I.15Доступность и ассистивные технологии

Это дообученная версия X-Codec-2.0 от Scicom International, основанная на HKUSTAudio/xcodec2. Модель кодирует и обрабатывает речь с латентной частотой 25 токенов в секунду и частотой дискретизации 24 кГц; исходная версия использует 50 токенов в секунду. Репозиторий описывает обучение на наборах речевых данных, включая малайские подкасты и датасеты для распознавания и синтеза речи. Модель предназначена для аудио-аудио сценариев и может служить речевым аудиокодеком в системах моделирования и синтеза речи. В карточке указаны архитектура XCodec2 и формат весов safetensors. Подробная инструкция по запуску и условия лицензии в доступных материалах не описаны.

Sariel00 выпустил адаптацию CosyVoice2-0.5B для синтеза китайской речи с клонированием голоса по нулевому примеру на устройствах Rockchip RK3588 и RK3572. Модель использует 24-слойный Qwen2 и потоковую генерацию речи; для RK3588 предоставлены ONNX- и RKNN-компоненты и C++-движок. Вариант Flow-компонента дистиллирован до одного шага, тогда как LLM, Speech Head, CampPlus и HiFT не изменялись. Вход — предварительно нормализованный текст в UTF-8, выход — поток PCM с частотой 24 кГц. README сообщает о тестировании на коротких и средних фразах и приводит показатели потокового синтеза на целевых платформах. Одношаговая дистилляция сокращает вычисления, но качество звучания уступает официальной десятишаговой модели и содержит слышимые искажения. Для очень длинного текста требуется смысловое разбиение; задержка до первого аудиоблока составляет около двух секунд в приведённых тестах RK3588, а HiFT может переключаться на CPU. Проверен фиксированный голосовой профиль, но строгая проверка регистрации произвольного WAV на устройстве ещё не завершена. Для работы приложения текст должен быть нормализован заранее. Лицензия файлов проекта — Apache-2.0; исходные компоненты CosyVoice и сторонние материалы сохраняют собственные условия лицензирования.

Mercury-M19 — модель преобразования речи в речь с полнодуплексным режимом, разработанная авторами, публикующими её под кодовым именем, пока связанная статья проходит анонимное рецензирование. Чекпойнт дообучен на временно согласованный диалог: он обучался 2 эпохи на 4 440 самостоятельно сгенерированных полнодуплексных диалогах, а временные метки слов получены принудительным выравниванием синтезированного аудио. Модель предназначена для речевых диалогов, в которых важно учитывать время реплик и поддерживать одновременный обмен речью. Архитектура — плотная RaonDuplexModel; в репозитории указаны веса Safetensors. Аудио имеет частоту 24 кГц, кадры обрабатываются с частотой 12,5 кадра в секунду (шаг 80 мс). Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое. В отчёте о 100 отложенных диалогах приведены показатели согласованности текста и аудио, однако карточка не содержит полного набора результатов для этого чекпойнта. Обучающие данные, код и скрипты оценки не опубликованы, поэтому воспроизвести обучение и оценку по карточке нельзя.

MiDashengLM-Gen — модель генерации аудиосцен, разработанная авторами проекта MiDashengLM. Она использует полностью дообученную языковую модель Qwen3-1.7B, аудиотокенизатор DashengTokenizer и условный flow matching для авторегрессионного создания аудио переменной длины. На вход подаются структурированные текстовые описания сцены, речи и характеристик голоса; модель генерирует согласованные аудиосцены с речью, музыкой, звуковыми эффектами и окружающей акустикой. Выходное аудио имеет частоту дискретизации 16 кГц. Аудиотокенизатор формирует латентные представления размерности 768 с частотой 25 Гц, затем аудиопроектор снижает её до 5 Гц; блок Flow Matching DiT содержит 16 слоёв, размер скрытого состояния 2048 и 8 голов внимания. Модель подходит для создания смешанных звуковых сцен по текстовым сценариям, включая диалоги с заданной подачей голоса, музыку и фоновые эффекты. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Авторы запрещают использовать модель и её производные для незаконных действий, нарушения прав, причинения вреда людям, дискриминации и военных целей.

