I.15Доступность и ассистивные технологии

Модель frisian-asr-streaming-0.6b — потоковая система автоматического распознавания речи на западнофризском языке (fy-NL), созданная сообществом LokaalHub путём дообучения NVIDIA Nemotron 3.5 ASR. Это модель NeMo на архитектуре Cache-Aware FastConformer-RNNT с примерно 600 млн параметров; для распознавания используется токенизатор базовой модели и слот языкового запроса nl-NL. Модель предназначена для потоковой транскрипции записанной речи на фризском. В описанной оценке на отложенном наборе Common Voice она достигла WER 20,36% при задержке 80 мс. Подходит для транскрибирования фризских аудиозаписей, подготовленных в условиях, близких к чтению предложений. Модель моноязычная: дообучение привело к катастрофической потере поддержки остальных 39 языков базовой модели, и входная речь обычно распознаётся как фризская. При использовании требуется передавать target_lang=nl-NL. Качество может снижаться на спонтанной, шумной или записанной издалека речи. Требуется NeMo версии 26.06 или новее. Лицензия указана как other; точные условия следует сверить с карточкой модели.

iautolee/gemma-2b-brain-v1 — дообученная модель семейства Gemma 4, разработанная iautolee на основе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Она предназначена для диалоговых сценариев с изображениями: принимает текст и изображения и формирует текстовые ответы. В метаданных указаны архитектура Gemma4ForConditionalGeneration, плотная архитектура, поддержка зрения и формат safetensors. Модель поддерживает английский язык и распространяется по лицензии Apache 2.0. Данных о размере модели, длине контекста и специальных областях применения в карточке нет.

mlx-community/gemma-3-4b-it-bf16 — конверсия Gemma 3 4B IT в формат MLX для запуска с mlx-vlm. Исходная модель разработана Google; это плотная мультимодальная модель, принимающая текст и изображения и генерирующая текстовые ответы в диалоговом режиме. Её можно использовать для вопросов по изображениям, описания визуального содержимого и обычного общения с моделью. В карточке указана совместимость с mlx-vlm версии 0.1.17. Модель основана на google/gemma-3-4b-pt и относится к семейству Gemma 3; сведения карточки также указывают лицензию Gemma. В README сказано, что веса конвертированы в формат MLX из google/gemma-3-4b-it, тогда как метаданные связывают их с google/gemma-3-4b-pt; поэтому точное происхождение версии instruct неоднозначно. Для подробных характеристик, включая контекст и языковую поддержку, карточка отсылает к исходной модели.

Модель pritamdeka/gemma-4-12B-it-carexai-sft — дообученная разработчиком pritamdeka версия Gemma 4 12B Instruct, созданная на базе unsloth/gemma-4-12B-it. Это плотная мультимодальная модель семейства Gemma4 Unified для диалогов с изображениями: она принимает текст и изображения и формирует текстовые ответы. В карточке указано, что при обучении использовались Unsloth и библиотека TRL от Hugging Face. Модель подходит для визуальных вопросов и ответов, описания изображений и диалоговых сценариев, где нужно учитывать изображение вместе с текстовым запросом. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не сообщает размер обучающих данных и оценку качества именно этого дообучения.

mlx-community/gemma-4-26b-a4b-bf16 — конвертированная для MLX версия модели Google Gemma 4 26B A4B. Репозиторий подготовлен сообществом mlx-community с помощью mlx-vlm 0.4.3; модель предназначена для сценариев «изображение и текст на входе — текст на выходе», включая ответы на вопросы об изображениях и диалог с визуальным контекстом. В метаданных указаны архитектура Gemma4ForConditionalGeneration, возможность работы с изображениями и лицензия Apache-2.0. Модель использует формат safetensors и рассчитана на запуск через mlx-vlm. Суффикс bf16 указывает на представление весов в BF16; README описывает преобразование из google/gemma-4-26b-a4b в формат MLX. Карточка перенаправляет за подробностями о возможностях к исходной модели, поэтому конкретные языки, длина контекста и подробные ограничения здесь не подтверждены.

