I.15Доступность и ассистивные технологии

facebook/mms-tts-kps — модель синтеза речи на языке техит (Tehit, код kps), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на техит. Модель использует архитектуру VITS: текстовый энкодер, потоковый модуль, стохастический предсказатель длительности и декодер HiFi-GAN; число параметров — 3,5 млн. Для одинакового результата при повторной генерации 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 запрещает коммерческое применение.

facebook/mms-tts-kxv — модель синтеза речи на языке куви (Kuvi, kxv), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на куви в речевую аудиоволну и предназначена для озвучивания текста и создания голосового вывода на этом языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, вариационный автоэнкодер с нормализующими потоками, предсказатель длительности и декодер HiFi-GAN-подобного типа. Размер — 3,5 млн параметров. Для каждого языка в MMS обучается отдельный чекпойнт; модель доступна через Transformers версии 4.33 и выше. Предсказатель длительности стохастический, поэтому генерация может различаться при одинаковом тексте; фиксированный seed позволяет воспроизводить результат. Модель распространяется по лицензии CC BY-NC 4.0, которая не разрешает коммерческое использование.

facebook/mms-tts-mai — модель синтеза речи на майтхили, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для создания озвучки на майтхили. Модель использует архитектуру VITS и представлена как чекпойнт для библиотеки Transformers; число параметров — 3,6 млн. Отдельный чекпойнт MMS-TTS обучен для каждого языка. Стохастический предиктор длительности позволяет получать разные ритмические варианты одной и той же фразы, поэтому результат синтеза недетерминирован и для повторения того же аудио требуется фиксированное случайное зерно. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-mca — модель синтеза речи Maka, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на языке Maka в речевую аудиоволну и предназначена для озвучивания текста и создания речевых интерфейсов для этого языка. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров; для каждого языка в проекте MMS обучается отдельный чекпойнт. Модель доступна через Transformers версии 4.33 и выше. Генерация использует стохастический предиктор длительности, поэтому один и тот же текст может звучать по-разному; для повторяемого результата требуется фиксировать seed. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-mdy — модель синтеза речи для языка Male (mdy), созданная в рамках проекта Massively Multilingual Speech компании Facebook. Это отдельный языковой чекпойнт проекта MMS-TTS на архитектуре VITS; модель принимает текст и генерирует речевую волну. Вариационный автокодировщик с потоковым модулем, трансформерным текстовым энкодером, стохастическим предсказателем длительности и декодером HiFi-GAN обучен сквозным образом. Размер модели — 3,6 млн параметров. Модель предназначена для преобразования текста на mdy в речь. Стохастический предсказатель длительности позволяет варьировать ритм синтеза; результат недетерминирован, поэтому для повторения того же аудио требуется фиксировать seed. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и запрещает коммерческое использование.

facebook/mms-tts-mgh — модель синтеза речи на языке макуа-митту, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую волну и подходит для озвучивания текстов на макуа-митту. Модель использует архитектуру VITS — сквозную систему синтеза речи на основе условного вариационного автоэнкодера, нормализующих потоков и декодера, построенного по принципу HiFi-GAN. В репозитории указаны веса PyTorch и safetensors; размер модели — 3,5 млн параметров. Для одинакового результата генерации требуется фиксировать seed, поскольку предсказатель длительности работает стохастически. Модель доступна через Transformers версии 4.33 и выше и распространяется по лицензии CC BY-NC 4.0.

facebook/mms-tts-mlg — модель синтеза речи на малагасийском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на малагасийском языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS, доступный через библиотеку Transformers. Стохастический предиктор длительности позволяет получать варианты ритма речи для одного текста; для повторяемого результата требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-nia — модель синтеза речи на языке ниас, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на ниас в речевую аудиоволну и подходит для озвучивания фраз и создания речевого вывода в приложениях. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров; для работы с ней доступна библиотека Transformers версии 4.33 и новее. Для каждого языка проекта MMS обучается отдельный чекпойнт. Модель генерирует речь с вариативным ритмом; из-за стохастического предсказателя длительности результат недетерминирован, поэтому для повторяемой генерации требуется фиксировать seed. Репозиторий содержит веса PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-nyo — модель синтеза речи на языке ньоро (nyo), созданная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка, основанный на архитектуре VITS: модель преобразует текст в речевую аудиоволну и использует стохастический предиктор длительности, поэтому одинаковый текст может звучать по-разному. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; для работы с ним подходит библиотека Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на ньоро. При генерации результат недетерминирован, поэтому для повторения той же аудиозаписи требуется фиксированное случайное зерно. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческих целях.

