I.15Доступность и ассистивные технологии

Whisper-Small-Shona — модель автоматического распознавания речи на chiShona, разработанная в рамках Project Nyaradzai. Это дообученная версия openai/whisper-small с архитектурой Whisper и 153,1 млн параметров. Модель принимает аудио и выдаёт текстовую транскрипцию на chiShona; она предназначена для голосовых заметок, разговорной речи, субтитров и инструментов доступности. Модель обучена на наборе Google WAXAL, включая около 14 109 примеров из обучающей выборки. На тестовой части WAXAL указана метрика WER 36,42%, поэтому результат транскрибации может требовать существенной ручной правки. Лицензия модели — Apache-2.0.

Whisper-small-vaani-hindi — дообученная модель распознавания речи, созданная на основе Whisper Small компании OpenAI. По данным карточки, её обучали примерно на 718 часах размеченной речи на хинди из нескольких наборов данных, включая Vaani, Gramvaani, IndicVoices, Fleurs, IndicTTS и Common Voice. Модель содержит 153,1 млн параметров и принимает аудио, выдавая его текстовую расшифровку. Модель предназначена для транскрибирования речи на хинди. В README приведены результаты оценки по WER: 32,49 на Gramvaani, 19,08 на Fleurs и 11,33 на IndicTTS. Показатели зависят от набора данных и указывают на различия в качестве распознавания между тестовыми корпусами. Репозиторий распространяется по лицензии Apache-2.0.

ASID-Captioner-3B — мультимодальная модель для подробного описания видео, разработанная AudioVisual-Caption и дообученная на основе Qwen2.5-Omni-3B. Она анализирует видеокадры и, если доступна, звуковую дорожку, чтобы создавать связные подписи с деталями о сцене, персонажах, объектах, действиях, повествовании, речи, работе камеры и эмоциях. Модель поддерживает инструкции, нацеленные на отдельные атрибуты, например описание только речи или камеры, а также общий подробный запрос. Для обучения использован набор ASID-1M со структурированной и проверенной разметкой. Модель построена на плотной архитектуре Qwen2.5-Omni, распространяется в формате safetensors и рассчитана на работу через Transformers. В метаданных основной язык указан как английский. Репозиторий распространяется по лицензии Apache-2.0. Качество описаний зависит от полноты видео и корректной передачи аудио: в некоторых окружениях без обработки мультимодальных данных видео или звук могут учитываться неправильно.

BanglaASR — модель распознавания речи на бенгальском языке, разработанная Md Saiful Islam. Она представляет собой дообученную на данных Mozilla Common Voice модель Whisper small и предназначена для преобразования бенгальской речи в текст. Для обучения использовались около 400 часов аудио: 40 тысяч обучающих и 7 тысяч проверочных фрагментов; в README для оценки указан Word Error Rate 4,58%. Метаданные репозитория указывают архитектуру Whisper и 153,1 млн параметров, тогда как README описывает вариант small как имеющий 244 млн параметров. Модель принимает аудио и выдаёт текст. В карточке указана лицензия MIT. Оценка качества приведена для использованного набора данных; она не гарантирует такую же точность на других записях и условиях речи.

Ethio-ASR Oromo — модель автоматического распознавания речи на языке оромо, разработанная командой Ethio-ASR. Это одномовная модель на архитектуре wav2vec2-bert-2.0 с 403,1 млн параметров, дообученная на оромо-разделе речевого датасета WAXAL. Модель принимает аудио и выдаёт текстовую транскрипцию; карточка указывает библиотеку Transformers и формат весов Safetensors. Модель предназначена для транскрибирования речи на оромо, в том числе в голосовых помощниках, средствах доступности и исследовательских базовых экспериментах. В README приведены оценки WER для других моделей набора Ethio-ASR, поэтому они не характеризуют непосредственно этот чекпойнт. Лицензия — CC-BY-4.0.