OpenVINO/gemma-4-E2B-it-int4-ov — это квантованная версия мультимодальной модели gemma-4-E2B-it, разработанной Google и преобразованной в формат OpenVINO IR. Модель предназначена для задач генерации текста с учётом изображений, включая диалоговые сценарии, визуальные вопросы и ответы, анализ содержимого изображений и описание необычных объектов или ситуаций на картинке. Веса сжаты до INT4 методом NNCF с режимом INT4_ASYM, размером группы 128 и коэффициентом ratio 1.0. Модель поддерживает обработку текста и изображений и используется через класс OVModelForVisualCausalLM из Optimum Intel. README не содержит сведений о точном числе параметров, поддерживаемых языках и размере контекстного окна. Квантование уменьшает требования к хранению и вычислениям, но ограничения и качество следует оценивать по исходной карточке gemma-4-E2B-it. Модель совместима с OpenVINO версии 2026.4.0 и выше и Optimum Intel 2.2.0 и выше. Она распространяется по лицензии Apache License 2.0.

mlx-community/gemma-4-e4b-it-8bit — это 8-битная конверсия модели google/gemma-4-E4B-it, подготовленная сообществом mlx-community для работы на устройствах Apple с Apple silicon. Модель основана на Gemma 4 и предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Модель подходит для локального запуска мультимодальных сценариев, например описания изображений, визуального вопросно-ответного взаимодействия и других задач, где требуется анализ изображения по текстовой инструкции. Конкретные сведения об архитектуре, количестве параметров, поддерживаемых языках и размере контекстного окна в README не указаны. Доступен 8-битный вариант, ориентированный на более эффективное использование памяти при запуске на Apple silicon через MLX и mlx-vlm. README не содержит результатов бенчмарков или подробного описания сильных сторон и ограничений модели, поэтому её качество и область практической применимости следует оценивать отдельно. Модель распространяется по лицензии Gemma; исходной моделью указана google/gemma-4-E4B-it.

Imp-v1-3b — компактная мультимодальная языковая модель проекта MILVLG при Ханчжоуском университете электроники. Она объединяет языковую модель Phi-2 размером 2,7 млрд параметров и визуальный энкодер SigLIP размером 0,4 млрд параметров; общий размер модели в метаданных указан как 3,5 млрд параметров. Модель обучена на обучающем наборе LLaVA-v1.5 и предназначена для диалога о визуальном содержимом и ответов на вопросы по изображениям. Модель подходит для визуального вопросно-ответного взаимодействия и описания изображений, в том числе для компактных мультимодальных приложений. README сообщает о сравнительной оценке на девяти бенчмарках, включая VQA и TextVQA, но не приводит здесь полный набор результатов. Метаданные указывают контекст длиной 3072 токена и формат весов safetensors. Лицензия — Apache-2.0. В README отмечено, что технический отчёт и код обучения планировалось выпустить позднее; заявленные результаты бенчмарков не являются гарантией качества в прикладных сценариях.

mlx-community/InternVL3-38B-8bit — преобразованная в формат MLX 8-битная версия мультимодальной модели InternVL3-38B. Репозиторий создан mlx-community; преобразование выполнено из models/InternVL3-38B с помощью mlx-vlm 0.1.25. Метаданные связывают модель с OpenGVLab/InternVL3-1B-Instruct как с базовой моделью, однако карточка описывает конвертацию InternVL3-38B, поэтому точная родословная весов по доступным сведениям неоднозначна. Модель предназначена для диалога по изображениям и задач визуального понимания с текстовыми ответами; каталог также отмечает генерацию текста и интерфейс вызова инструментов. В метаданных указаны мультиязычная поддержка и архитектура InternVLChatModel. Лицензия — Apache-2.0. README рекомендует запуск через mlx-vlm.