MioCodec-25Hz-24kHz — лёгкий нейронный аудиокодек от Aratako для компактного представления и восстановления речи, предназначенный для spoken language modeling. Модель использует архитектуру на основе реализации Kanade-Tokenizer и включает декодер iSTFTHead, который синтезирует waveform напрямую, без внешнего вокодера. Размер модели — 132 млн параметров; частота дискретных токенов — 25 Гц, словарь содержит 12 800 токенов, частота дискретизации выходного аудио — 24 кГц, заявленный битрейт — 341 бит/с. Кодек разделяет речь на дискретные токены содержания, передающие фонетическую и языковую информацию, и глобальный вектор акустических характеристик, отражающий голос говорящего и особенности записи. Это подходит для реконструкции речи и преобразования голоса: при zero-shot voice conversion можно сочетать токены содержания исходной записи с глобальным вектором голоса-образца. В обучении использовались WavLM-base+ и наборы данных для речи; README подробно описывает преимущественно японские и английские обучающие данные. Метаданные также указывают поддержку английского, японского, нидерландского, французского, немецкого, итальянского, польского, португальского, испанского, корейского и китайского языков. Модель опубликована под лицензией MIT. Заявлены низкий битрейт, быстрое выполнение и восстановление речи с высокой точностью, однако README не приводит количественных результатов оценки качества. Это аудиокодек, а не универсальная модель для генерации речи по тексту; русскоязычная поддержка не заявлена.

Это экспериментальная модель автоматического распознавания речи на языке календжин, созданная дообучением Tonykip на базе NVIDIA parakeet-tdt-0.6b-v3. Она предназначена для расшифровки речи на диалектах кипсигис и нанди, исследований распознавания речи на малоресурсных африканских языках и использования в качестве базовой модели для KaleBench-ASR. Модель использует архитектуру FastConformer с декодером Token-and-Duration Transducer и содержит около 0,6 млрд параметров. Для календжин перестроен токенизатор SentencePiece с BPE-словарём из 2048 токенов, включая сохранение буквосочетания ng'. В тестировании на 198 несценарных аудиозаписях модель показала CER 0,260; сравнение ещё не прошло проверку носителями языка. Модель поддерживает только жадное декодирование в Transformers. Автор предупреждает, что экспериментальная версия менее надёжна на реальной речи, чем рекомендуемая им Tonykip/whisper-kalenjin-v3-turbo. Ограничения включают покрытие только диалектов кипсигис и нанди, слабую обработку вставок английского и суахили, а также возможное влияние непроверенных обучающих расшифровок на точность. Лицензия — CC-BY-4.0.

PersonaPlex Edge Q4 — 4-битная версия модели PersonaPlex, подготовленная автором репозитория для локального потокового голосового диалога на компьютерах Apple Silicon. Она принимает речь в потоке и генерирует аудио и текстовые токены; в основе — архитектура Moshi и модель kyutai/personaplex-rl-seamless. Размер модели — около 8,37 млрд параметров, используется аффинная квантизация Q4 с размером группы 32 и BF16-активациями. Для полного артефакта требуется более 5 ГиБ памяти; проверенный сценарий — Mac с Apple Silicon и 16 ГБ памяти через MLX. Модель рассчитана на двусторонние голосовые разговоры с потоковой генерацией речи. README сообщает о прохождении реального времени на M4 в тесте из 14 английских записей, но этот небольшой набор не подтверждает общее качество диалога: в проверке были смысловые ошибки, а Q4 показала более высокий WER, чем BF16-контроль. Поддержка описана для английского языка. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории перед применением.

PixelGPT — официальная контрольная точка авторегрессионной модели, представленная в статье «Autoregressive Pre-Training on Pixels and Texts» (EMNLP 2024). Модель разработана для предобучения на пиксельных данных: она воспринимает документы как изображения и предсказывает следующий фрагмент изображения, не опираясь на токенизацию текста. Архитектура — плотная ErniePixelForCausalLM, размер — 315,9 млн параметров, контекст — 1024 токена. Модель предназначена для генерации и понимания текста, представленного в виде изображения, включая задачи с визуально сложными документами. Веса доступны в формате safetensors. README отсылает к GitHub проекта за инструкциями по использованию. Лицензия в предоставленных данных не указана.

