I.15Доступность и ассистивные технологии

facebook/mms-tts-ruf — модель синтеза речи на языке лугуру (код ruf) из проекта Massively Multilingual Speech компании Facebook. Она преобразует текст на лугуру в речевую аудиоволну и предназначена для озвучивания текста и создания голосовых сообщений на этом языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный чекпойнт для одного языка, доступный для использования через библиотеку Transformers. Стохастический предсказатель длительности позволяет варьировать ритм речи; для повторяемого результата при генерации требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства на условиях, запрещающих коммерческое применение.

facebook/mms-tts-som — модель синтеза речи на сомалийском языке из проекта Massively Multilingual Speech компании Facebook. 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, построенный по принципу HiFi-GAN. Модель преобразует входной текст в речевую аудиоволну и может варьировать ритм произношения; из-за стохастического предиктора одинаковый результат требует фиксированного seed. Чекпойнт содержит 3,5 млн параметров и доступен для использования через Transformers версии 4.33 и новее. Он предназначен для генерации речи на сомалийском языке, а не для синтеза на других языках. Лицензия CC BY-NC 4.0 требует атрибуции и ограничивает коммерческое использование.

facebook/mms-tts-stn — модель синтеза речи на языке Owa (stn), созданная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует текст на Owa в речевую аудиоволну и предназначена для озвучивания текста в приложениях и сервисах, которым нужна речь на этом языке. Модель использует архитектуру VITS: это сквозная система на основе условного вариационного автоэнкодера с текстовым энкодером, потоковым модулем, декодером и стохастическим предсказателем длительности. Для MMS обучается отдельный чекпойнт на каждый язык. В метаданных указаны 3,5 млн параметров и поддержка Transformers; модель распространяется в форматах PyTorch и Safetensors. Генерация зависит от случайного предсказания длительности, поэтому для повторяемого результата требуется фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-tbz — модель синтеза речи на языке дитаммари (tbz), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует текст на дитаммари в речевую аудиоволну и предназначена для озвучивания текста и создания речи для приложений на этом языке. Модель использует архитектуру VITS: это сквозная система синтеза речи с вариационным автоэнкодером, потоковым модулем и декодером на основе HiFi-GAN. Размер модели — 3,5 млн параметров. Для каждого языка MMS обучается отдельная модель; эта контрольная точка предназначена для дитаммари. Из-за стохастического предсказания длительности результат может различаться между запусками; фиксированный seed позволяет воспроизводить тот же аудиосигнал. Модель распространяется в форматах PyTorch и Safetensors и доступна через Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-ter — модель синтеза речи на языке терена (Terêna, ter), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на терена в речевую аудиоволну и подходит для озвучивания фраз и создания речевого вывода для приложений на этом языке. Модель построена на архитектуре VITS и обучена сквозным образом; для каждого языка проекта MMS выпускается отдельный чекпойнт. Вариативный предиктор длительности позволяет синтезировать разные ритмические варианты одной фразы, поэтому результат может меняться между запусками. Размер модели — 3,5 млн параметров; доступны веса PyTorch и SafeTensors, а для использования подходит библиотека Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-tfr — модель синтеза речи на языке терибе, выпущенная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на терибе в речевую аудиоволну и предназначена для озвучивания текста и создания речевых интерфейсов на этом языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, потоковый модуль, декодер, построенный по принципу HiFi-GAN, и стохастический предсказатель длительности. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; для работы с ним подходит Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески. Генерация недетерминирована: для повторяемого результата нужно фиксировать seed. Модель обучена для терибе, поэтому её не следует считать универсальной многоязычной системой синтеза речи.

facebook/mms-tts-thl — модель синтеза речи на языке тхару, диалект дангаура (код thl), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и подходит для озвучивания текстов и создания речевых интерфейсов на языке тхару. Модель использует архитектуру VITS и обучена как отдельный языковой чекпойнт MMS-TTS. Её размер — 3,6 млн параметров; модель доступна для Transformers версии 4.33 и новее в форматах PyTorch и Safetensors. Стохастический предиктор длительности позволяет получать варианты ритма речи, поэтому для повторяемого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Модель предназначена для синтеза речи на тхару-дангаура; качество для других языков не заявлено.