OpenGVLab InternVL3.5-GPT-OSS-20B-A4B-Preview-HF — мультимодальная модель семейства InternVL3.5, объединяющая языковую модель OpenAI gpt-oss-20b и визуальный энкодер OpenGVLab InternViT-300M-448px-V2_5. Она принимает изображения и текстовые запросы и генерирует текстовые ответы. Модель предназначена для диалога по изображениям, визуального анализа и рассуждений по мультимодальным данным; в README также описаны возможности семейства в задачах распознавания текста на изображениях, понимания видео и взаимодействия с графическим интерфейсом, но их наличие именно у этой версии не подтверждено. InternVL3.5 использует каскадное обучение с подкреплением для улучшения рассуждений и маршрутизатор разрешения визуальных токенов для более эффективной обработки изображений. Для развертывания описана схема DvD, разделяющая обработку зрения и языка между вычислительными узлами. Репозиторий содержит веса в формате safetensors и предназначен для работы через Transformers. Модель опубликована под лицензией Apache-2.0. В карточке нет сведений о числе параметров именно этого варианта и длине контекста; обозначение GPT-OSS-20B в названии относится к базовой языковой модели, а A4B Preview указывает на предварительную версию.

Kimi-VL-A3B-Thinking-4bit — мультимодальная модель семейства Kimi-VL, подготовленная сообществом mlx-community в 4-битном формате для MLX. Репозиторий указывает, что модель конвертирована из moonshotai/Kimi-VL-A3B-Thinking; метаданные связывают её компоненты с InternViT-300M-448px-V2_5 и Qwen2.5-0.5B. Архитектура представлена классом KimiVLForConditionalGeneration. Модель принимает изображения и текст и формирует текстовые ответы; её можно применять для диалога с визуальным содержимым, например для вопросов об изображениях. Метаданные отмечают поддержку нескольких языков, но не называют конкретные языки. Доступна в формате safetensors; README указывает на использование через mlx-vlm. Лицензия в метаданных обозначена как other, поэтому условия следует сверить с карточкой исходной модели moonshotai/Kimi-VL-A3B-Thinking. Карточка сообщества не приводит подробностей об оценке качества или ограничениях исходной модели.

Bllossom/llama-3.1-Korean-Bllossom-Vision-8B — визуально-языковая чат-модель, разработанная MLPLab при Seoultech совместно с Teddysum и Yonsei University. Это дообученная версия Meta Llama 3.1 8B с архитектурой LLaVA-NeXT, предназначенная для диалога по изображениям и текстовым запросам. Модель принимает текст и изображения и генерирует текстовые ответы. В карточке указана поддержка корейского и английского языков. Вес модели — 8 млрд параметров; файлы доступны в формате SafeTensors для Transformers. Репозиторий использует лицензию Llama 3.1. В README указан более новый Bllossom-AICA-5B, поэтому эта версия является предварительным визуально-языковым выпуском.

Это мультимодальная instruct-модель семейства Llama 4 Maverick, подготовленная сообществом mlx-community в формате MLX с 4-битными весами. README сообщает, что модель преобразована из meta-llama/Llama-4-Maverick-17B-128E-Instruct с помощью mlx-vlm 0.1.21; в метаданных базовая модель указана как meta-llama/Llama-4-Maverick-17B-128E. Архитектура — Llama4ForConditionalGeneration; доступны диалоговый режим, интерфейс вызова инструментов и работа с изображениями. Модель предназначена для диалогов и задач понимания изображений: описания визуального содержимого и ответов на вопросы по изображениям. Она принимает текст и изображения и генерирует текст. Метаданные указывают поддержку арабского, немецкого, английского, испанского, французского, хинди, индонезийского, итальянского, португальского, тайского и вьетнамского языков. README не приводит длину контекста или число параметров этой версии. Лицензия в метаданных обозначена как other; условия следует сверять с карточкой исходной модели Meta.