Это дообученный вариант токенизатора речи Qwen3-TTS, созданный автором репозитория takuma104 на базе Qwen/Qwen3-TTS-Tokenizer-12Hz. Он декодирует речевые токены в аудио с частотой дискретизации 48 кГц вместо 24 кГц у исходной модели и может использоваться как сменный декодер в системах Qwen3-TTS без изменения кодировщика или TTS-модели. Модель также поддерживает кодирование аудио в токены и обратное декодирование. Архитектура расширяет декодер одним блоком; добавлено около 95 тысяч параметров, а существующие модули декодера дообучены совместно. Кодировщик принимает аудио, при кодировании снижает его частоту до 24 кГц, а декодер формирует выход с частотой 48 кГц. Обучение проводилось на примерно 1,5 тысячи часов речевых данных с состязательной функцией потерь и дополнительными аудиокритериями. Модель подходит для восстановления речи из токенов Qwen3-TTS и получения аудиовыхода с повышенной частотой дискретизации в совместимом речевом конвейере. Новые слои синтезируют частотную составляющую выше 12 кГц, поэтому точность восстановления тонких высокочастотных деталей может зависеть от записи. Лицензия — Apache-2.0.

StreamOPD-4B-ST-CueGate — мультимодальная модель UniX-Lab для потокового понимания видео. Это дообученная модель Qwen3.5-4B, обученная методом on-policy distillation с замороженной моделью-учителем Qwen3.5-9B и пространственно-временным механизмом ST-CueGate. Архитектура — плотная Qwen3.5 с 4 млрд параметров; репозиторий содержит веса Safetensors, лицензия Apache-2.0. Модель отвечает на вопросы о видео и описывает его содержимое в потоковом режиме. При ответе она использует только четыре последние кадра, выбираемые с частотой 1 кадр в секунду; для стандартных протоколов оценки применялись также последовательности до 32 кадров. Сигнал пространственно-временной подсказки используется только при обучении, поэтому при работе модель запускается в instruct-режиме без такого сигнала и без дополнительного механизма памяти. Модель показала результаты на StreamingBench, OVO-Bench, Video-MME и LongVideoBench, однако оценки в карточке получены на конкретных протоколах и жадном декодировании. Ограниченное окно кадров не подходит для вопросов о событиях вне него, а дистилляция снизила склонность воздерживаться от ответа на вопросы без достаточных данных. Обучение и оценка проводились на английских данных.

hirohiroz/wav2vec2-base-timit-demo-google-colab-tryjpn — дообученная модель распознавания речи на архитектуре Wav2Vec2ForCTC. В README указана базовая модель facebook/wav2vec2-large-xlsr-53; датасет обозначен как None, поэтому назначение суффикса «timit-demo» по карточке подтвердить нельзя. Модель принимает аудио и преобразует речь в текст; в метаданных задача указана как automatic-speech-recognition. Размер — 404,1 млн параметров, формат весов — PyTorch. Карточка не описывает языки, условия записи или целевые сценарии, поэтому поддержка японского по суффиксу «tryjpn» не подтверждена. На оценочном наборе указаны loss 5,1527 и WER 1,0, что свидетельствует о крайне низком качестве распознавания в этой оценке. Модель доступна по лицензии Apache-2.0.

Модель Mwau/waxal_swahili-tts-mms преобразует текст на суахили в синтетическую речь. Это дообученный чекпойнт Meta MMS-TTS на архитектуре VITS с одним голосом, созданный на данных google/WaxalNLP. Веса сохранены после 4 500 шагов из запланированных 20 200; размер модели — 3,5 млн параметров, частота дискретизации выходного аудио — 16 кГц. Модель предназначена для экспериментов с синтезом суахили и переносом технологий TTS на языки с ограниченными ресурсами. Короткий этап обучения и небольшой набор данных дают разборчивую, но грубую речь: возможны неестественная просодия, артефакты, непостоянный темп и ошибки произношения. Модель обучена на записях одного диктора и может плохо переноситься на другие диалекты и манеру речи; формальных метрик качества нет. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое.