facebook/mms-tts-tih — модель синтеза речи для языка мурут, тимугон (код tih), 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 каждого языка MMS-TTS обучается отдельный чекпойнт. Модель использует архитектуру VITS: текстовый энкодер, вариационный автоэнкодер, flow-модуль, предсказатель длительности и декодер на основе HiFi-GAN. Размер — 3,5 млн параметров. Генерация стохастическая: для воспроизводимого результата требуется фиксированное начальное значение генератора случайных чисел. Модель доступна через Transformers версии 4.33 и выше. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Модель abeeranajam31 предназначена для синтеза речи на урду: она преобразует текст на урду, записанный арабским письмом, в аудио. Это дообученная версия facebook/mms-tts-urd-script_arabic на датасете codewithdark/urdu-tts. Модель использует архитектуру VITS и доступна для работы через Transformers; размер составляет 3,6 млн параметров. Модель подходит для генерации речи из Unicode-текста на урду, в том числе при локальном или серверном инференсе. Качество и произношение зависят от обучающих данных; модель не оценивалась количественно и не проверялась на справедливость для региональных акцентов и диалектов. Она не предназначена для Roman Urdu, других языков, клонирования голоса или идентификации говорящего. Лицензия в предоставленных данных не указана.

Это модель синтеза речи на языке макуа (Makhuwa, код vmw), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания фраз и создания речевых интерфейсов на этом языке. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный контрольный набор для одного языка; модель доступна через библиотеку Transformers версии 4.33 и выше. Стохастический предиктор длительности позволяет варьировать ритм речи, поэтому для повторяемого результата при генерации требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-yor — модель синтеза речи на йоруба из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует входной текст на йоруба в речевую аудиоволну и предназначена для создания озвучивания на этом языке. Модель использует архитектуру VITS и обучена отдельно для йоруба. Это сквозная система синтеза речи с вероятностным предсказателем длительности, благодаря которому один текст может озвучиваться с разным ритмом. Размер модели — 3,5 млн параметров; доступны веса PyTorch и Safetensors. Для использования требуется Transformers версии 4.33 или новее. Генерация недетерминирована: для повторения того же результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

MobileVLM-1.7B — мультимодальная модель зрения и языка, разработанная авторами семейства MobileVLM для запуска на мобильных устройствах. Модель построена на MobileLLaMA-1.4B-Chat с визуальным энкодером, предварительно обученным в стиле CLIP, и эффективным проектором для связи изображений с языковой частью. В метаданных указаны архитектура MobileLlamaForCausalLM, 1,3 млрд параметров, контекст 2048 токенов и формат PyTorch. Модель предназначена для диалога по изображениям и других сценариев визуально-языкового понимания с развёртыванием на устройствах с ограниченными ресурсами. В README сообщается о сопоставимой с рядом более крупных моделей производительности на типичных VLM-бенчмарках и приводятся результаты измерения скорости на Snapdragon 888 и NVIDIA Jetson Orin. Лицензия — Apache-2.0. README не перечисляет поддерживаемые языки и не приводит подробностей о наборах данных или ограничениях качества; поэтому эти характеристики нельзя уточнить по доступным сведениям.

Muse-Glimmer-30B-4bit — мультимодальная модель для обработки изображений и текста, преобразованная сообще­ством mlx-community в формат MLX из базовой модели meta-models/Muse-Glimmer-30B. Она предназначена для сценариев image-text-to-text, в частности для ответов на вопросы об изображениях и их описания по текстовому запросу. Модель имеет размер 30B параметров и использует 4-битное квантование, что снижает требования к памяти по сравнению с полноразмерным вариантом. Конкретные архитектура, поддерживаемые языки и размер контекста в предоставленных данных не указаны. Модель рассчитана на использование через библиотеку mlx-vlm; сведения о возможных ограничениях производительности и качества отсутствуют. Лицензия — Apache-2.0.