Карточка модели mludenyo/llava-1.5-7b-hf на Hugging Face совпадает с карточкой llava-hf/llava-1.5-7b-hf, поэтому описание составлено по ней. LLaVA-1.5-7B — мультимодальный чат-бот, опубликованный командой LLaVA и размещённый в формате Hugging Face Transformers. Это авторегрессионная модель на основе трансформера: языковая часть дообучена на данных для следования мультимодальным инструкциям, а модель принимает изображения вместе с текстовыми запросами и формирует текстовые ответы. Версия 7B обучалась в сентябре 2023 года; в карточке указан набор LLaVA-Instruct-150K. Репозиторий использует формат safetensors и поддерживает общение с несколькими изображениями и запросами в одном контексте. Модель подходит для вопросов по изображению, его описания и диалогов, где нужно учитывать визуальный материал. Карточка показывает использование через Transformers и возможность 4-битной загрузки с bitsandbytes на совместимом CUDA GPU. Язык карточки и языковой тег — английский, поэтому основной подтверждённый сценарий — англоязычные запросы. Для работы требуется соблюдать шаблон диалога модели и передавать изображения через соответствующий процессор. Лицензия указана как Llama 2. Качество зависит от изображения и формулировки запроса; ответы могут быть ошибочными, а приведённые в карточке примеры не подтверждают надёжность для критичных решений. Карточка не сообщает длину контекста или точное количество параметров, поэтому эти характеристики здесь не приводятся.

LLaVA-NeXT-Video-32B-Qwen — открытая мультимодальная чат-модель от lmms-lab для понимания видео и изображений по текстовым инструкциям. Она принимает видео и текстовые запросы, а также поддерживает сценарии визуального вопросно-ответного взаимодействия. Модель построена на архитектуре LLaVA с языковой основой Qwen1.5-32B и содержит 31,7 млрд параметров; заявленная длина контекста — 32 768 токенов. Модель дообучена на смешанных изображениях и видео, включая набор из 830 тысяч видеоданных. Она предназначена для анализа содержимого роликов, создания описаний и ответов на вопросы о событиях в видео; в README также приводятся результаты на видеобенчмарках. Лицензия — Apache-2.0. Авторы указывают исследовательское применение в области мультимодальных моделей и чат-ботов.

Llava-v1.6-Vicuna-7B-GGUF — мультимодальная модель семейства LLaVA v1.6, разработанная liuhaotian на базе liuhaotian/llava-v1.6-vicuna-7b и представленная в формате GGUF. Квантизацию выполнила Second State Inc. Модель сочетает обработку изображений и текста и рассчитана на генерацию текстовых ответов по визуальным и текстовым запросам. Модель предназначена для сценариев визуального вопросно-ответного взаимодействия и анализа изображений с использованием текстовых инструкций. Указан контекст размером 4096 токенов. Поддерживается шаблон запросов vicuna-llava; для мультимодального запуска требуется отдельный проектор llava-v1.6-vicuna-7b-mmproj-model-f16.gguf. Сведения о поддерживаемых языках в README не приведены. Доступны варианты квантизации от 2 до 8 бит размером примерно от 2,53 до 7,16 ГБ. Вариант Q4_K_M обозначен как сбалансированный и рекомендуемый, а Q5_K_M и Q5_K_S — как варианты с низкой потерей качества. Более сильная квантизация уменьшает размер, но может заметно снижать качество; для Q2_K–Q4_0 README указывает существенную или очень высокую потерю качества. Модель распространяется по лицензии llama2.

facebook/mms-tts-adx — модель синтеза речи на языке тибетский амдо (adx), разработанная Facebook в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка из семейства MMS-TTS; модель принимает текст и генерирует речевую аудиоволну. Она построена на архитектуре VITS — сквозной системе синтеза речи с вариационным автоэнкодером, flow-модулем и декодером в стиле HiFi-GAN. В метаданных указано 3,6 млн параметров; модель доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Модель предназначена для озвучивания текста на тибетском амдо, например для голосовых интерфейсов и создания аудиоверсий текстов. Стохастический предиктор длительности позволяет получать варианты с разным ритмом, поэтому генерация недетерминирована и для повторения результата требуется фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но не для коммерческих целей.

