I.15Доступность и ассистивные технологии

facebook/mms-tts-hif — модель синтеза речи на языке хинди Фиджи, созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текста на хинди Фиджи. Модель построена на архитектуре VITS: текстовый кодировщик, flow-модуль и HiFi-GAN-подобный декодер работают в сквозном конвейере синтеза. Вариативный предиктор длительности позволяет получать разные ритмические варианты произношения одного текста; генерация недетерминирована, поэтому для повторяемого результата требуется фиксированный seed. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; для работы предусмотрена библиотека Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

facebook/mms-tts-huv — модель синтеза речи для языка хуве, на котором говорят в Сан-Матео-дель-Мар. Она разработана Facebook в рамках проекта Massively Multilingual Speech (MMS), предоставляющего речевые модели для разных языков. Модель преобразует текст на хуве в речевую аудиоволну. Это отдельный чекпойнт VITS, обученный для одного языка. Архитектура VITS объединяет вариационный автоэнкодер, Transformer-энкодер текста, потоковый модуль и декодер, построенный по принципу HiFi-GAN; стохастический предсказатель длительности позволяет варьировать ритм речи. Модель содержит 3,5 млн параметров и доступна для работы через Transformers версии 4.33 и новее. Модель подходит для озвучивания текстов на хуве, например для аудиоматериалов и речевых интерфейсов. Из-за стохастического предсказателя одинаковый текст может звучать по-разному; для повторяемого результата требуется фиксированное случайное зерно. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-hyw — модель синтеза речи на западноармянском языке (hyw), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный контрольный набор VITS, обученный для одного языка; модель преобразует входной текст в речевую аудиоволну. Архитектура VITS объединяет вариационный автоэнкодер, потоковый модуль, текстовый энкодер на основе Transformer, стохастический предиктор длительности и декодер, подобный HiFi-GAN. Размер модели — 3,5 млн параметров. Она поддерживается библиотекой Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на западноармянском, включая приложения синтеза речи и голосового вывода. Стохастический предиктор позволяет получать разные ритмические варианты одной фразы; результат генерации недетерминирован, поэтому для воспроизводимого аудио нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерческое.

facebook/mms-tts-ilo — модель синтеза речи на илоканском языке из проекта Massively Multilingual Speech компании Meta. Это отдельный языковой чекпойнт семейства VITS с архитектурой VitsModel и примерно 3,5 млн параметров; модель преобразует входной текст непосредственно в речевую волну. Она доступна через библиотеку Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на илоканском языке. Стохастический предсказатель длительности позволяет получать варианты ритма речи для одного и того же текста, поэтому результат может меняться между запусками; для воспроизводимого аудио нужен фиксированный seed. Репозиторий содержит веса PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-jbu — модель синтеза речи на языке Jukun Takum (jbu), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну; отдельный чекпойнт MMS-TTS обучен для каждого языка. Модель построена на архитектуре VITS: текстовый энкодер, flow-модуль, стохастический предиктор длительности и декодер, формирующий аудиоволну. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; для работы предусмотрена библиотека Transformers версии 4.33 и новее. Модель подходит для озвучивания текста на Jukun Takum, например для голосовых интерфейсов и создания аудиоверсий материалов. Генерация недетерминирована: для повторения результата требуется фиксированное начальное значение. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-jmc — модель синтеза речи на языке Machame (код jmc), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на Machame. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это сквозная система синтеза речи с условным вариационным автоэнкодером, потоковым модулем и стохастическим предсказателем длительности, благодаря которому один и тот же текст может звучать с разным ритмом. Для работы доступна через библиотеку Transformers версии 4.33 и новее. Модель обучена отдельно для одного языка, поэтому её назначение ограничено синтезом речи на Machame. Генерация недетерминирована: для повторения результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-kak — модель синтеза речи на языке Kalanguya (kak), созданная в рамках проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевой сигнал и предназначена для озвучивания текстов на Kalanguya. Модель построена на архитектуре VITS: она объединяет текстовый энкодер, вероятностные компоненты и декодер, формирующий аудиоволну; для вариативности ритма используется стохастический предсказатель длительности. Размер модели — 3,5 млн параметров; веса доступны в форматах PyTorch и Safetensors и используются через Transformers версии 4.33 или новее. Модель рассчитана на синтез речи на одном языке, Kalanguya. Стохастический предсказатель делает генерацию недетерминированной: для воспроизведения того же результата требуется фиксированное начальное значение генератора случайных чисел. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-kmr-script_arabic — модель синтеза речи из текста для курдского языка (северный курдский, запись арабским письмом), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Для каждого языка MMS-TTS обучается отдельный чекпойнт; модель построена на архитектуре VITS и генерирует речевую форму сигнала непосредственно по входному тексту. Вариативный предсказатель длительности позволяет получать разные ритм и просодию для одной и той же фразы; для воспроизводимого результата требуется фиксированное начальное значение генератора случайных чисел. Модель предназначена для озвучивания текста на северном курдском, записанном арабским письмом. Она содержит около 3,5 млн параметров и доступна для использования через Transformers версии 4.33 и новее. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-kpz — модель синтеза речи на языке купсапиини (Kupsapiiny, kpz) из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевой сигнал и предназначена для озвучивания текста на этом языке. Модель построена на архитектуре VITS: текстовый энкодер, потоковый модуль и декодер формируют аудиоволну; стохастический предсказатель длительности позволяет получать варианты с разным ритмом. Веса доступны в форматах PyTorch и safetensors, для работы подходит библиотека Transformers версии 4.33 и новее. Чекпойнт содержит 3,5 млн параметров и обучен отдельно для одного языка в рамках MMS-TTS. Генерация недетерминирована: для повторения того же результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерчески.

