I.15Доступность и ассистивные технологии

mlx-community/gemma-4-E2B-it-qat-4bit — мультимодальная модель для понимания изображений и генерации текста, опубликованная сообществом mlx-community. Она предназначена для сценариев image-text-to-text, например для описания изображений и ответов на текстовые запросы по визуальному содержимому. Модель доступна в формате MLX и рассчитана на запуск через библиотеку mlx-vlm. В названии указаны размер E2B, инструкция-настроенная версия it и 4-битное QAT-квантование, однако README не раскрывает точную архитектуру, размер контекста, полный перечень поддерживаемых языков или другие параметры. В метаданных указан английский язык. Ключевые преимущества модели — поддержка визуально-текстовых запросов и 4-битное квантование, потенциально снижающее требования к памяти при запуске в экосистеме MLX. Ограничения и качество на конкретных задачах в README не описаны. Лицензия также не указана, поэтому условия использования по представленным данным определить нельзя.

Gepard Slovenian TTS — модель MediaAtlas для синтеза словенской речи. Это LoRA-дообучение nineninesix/gepard-1.0: авторегрессионной модели на архитектуре Qwen3.5, которая генерирует аудиотокены NVIDIA NanoCodec. В репозитории указано около 555 млн параметров у базовой модели, а метаданные для этой LoRA-модели указывают 445,1 млн параметров. Модель предназначена для озвучивания словенского текста; перед текстом требуется языковой префикс «sl: ». Она обучена на корпусе ARTUR с 80 тысячами записей примерно 1348 дикторов. Выходной звук — 22,05 кГц. Модель корректно произносит словенские č, š и ž, а интонация может слегка меняться в зависимости от содержания и пунктуации. Качество пока не высшего уровня: возможны ошибки произношения, нестабильный темп и зависимость результата от параметров генерации. Лучше всего модель работает с короткими нейтральными фразами; явного управления эмоциями нет. Для использования нужны среда gepard-inference и декодер NeMo NanoCodec. Лицензия — Apache-2.0.

GIT-large-VQAv2 — модель семейства GenerativeImage2Text, разработанная Microsoft и дообученная на наборе VQAv2 для визуальных вопросов и ответов. Это плотный Transformer-декодер с классом GitForCausalLM: он обрабатывает токены изображения, полученные из CLIP, вместе с текстовыми токенами и генерирует ответ по изображению и вопросу. Размер модели — 80,1 млн параметров; нативная длина контекста — 1024 токена. Модель предназначена прежде всего для ответов на вопросы об изображениях. Архитектура GIT также применима к описанию изображений и видео, визуальным вопросам о видео и классификации изображений через генерацию текстовой метки, но этот вариант настроен именно на VQAv2. В описании обучения для GIT-large указаны 20 млн пар «изображение — текст» перед дообучением на VQAv2. Модель принимает изображение и текстовый вопрос, выдаёт текстовый ответ; в метаданных указан английский язык. Репозиторий содержит веса PyTorch и safetensors. Лицензия — MIT. Карточка направляет к документации Transformers за примерами использования и не приводит конкретных оценок качества.

HoVLE — монолитная vision-language модель от OpenGVLab на 2,6 млрд параметров, построенная на базе InternLM2-Chat-1.8B. Она принимает изображения и текст, а затем формирует текстовые ответы; модель предназначена для диалога по изображениям и других задач понимания визуального содержимого. Архитектура объединяет модуль целостных эмбеддингов на слоях causal Transformer и языковую модель. Модуль проецирует изображения и текст в общее пространство представлений, после чего LLM обрабатывает их авторегрессионно. Обучение включало дистилляцию визуальных признаков и выравнивание модальностей. Репозиторий содержит веса safetensors, для запуска предлагается Transformers. Лицензия — MIT. Модель рассчитана на мультиязычное применение. В README упомянута отдельная версия HoVLE (HD) для изображений высокого разрешения. Авторы предупреждают, что ответы могут содержать предвзятость, дискриминационные или иные вредоносные формулировки; результаты генерации требуют проверки.