Это модель синтеза речи на центральном аймара (ayr), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на этом языке в речевую аудиоволну и предназначена для озвучивания текста и создания речевых интерфейсов для носителей центрального аймара. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS, обученный для центрального аймара; библиотека Transformers поддерживает его начиная с версии 4.33. Стохастический предиктор длительности позволяет получать варианты ритма речи, поэтому для воспроизводимого результата требуется фиксированное случайное зерно. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель специализирована на центральном аймара; качество синтеза для других языков не заявлено.

facebook/mms-tts-azb — модель синтеза речи на южноазербайджанском языке из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на этом языке. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный чекпойнт MMS-TTS, обученный для одного языка; в Transformers он поддерживается начиная с версии 4.33. Стохастический предсказатель длительности позволяет получать варианты ритма речи для одного текста, поэтому результаты могут различаться между запусками; фиксированное случайное зерно позволяет воспроизводить тот же результат. Модель можно применять для озвучивания текстового контента и создания речевого вывода на южноазербайджанском. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое применение.

facebook/mms-tts-bdq — модель синтеза речи на языке бхнар (bdq), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Это отдельный языковой чекпойнт для преобразования входного текста в речевую аудиоволну; модель доступна через библиотеку Transformers версии 4.33 и новее. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. Она обучается сквозным образом: текстовый энкодер, flow-модуль и декодер формируют речь, а стохастический предиктор длительности позволяет получать разные ритмические варианты произнесения одного текста. Генерация недетерминирована; для повторения результата требуется фиксировать seed. Репозиторий содержит веса PyTorch и Safetensors. Модель подходит для озвучивания текста на бхнар, в том числе для речевых интерфейсов и аудиоконтента на этом языке. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

facebook/mms-tts-bts — модель синтеза речи на языке батак-сималунг, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на батак-сималунг в речевую аудиоволну и предназначена для озвучивания текстов на этом языке. Модель использует архитектуру VITS и обучена как отдельный языковой чекпойнт MMS-TTS. Она объединяет текстовый энкодер, flow-модуль и декодер на основе HiFi-GAN; стохастический предиктор длительности позволяет варьировать ритм речи. Размер модели — 3,5 млн параметров. Для повторения той же генерации требуется фиксированный seed. Модель доступна через Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-cni — модель синтеза речи на ашанинка (cni) из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует текст на ашанинка в речевой аудиосигнал и подходит для озвучивания фраз и создания речевого вывода для приложений на этом языке. Модель использует архитектуру VITS и обучена как отдельный чекпойнт для одного языка. VITS объединяет текстовый энкодер, flow-модуль, стохастический предсказатель длительности и декодер на основе HiFi-GAN, формируя речь сквозным образом. В метаданных указаны 3,5 млн параметров; модель доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers версии 4.33 и новее. Модель предназначена для синтеза речи на ашанинка; генерация недетерминирована, поэтому для повторяемого результата требуется фиксировать seed. Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.