facebook/mms-tts-krc — модель синтеза речи на карачаево-балкарском языке из проекта Massively Multilingual Speech компании Meta. Она преобразует текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Для каждого языка в проекте обучен отдельный чекпойнт. Модель использует архитектуру VITS: текстовый энкодер, вариационный автоэнкодер, поточный модуль и декодер, основанный на HiFi-GAN. Размер — 3,5 млн параметров; модель доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Генерация недетерминирована: для повторения результата требуется фиксированный seed. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства и ограничивает коммерческое применение.

facebook/mms-tts-kyc — модель синтеза речи на языке кьяка (Kyaka, код kyc), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевой аудиосигнал и предназначена для озвучивания текстов на этом языке. Модель использует архитектуру VITS — сквозную систему синтеза речи на основе вариационного автоэнкодера, нормализующих потоков и декодера с компонентами HiFi-GAN. В метаданных указано 3,5 млн параметров; отдельный чекпойнт MMS-TTS обучен для каждого языка. Случайный предиктор длительности позволяет варьировать ритм речи, поэтому для повторяемого результата требуется фиксировать seed. Модель распространяется в форматах PyTorch и Safetensors и доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей.

facebook/mms-tts-lbw — модель синтеза речи на языке толаки (lbw), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на толаки в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, нормализующие потоки, стохастический предиктор длительности и декодер на основе свёрточных слоёв. Размер модели — 3,5 млн параметров; формат весов — PyTorch и Safetensors. Для повторения результата генерации нужен фиксированный seed, поскольку предиктор длительности стохастический. Модель доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей.

facebook/mms-tts-mge — модель синтеза речи Mango (код языка mge) из проекта Massively Multilingual Speech компании Facebook. Это отдельный языковой чекпойнт семейства VITS с 3,5 млн параметров: он принимает текст и генерирует речевую аудиоволну. VITS объединяет вариационный автоэнкодер, Transformer-энкодер текста, нормализующие потоки и декодер на основе HiFi-GAN; стохастический предсказатель длительности позволяет получать разные ритмы произнесения одного текста. Модель предназначена для преобразования текста на языке mge в речь и доступна через библиотеку Transformers версии 4.33 и новее. Генерация недетерминирована: для повторного получения того же аудио требуется фиксированный seed. Модель опубликована по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-mza — модель синтеза речи на языке Mixtec, Santa María Zacatepec (mza), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую волну и предназначена для озвучивания текста и создания речевого вывода в приложениях. Модель использует архитектуру VITS: это сквозная система синтеза речи с вариационным автоэнкодером, потоковым модулем и декодером, построенным по принципу HiFi-GAN. Для предсказания ритма используется стохастический предиктор длительности, поэтому результат синтеза может меняться между запусками; фиксированный seed позволяет воспроизводить тот же результат. В репозитории доступны веса PyTorch и Safetensors, размер модели — 3,5 млн параметров. Модель поддерживается библиотекой Transformers начиная с версии 4.33. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Карточка описывает отдельный чекпойнт для одного языка; качество синтеза для конкретных текстов может зависеть от используемого письма и входных данных.

