аудиотокенизатор в генерации речи и других рабочих процессах, которым нужна дискретная аудиорепрезентация. Для загрузки реализации может потребоваться Transformers с включённым trust_remote_code. Репозиторий распространяется по лицензии Apache-2.0. README приводит сравнительные оценки качества восстановления на английском LibriSpeech и китайском AISHELL-2, а также на наборах AudioSet и MUSDB. Интерфейс требует стереовход формы (2, T) или (B, 2, T); заявлена потоковая обработка чанками, но непрерывное пакетное декодирование имеет ограничения по состоянию и параллельности: одна активная потоковая сессия декодирования на экземпляр модели, без непрерывного пакетного кодирования и одновременной работы нескольких сессий на одном экземпляре.

MOSS-Music-8B-Thinking — модель понимания музыки от MOSI.AI, команды OpenMOSS и Shanghai Innovation Institute. Она предназначена для анализа музыкальных записей и отвечает на вопросы о содержании и структуре трека; вариант Thinking дополнительно настроен на рассуждения при музыкальном анализе. Модель объединяет аудиоэнкодер MOSS-Audio-Encoder, адаптер модальности и языковую модель Qwen3-8B; общий размер составляет около 9,1 млрд параметров. Она принимает аудио и генерирует текст. В README описаны распознавание и транскрибирование вокала с временными метками, музыкальные описания, анализ жанра и инструментов, определение тональности, темпа и аккордов, разметка частей песни и ответы на вопросы по полной записи. Модель работает с английским и китайским языками. По заявлению разработчиков, обучение включает дополнительное предобучение на музыкальных данных, инструкционную настройку и настройку рассуждений для варианта Thinking. Модель распространяется по лицензии Apache-2.0. Данные о длине контекста и количественные оценки качества в предоставленных материалах отсутствуют.

TrevorJS/Muse-Glimmer-30B-uncensored — производная версия мультимодальной модели Muse-Glimmer-30B, созданная методом abliteration: из текстового пути модели удалено поведение отказа. Это плотная модель с 52 слоями текстового декодера и отдельной башней компьютерного зрения ViT-G/14 на 1,9 млрд параметров; базовая модель содержит 29,6 млрд параметров. Модифицированы текстовые веса, а тензоры зрения скопированы без изменений. Модель предназначена для диалогов и задач «изображение—текст», включая ответы на вопросы по изображениям. В README приведены результаты проверки отказов на наборах вредоносных и безвредных запросов, однако оценка агентных навыков выявила отсутствие устойчивости к инъекциям в промпт и соблюдения заданных границ. Поддерживаются английский язык и входные изображения; для запуска требуется Transformers версии 5.15.0 или новее. Модель распространяется по лицензии Apache-2.0.

Qevi-2B — плотный vision-language чекпойнт от MeerDevelopment, полученный полным дообучением Qwen/Qwen3-VL-2B-Instruct. Модель принимает изображение и вопрос на английском с заранее заданным конечным набором вариантов и оценивает варианты по логитам, выдавая вероятности, например P(Yes) = 0,97. Для штатной работы требуется считывать логиты ограниченного набора ответов; обычный вызов generate() не воспроизводит заявленные результаты. Модель построена на архитектуре Qwen3-VL и распространяется в формате safetensors через Transformers. Она предназначена для закрытых вопросов об изображениях: ответов «да/нет» и выбора одного варианта из списка. README сообщает о повышении точности и калибровки вероятностей относительно базовой модели на внутренних и отложенных доменах. Контекстное окно и отдельный режим работы с видео для этой версии в карточке не описаны. Ограничения: вопросы и шаблоны должны быть на английском, варианты ответа задаются заранее и должны различаться первыми токенами; качество режима оценки упорядоченными словами не проверено. Для свободных описаний модель подходит хуже базовой, поскольку после дообучения генерирует более короткие ответы. Модель не валидирована как классификатор безопасности контента. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование.