Gemmuguinho — языковая модель Papuguinho для создания и редактирования досок альтернативной и дополнительной коммуникации (AAC/CAA) с пиктограммами на бразильском португальском языке. Она предназначена для приложений вспомогательных технологий и логопедической практики, в том числе для работы офлайн на CPU без GPU. Модель дообучена на базе Google Gemma 3 270M, суженной до португальского словаря на 64 тысячи токенов и преобразованной в архитектуру MoE с восемью экспертами и двумя активными по умолчанию. В README указано около 636 млн параметров всего и около 212 млн активных; метаданные каталога указывают 130,2 млн параметров. Контекст составляет 32 768 токенов. Модель генерирует тематические доски, обычно из 12 пиктограмм, и возвращает структурированный план изменений по командам на естественном языке. Модель специализирована на AAC-досках для детей и не предназначена для общего диалога или выдачи фактических и медицинских рекомендаций. Словарь пиктограмм отражает синтетический обучающий каталог, поэтому результаты следует проверять перед использованием. Лицензия — Gemma.

KaniTTS Arabic — дообученная компанией nineninesix модель преобразования текста в речь на основе KaniTTS Pretrain v0.3. Она использует двухэтапную архитектуру: языковая модель генерирует сжатые аудиотокены, а нейрокодек синтезирует из них звуковую волну. Модель насчитывает 460 млн параметров, построена на LFM2, принимает текст на арабском языке и генерирует речь с частотой 22 кГц; заявленное нативное контекстное окно — 128 000 токенов. Модель предназначена для озвучивания диалогов в чат-ботах и голосовых помощниках, экранных дикторов, приложений для изучения языка и серверного синтеза с низкой задержкой. В README приводятся результаты производительности на GPU, включая работу быстрее реального времени, однако качество и скорость зависят от оборудования и сценария. Для входов длиннее примерно 15 секунд рекомендуется разбиение на фрагменты; выразительность эмоций ограничена без дополнительного дообучения. В карточке указана лицензия Apache 2.0, тогда как метаданные обозначают лицензию как other, поэтому условия распространения следует сверить с файлами репозитория.

KaniTTS 450M 0.2 FT — дообученная модель синтеза речи от nineninesix на архитектуре LFM2. Она преобразует текст в сжатое аудиопредставление, которое NanoCodec разворачивает в звуковую волну; двухэтапная схема рассчитана на быструю генерацию речи с низкой задержкой. Модель содержит около 460 млн параметров, использует контекст до 128 000 токенов и распространяется в формате safetensors. Модель предназначена для разговорных интерфейсов, голосовых помощников и приложений доступности. Основной язык обучения — английский; карточка заявляет поддержку английского, арабского, китайского, французского, немецкого, японского, корейского и испанского. Указана частота синтеза 22 кГц. Лицензия — Apache 2.0. К ограничениям относятся ухудшение качества на длинных входах свыше 2 000 токенов и на редких языках или акцентах. Управление эмоциями базовое, а произношение и просодия могут наследовать смещения обучающих данных.

Marvis-AI разработала Marvis TTS — компактную модель синтеза речи для потокового и разговорного озвучивания текста на устройствах пользователя. Модель основана на архитектуре Sesame CSM-1B: мультимодальный трансформер обрабатывает чередующиеся текстовые и аудиотокены RVQ с кодеком Kyutai Mimi. По карточке модель содержит 265 млн параметров; контекст — 2048 токенов. Репозиторий распространяет веса в формате safetensors, библиотека — Transformers, лицензия — Apache-2.0. Модель предназначена для потокового преобразования текста в речь с естественной интонацией и непрерывной подачей, без предварительного разбиения текста на фрагменты. Её можно применять в голосовых помощниках, озвучивании контента, средствах доступности и разговорных приложениях. Карточка указывает оптимизацию прежде всего для английского; в метаданных также отмечен английский язык. README описывает работу с голосовым клонированием по короткой эталонной записи и развёртывание на мобильных и настольных устройствах. Качество клонирования зависит от чистоты и разборчивости эталонной аудиозаписи, а шум ухудшает результат. Модель может ошибочно произносить новые слова, особенно в коротких фразах; для языков, кроме английского, качество может быть ниже. Пользователь отвечает за соблюдение законодательства и получение согласия при синтезе или клонировании голоса.

Moonshine Streaming — модель распознавания речи, разработанная Useful Sensors для низколатентной потоковой транскрипции английской речи на периферийных устройствах с ограниченными ресурсами. Это seq2seq-модель с аудиофронтендом 50 Гц, скользящим Transformer-энкодером с локальным вниманием и авторегрессионным Transformer-декодером. В репозитории указано 112,7 млн параметров; модель распространяется в формате Safetensors и работает через Transformers и Moonshine Voice. Модель предназначена для живых субтитров, голосовых команд и транскрипции в реальном времени. Она обучена и оценивалась на английских данных; при потоковой работе энкодер использует ограниченное заглядывание вперёд, а задержка полного результата зависит от длины расшифровки. Известные ограничения: декодер может галлюцинировать или повторять фразы, особенно на коротких и зашумлённых фрагментах. Реализация в Transformers пока не обеспечивает полностью эффективный потоковый режим. Лицензия — MIT; модель не предназначена для скрытого наблюдения, идентификации говорящих и высокорисковых решений.