Muse-Glimmer-30B-int4-ov — мультимодальная модель Meta Superintelligence Lab, представленная в формате OpenVINO IR с весами, сжатыми до INT4 с помощью NNCF. В основе — плотный причинный трансформер с отдельным энкодером восприятия; модель принимает текст и изображения и генерирует текст. Видео можно обрабатывать как последовательность отдельных кадров. Модель предназначена для диалогов и анализа изображений, а также для сценариев, поддерживаемых исходной Muse-Glimmer-30B. Для запуска нужны OpenVINO 2026.3.1 или новее, Transformers 5.15 и версия Optimum Intel с поддержкой Muse Glimmer. Совместимость пока экспериментальная и требует версий разработки Optimum Intel и OpenVINO. Квантизация INT4 может немного снизить качество по сравнению с BF16. Ответы могут быть неточными, предвзятыми или нежелательными; видео не было основной целью оптимизации исходной модели. Модель распространяется по лицензии Apache 2.0.

Мультимодальная модель для преобразования изображений и текстовых запросов в текстовый ответ. Модель опубликована на Hugging Face в репозитории Monad-dz/OCRCS-qwen3vl-2b-merged; в метаданных она связана с семейством Qwen3-VL и библиотекой Transformers. Размер 2B заявлен в идентификаторе модели, однако подробные сведения об архитектуре, обучении и разработчике в карточке отсутствуют. Модель предназначена для сценариев image-text-to-text: анализа изображений по текстовым инструкциям, визуального вопросно-ответного взаимодействия и генерации текстовых описаний. README не содержит подтверждённых сведений о поддерживаемых языках, лицензии, длине контекста, результатах оценки или специализированных возможностях OCR, поэтому применять модель в критически важных задачах следует с дополнительной проверкой ответов.

thisisiron/Ovis2-2B-hf — мультимодальная модель семейства Ovis2, опубликованная пользователем thisisiron на Hugging Face; карточка репозитория автоматически создана и не называет разработчика, поэтому модель описана по принадлежности к семейству Ovis2 от AIDC-AI. Это компактная модель для диалога по изображениям и текстовым инструкциям: принимает изображение и текст, генерирует текстовые ответы, например описания изображения и ответы на вопросы о его содержимом. Архитектура — Ovis2ForConditionalGeneration с языковой частью на базе Qwen2; репозиторий содержит веса в safetensors и поддерживает Transformers. Для семейства Ovis2 разработчик указывает улучшения в визуально-текстовом выравнивании, обучающих данных и методах обучения, а также усиленное рассуждение. В карточке конкретного репозитория не подтверждены число параметров, длина контекста и языки; лицензия также не приведена. Официальный репозиторий Ovis2-2B указывает английский и китайский языки и лицензию Apache-2.0, но эти сведения нельзя уверенно переносить на перезалив thisisiron без отдельного подтверждения. Как и другие модели, отвечающие на вопросы по изображениям, модель может ошибаться в интерпретации визуального содержимого.

PaliGemma-3B-Chat-v0.1 — мультимодальная модель BUAADreamer, дообученная на базе google/paligemma-3b-mix-448 для диалоговых ответов по изображениям. Она принимает изображение вместе с текстовым запросом и генерирует текст; поддерживает многошаговый диалог. Модель построена на архитектуре PaliGemma и содержит 3 млрд параметров; опубликована в формате safetensors для использования с Transformers. В карточке указаны английский и китайский языки, а среди данных для дообучения — BUAADreamer/llava-en-zh-2k. Лицензия — Gemma, условия которой следует учитывать при использовании. В README указана более новая версия PaliGemma-3B-Chat-v0.2.

PaliGemma-3B-Chat-v0.2 — мультимодальная модель BUAADreamer, дообученная на основе google/paligemma-3b-mix-448 для многоходового диалога с изображениями. Она принимает изображение и текстовый запрос и генерирует текстовый ответ; подходит для вопросов об изображениях и диалоговых сценариев компьютерного зрения. По карточке, модель оценивалась на MMMU_Val и CMMMU_Val; в метаданных указаны архитектура PaliGemmaForConditionalGeneration, библиотека Transformers и формат safetensors. В качестве обучающего набора указан BUAADreamer/llava-en-zh-300k. Метаданные перечисляют английский и китайский языки. Лицензия — Gemma; применимость зависит от условий этой лицензии.