VideoLISA-3.8B — модель для сегментации объектов в видео по текстовым инструкциям, представленная Zechen Bai и соавторами из Show Lab Национального университета Сингапура и Amazon. Работа описана на NeurIPS 2024 под названием «One Token to Seg Them All: Language Instructed Reasoning Segmentation in Videos». Модель основана на LLaVA-Phi-3-mini-4k-instruct и дообучена для языково-инструктируемой сегментации. Она содержит 3,7 млрд параметров, использует архитектуру LLaVA-Phi и принимает контекст до 4096 токенов. Предназначена для понимания текстовых запросов о содержимом видео и сегментации соответствующих объектов; в каталоге также отмечена поддержка генерации текста и чата. Модель принимает изображения и текстовые инструкции и выдаёт текст и маски сегментации. В карточке указана лицензия Apache-2.0. README не содержит дополнительных сведений о качестве, поддерживаемых языках или практических ограничениях; метаданные указывают английский язык.

charactr/vocos-mel-24khz — модель вокодера Vocos для синтеза звуковой волны из акустических признаков, в частности мел-спектрограмм. Она использует генеративно-состязательное обучение (GAN) и предсказывает спектральные коэффициенты, после чего восстанавливает аудио обратным преобразованием Фурье. В отличие от типичных GAN-вокодеров, модель не генерирует аудиосэмплы напрямую во временной области. Vocos выполняет синтез за один прямой проход, что делает его быстрым вариантом реконструкции речи или другого аудио по мел-спектрограмме. Репозиторий содержит веса PyTorch; для инференса README рекомендует библиотеку vocos. Модель выпущена под лицензией MIT. В карточке не указаны частота дискретизации, размер модели и языковая специализация.

Whisper Chilean Spanish Large v3 — модель распознавания речи, дообученная на базе openai/whisper-large-v3 на наборе данных Mezosky/es_clinical_assistance_10k. Она предназначена для транскрибации речи на испанском языке в клинических сценариях. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и опубликована в формате Safetensors. В карточке приведены результаты оценки на тестовом наборе: loss 0,0961 и WER 6,9352. Лицензия — Apache-2.0. Подробности о клинических сценариях, условиях оценки и ограничениях применения в карточке не раскрыты.

tarteel-ai/whisper-tiny-ar-quran — модель распознавания речи на основе Whisper Tiny, дообученная Tarteel AI для расшифровки чтения Корана. В README указано значение WER 7,0535 на оценочном наборе; сведения о составе набора и протоколе оценки не приведены. Модель содержит 29,4 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате PyTorch. Она принимает аудио и генерирует текстовую транскрипцию. Репозиторий указывает лицензию Apache-2.0.

loom-ai-org/dia-1.6b-loom — это экспорт Dia-1.6B от Nari Labs в формате GGUF для запуска через loom.cpp и библиотеку loom-py-rt. Модель преобразует текст в девять потоков токенов нейронного аудиокодека; для получения звуковой волны их нужно декодировать отдельно кодеком dac-44khz-loom. Модель предназначена для синтеза диалоговой речи на английском языке. Метки говорящих [S1] и [S2] задаются непосредственно в тексте, также можно указывать невербальные реплики, например смех. Голос без аудиоподсказки выбирается моделью случайно; выборки высоковариативны, поэтому для подходящего результата может понадобиться несколько генераций. Экспорт сохраняет исходные веса без изменений и распространяется по лицензии Apache-2.0.

XythicK/microsoft_Fara-7B-GGUF — вариант модели Fara-7B, разработанной Microsoft Research. Это компактная мультимодальная decoder-only модель с 7 млрд параметров, предназначенная для управления компьютером и выполнения задач в браузере. Модель принимает текстовую цель пользователя, скриншоты текущего состояния и историю предыдущих рассуждений и действий, а затем генерирует текстовое рассуждение и вызов инструмента с параметрами действия, например координатами клика. Заявленная длина контекста составляет 128K токенов, основной язык — английский. Модель ориентирована на многошаговую автоматизацию веб-задач: поиск информации, покупки, бронирование поездок и ресторанов, заполнение рабочих сценариев и другие действия в интерфейсе. К сильным сторонам относятся небольшой для такого класса размер, мультимодальное восприятие экранов, планирование действий на высоком уровне и возможность локального запуска с потенциальными преимуществами по приватности и задержке. Обучение проводилось на синтетических траекториях действий, созданных и проверенных многоагентным конвейером; производственные базовые решения используют Qwen 2.5-VL. Ограничения включают поддержку только английского языка, отсутствие оценки для всех возможных прикладных сценариев и типичные риски языковых моделей, связанные с точностью, безопасностью и справедливостью. Модель обучена отказываться от опасных и регулируемых задач, а также останавливаться перед критическими действиями, включая ввод персональных данных, покупки, отправку писем, подачу заявлений и вход в аккаунты. В README указана лицензия MIT; конкретные характеристики GGUF-квантизации для данного варианта не приведены.