NigerianAccentedEnglish — модель автоматического распознавания речи, разработанная Awarri Technologies при поддержке инициативы Федерального министерства коммуникаций, инноваций и цифровой экономики Нигерии. Это дообученная версия Whisper Small с архитектурой Transformer и примерно 244 млн параметров; она принимает аудио и преобразует речь на нигерийском варианте английского в текст. В README указано, что рекомендуемая частота аудио — 16 кГц, а максимальная длительность контекста при одном запуске — 30 секунд. Модель предназначена для транскрибирования нигерийской английской речи в службах поддержки, образовательных и доступных приложениях, медиа, гражданских сервисах и лингвистических исследованиях. Она нацелена на региональные особенности английского в Нигерии, но точность может различаться между акцентами и снижаться при детской речи, переключении на местные языки, шуме и плохом качестве аудио; для специализированных областей может понадобиться дополнительная настройка. README описывает исследовательскую лицензию с ограничениями: коммерческое или крупномасштабное корпоративное применение требует отдельного соглашения, а также запрещены, среди прочего, слежка, дискриминационное профилирование, военное применение и мошенничество.

PaliGemma 2 3B PT 896 — предварительно обученная мультимодальная модель Google на основе SigLIP и языковой модели Gemma 2. Она принимает изображения с разрешением 896×896 и текст, а генерирует текст; для дообучения доступны веса bfloat16. Модель рассчитана прежде всего на настройку под отдельные задачи компьютерного зрения и языка: описание изображений и коротких видео, визуальные вопросы и ответы, чтение текста на изображениях, обнаружение и сегментацию объектов. Также её можно адаптировать для вопросов по спутниковым снимкам и научным изображениям, помощи незрячим пользователям и описания функций элементов интерфейса. Модель поддерживает несколько языков и обрабатывает текстовые последовательности длиной до 512 токенов на входе и выходе. Это базовая модель для дообучения, а не универсальный многотуровый чат-бот: качество без настройки на конкретную задачу может быть ниже, чем у специализированных моделей. Она может ошибаться в фактах и рассуждениях, испытывать трудности с неоднозначными запросами и отражать предубеждения обучающих данных. Использование регулируется условиями Gemma; разработчикам следует учитывать политику запрещённого использования Gemma.

google/pix2struct-widget-captioning-base — модель Google семейства Pix2Struct для понимания визуального содержимого. Это архитектура «визуальный энкодер — текстовый декодер», предобученная на парах изображение–текст; Pix2Struct учится разбирать замаскированные снимки веб-страниц в упрощённый HTML, а затем адаптируется к задачам визуального языка. Вариант widget-captioning предназначен для создания подписей к элементам интерфейса и ответов на вопросы о визуальном содержимом. Модель принимает изображение, при необходимости вместе с текстовым вопросом, и генерирует текст. В метаданных указана поддержка английского, французского, румынского и немецкого языков, а также отмечен общий многоязычный режим. Модель распространяется по лицензии Apache-2.0. README ссылается на инструкцию запуска для pix2struct-textcaps-base.

Shenava-Koochik 0.9 — потоковая модель распознавания персидской речи, разработанная в рамках проекта VisualEars. Это дообученная модель FastConformer-Hybrid размером 114 млн параметров с головами RNNT и CTC, рассчитанная на аудио с частотой 16 кГц. Она принимает поток речи и выдаёт текстовую расшифровку; один чекпойнт позволяет выбирать задержку от 0 до 1040 мс без повторного обучения. Модель предназначена для офлайн-распознавания в реальном времени на устройстве, включая субтитры и транскрибацию. В README приведены результаты оценки на 6 669 персидских аудиофрагментах: WER составляет 8,57% при нулевой задержке и 7,60% при задержке 1040 мс для RNNT. Для потоковой работы через WebGPU рекомендована голова CTC, а RNNT подходит для более точного распознавания или перескоринга. Модель обучалась на псевдоразмеченных персидских данных с последующей настройкой на проверенных человеком примерах. Модель распространяется по лицензии Apache-2.0. Версия 0.9 обучена на 300 проверенных человеком примерах; README сообщает, что более крупный раунд разметки планируется для версии 1.0. Оценка качества приведена для конкретного набора данных и нормализатора, поэтому её не следует считать гарантией точности на других источниках речи.