Репозиторий содержит минимальный набор файлов модели Irodori-TTS-600M-v3-VoiceDesign и связанных компонентов для загрузчика irodori_tts в форке audio.cpp, используемом NovelViewer. В составе — веса модели в safetensors, конфигурация, токенизатор llm-jp-3-150m и веса Semantic-DACVAE для японского синтеза речи; заявлены форматы safetensors и GGUF F16. Модель предназначена для преобразования японского текста в речь в приложениях на базе audio.cpp и NovelViewer. Репозиторий переупаковывает необходимые runtime-файлы, а не описывает самостоятельное дообучение. Лицензия репозитория — MIT; у исходной Irodori-TTS также указаны этические ограничения, включая запрет имитации голоса без согласия и незаконного использования.

Xipotzzz выпустил blip2zh-chatglm-6b — китайскую мультимодальную чат-модель на основе BLIP-2 с базовой способностью понимать изображения. В состав входят визуальный энкодер EVA-CLIP-ViT-G, компоненты BLIP-2 и языковая модель ChatGLM-6B; обучение выполнено на базе кода LAVIS. Модель прошла двухэтапное предварительное обучение для выравнивания изображений и текста, но не обучалась на VQA или инструкциях. В текстовом диалоге её поведение может сохранять свойства исходной ChatGLM-6B. Модель предназначена для диалога о содержимом изображений и обычного текстового общения, в том числе в локально развёрнутых приложениях. Обучение использовало китайские пары изображение–текст из LAION-2B-Chinese, COCO-ZH и Flickr8k-ZH; метаданные карточки отмечают китайский и английский языки. Репозиторий предоставляет веса PyTorch. Понимание изображений ограничено: ответы могут быть нерелевантными или ошибочными, а отсутствие дообучения на инструкциях и многоходовых диалогах может ухудшать выполнение запросов и последовательность беседы. Также сохраняются ограничения ChatGLM-6B. Лицензия в предоставленных данных не указана.

CogEvol-4B — открытая дообученная модель семейства CogEvol, разработанная для генерации учебных сред по краткому заданию на естественном языке. Она создаёт структурированную JSON-страницу слайда или автономную интерактивную HTML-страницу с симуляциями, визуализациями и упражнениями, работающую в браузере. Модель основана на Qwen3.5-4B и использует плотную архитектуру Qwen3_5ForConditionalGeneration; в карточке указаны диалоговый режим и текстовая генерация. Обучение включало SFT и два этапа RL для генерации слайдов и интерактивного HTML на 53 687 проверенных примерах, с автоматической проверкой интерактивности. Модель подходит для создания учебных материалов и интерактивных занятий по текстовому описанию курса. README рекомендует отключать режим thinking при генерации и использовать поставляемый шаблон системного запроса для слайдов. Доступны варианты запуска через sglang, vLLM и llama.cpp; для исходного чекпойнта указаны библиотека Transformers и формат safetensors. Лицензия — Apache-2.0.

DevStudio-Coder-1.5B — компактная плотная языковая модель, разработанная DevStudio-AI для локального использования в IDE DevStudio. Это QLoRA SFT дообучение Qwen2.5-Coder-1.5B-Instruct с 1,5 млрд параметров; модель принимает текстовые запросы и генерирует код. Она ориентирована на создание и рефакторинг адаптивных одностраничных шаблонов HTML с Tailwind CSS, в том числе по командам в боковой панели и inline-командам редактора. Модель поддерживает диалоговый формат, имеет контекст до 32 768 токенов и опубликована в форматах Safetensors и GGUF. Карточка описывает исправление ошибок Unicode и поддержку RTL-разметки с современными CSS logical properties. README приводит результаты обучения и качественное сравнение, но не даёт достаточно деталей для независимой оценки качества на широком наборе задач. Репозиторий распространяется по лицензии Apache-2.0. Модель узкоспециализирована на HTML и Tailwind CSS; её заявленная цель не охватывает универсальную генерацию кода.