POINTS-Qwen-2.5-7B-Chat — чат-модель для работы с изображениями и текстом, разработанная командой WeChat AI. Она объединяет языковую модель Qwen2.5-7B-Instruct и визуальный энкодер CLIP ViT-L/14 с разрешением 336 пикселей; архитектура репозитория обозначена как POINTSChatModel. Модель предназначена для диалогов по изображениям, визуальных вопросов и ответов, а также генерации текста по текстовому запросу. В карточке описаны слияние моделей, динамическая обработка изображений высокого разрешения, фильтрация данных предобучения по perplexity и объединение дообученных моделей методом model soup. Для POINTS приведены результаты на MMBench-dev-en, MathVista и HallucinationBench; например, указаны оценки 83,2, 63,1 и 46,0 соответственно. Метаданные отмечают поддержку английского языка, чат-возможности и интерфейс вызова инструментов. Модель распространяется по лицензии Apache-2.0.

poto-tts-kokoro-gh — это пакет синтеза речи от сообщества GhanaNLP, основанный на Kokoro и предназначенный для чтения английского текста с корректным произношением ганских имён, географических названий и заимствований. В словарь espeak-ng добавлены 44 321 произношение; текст подаётся модели без изменений, а слова вне словаря произносятся по британским правилам английского языка. Доступны восемь британских голосов, аудио выдаётся в формате 24 кГц, моно. Репозиторий содержит модель ONNX для запуска через sherpa-onnx, в том числе офлайн и в приложениях для Android, iOS, WebAssembly и C++. Это не модель с ганским акцентом: меняется произношение ганских слов, но не акцент голосов. В проверке на выборке из 400 слов модель правильно произнесла 98,5% ганских слов по словарю; стандартный Kokoro — 2,8%. Метаданные указывают лицензию Apache-2.0, а README отдельно сообщает, что веса Kokoro доступны по Apache-2.0. Для развёртывания с espeak-ng-data действует GPL-3.0; произношения основаны на ghana-english-g2p с лицензией MIT.

QVQ-72B-Preview-4bit — конвертированная в формат MLX версия Qwen/QVQ-72B-Preview, подготовленная сообществом mlx-community с помощью mlx-vlm 0.1.6. Она предназначена для диалогового анализа изображений и ответов на вопросы по их содержимому. Репозиторий указывает 71,5 млрд параметров, архитектуру Qwen2-VL и контекст до 128 000 токенов; поддерживается работа с изображениями и текстом. Модель основана на Qwen/Qwen2-VL-72B и связана с ней как дообученная модель. В карточке Hugging Face указана лицензия other, поэтому перед использованием следует проверить условия исходной модели. README описывает преобразование в MLX, но сведения о конкретном наборе данных или подробной оценке качества не приводит.

Qwen2.5-VL-32B-CVRR — мультимодальная модель на основе Qwen/Qwen2.5-VL-32B-Instruct, разработанная авторами работы «Reason Through the Latent! Making Latent Visual Reasoning Necessary». Она реализует метод Causal Visual Recurrent Reasoning (CVRR): рекуррентно уточняет представление вопроса с опорой на визуальные данные, а при генерации ответа использует полученное состояние рассуждения как интерфейс к визуальной информации. Модель предназначена для ответов на вопросы по изображениям и другим визуальным входам; архитектура плотная, размер базовой модели — 32 млрд параметров. Веса поставляются в формате Safetensors, а инференс выполняется специальным загрузчиком Transformers. Подходит для визуального анализа и задач, где важно, чтобы ответ опирался на состояние латентного визуального рассуждения. Модель принимает текст и изображения и генерирует текстовые ответы. README указывает параметры по умолчанию T=4 и beta=0.5, а также предупреждает, что результаты исторической оценки при beta=0.33 не подтверждены для этого объединённого пакета. Для запуска требуется отдельная копия модели на каждом GPU; автоматическое разбиение на GPU и прямая загрузка через vLLM или SGLang не поддерживаются. Лицензия — Apache-2.0.