superb/hubert-base-superb-ic — версия HuBERT, перенесённая из S3PRL для классификации намерений в речи в рамках бенчмарка SUPERB. Модель дообучена на базе hubert-base-ls960, предварительно обученной на речевых аудиозаписях с частотой 16 кГц; для входного аудио требуется такая же частота дискретизации. Размер модели — 113,3 млн параметров, формат весов — PyTorch. Модель присваивает высказываниям метки намерений: действие, объект и место. Она предназначена для распознавания намерений в устных командах и сценариев голосового управления. В тесте SUPERB на наборе Fluent Speech Commands указана точность 0,9834 для S3PRL; результат для Transformers не приведён. Карточка не описывает поддержку языков помимо английского. Модель распространяется по лицензии Apache-2.0.

Huihui-GLM-4.6V-Flash-abliterated — мультимодальная разговорная модель huihui-ai на архитектуре GLM-4V, созданная методом abliteration на основе zai-org/GLM-4.6V-Flash. Она принимает текст и изображения и генерирует текстовые ответы; заявлены сценарии общения с изображениями и визуального понимания. Обработка затронула только текстовую часть модели, а зрительная часть не изменялась. Модель подходит для диалога по изображениям и анализа визуальных данных. По сравнению с исходной версией у неё существенно снижены защитные отказы, поэтому она может выдавать чувствительные или неприемлемые ответы. Репозиторий распространяется по лицензии MIT.

Это GGUF-сборка модели Huihui-Qwen3.5-35B-A3B-abliterated, опубликованная noctrex. Она предназначена для локального диалога и анализа изображений; метаданные указывают поддержку vision и chat. Вариант использует MXFP4 для тензоров MoE, а остальные тензоры хранит в BF16, чтобы сохранить их исходную точность. Для запуска автор рекомендует актуальную версию llama.cpp; для файла mmproj рекомендуется вариант F32. В репозитории также доступны варианты BF16, F16 и F32 GGUF, причём автор указывает порядок качества F32, BF16, F16. Модель основана на Huihui-Qwen3.5-35B-A3B-abliterated — мультимодальной версии Qwen3.5 с ослабленными отказами. Она подходит для общения с изображениями и другими сценариями визуального анализа. Указанный формат оптимизирован для локального запуска, но на некоторых архитектурах BF16 может работать медленнее. Условия лицензии в предоставленных данных не описаны.

EZCon/Huihui-Qwen3-VL-4B-Instruct-abliterated-mlx — мультимодальная диалоговая модель на архитектуре Qwen3-VL с 4 млрд параметров, подготовленная для запуска в MLX. Репозиторий содержит конверсию модели huihui-ai/Huihui-Qwen3-VL-4B-Instruct-abliterated в формат MLX; по метаданным доступны чат и работа с изображениями по текстовым запросам. Модель предназначена для ответов на вопросы об изображениях и диалоговых сценариев с визуальным вводом. Вариант abliterated ослабляет отказы базовой модели. Она распространяется по лицензии Apache-2.0. README отсылает к исходной карточке за подробностями, поэтому дополнительные сведения о языках, контексте и ограничениях качества здесь не подтверждены.

mlx-community/InternVL3-1B-4bit — конверсия модели InternVL3-1B в формат MLX с 4-битным представлением весов, подготовленная сообществом mlx-community. Это мультимодальная чат-модель для диалога по тексту и изображениям; основная задача в метаданных — image-text-to-text, также указана генерация текста. Архитектура относится к семейству InternVL Chat. Модель предназначена для локального запуска через mlx-vlm на оборудовании Apple Silicon; размер исходной модели в идентификаторе — 1B, однако точное число параметров в предоставленных данных отсутствует. Поддержка языков обозначена как многоязычная, но конкретные языки и длина контекста не приведены. 4-битное представление снижает требования к памяти, но может уступать полной точности по качеству. README отсылает к карточке исходной модели за подробностями. Лицензия в метаданных обозначена как other.