facebook/mms-tts-qul — модель синтеза речи на северноболивийском кечуа, разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS: она объединяет текстовый кодировщик на базе Transformer, flow-модуль, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN. Это сквозная модель объёмом 3,5 млн параметров; для каждого языка проекта MMS обучается отдельный чекпойнт. Генерация недетерминирована, поэтому для повторяемого результата требуется фиксированное начальное значение случайного генератора. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-qve — модель синтеза речи на восточно-апурима-кечуа, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на языке кечуа (qve) в речевой сигнал и предназначена для озвучивания текстов и создания речевых интерфейсов на этом языке. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный чекпойнт, обученный для одного языка; MMS-TTS доступна через библиотеку Transformers. Генерация стохастическая: чтобы получить одинаковый результат для одного и того же текста, нужно фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-rej — модель синтеза речи на языке режанг из проекта Massively Multilingual Speech, разработанного Facebook. Она преобразует текст на режанге в речевую аудиоволну и подходит для озвучивания текста и создания речевых интерфейсов на этом языке. Модель использует архитектуру VITS: текстовый кодировщик на основе Transformer, нормализующие потоки, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN. Это отдельный чекпойнт для режанга с 3,5 млн параметров; он доступен через Transformers версии 4.33 и новее. Генерация недетерминирована, поэтому для повторяемого результата нужен фиксированный seed. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-sah — модель синтеза речи на якутском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания якутских текстов. Модель построена на архитектуре VITS и содержит 3,5 млн параметров; чекпойнты MMS-TTS обучаются отдельно для каждого языка. Для работы поддерживается библиотека Transformers версии 4.33 и выше. VITS объединяет вариационный автоэнкодер, потоковые слои, текстовый энкодер на основе Transformer и декодер, связанный с HiFi-GAN. Стохастический предсказатель длительности позволяет получать разные ритмические варианты произнесения одного текста; поэтому результат может меняться между запусками, а для воспроизводимого синтеза нужен фиксированный seed. Модель распространяется в форматах PyTorch и Safetensors по лицензии CC BY-NC 4.0, которая требует указания авторства и ограничивает коммерческое использование.

facebook/mms-tts-sgw — модель синтеза речи на себат-бет-гураге, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст на языке с кодом sgw в речевую аудиоволну и подходит для озвучивания текста и создания речевого вывода на этом языке. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт семейства MMS-TTS; для синтеза применяется стохастический предиктор длительности, поэтому одинаковый текст может звучать по-разному, а для повторения результата нужен фиксированный seed. Модель работает с текстом и выдаёт аудио; в README указана поддержка через библиотеку Transformers версии 4.33 и выше. Лицензия — CC BY-NC 4.0, допускающая использование с условиями атрибуции и ограничением на коммерческое применение.

facebook/mms-tts-sza — модель синтеза речи на языке семелай (код ISO 639-3: sza), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на семелае. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. VITS синтезирует речь сквозным образом; стохастический предиктор длительности позволяет получать разные ритмические варианты произнесения. Модель доступна через библиотеку Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и safetensors. Для повторения одной и той же генерации требуется фиксировать seed, поскольку синтез недетерминированный. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства в рамках её условий, но некоммерческое использование ограничено.