Карточка модели Barth371/Qwen2.5-VL-72B-Instruct-bnb-4bit-2025-10-07_13-35_batch_size_4_no_wrong_doc_4b на Hugging Face совпадает с карточкой Barth371/Qwen2.5-VL-72B-Instruct-bnb-4bit-2025-10-07_12-21_4b, поэтому описание составлено по ней. Модель Barth371/Qwen2.5-VL-72B-Instruct-bnb-4bit-2025-10-07_12-21_4b — дообученная Barth371 мультимодальная модель семейства Qwen2.5-VL для обработки изображений и текста. Она предназначена для диалога с визуальным вводом: принимает текстовые запросы и изображения, а в ответ генерирует текст. Модель построена на плотной архитектуре Qwen2.5-VL и содержит 71,5 млрд параметров. Максимальная длина контекста — 128 000 токенов; репозиторий содержит веса safetensors. Базовая модель — unsloth/qwen2.5-vl-72b-instruct-bnb-4bit; обучение выполнено с использованием Unsloth и библиотеки TRL. Лицензия — Apache-2.0. Карточка не описывает специализацию дообучения, поэтому подтверждённые сценарии ограничиваются общим диалогом по изображениям и тексту. В метаданных указан английский язык; другие языки отдельно не заявлены. Конкретные ограничения качества и безопасности не приведены.

EZCon выпустил конверсию модели huihui-ai/Qwen2-VL-2B-Instruct-abliterated в формат MLX с помощью mlx-vlm 0.6.17. Это диалоговая визуально-языковая модель семейства Qwen2-VL с плотной архитектурой Qwen2VLForConditionalGeneration и 1,5 млрд параметров. Она принимает текст и изображения и формирует текстовые ответы; заявленная длина контекста — 32 768 токенов. Подходит для вопросов по изображениям и диалога с визуальным контекстом. В метаданных отмечены английский язык, чат и vision; тег abliterated указывает на ослабление ограничений безопасности. Репозиторий содержит веса safetensors для MLX. Лицензия — Apache-2.0.

mlx-community/Qwen3.5-2B-6bit — модель, преобразованная в формат MLX из Qwen/Qwen3.5-2B с использованием mlx-vlm версии 0.3.12. Разработчиком исходной модели является Qwen; конкретные сведения о команде или организации-разработчике в предоставленной карточке не уточняются. Модель предназначена для мультимодальных задач, связанных с обработкой изображений и текста, включая генерацию текстового описания изображения. Она совместима с библиотекой mlx-vlm и ориентирована на запуск в экосистеме MLX. В карточке указано, что это 6-битная версия модели объёмом 2B параметров, однако архитектура, поддерживаемые языки, размер контекста и полный перечень возможностей не описаны. Сильной стороной модели является адаптация к формату MLX и поддержка сценариев image-text-to-text. Ограничения по качеству, производительности, используемым модальностям и применению в конкретных языках из предоставленных данных определить нельзя. Модель распространяется по лицензии Apache-2.0.

Это вариант Qwen3.5-4B, подготовленный AXERA-TECH для работы на нейропроцессорах Axera AX650. Модель поддерживает обработку изображений и текста; в README приведены показатели для входных изображений размером 384×384, а также обработки до восьми изображений в сценарии видео. Указана квантизация w4a16 и совместимость с Pulsar2 версии 5.0. Модель предназначена для запуска на платах AX650, включая AX650N DEMO Board, M4N-Dock и ускоритель M.2. Её можно использовать для диалога с визуальными данными и анализа изображений или последовательности кадров. README также описывает запуск через axllm и OpenAI-совместимый сервис. В метаданных основной задачей указана image-text-to-text; языки карточки — английский и китайский. Репозиторий помечен лицензией MIT. Указанные в README скорости и задержки относятся к AX650 и описанным тестовым конфигурациям; для работы требуется выделить более 4,91 ГиБ памяти CMM.