Fara-7B-AIO-GGUF — набор GGUF-квантизаций модели Fara-7B, опубликованный prithivMLmods на базе модели Microsoft Fara-7B. Исходная модель представляет собой небольшую агентную мультимодальную языковую модель с 7 млрд параметров, построенную на архитектуре Qwen2.5-VL-7B и выполненную как decoder-only-модель. Указан английский язык и поддержка обработки текста и изображений, включая скриншоты интерфейса. Модель предназначена для задач компьютерного управления и автоматизации действий в браузере и на рабочем столе: веб-навигации, покупок, бронирования поездок и ресторанов, а также работы с аккаунтами. Она принимает пользовательскую цель, скриншоты браузера и историю действий, после чего формирует рассуждение и привязанные к интерфейсу вызовы инструментов для перемещения указателя, кликов, ввода текста, прокрутки, переходов по URL и веб-поиска. Контекст модели составляет 128 тысяч токенов. Среди заявленных преимуществ — специализированное обучение на синтетических траекториях и механизмы безопасности, останавливающие модель перед критическими действиями, например покупками или вводом персональных данных, и отказывающие во вредоносных сценариях. В README приведены результаты 73,5% на WebVoyager и 38,4% на WebTailBench, однако сведения о практической совместимости конкретных GGUF-квантизаций и требованиях к запуску не указаны. Репозиторий содержит варианты от F32 и BF16/F16 до различных IQ- и Q-квантизаций размером примерно от 1,9 до 30,5 ГБ, что позволяет выбирать компромисс между качеством и требованиями к памяти. Ограничениями являются специализация на компьютерных сценариях, заявленная языковая поддержка только английского и потенциальные потери качества у более агрессивно квантованных вариантов. Лицензия — MIT.

FocalCodec — речевой аудиокодек, разработанный автором репозитория Luca Della Libera. Эта версия представляет собой причинный потоковый чекпойнт с частотой кодирования 50 Гц и одним кодбуком размером 2048; модель предназначена для низкобитрейтного сжатия и восстановления речи на частотах дискретизации 16 или 24 кГц. Архитектура основана на focal modulation, а обучение проводилось на Libri-Light; в качестве базовой модели указана дообученная Microsoft WavLM Large. Модель принимает аудио и предназначена для преобразования аудио в аудио при кодировании и декодировании речи, включая потоковые сценарии. Карточка ссылается на предварительные публикации о FocalCodec и FocalCodec-Stream. Репозиторий распространяется по лицензии Apache-2.0.

Это преобразованная в формат Hugging Face Transformers версия потоковой модели обнаружения ключевых слов Icefall Zipformer KWS, разработанной на основе реализации k2-fsa/icefall. Модель содержит около 3,22 млн параметров и принимает акустические признаки Kaldi Fbank размерности 80, вычисленные для аудио с частотой 16 кГц; она поддерживает потоковую обработку с окном 45 кадров и явные токены Phone/Pinyin для китайского и английского языков. Модель предназначена для обнаружения заданных ключевых слов и слов пробуждения в аудиопотоке. Репозиторий сохраняет веса исходного чекпойнта без переобучения, дообучения или квантизации и предоставляет их в формате safetensors с пользовательским кодом модели для Transformers. Лицензия — Apache License 2.0. Это низкоуровневая конверсия, а не готовый классификатор для end-to-end использования через Hugging Face pipeline. Внешнее приложение должно самостоятельно реализовать построение графа ключевых слов, ресэмплинг аудио, вычисление Fbank, разбиение потока на фрагменты и beam search; автоматического преобразования текста в фонетические токены G2P нет. Для загрузки с trust_remote_code рекомендуется предварительно проверять код и фиксировать ревизию репозитория.

MicroLLaVA — компактная визуально-языковая модель автора keeeeenw, созданная на базе TinyLLaVA Factory для ответов на вопросы об изображениях и экспериментов с VLM на доступном оборудовании. Она объединяет языковую модель MicroLlama примерно на 300 млн параметров и визуальный энкодер SigLIP2 примерно на 400 млн параметров; общий размер составляет около 700 млн параметров. Модель реализована для Transformers и PyTorch, веса опубликованы в формате safetensors. Модель принимает изображение и текстовый вопрос, а в ответ генерирует текст. В README указана точность 56,91% на VQAv2 test-dev. Её предполагаемые сценарии — быстрое исследование визуально-языковых моделей на ограниченном оборудовании, учебные демонстрации и дообучение для конкретных задач. README приводит англоязычные метаданные; поддержка других языков не подтверждена. Небольшой размер языковой модели может ограничивать глубину рассуждений и качество OCR; результат зависит от предметной области и качества изображения. Модель имеет минимальную фильтрацию безопасности, поэтому для ответственных применений требуется человеческая проверка и дополнительная защита. Лицензия — Apache-2.0.