facebook/mms-tts-tat — модель синтеза речи на татарском языке из проекта Massively Multilingual Speech компании Meta (Facebook). Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания татарских текстов и создания голосовых сообщений. Модель основана на архитектуре VITS и содержит около 3,5 млн параметров; для каждого языка проекта MMS обучается отдельный чекпойнт. Используйте её через библиотеку Transformers версии 4.33 или новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-tte — модель синтеза речи для языка Bwanabwana, выпущенная в рамках проекта Massively Multilingual Speech компании Facebook. Это отдельный языковой чекпойнт семейства MMS-TTS на архитектуре VITS; число параметров — 3,5 млн. Модель принимает текст на Bwanabwana и генерирует речевую аудиоволну. VITS объединяет вариационный автоэнкодер, нормализующие потоки, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN. Стохастический предиктор позволяет получать разные ритмические варианты для одного текста, поэтому результат может меняться между запусками; для повторяемого результата требуется фиксировать seed. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Это модель синтеза речи на уйгурском языке, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на уйгурском письме арабской графикой в речевую аудиоволну и предназначена для озвучивания текста и создания речевого вывода в приложениях. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. Это отдельный чекпойнт для данного языка; он доступен через библиотеку Transformers версии 4.33 и новее. Из-за стохастического предсказания длительности генерация недетерминирована: для повторения результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование на условиях атрибуции и некоммерческого применения.

sharjeel103/mms-tts-urdu-finetune — модель синтеза речи на основе архитектуры VITS, опубликованная пользователем sharjeel103 на Hugging Face. Она преобразует текст на урду в аудио и подходит для озвучивания фраз и коротких текстов на этом языке. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers; в метаданных указано около 3,6 млн параметров. Карточка автоматически сгенерирована и не сообщает сведения о разработчике исходной модели, обучающих данных, лицензии или оценке качества, поэтому эти характеристики нельзя подтвердить.

Xenova/mms-tts-vie — модель синтеза речи из текста на вьетнамском языке. Это версия с весами в формате ONNX, созданная на основе facebook/mms-tts-vie и адаптированная для работы с библиотекой Transformers.js. Модель предназначена для запуска text-to-speech-сценариев в JavaScript-приложениях, включая веб-среду и Node.js. В README указано, что модель генерирует аудио с частотой дискретизации 16 кГц; пример возвращает монофонический аудиомассив Float32Array. Доступны обычная и квантизованная версии, причём квантизованная используется по умолчанию, что может быть удобно для снижения требований к ресурсам. Архитектура, размер модели, максимальная длина контекста и дополнительные модальности не указаны. Модель ориентирована на вьетнамский язык, поэтому её применимость к другим языкам не подтверждена. Лицензия в README не указана.

facebook/mms-tts-xnj — модель синтеза речи на языке чингони (xnj), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текста на этом языке. Модель использует архитектуру VITS: текстовый энкодер, потоковый модуль и декодер, построенный по принципу HiFi-GAN; для вариативности ритма речи предусмотрен стохастический предиктор длительности. В чекпойнте около 3,5 млн параметров; модель доступна через Transformers. Модель обучена отдельно для чингони, поэтому её назначение ограничено синтезом речи на этом языке. Генерация недетерминирована: для повторения результата требуется фиксированный seed. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-xuo — модель синтеза речи для языка Kuo (xuo), разработанная в рамках проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну; для каждого языка MMS обучается отдельный чекпойнт. Модель построена на архитектуре VITS: сочетает вариационный автоэнкодер, потоковый модуль с текстовым энкодером на основе Transformer и декодер, похожий на HiFi-GAN. Размер модели — 3,5 млн параметров; использовать её можно через Transformers версии 4.33 и новее. Модель подходит для озвучивания текста на языке Kuo, например для голосовых интерфейсов и аудиоверсий материалов. Генерация недетерминирована: для повторяемого результата требуется фиксировать seed. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-zlm — модель синтеза речи на малайском языке из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на малайском языке. Модель построена на архитектуре VITS: текстовый энкодер и вероятностный модуль длительности управляют генерацией речи, а декодер формирует аудиоволну. В репозитории указано 3,5 млн параметров; модель доступна в форматах PyTorch и safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Генерация недетерминирована, поэтому для воспроизводимого результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески. Это отдельный чекпойнт для малайского языка, поэтому его не следует считать универсальной многоязычной моделью синтеза речи.

MoE-LLaVA-Qwen-1.8B-4e — мультимодальная модель семейства MoE-LLaVA, разработанная проектом LanguageBind. Она сочетает языковую модель Qwen с архитектурой смеси экспертов и предназначена для диалогового понимания изображений: модель принимает изображение и текстовый запрос и формирует текстовый ответ. В карточке она приведена как вариант MoE-LLaVA-1.8B×4-Top2; метаданные указывают 2,3 млрд параметров, контекст 8192 токена и формат PyTorch. README сообщает о результатах на наборах для визуальных вопросов и понимания изображений, включая VQAv2, GQA, VizWiz и MM-Bench. Модель доступна по лицензии Apache-2.0. Для работы README приводит требования к среде: Python 3.10 или новее, PyTorch 2.0.1, CUDA 11.7 или новее, Transformers 4.36.2 и Tokenizers 0.15.1.