MLX-версия мультимодальной модели LFM2.5-VL-450M, разработанной Liquid AI и преобразованной сообществом mlx-community из оригинальной модели LiquidAI/LFM2.5-VL-450M с использованием mlx-vlm 0.4.4. Модель предназначена для задач image-text-to-text, включая анализ и описание изображений по текстовому запросу, и ориентирована на запуск в экосистеме MLX. Модель содержит около 450 млн параметров и представлена в 6-битном формате квантования, что снижает требования к памяти по сравнению с полноразмерным вариантом. Заявлена поддержка английского, японского, корейского, французского, испанского, немецкого, арабского, китайского и португальского языков. README не содержит подробностей об архитектуре, размере контекстного окна, точных возможностях обработки изображений, производительности и ограничениях качества. Модель распространяется по лицензии lfm1.0; дополнительные условия следует уточнять в файле LICENSE оригинального проекта.

LiquidAI/LFM2.5-VL-450M-ONNX — ONNX-версия мультимодальной модели LFM2.5-VL-450M, разработанной Liquid AI. Она предназначена для кроссплатформенного инференса в сценариях обработки изображений и текста, включая ответы на вопросы по изображениям и другие задачи image-text-to-text. Поддерживаются языки английский, японский, корейский, французский, испанский, немецкий, итальянский, португальский, арабский и китайский. Модель состоит из vision encoder, токенизатора и языкового decoder и поставляется в формате ONNX для запуска через ONNX Runtime, в том числе с использованием WebGPU. Доступны варианты с FP16, Q4 и Q8; рекомендуемая конфигурация для большинства задач — энкодер FP16 и decoder Q4 размером около 770 МБ. Конфигурация FP16+FP16 занимает около 1 ГБ и ориентирована на более высокое качество на сервере, тогда как WebGPU поддерживает вариант с Q4 decoder, но не Q8. README не указывает размер контекстного окна и точные характеристики качества, поэтому эти параметры оценить нельзя. Сильные стороны модели — компактный размер, поддержка изображений и текста, кроссплатформенность и возможность выбирать баланс между качеством, размером и скоростью за счёт разных форматов квантования. Ограничения включают зависимость от совместимых ONNX Runtime-провайдеров и необходимость отдельно загружать компоненты модели и файлы данных. Модель распространяется по лицензии lfm1.0; в карточке также указана лицензия типа other.

AvoCahDoe/llava-1.5-13b-rlmpq-aggressive — производная мультимодальная чат-модель на архитектуре LLaVA 1.5, основанная на llava-hf/llava-1.5-13b-hf. Она принимает изображения и текстовые инструкции, чтобы отвечать на вопросы о содержимом изображений и описывать их. В репозитории представлены артефакты оценки варианта RL-MPQ Aggressive со средним уровнем 3,75 бита; метаданные указывают формат safetensors и библиотеку Transformers. В сравнении README вариант RL-MPQ Aggressive получил средний результат 56,22 на наборах MMMU, MMBench и ScienceQA против 56,78 у FP16-базовой модели и 56,16 у INT4-варианта. Это результаты указанного сравнения, а не гарантия качества на других данных. Лицензия в метаданных обозначена как other; условия использования следует проверять в карточке модели и лицензии базовой модели.

Onely7/llava-1.5-llm-jp-3.1-1.8b-instruct4 — японская визуально-языковая модель на архитектуре LLaVA 1.5, предназначенная для ответов на инструкции и вопросы по изображениям. Она принимает изображение и запрос на японском языке и формирует ответ на японском. Общий размер модели составляет около 2,18 млрд параметров: визуальный энкодер openai/clip-vit-large-patch14-336 связан с языковой моделью llm-jp/llm-jp-3.1-1.8b-instruct4 через двухслойный MLP-адаптер. Модель собрана из этих компонентов и обучена в два этапа: сначала на подписях к изображениям настраивался адаптер, затем на японских инструкциях обучались адаптер и LLM при замороженном визуальном энкодере. Модель подходит для визуальных вопросов и ответов, описания изображений и визуальных рассуждений. В карточке указаны контексты обучения до 2048 токенов на первом этапе и до 4096 на втором; это не гарантирует максимальную длину контекста при использовании. Разработчик подготовил модель для книги о мультимодальных моделях и ориентирует её на исследования и проверку. Лицензия — CC BY-NC-SA 4.0; для входящих в состав весов и данных также действуют условия их первоначальных лицензий.