facebook/mms-tts-div — модель синтеза речи на мальдивском языке (div) из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Это отдельный чекпойнт VITS, обученный для одного языка; модель принимает текст и генерирует речевую аудиоволну. Архитектура VITS объединяет вариационный автоэнкодер, flow-модуль с текстовым энкодером на основе Transformer, стохастический предиктор длительности и декодер в стиле HiFi-GAN. Размер модели — 3,5 млн параметров; она доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Модель подходит для озвучивания мальдивского текста и генерации речи с разным ритмом. Из-за стохастического предиктора длительности результат может меняться при повторном запуске; для воспроизводимой генерации нужно фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-dyi — модель синтеза речи для языка джимини (Sénoufo, Djimini; dyi) из проекта Massively Multilingual Speech компании Facebook. Она преобразует текст на этом языке в речевую аудиоволну; для каждого языка проекта обучается отдельный чекпойнт. Модель построена на архитектуре VITS: сочетает вариационный автоэнкодер, потоковый модуль с Transformer-энкодером текста, стохастический предсказатель длительности и декодер, основанный на HiFi-GAN. Размер модели — 3,5 млн параметров; она доступна для Transformers версии 4.33 и новее. Модель подходит для озвучивания текста на джимини, например для голосовых интерфейсов и аудиоверсий материалов. Из-за стохастического предсказания длительности одинаковый текст может звучать по-разному; фиксированное случайное зерно позволяет воспроизводить тот же результат. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-eza — модель синтеза речи на языке эзаа (eza) из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS и содержит 3,5 млн параметров; отдельный чекпойнт MMS-TTS обучен для каждого языка. VITS объединяет текстовый энкодер, потоковые слои и HiFi-GAN-подобный декодер, а стохастический предиктор длительности позволяет варьировать ритм произношения. Для повторяемой генерации требуется фиксировать seed. Модель доступна в Transformers версии 4.33 и новее. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-hlt — модель синтеза речи на языке Chin, Matu, созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на этом языке в речевой аудиосигнал и предназначена для озвучивания текста и создания голосовых интерфейсов для носителей Chin, Matu. Модель использует архитектуру VITS: текстовый энкодер, flow-модуль и декодер формируют речь сквозным образом; стохастический предсказатель длительности позволяет варьировать ритм произношения. Веса содержат 3,5 млн параметров, доступны в форматах PyTorch и Safetensors; для запуска подходит библиотека Transformers версии 4.33 и новее. Генерация недетерминирована: для повторения результата нужно фиксировать seed. Модель предназначена для одного языка и не подходит для синтеза речи на других языках без отдельной модели. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-kac — модель синтеза речи на джингпхо (kac), созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на джингпхо. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров; чекпойнты MMS-TTS обучаются отдельно для каждого языка. Модель доступна через библиотеку Transformers версии 4.33 и выше. Стохастический предиктор длительности позволяет синтезировать текст с разным ритмом, поэтому для воспроизводимого результата требуется фиксировать seed. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-kjg — модель синтеза речи на языке кхму (код kjg), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка из семейства MMS-TTS. Модель построена на архитектуре VITS и преобразует входной текст в речевую аудиоволну. Она обучается сквозным образом и включает текстовый энкодер на основе Transformer, flow-модуль, декодер в стиле HiFi-GAN и стохастический предсказатель длительности, который позволяет варьировать ритм речи. Веса представлены в форматах PyTorch и Safetensors; размер модели — 3,5 млн параметров. Для повторения одной и той же генерации требуется фиксировать seed. Модель предназначена для озвучивания текста на кхму, например для речевых интерфейсов и создания аудиоверсий коротких текстов. Она рассчитана на один язык и не является универсальным многоязычным синтезатором. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-kmd — модель синтеза речи на языке Kalinga, Majukayang (kmd) из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный чекпойнт, обученный для одного языка; стохастический предсказатель длительности позволяет получать варианты произношения с разным ритмом, поэтому при одинаковом тексте результат может меняться. Для повторяемой генерации README рекомендует фиксировать seed. Модель доступна через библиотеку Transformers версии 4.33 и выше. Репозиторий использует форматы PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.

facebook/mms-tts-kpv — модель синтеза речи на коми-зырянском языке из проекта Massively Multilingual Speech (MMS) компании Meta/Facebook. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текстов на коми-зырянском языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS, доступный через библиотеку Transformers версии 4.33 и новее. Стохастический предиктор длительности позволяет варьировать ритм речи; результат генерации может меняться между запусками, поэтому для повторяемого аудио требуется фиксированное случайное зерно. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не приводит сведений о голосах или дополнительных настройках синтеза.