Molmo-7B-D-0924-4bit — мультимодальная модель семейства Molmo, преобразованная mlx-community из allenai/Molmo-7B-D-0924 в формат MLX с 4-битным представлением для запуска через mlx-vlm. Она принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы; подходит для диалога и вопросов о содержимом изображений. В метаданных указаны архитектура MolmoForCausalLM, 12,8 млрд параметров и контекст 4096 токенов. Карточка связывает модель с Qwen/Qwen2-7B и openai/clip-vit-large-patch14-336; лицензия — Apache-2.0. README отсылает за подробностями о возможностях к карточке исходной модели, поэтому конкретные сценарии визуального анализа здесь не уточнены.

Moondream — компактная плотная модель для обработки изображений и текста, разработанная командой Moondream. Этот репозиторий содержит выпуск от 14 апреля 2025 года; модель предназначена для эффективной работы на широком спектре устройств и сценариев. Она принимает изображение вместе с текстовым запросом и формирует текстовый ответ, поэтому подходит для вопросов об изображениях и других задач визуально-языкового взаимодействия. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит размер модели, поддерживаемые языки и подробные сведения о качестве или ограничениях, поэтому эти характеристики нельзя уточнить по имеющимся данным.

Это 4-битная версия Moondream 3 (Preview), опубликованная alecccdd и предназначенная для работы с изображениями через вопросы и текстовые ответы. Модель принимает изображение и текстовый запрос, а выдаёт ответ на естественном языке; карточка базовой Moondream 3 также описывает создание описаний изображений и обнаружение объектов. Квантование INT4 сокращает заявленный размер модели примерно с 18 до 6 ГБ. README указывает, что первая компиляция может занимать 1–3 минуты, а кэширование компиляции ускоряет повторные запуски. Репозиторий использует Transformers; лицензия обозначена как other, без уточнения условий в предоставленных данных.

ManishThota/Ollama_Video_llama_7B — модель семейства Video-LLaVA для генерации текста по визуальному вводу. Карточка связывает её с Video-LLaVA, а архитектура указана как LlavaLlamaForCausalLM; размер модели — 6,6 млрд параметров, контекст — 4096 токенов. Модель предназначена для сценариев, где нужно задавать вопросы о визуальных данных и получать текстовые ответы. В репозитории представлены варианты GGUF в форматах F16 и F32, а также веса PyTorch и Safetensors. Лицензия — Apache-2.0.

Oryx-7B — визуально-языковая модель от команды THUdyh, построенная на Oryx-ViT и Qwen2-7B и дообученная на наборе Oryx-SFT-Data. Она предназначена для генерации ответов по визуальным данным, включая изображения и видео с различным пространственным размером и временной длительностью. Модель содержит 7,1 млрд параметров, использует формат Safetensors и поддерживает контекст до 32 768 токенов; заявленные языки — английский и китайский. Модель подходит для диалогового анализа изображений и видео, когда требуется описать визуальную сцену или ответить на вопрос о содержимом. В README указано, что обучение велось на смеси из 1,2 млн данных об изображениях и видео. Лицензия — Apache 2.0. Метаданные Hugging Face помечают её задачей text-generation, поэтому для каталога эта задача указана основной, хотя README описывает также обработку визуальных входов.

Rocky131/Qwen2.5-Omni-Thinker-7B — самостоятельная упаковка компонента Thinker из Qwen2.5-Omni. По README, модель предназначена для понимания и рассуждений; метаданные Hugging Face относят её к диалоговым моделям с обработкой изображений и генерацией текста. Репозиторий использует архитектуру Qwen2.5 Omni Thinker и формат safetensors, а для работы указана библиотека Transformers. Модель подходит для диалоговых сценариев, в которых нужно анализировать изображения и формулировать текстовые ответы. Карточка не сообщает конкретные ограничения, лицензию, размер модели, языки или длину контекста, поэтому эти характеристики нельзя уточнить.