Модель emirhanbilgic/speecht5_finetuned_emirhan_tr — дообученная версия SpeechT5 от Microsoft, созданная для синтеза речи на турецком языке. Для обучения использован набор данных erenfazlioglu/turkishvoicedataset; в карточке указана потеря 0,3135 на оценочной выборке. Модель принимает текст и генерирует речь. Она предназначена для турецких голосовых помощников, автоматических объявлений и средств доступности. Архитектура основана на трансформере SpeechT5. Репозиторий содержит веса в формате safetensors, лицензия — MIT. Модель оптимизирована для турецкого языка и может хуже работать с другими языками, редкой лексикой и узкоспециальными терминами.

Модель Wav2Vec2-Large-100k-VoxPopuli-Català разработана ccoreilly и дообучена на базе facebook/wav2vec2-large-100k-voxpopuli для распознавания каталонской речи и преобразования её в текст. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров; принимает аудио с частотой дискретизации 16 кГц. Для обучения использованы Common Voice и ParlamentParla. В описанных автором оценках частота ошибок слов составила 5,98% на тестовой выборке CV+ParlamentParla, 12,14% на Google Crowdsourced Corpus и 12,02% на аудиокниге «La llegenda de Sant Jordi». Модель распространяется по лицензии Apache-2.0. При оценке важно учитывать, что использованное разбиение не совпадает полностью с Common Voice 6.1: 1144 аудиофайла из тестовой выборки Common Voice попали в обучение или оценку модели, поэтому оценка на стандартном тесте CV будет смещённой. Автор отдельно сообщает результат на тестовом файле, который не использовался при обучении и оценке.

Модель KBLab на архитектуре wav2vec 2.0 Large предназначена для автоматического распознавания шведской речи. Она расширяет акустическую модель VoxRex-C социальным 4-граммным языковым моделированием, обученным на подмножестве шведского корпуса The Swedish Culturomics Gigaword Corpus: 40 млн слов из текстов социальных сетей за 2010–2015 годы. Модель содержит около 402,7 млн параметров и реализована как Wav2Vec2ForCTC в формате PyTorch. Модель принимает аудио и выдаёт текстовую расшифровку. Для обработки ожидается аудио с частотой дискретизации 16 кГц; аудио с другой частотой нужно предварительно пересчитать. На полном тестовом наборе Common Voice 6.1 VoxRex-C показала WER 9,03% без языковой модели и 6,47% с ней. Репозиторий распространяется по лицензии CC0-1.0.

Это модель автоматического распознавания речи на португальском языке, разработанная Jonatas Grosman. Она дообучена на базе facebook/wav2vec2-large-xlsr-53 на обучающей и валидационной выборках Common Voice 6.1 и предназначена для преобразования португалоязычной речи в текст. Модель использует архитектуру Wav2Vec2ForCTC семейства wav2vec2 и содержит 402,7 млн параметров. Для распознавания подавайте аудио с частотой дискретизации 16 кГц. Модель можно применять для транскрибации записей и речевых данных; в README также приведены сценарии оценки на тестовой выборке Common Voice 6.0 и данных speech-recognition-community-v2. Указана лицензия Apache-2.0.

m3hrdadfi/wav2vec2-large-xlsr-lithuanian — акустическая модель распознавания литовской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на обучающей и валидационной выборках Common Voice. Она принимает аудио с частотой дискретизации 16 кГц и выдаёт распознанный текст; архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. Модель предназначена для автоматической транскрипции литовской речи, в том числе без отдельной языковой модели. В оценке на тестовых данных Common Voice указана метрика WER 34,66%. Репозиторий содержит веса PyTorch и Flax. Лицензия — Apache-2.0.