BAJUKA/LLaVA-llama32-3b-VLfull-s42-s2a — мультимодальная модель семейства LLaVA-NeXT, созданная BAJUKA как этап S2a контролируемого сравнения режимов обучения vision-language моделей. Она дообучена на базе meta-llama/Llama-3.2-3B-Instruct: на этапе S2a обучалась генерации подписей к изображениям на смеси CAP-750K, включающей 700 тысяч примеров подписей и около 50 тысяч языковых примеров. Размер модели — 3,2 млрд параметров, архитектура плотная LlavaLlamaForCausalLM, заявленный контекст — 131 072 токена. Модель принимает изображения и текст и генерирует текстовые ответы, прежде всего описания изображений; также поддерживает диалоговый сценарий. Для работы нужны веса safetensors и класс LlavaLlamaForCausalLM из репозитория LLaVA-NeXT, который не входит в библиотеку transformers. Лицензия — Llama 3.2. Это исследовательский артефакт контролируемого эксперимента, не оптимизированный релиз и не модель с дополнительным выравниванием безопасности; опубликованный чекпойнт представляет завершённый этап обучения, а не отобранную лучшую версию.

LLaVA-v1-0719-336px-LoRA-merge-Vicuna-13B-v1.3 — мультимодальная чат-модель проекта LLaVA, основанная на архитектуре Transformer и дообученная на LLaMA/Vicuna с данными для следования мультимодальным инструкциям. Вариант с разрешением изображений 336 px содержит 12,9 млрд параметров и имеет контекст 2048 токенов. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Она предназначена для диалога об изображениях, их подробного описания и визуальных вопросов, включая задачи на рассуждение; карточка также описывает оценивание на ScienceQA. Разработчики позиционируют LLaVA для исследований мультимодальных моделей и чат-ботов, а также для использования исследователями и энтузиастами в компьютерном зрении и машинном обучении. Модель обучена на парах изображение–текст и мультимодальных инструкциях, сгенерированных GPT. В карточке не указана лицензия, поэтому условия использования по ней определить нельзя. Как исследовательский чат-чекпойнт, она может ошибаться при визуальном анализе и генерации ответов; приведённая оценка основана на небольшом наборе визуальных вопросов и ScienceQA.

MaTVLM_0_25_Mamba2 — компактная визуально-языковая модель из семейства TinyLLaVA, разработанная командой HustVL. Она заменяет часть слоёв Transformer-декодера предварительно обученной VLM слоями Mamba-2, инициализируя их весами соответствующих слоёв внимания, а затем использует дистилляцию от исходной VLM. Модель предназначена для диалоговых задач с изображениями и генерации ответов по визуальному содержимому. В README заявлены результаты, сопоставимые с моделью-учителем и существующими VLM, а также ускорение инференса до 3,6 раза и сокращение потребления GPU-памяти на 27,5% относительно учителя без потери качества. Файлы модели представлены в формате safetensors и рассчитаны на библиотеку Transformers. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки. Лицензия — MIT.