Это исправленная Transformers-совместимая копия чекпойнта Qwen3.5-9B Ultra Uncensored Heretic от armand0e. В репозитории указано, что исправлены имена тензоров в заголовках safetensors: исходные тензорные данные сохранены побайтно. По метаданным модель использует плотную архитектуру Qwen3.5 с классом Qwen3_5ForConditionalGeneration, поддерживает чат и изображения и предназначена для сценариев image-text-to-text. Это производная от llmfan46/Qwen3.5-9B-ultra-uncensored-heretic модель; её лицензия — Apache-2.0. Карточка описывает исправление совместимости и не приводит отдельной оценки качества или подробного перечня ограничений.

Это вариант Qwen3.8-23B-Mini-Me, преобразованный в формат GGUF для запуска через llama.cpp. В README указано, что исходные веса взяты из StargazerLabs/Qwen3.8-23B-Mini-Me-bf16; метаданные относят модель к семейству Qwen3.8 и отмечают возможность работы с изображениями. Репозиторий создан 20 августа 2026 года, лицензия — Apache-2.0. Модель предназначена для задач «изображение—текст»: она принимает изображения и текстовые запросы и формирует текстовые ответы. GGUF позволяет использовать её через llama.cpp; карточка не приводит дополнительных сведений о контекстном окне, языках или результатах оценки качества.

mlx-community/Qwen3.8-27B-mxfp8 — мультимодальная модель, преобразованная в формат MLX сообществом mlx-community на основе Qwen/Qwen3.8-27B. Конвертация выполнена с использованием mlx-vlm версии 0.6.8. Модель предназначена для задач понимания изображений и генерации текста по визуальным входным данным, включая описание изображений, и рассчитана на запуск в экосистеме MLX. В карточке указано обозначение размера 27B, однако подробности об архитектуре, поддерживаемых языках, длине контекста, точных модальностях и характеристиках исходной модели не приведены. Ключевой особенностью является представление mxfp8 и совместимость с инструментами mlx-vlm. Ограничения и результаты тестирования в README не описаны, поэтому оценить сильные стороны модели по сравнению с альтернативами невозможно. Модель распространяется по лицензии Apache-2.0. Для полной информации о возможностях и ограничениях рекомендуется обратиться к карточке исходной модели Qwen/Qwen3.8-27B.

Qwen3-TTS-12Hz-0.6B-Base — речевая языковая модель для синтеза речи, конвертированная сообществом LiteRT в формат TensorFlow Lite (.tflite) для полностью локального выполнения на устройствах. Модель предназначена для преобразования текста в речь с поддержкой клонирования голоса по аудиозаписи длительностью около 3 секунд. Поддерживаются английский, китайский, японский, корейский, немецкий, французский, испанский, итальянский, португальский и русский языки; выходной звук имеет частоту дискретизации 24 кГц. Архитектура включает talker на базе Qwen3 с 28 слоями, генерирующий аудиокодеки с частотой 12,5 Гц, отдельный MTP-трансформер для 15 остаточных кодовых книг и нейрокодек-декодер. В поставку входят варианты talker с int4 и fp32, MTP с fp32 или динамическим int8, а также оптимизированные графы декодера. Полная модель с настройкой int4 занимает около 1,4 ГБ, отдельные файлы имеют размер от сотен мегабайт до 1,8 ГБ. Для работы используется хост-цикл, управляющий тремя LiteRT-графами, поскольку стандартный цикл генерации LiteRT-LM пока не поддерживает такую структуру. Сильные стороны модели — локальное выполнение без облачных сервисов, подтверждённое соответствие графов исходной реализации PyTorch и ускоренные варианты для Android и CPU/XNNPACK. Ограничения включают значительный объём файлов, необходимость интеграции нескольких графов и относительно невысокую скорость на некоторых устройствах: в приведённых тестах ускоренный вариант достигал RTF около 2,06 на Pixel 8a, то есть медленнее реального времени. Модель распространяется по лицензии Apache-2.0.