facebook/mms-tts-nas — модель синтеза речи на языке наасио (nas), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт MMS-TTS для одного языка, построенный на архитектуре VITS: модель преобразует входной текст непосредственно в речевую волну, используя вариационный автоэнкодер, потоковый модуль и декодер на основе HiFi-GAN. Размер модели — 3,5 млн параметров; веса доступны в форматах PyTorch и Safetensors и поддерживаются библиотекой Transformers начиная с версии 4.33. Модель предназначена для озвучивания текста на наасио. Стохастический предиктор длительности позволяет получать разные ритмические варианты произнесения; для повторяемого результата требуется фиксировать seed. Модель принимает текст и выдаёт аудио. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-ngu — модель синтеза речи на науатле Герреро, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст на этом языке в речевую аудиоволну и подходит для озвучивания текстов и создания речевого вывода в приложениях. Модель использует архитектуру VITS — сквозной вариационный автоэнкодер с Transformer-кодировщиком текста, потоковыми слоями и декодером, основанным на HiFi-GAN. Для каждого языка проекта обучена отдельная модель; размер этой модели — 3,5 млн параметров. Она доступна через Transformers версии 4.33 и новее. Генерация зависит от стохастического предсказателя длительности: один и тот же текст может звучать по-разному, а для воспроизводимого результата требуется фиксированный seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-nnb — модель синтеза речи на языке нандэ (Nande, код nnb) из проекта Massively Multilingual Speech компании Facebook. Это отдельный языковой чекпойнт семейства MMS-TTS на архитектуре VITS; метаданные указывают 3,5 млн параметров, форматы PyTorch и Safetensors. Модель принимает текст на нандэ и генерирует речевую аудиоволну. VITS объединяет вариационный автоэнкодер, flow-модуль с текстовым энкодером на основе Transformer, декодер, подобный HiFi-GAN, и стохастический предиктор длительности. Благодаря последнему одинаковый текст может звучать с разным ритмом; генерация недетерминирована, поэтому для повторяемого результата требуется фиксировать seed. Модель предназначена для озвучивания текста на нандэ. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-quw — модель синтеза речи на языке Quichua, Tena Lowland (quw), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Для каждого языка MMS-TTS обучается отдельный чекпойнт. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. VITS объединяет вариационный автоэнкодер, поточные слои, Transformer-энкодер текста, стохастический предиктор длительности и декодер на основе свёрточных слоёв в стиле HiFi-GAN. Из-за стохастической генерации результат может меняться между запусками; фиксированный seed позволяет воспроизводить одну и ту же аудиоволну. Модель доступна через Transformers версии 4.33 и новее. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но запрещающая коммерческое применение.

facebook/mms-tts-qvw — модель синтеза речи на языке кечуа, диалект Уайлья-Уанка, из проекта Massively Multilingual Speech компании Meta (Facebook). Она преобразует входной текст в речевую волну и предназначена для озвучивания текста на этом языке. Для каждого языка в MMS-TTS используется отдельный чекпойнт. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, потоковый модуль, текстовый энкодер на основе Transformer, стохастический предсказатель длительности и декодер в стиле HiFi-GAN. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; для работы с ним подходит Transformers версии 4.33 и новее. Предсказатель длительности делает синтез недетерминированным: для повторного получения той же речевой волны требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-qxl — модель синтеза речи на языке Quichua, Salasaca Highland (qxl), созданная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Для каждого языка проекта обучается отдельный чекпойнт. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, flow-модуль, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN. В метаданных указаны 3,5 млн параметров; модель доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers версии 4.33 и новее. Предиктор длительности стохастический, поэтому один и тот же текст может звучать по-разному; для воспроизводимого результата требуется фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и запрещает коммерческое применение.

facebook/mms-tts-rah — модель синтеза речи на языке рабха, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую волну и предназначена для озвучивания текста на рабха. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, flow-based модуль, текстовый энкодер на основе Transformer и декодер, близкий по устройству к HiFi-GAN. Размер модели — 3,5 млн параметров; она доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Для одного и того же текста модель может генерировать речь с различным ритмом; из-за стохастического предсказателя длительности генерация недетерминирована, поэтому для повторяемого результата нужен фиксированный seed. Модель рассчитана на язык рабха, а не на многоязычный синтез в рамках одного чекпойнта. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-ril — модель синтеза речи на языке Riang Lang (ril), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на этом языке в речевую аудиоволну; для каждого языка MMS использует отдельный чекпойнт. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. Это сквозная система синтеза речи со стохастическим предсказателем длительности, который позволяет получать разные ритмические варианты произнесения одного текста. Модель доступна через Transformers версии 4.33 и новее; для воспроизводимого результата требуется фиксировать seed. Модель предназначена для синтеза речи на Riang Lang. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