Модель sumedh/wav2vec2-large-xlsr-marathi разработана на основе facebook/wav2vec2-large-xlsr-53 и дообучена для автоматического распознавания речи на маратхи. Она использует архитектуру Wav2Vec2ForCTC, содержит 402,7 млн параметров и принимает аудио с частотой дискретизации 16 кГц, выдавая распознанный текст. Модель обучена на наборе OpenSLR64, где представлены только женские голоса, и показала WER 12,70% на тестовой части данных; автор сообщает, что она также хорошо работает с мужскими голосами. Подходит для транскрибирования речи на маратхи и создания текстовых расшифровок аудиозаписей. Лицензия — Apache-2.0. Результаты оценки получены на части OpenSLR64, поэтому точность на других записях и условиях может отличаться.

dbdmg/wav2vec2-xls-r-300m-italian — модель распознавания речи, созданная путём дообучения facebook/wav2vec2-xls-r-300m на итальянской части набора Common Voice 7.0. Она принимает аудио и преобразует речь в текст на итальянском языке. В README приведён WER 0,1710 на наборе оценки; также указано значение Loss: inf, поэтому результаты обучения следует интерпретировать с осторожностью. Модель построена на архитектуре Wav2Vec2 с CTC-декодером и содержит около 402,8 млн параметров. Распространяется по лицензии Apache-2.0.

primeline/whisper-large-v3-german — модель распознавания речи на основе Whisper Large v3, дообученная Флорианом Циммермайстером для немецкой речи. Она преобразует аудио на немецком языке в текст и рассчитана на транскрибирование речи, создание субтитров, голосовой поиск, голосовые команды и диктовку. Модель использует архитектуру WhisperForConditionalGeneration; в метаданных указано 905,2 млн параметров. Репозиторий содержит веса safetensors, для работы используется Transformers. Данные README указывают на обучение на отобранных аудиозаписях немецкой речи в течение двух эпох. Модель распространяется по лицензии Apache-2.0. Описание не приводит результатов оценки качества или подробностей о происхождении и лицензировании обучающих данных, поэтому качество на разных акцентах, в шуме и в специализированных сценариях по этим сведениям оценить нельзя.

Elizabeth Mwangi выпустила дообученную модель распознавания речи на базе Whisper large-v3. Это второй этап дообучения модели ElizabethMwangi/whisper-large-v3-swahili-afrivoice-cv на наборе CDLI Kenyan Swahili Nonstandard Speech; модель предназначена для транскрибации нестандартной речи на суахили, включая дизартричную речь, заикание и другие атипичные речевые особенности. Модель принимает аудио и выдаёт текст. В карточке приведены результаты оценки: общий WER 0,2932 и CER 0,1289; средний WER составляет 0,3011. Для речи лёгкой, умеренной и тяжёлой степени выраженности указаны WER 0,203, 0,253 и 0,333 соответственно. Модель распространяется под лицензией Apache-2.0.

Whisper Small DE — модель распознавания речи, созданная Максимилианом Кенфенхойером путём дообучения openai/whisper-small на датасете Common Voice 17.0. Она предназначена для преобразования немецкой речи в текст. В карточке указана оценка WER 7,5440 на наборе оценки. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. Она принимает аудио и выдаёт текст; библиотека загрузки — Transformers. Распознавание ориентировано на немецкий язык. Модель распространяется по лицензии Apache-2.0.

Whisper Twi v2 — модель автоматического распознавания речи, разработанная Tiffany Degbotse на основе Whisper от OpenAI. Это дообученная версия openai/whisper-small с архитектурой Whisper для преобразования аудио на языке тви (акан) в текст. Модель предназначена для транскрибирования речи, голосовых интерфейсов, инструментов доступности и лингвистического анализа речи на акане. Модель ориентирована на поддержку африканских языков с ограниченными ресурсами. В карточке указаны 29,4 млн параметров, формат safetensors и лицензия Apache-2.0. Качество распознавания может снижаться на сильно зашумлённых записях, при частом переключении между языками и для диалектов, недостаточно представленных в обучающих данных; перед внедрением рекомендуется оценить её на целевых аудиозаписях.