Карточка модели arkananta27/Ministral-3B-All-PAD-vllm на Hugging Face совпадает с карточкой arkananta27/Ministral-3B-All-PAD, поэтому описание составлено по ней. arkananta27/Ministral-3B-All-PAD — дообученная модель семейства Mistral3, разработанная arkananta27 на основе aitf-komdigi/KomdigiITS-3B-PAD-CPT. Она предназначена для диалоговых сценариев с изображениями и текстом: принимает мультимодальный ввод и формирует текстовый ответ. Модель имеет плотную архитектуру Mistral3ForConditionalGeneration; веса опубликованы в формате safetensors. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Репозиторий распространяется по лицензии Apache-2.0. В карточке не приведены оценки качества или подробности о поддерживаемых языках и ограничениях применения.

facebook/mms-tts-aca — модель синтеза речи на языке ачагуа (aca), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текстов на ачагуа. Для каждого языка MMS-TTS обучается отдельный чекпойнт. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, потоковый модуль и декодер, формирующий аудиосигнал. Чекпойнт содержит 3,5 млн параметров и распространяется в форматах PyTorch и safetensors. Для воспроизводимого результата требуется фиксировать seed, поскольку предсказатель длительности работает стохастически. Модель доступна через Transformers версии 4.33 и выше и лицензирована по CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-agd — модель синтеза речи на языке Agarabi (agd), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на Agarabi. Модель использует архитектуру VITS: текстовый энкодер, потоковый модуль и декодер на основе свёрточных слоёв. Чекпойнт содержит 3,5 млн параметров и распространяется в форматах PyTorch и safetensors. Для каждого языка MMS обучает отдельный чекпойнт; стохастический предиктор длительности позволяет получать варианты ритма речи, поэтому для повторения результата нужен фиксированный seed. Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией и ограничивает коммерческое применение. Модель рассчитана на Agarabi; качество синтеза может зависеть от текста и не охватывает другие языки.

facebook/mms-tts-bav — модель синтеза речи на языке Vengo (bav), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Это отдельный языковой чекпойнт семейства VITS: он принимает текст и генерирует речевую аудиоволну. Размер модели — 3,5 млн параметров; доступны веса PyTorch и Safetensors для использования через Transformers версии 4.33 и новее. Архитектура VITS объединяет текстовый энкодер, потоковый модуль, стохастический предиктор длительности и HiFi-GAN-подобный декодер, что позволяет синтезировать речь с различным ритмом. Генерация недетерминирована, поэтому для воспроизводимого результата требуется фиксированное случайное зерно. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-bgc — модель синтеза речи на языке харьянави (код bgc), созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на харьянави в речевую аудиоволну и подходит для озвучивания текста и создания речевых интерфейсов на этом языке. Модель построена на архитектуре VITS и обучена отдельно для харьянави. VITS объединяет вариационный автоэнкодер, flow-модуль и декодер, а стохастический предсказатель длительности позволяет получать разные ритмические варианты произношения одного текста. Веса доступны в форматах PyTorch и Safetensors; модель поддерживается библиотекой Transformers версии 4.33 и новее. Веса содержат 3,6 млн параметров. Генерация недетерминирована: для повторения результата нужно зафиксировать seed. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-bqp — модель синтеза речи на языке бисã (Bisã, код bqp), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на этом языке. Модель построена на архитектуре VITS и содержит 3,6 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; для воспроизводимого результата генерации требуется фиксированное случайное зерно. Модель доступна через библиотеку Transformers версии 4.33 и выше, веса представлены в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески. Модель предназначена для бисã, поэтому её не следует считать многоязычным синтезатором или применять для озвучивания текстов на других языках без подтверждения качества.

facebook/mms-tts-daa — модель синтеза речи на языке Dangaléat (код daa), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на Dangaléat в речевой аудиосигнал и предназначена для озвучивания текста и создания речевого вывода для приложений на этом языке. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт в семействе MMS-TTS; модель синтезирует речь сквозным образом, а стохастический предиктор длительности позволяет варьировать ритм произнесения. Для повторяемого результата при генерации требуется фиксировать seed. Модель доступна через Transformers версии 4.33 и новее и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-dip — модель синтеза речи на северо-восточном диалекте языка динка (Dinka, Northeastern, ISO 639-3: dip), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Это отдельный чекпойнт для одного языка, предназначенный для преобразования текстовой последовательности в речевую аудиоволну. Модель построена на архитектуре VITS и содержит текстовый энкодер на основе Transformer, flow-модуль, стохастический предиктор длительности и декодер, формирующий аудиоволну. В репозитории указаны 3,5 млн параметров; доступны веса PyTorch и Safetensors. Для одинакового результата генерации требуется фиксировать seed, поскольку предиктор длительности стохастический. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-dug — модель синтеза речи на языке Chiduruma (dug), созданная 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 MMS-TTS, доступный в Transformers; при генерации стохастический предиктор длительности может создавать разные варианты ритма, поэтому для повторяемого результата нужно фиксировать seed. Модель принимает текст и выдаёт аудио. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но некоммерческое. README не сообщает отдельные ограничения качества или длину контекста.