facebook/mms-tts-seh — модель синтеза речи для языка Sena (seh) из проекта Massively Multilingual Speech, разработанного Facebook. Это отдельный языковой чекпойнт семейства VITS: модель принимает текст и генерирует речевую аудиоволну. Архитектура VITS объединяет вариационный автоэнкодер, Transformer-кодировщик текста, flow-модуль, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN; число параметров — 3,5 млн. Модель предназначена для озвучивания текста на Sena. Стохастический предиктор длительности позволяет получать варианты ритма для одного текста, поэтому генерация недетерминирована: для повторяемого результата нужен фиксированный seed. Чекпойнт доступен через Transformers версии 4.33 и новее и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-shp — модель синтеза речи для языка шипибо-конибо, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на шипибо-конибо в речевую аудиоволну и предназначена для озвучивания текстов и создания речевых интерфейсов на этом языке. Модель построена на архитектуре VITS и обучается отдельно для каждого языка в проекте MMS. Вариативный предиктор длительности позволяет синтезировать разные ритмы речи для одного текста, поэтому результат может меняться между запусками; фиксированный seed позволяет повторить генерацию. В метаданных указано 3,5 млн параметров. Модель доступна через Transformers версии 4.33 и новее и распространяется по лицензии CC BY-NC 4.0, предусматривающей некоммерческое использование.

facebook/mms-tts-sna — модель синтеза речи на языке шона, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на шона в речевую аудиоволну и подходит для озвучивания текстов и создания синтетической речи для приложений на этом языке. Модель построена на архитектуре VITS: это сквозная система с вариационным автоэнкодером, потоковым модулем, декодером формы сигнала и стохастическим предиктором длительности, который позволяет варьировать ритм произношения. Для каждого языка MMS-TTS обучается отдельный чекпойнт; этот содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors. Использование поддерживается библиотекой Transformers начиная с версии 4.33. Генерация недетерминирована: чтобы получить тот же аудиосигнал повторно, необходимо зафиксировать seed. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-sri — модель синтеза речи на сирийском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель создана на архитектуре VITS, обучена отдельно для сирийского языка и содержит около 3,5 млн параметров. VITS объединяет текстовый энкодер на базе Transformer, вариационный автоэнкодер, модуль предсказания длительности и декодер HiFi-GAN-подобного типа. Стохастическое предсказание длительности позволяет получать разные ритмические варианты произношения одного текста; поэтому результат может меняться между запусками, и для повторяемого синтеза нужен фиксированный seed. Модель доступна через библиотеку Transformers версии 4.33 и выше. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-thk — модель синтеза речи на языке китхарака (thk), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текста на китхарака. Это отдельный чекпойнт VITS, обученный для одного языка; архитектура объединяет вариационный автоэнкодер, потоковый модуль с текстовым энкодером на основе Transformer, стохастический предиктор длительности и декодер, подобный HiFi-GAN. В репозитории указано 3,5 млн параметров; модель доступна в форматах PyTorch и safetensors и используется через Transformers версии 4.33 и новее. Стохастический предиктор может давать разные варианты ритма, поэтому для воспроизводимого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.

facebook/mms-tts-tik — модель синтеза речи на языке тикар, разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт семейства VITS с 3,5 млн параметров: модель принимает текст и генерирует речевую аудиоволну. Архитектура VITS объединяет вариационный автоэнкодер, Transformer-энкодер текста, нормализующие потоки и декодер на основе свёрточных слоёв; стохастический предиктор длительности позволяет варьировать ритм произношения. Модель предназначена для синтеза речи на тикаре, например для озвучивания текста и создания речевого вывода в приложениях. Она доступна через Transformers версии 4.33 и выше. Генерация недетерминирована, поэтому для повторения результата требуется фиксированное начальное значение генератора. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-tpm — модель синтеза речи на тампульма (tpm), выпущенная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на тампульма в речевой сигнал и предназначена для озвучивания текстов и создания синтетической речи для этого языка. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный чекпойнт для одного языка из семейства MMS-TTS; модель работает сквозным образом, предсказывая речевую волну из последовательности текста. Случайный предиктор длительности делает генерацию недетерминированной, поэтому для повторяемого результата требуется фиксированное начальное значение. Для работы доступна через библиотеку Transformers версии 4.33 и выше. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-zar — модель синтеза речи на языке сапотек, вариант Ринкон (код zar), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и предназначена для озвучивания текста и создания речевых интерфейсов. Модель использует архитектуру VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт проекта MMS-TTS; для синтеза применяются стохастический предиктор длительности и декодер, основанный на HiFi-GAN. Из-за стохастической генерации для повторяемого результата требуется фиксировать seed. Для работы доступна библиотека Transformers версии 4.33 и новее. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка описывает поддержку сапотекского языка Ринкон; качество и возможности для других языков не заявлены.