Модель Dasskp/nllb-kichwa-es-en — дообученная версия facebook/nllb-200-distilled-600M для перевода с испанского и английского на кичва. Она построена на архитектуре M2M100 и обучена на трёхъязычном корпусе из 4 365 пар. В README приведены результаты оценки на тестовой выборке из 873 пар: BLEU 19,78 для перевода с испанского и 19,69 с английского; chrF2++ — 46,21 и 44,87 соответственно. Модель предназначена для перевода текста на кичва, в частности отдельных предложений с испанского или английского. Максимальная длина контекста составляет 1 024 токена. Для использования доступны веса в формате Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Карточка модели Mayank022/personaplex-edge-q4 на Hugging Face совпадает с карточкой Investigo/personaplex-edge-q4, поэтому описание составлено по ней. PersonaPlex Edge Q4 — 4-битная версия модели PersonaPlex, подготовленная автором репозитория для локального потокового голосового диалога на компьютерах Apple Silicon. Она принимает речь в потоке и генерирует аудио и текстовые токены; в основе — архитектура Moshi и модель kyutai/personaplex-rl-seamless. Размер модели — около 8,37 млрд параметров, используется аффинная квантизация Q4 с размером группы 32 и BF16-активациями. Для полного артефакта требуется более 5 ГиБ памяти; проверенный сценарий — Mac с Apple Silicon и 16 ГБ памяти через MLX. Модель рассчитана на двусторонние голосовые разговоры с потоковой генерацией речи. README сообщает о прохождении реального времени на M4 в тесте из 14 английских записей, но этот небольшой набор не подтверждает общее качество диалога: в проверке были смысловые ошибки, а Q4 показала более высокий WER, чем BF16-контроль. Поддержка описана для английского языка. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории перед применением.

Qwen-Image-MICo — дообученная модель редактирования изображений на базе Qwen-Image-Edit, опубликованная kr-cen. Она предназначена для преобразования изображений по инструкциям; автор показывает примеры редактирования, в том числе возможностей, не представленных в обучающем наборе MICo-150K. Для запуска предусмотрен формат Diffusers, веса представлены в safetensors. Модель распространяется по лицензии Apache-2.0. Автор отмечает, что показанные новые возможности редактирования могут работать нестабильно. Демонстрация модели доступна в Hugging Face Space на ZeroGPU.

SAC-16k-62_5Hz — версия нейронного речевого кодека SAC от Soul-AILab. Кодек использует двухпоточное семантико-акустическое квантование и предназначен для восстановления речи и получения семантических представлений при разных битрейтах. Этот вариант работает с аудио с частотой дискретизации 16 кГц и токенизирует его с частотой 62,5 Гц; заявленный битрейт составляет 875 бит/с. Для подготовки и обучения SAC в README указаны зависимости GLM-4-Voice-Tokenizer и энкодер говорящего ERes2Net. Репозиторий содержит веса PyTorch и опубликован под лицензией Apache-2.0. Карточка не приводит количественных результатов, поэтому заявление о качестве уровня state-of-the-art нельзя независимо оценить по предоставленным данным.

swdq/Visual-novel-whisper — модель распознавания речи на базе Whisper, дообученная для распознавания взрослой лексики в аудио визуальных новелл. Карточка указывает датасет OOPPEENN/Galgame_Dataset; модель содержит 905,2 млн параметров и распространяется в формате safetensors. Модель предназначена для преобразования японской речи в текст, в том числе с лексикой для взрослых. Лицензия — Apache-2.0. Карточка не сообщает длину контекста или измерения качества распознавания.