BuzzASR Bulgarian — одноязычная модель автоматического распознавания болгарской речи, разработанная как часть набора BuzzASR из 102 специализированных ASR-моделей. Она дообучена методом fine-tuning на базе openai/whisper-large-v3, использует архитектуру Whisper и содержит около 905,2 млн параметров. Модель принимает аудио и генерирует текстовую расшифровку; языковой и задачный prompt включён в конфигурацию генерации. Модель предназначена для транскрибации болгарской речи. В тестах на FLEURS и Common Voice 25 авторы сообщают CER 3,79% и WER 13,33% для FLEURS, CER 0,36% и WER 1,44% для Common Voice, а на объединённом тесте — CER 1,21% и WER 4,39%. Эти результаты относятся к указанным тестовым наборам; качество на других тематиках, в условиях шума и для диалектов может отличаться. Обучение включало FLEURS, Common Voice Corpus 25.0 и текстовые данные Goldfish. Лицензия — MIT.

Ethio-ASR multilingual 1B — модель автоматического распознавания речи команды Ethio-ASR, созданная дообучением facebook/mms-1b на наборе WAXAL Speech Dataset. Она предназначена для транскрибирования аудио на амхарском, тигринья, афаан-оромо, сидама и волайтта; в карточке также заявлена идентификация языка речи. Модель построена на архитектуре Wav2Vec2 с CTC-выходом, содержит 1,3 млрд параметров и распространяется в формате safetensors для Transformers. На тестовой части WAXAL модель показала средний WER 31,20; лучшие результаты среди перечисленных языков — для афаан-оромо (23,69) и волайтта (37,51). Её можно использовать как основу для голосовых помощников, средств доступности и исследовательских сравнений. Лицензия CC-BY-NC 4.0 ограничивает коммерческое использование. Качество может различаться в зависимости от диалекта, возраста и пола говорящего и качества записи; для шумного аудио без предварительной очистки речи модель не рекомендуется, а в критически важных сценариях необходима проверка человеком.

KaniTTS — модель преобразования текста в речь, представленная пользователем nineninesix. Она использует двухэтапную архитектуру: языковая модель формирует сжатые аудиотокены, после чего нейрокодек синтезирует из них звуковую волну. В метаданных указаны архитектура LFM2, 460 млн параметров и контекст до 128 000 токенов; README сообщает размер 370 млн параметров и частоту дискретизации 22 кГц. Модель предназначена для синтеза речи в разговорных помощниках, чат-ботах, средствах доступности и языковых приложениях. Заявлена поддержка английского, немецкого, арабского, китайского, испанского и корейского языков. README описывает низкую задержку и возможность работы на доступном оборудовании, но приведённые результаты производительности относятся к RTX 5080. Модель дообучена на nineninesix/kani-tts-450m-0.2-pt. Лицензия в метаданных обозначена как other, тогда как README заявляет Apache 2.0, поэтому условия распространения и использования следует уточнять по лицензии репозитория. README также отмечает снижение качества на входах длиннее 2000 токенов, ограниченную выразительность без дополнительной настройки и возможные смещения в произношении и просодии.

Marvis-AI/marvis-tts-250m-v0.1-transformers — модель синтеза речи Marvis AI на архитектуре CSM, дообученная на базе Marvis-AI/marvis-tts-250m-v0.1-base. Модель содержит 265 млн параметров, использует мультимодальный трансформер и принимает последовательности текста и аудиотокенов; нативный контекст — 2048 токенов. Репозиторий содержит веса в формате safetensors и предназначен для Transformers. Модель генерирует речь из текста с потоковой выдачей аудиофрагментов для голосовых ассистентов, озвучивания и интерактивных приложений. В README описана обработка целого текстового контекста для более связного звучания, а также голосовое клонирование по эталонной записи. Основной язык — английский; качество на других языках может быть ниже. Указаны зависимость качества клонирования от чистоты примерно 10-секундного образца, ухудшение при шуме и возможные ошибки в произношении новых слов или коротких фраз. Лицензия — Apache-2.0.

facebook/mms-tts-rus — модель синтеза русской речи из текста, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она предназначена для преобразования русскоязычной последовательности текста в речевую аудиоволну и подходит для озвучивания текстов и создания речевого вывода в приложениях. Для каждого языка MMS обучается отдельный чекпойнт. Модель использует архитектуру VITS и содержит текстовый энкодер на основе Transformer, flow-модуль, декодер, построенный по принципу HiFi-GAN, и стохастический предиктор длительности. Веса содержат 3,5 млн параметров и доступны в форматах PyTorch и Safetensors; модель поддерживается библиотекой Transformers версии 4.33 и выше. Из-за стохастического предиктора одинаковый текст может звучать по-разному; для повторяемого результата требуется фиксированный seed. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.