facebook/mms-tts-dzo — модель синтеза речи на дзонг-кэ (dzo), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует текст на дзонг-кэ в речевую аудиоволну и предназначена для озвучивания текста и создания речевых интерфейсов на этом языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, flow-модуль, декодер и стохастический предсказатель длительности, который позволяет получать разные ритмические варианты речи для одного текста. Это отдельный языковой чекпойнт проекта MMS; размер модели — 3,6 млн параметров. Доступны веса PyTorch и Safetensors, модель поддерживается библиотекой Transformers версии 4.33 и выше. Генерация недетерминирована: для повторения того же результата требуется фиксировать seed. Модель предназначена для синтеза речи на дзонг-кэ; лицензия CC BY-NC 4.0 допускает использование с указанием авторства и ограничивает коммерческое применение.

facebook/mms-tts-icr — модель синтеза речи для языка Islander English Creole, выпущенная Facebook 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 в MMS обучается отдельный чекпойнт. Модель построена на архитектуре VITS: это сквозная система синтеза речи с вариационным автоэнкодером, поточным модулем и декодером на основе HiFi-GAN. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; для работы используется библиотека Transformers версии 4.33 или новее. Генерация речи стохастическая, поэтому для повторения того же аудио требуется фиксированное начальное значение. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Это модель синтеза речи Ixil на варианте языка ixl-dialect_sangasparchajul, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на этом варианте Ixil в речевую аудиоволну и подходит для озвучивания текстов и создания речевых интерфейсов на языке, для которого мало доступно речевых технологий. Модель использует архитектуру VITS — сквозную систему синтеза на основе вариационного автоэнкодера, нормализующих потоков и декодера в стиле HiFi-GAN. Для одного и того же текста она может генерировать речь с разным ритмом; результат может меняться между запусками, поэтому для повторяемого вывода требуется фиксированное случайное зерно. Чекпойнт содержит 3,5 млн параметров, доступен в форматах PyTorch и Safetensors и поддерживается Transformers версии 4.33 и выше. Модель предназначена для синтеза речи на Ixil, а не для распознавания речи или перевода. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-kin — модель синтеза речи на киньяруанда, созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на киньяруанда. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров; для языков MMS используются отдельные контрольные точки. Доступна через библиотеку Transformers версии 4.33 и выше, веса представлены в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 допускает использование на условиях атрибуции и некоммерческого применения. VITS синтезирует речь сквозным образом: текстовый энкодер и flow-модуль формируют акустическое представление, а декодер строит волну; стохастический предсказатель длительности позволяет получать разные ритмические варианты одной фразы. Генерация недетерминирована, поэтому для повторяемого результата нужно фиксировать seed. Модель ориентирована на киньяруанда и не заявлена для других языков; сведения о длине контекста в предоставленных данных отсутствуют.

facebook/mms-tts-kjh — модель синтеза речи на хакасском языке из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания хакасских текстов. Модель использует архитектуру VITS и содержит около 3,5 млн параметров; для каждого языка MMS обучается отдельный чекпойнт. Стохастический предиктор длительности позволяет получать варианты произношения с разным ритмом, поэтому для повторяемого результата требуется фиксированное начальное значение генератора случайных чисел. Модель доступна через Transformers версии 4.33 и выше и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.