facebook/mms-tts-acu — модель синтеза речи на языке ачuar-шиwiar (Achuar-Shiwiar), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания фраз на этом языке. Для языка обучена отдельная модель семейства VITS с архитектурой условного вариационного автоэнкодера: текстовый энкодер, потоковый модуль и декодер на основе свёрточных слоёв работают совместно для генерации речи. Модель содержит около 3,5 млн параметров и доступна в форматах PyTorch и Safetensors; использовать её можно через Transformers версии 4.33 и новее. Стохастический предсказатель длительности позволяет получать разные ритмические варианты одной фразы, поэтому при одинаковом тексте результат может различаться; фиксированный seed нужен для воспроизводимого аудио. Модель предназначена для одного языка, а качество и применимость за пределами ачuar-шиwiar не подтверждены карточкой. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Это подготовленный к дообучению контрольный чекпойнт WAXAL MMS-TTS для синтеза речи на языке луо. Его описывает rnjema-unima; модель основана на VITS и использует facebook/mms-tts-ach как акустический донор, поскольку готового чекпойнта MMS-TTS для луо нет. В репозитории находятся конфигурационные файлы, а веса не хранятся: при запуске обучения скрипт загружает их из базовой модели. Чекпойнт предназначен для независимого дообучения на конфигурации luo_tts набора google/WaxalNLP и последующего преобразования текста на луо в речь. Архитектура VITS выполняет синтез сквозным способом, без отдельного вокодера; в метаданных указано 3,5 млн параметров. Донор ачоли служит начальной акустической и просодической основой, которую требуется адаптировать к луо. Лицензия модели — CC-BY-NC-4.0; данные WAXAL в README указаны под CC-BY-SA-4.0. Чекпойнт не предназначен для непосредственного вывода без загрузки донорских весов и дообучения на целевом языке.

Карточка модели maanka2/MOSS-Audio-Tokenizer-Nano на Hugging Face совпадает с карточкой OpenMOSS-Team/MOSS-Audio-Tokenizer-Nano, поэтому описание составлено по ней. MOSS-Audio-Tokenizer-Nano — компактный аудиотокенизатор команды OpenMOSS-Team для MOSS-TTS-Nano и совместимых рабочих процессов семейства MOSS-TTS. Это модель на основе причинного Transformer по архитектуре Cat, которая кодирует стереозвук в дискретную последовательность токенов и восстанавливает его из неё. В чекпойнте около 22 млн параметров; модель принимает и выдаёт стереозвук с частотой 48 кГц, а частота потока кодов составляет 12,5 Гц. Остаточный квантователь использует 16 кодовых книг по 1024 элемента и поддерживает битрейт от 0,125 до 2 кбит/с. Модель предназначена для компактного представления и восстановления речи, музыки и других аудиосигналов, включая потоковые сценарии с низкой задержкой. Её можно применять как аудиотокенизатор в генерации речи и других рабочих процессах, которым нужна дискретная аудиорепрезентация. Для загрузки реализации может потребоваться Transformers с включённым trust_remote_code. Репозиторий распространяется по лицензии Apache-2.0. README приводит сравнительные оценки качества восстановления на английском LibriSpeech и китайском AISHELL-2, а также на наборах AudioSet и MUSDB. Интерфейс требует стереовход формы (2, T) или (B, 2, T); заявлена потоковая обработка чанками, но непрерывное пакетное декодирование имеет ограничения по состоянию и параллельности: одна активная потоковая сессия декодирования на экземпляр модели, без непрерывного пакетного кодирования и одновременной работы нескольких сессий на одном экземпляре.