Это модель автоматического распознавания речи на базе Wav2Vec2 Large XLSR-53, дообученная разработчиком Rabah2026 на наборе Quran Ayah Corpus (Rabah2026). Она предназначена для распознавания чтения Корана в стилях таджвид и муратталь, включая выравнивание текста по отдельным аятам. Модель поддерживает арабскую письменность Усмани и специальные символы, в том числе ٱ и ٰ. Модель содержит около 402,7 млн параметров и принимает аудио, выдавая распознанный текст. В карточке указаны показатели WER 6,78% для знакомых чтецов и 13,75% для незнакомых. Распространяется по лицензии Apache-2.0. Результаты на знакомых чтецах не следует переносить на незнакомые записи без дополнительной проверки.

X-Codec2 — нейронный аудиокодек для представления речи и другого аудио в конвейерах синтеза речи и генерации аудио с большими языковыми моделями. Модель предложена в работе Llasa: Scaling Train-Time and Inference-Time Compute for Llama-based Speech Synthesis. Эту реализацию для Transformers внесли Eric Bezzam и Steven Zheng. Модель объединяет семантические и акустические признаки в последовательность токенов: семантическая часть может кодировать смысл и эмоции, а акустическая — тембр и другие свойства звучания. Однослойная квантизация Feature Scalar Quantization (FSQ) и одномерная структура токенов рассчитаны на совместимость с авторегрессионными LLM. Модель содержит 201,3 млн параметров; в карточке указаны библиотека Transformers и контекст 4096 токенов. Реализация поддерживает пакетную обработку аудио, а для ускорения инференса README описывает применение torch.compile. X-Codec2 предназначена для кодирования и декодирования аудио и для подготовки аудиопредставлений в системах генерации речи и аудио на базе LLM. Метаданные классифицируют её как feature-extraction. Лицензия CC BY-NC 4.0 разрешает использование на условиях Creative Commons Attribution-NonCommercial 4.0; коммерческое применение не разрешено условиями этой лицензии.

Модель sanchit-gandhi/xtreme_s_xlsr_2_bart_covost2_fr_en — речевая модель архитектуры SpeechEncoderDecoderModel, обученная с нуля на наборе XTREME-S. В названии указана пара французский–английский; карточка не уточняет назначение этой пары, а метаданные классифицируют модель как automatic-speech-recognition. В README приведены результаты на оценочном наборе: loss 2.1356 и BLEU 0.0000. Описание модели, сценарии применения и ограничения в карточке не раскрыты. Репозиторий содержит веса PyTorch; сведения о лицензии и размере модели отсутствуют в предоставленных данных.

Auffusion-Full-no-adapter — модель латентной диффузии для генерации аудио по текстовому описанию. Она создана командой Auffusion на основе подходов и компонентов, обычно применяемых в моделях преобразования текста в изображение, и предназначена для создания звуков людей и животных, природных и искусственных звуков, а также звуковых эффектов. Вариант Full-no-adapter предварительно обучен на всех наборах данных, описанных в статье, и рассчитан на удобное применение для манипуляции аудио. Модель использует формат Diffusers/PyTorch и совместима с конвейерами Stable Diffusion, включая генерацию, преобразование и заполнение изображений, адаптированные для работы с аудио. В карточке указана лицензия CC BY-NC-SA 4.0. README сообщает о сравнительных оценках с предыдущими подходами, однако не приводит здесь численных результатов или подробных ограничений; также не указаны размер модели и длина контекста.

Модель dhivehi-tiny-latin2thaana-keymap-v1 разработана для транслитерации мальдивского языка дивехи: она преобразует текст, набранный латиницей, в письмо тхаана. Это компактная модель кодировщик-декодировщик на архитектуре T5 с байтовой токенизацией в стиле ByT5; по метаданным она содержит 5,6 млн параметров. Модель экспортирована в ONNX и рассчитана на локальную работу в браузере, в том числе на устройствах с ограниченными ресурсами. Модель предназначена для преобразования сообщений и поисковых запросов на латинице в тхаана. В README указана скорость около 35 мс на предложение на процессоре ноутбука в WebAssembly. На тесте новостных текстов она сопоставима с учительской ByT5-моделью по точности символов; на проверенном наборе чатовых текстов результаты по точности слов немного выше, но точность символов ниже. Для редких имён собственных и регистров, отличающихся от новостей и переписки, качество может снижаться. Лицензия — MIT.