I.15Доступность и ассистивные технологии

kingabzpro/wav2vec2-urdu — модель распознавания речи на урду, разработанная дообучением чекпойнта Harveenchadha/vakyansh-wav2vec2-urdu-urm-60 на Common Voice. Это модель семейства wav2vec2 с архитектурой Wav2Vec2ForCTC; в её весах 113,3 млн параметров. Она принимает аудио и преобразует речь в текст на урду. Модель предназначена для автоматической транскрипции речи. В README приведены результаты оценки на небольшом наборе обучения и валидации объёмом 0,58 часа: WER 0,5747 и CER 0,3268. Высокие значения ошибок указывают на ограниченную точность; автор также упоминает более новую модель для урду. Модель распространяется по лицензии Apache-2.0.

Whisper Small Gujarati + Talpada — модель распознавания речи, дообученная автором princetunes на базе openai/whisper-small для транскрибации гуджаратской речи, включая региональный диалект Talpada. Модель содержит 153,1 млн параметров и сохранена в формате safetensors; в README указаны веса fp16 размером около 484 МБ. При обучении энкодер был заморожен, а часть декодера дообучалась на наборе shunyalabs/gujarati-speech-dataset. Модель предназначена для транскрибации коротких фраз и разговорной речи на гуджарати, особенно с диалектными словами. Обучающая выборка включала около 2 000 аудиофрагментов длительностью до 10 секунд; оценка проводилась на 30 примерах. Указанный WER 72,37% завышен из-за сравнения распознавания обрезанного 10-секундного аудио с полными транскриптами длиной до 25 секунд, поэтому он не отражает качество на равных условиях. Лицензия в предоставленных данных не указана.

DanielClough/Candle_llava-v1.6-mistral-7b — это GGUF-версия мультимодальной модели LLaVA-v1.6-Mistral-7B, опубликованная пользователем DanielClough на Hugging Face. Модель предназначена для исследовательских задач и создания чат-ботов, работающих с изображениями и текстом: она принимает изображение вместе с текстовым запросом и генерирует текстовый ответ, например описание содержимого изображения или ответ на визуальный вопрос. Модель основана на Mistral-7B-Instruct-v0.2 и использует авторегрессионную Transformer-архитектуру LLaVA с визуальным компонентом. В репозитории указано около 8 миллиардов параметров и представлены варианты GGUF с разной точностью квантования, включая 4-, 5-, 8- и 16-битные версии. Поддерживаемые модальности — изображение и текст на входе, текст на выходе. Точный контекстный размер и перечень поддерживаемых языков для этого репозитория не указаны. Сильные стороны модели — мультимодальный диалог, анализ изображений и возможность локального запуска в компактных квантованных форматах. Ограничения включают возможные ошибки интерпретации изображений, фактические неточности и зависимость качества от выбранной квантованной версии; модель предназначена прежде всего для исследований и экспериментов, а не для гарантированно точных решений в критически важных сценариях. В репозитории указана лицензия Apache-2.0.

pshun/dama-aibrain — дообученная pshun модель Gemma 4 E2B IT для задач image-text-to-text. Она принимает текст и изображения и предназначена для диалогового взаимодействия с визуальным содержимым. Модель основана на unsloth/gemma-4-e2b-it-unsloth-bnb-4bit; при обучении использовались Unsloth и библиотека TRL. В репозитории представлены веса safetensors и вариант GGUF Q8_0. Лицензия — Apache-2.0. Карточка не описывает конкретную область применения, состав обучающих данных, контекстное окно или результаты оценки качества. Поддержка английского указана в метаданных; более широкая языковая поддержка не подтверждена.

DiffusionGemma-26B-A4B-it-4bit — это 4-битная модель в формате MLX, преобразованная сообществом mlx-community из google/diffusiongemma-26B-A4B-it с использованием mlx-vlm 0.6.3. Модель предназначена для задач image-text-to-text: она принимает изображение и текстовый запрос и генерирует текстовый ответ, например описание изображения. Из доступных данных известно, что базовая модель относится к семейству DiffusionGemma и имеет обозначение 26B-A4B. Поддерживается запуск через библиотеку mlx-vlm, что ориентировано на выполнение моделей в экосистеме MLX. Другие характеристики, включая архитектуру, точное число активируемых параметров, языки, размер контекста и дополнительные модальности, в карточке не указаны. Ключевое преимущество модели — 4-битное квантование и формат MLX, потенциально упрощающие локальный запуск на совместимом оборудовании. Ограничения и результаты сравнительных оценок в README не приведены, поэтому качество, производительность и аппаратные требования нельзя достоверно оценить. Модель распространяется по лицензии Apache-2.0; для полного описания условий следует учитывать лицензию Gemma, на которую ссылается карточка.

Это версия DiffusionGemma 26B A4B Instruct, подготовленная сообществом mlx-community для запуска в формате MLX на устройствах Apple с помощью библиотеки mlx-vlm. Репозиторий преобразован из google/diffusiongemma-26B-A4B-it; в метаданных модель отнесена к семейству diffusion_gemma и архитектуре DiffusionGemmaForBlockDiffusion, а файлы представлены в формате safetensors. Модель предназначена для диалогового взаимодействия с текстовыми и графическими входами и выдачи текстовых ответов. Карточка рекомендует использовать mlx-vlm; подробности о возможностях, языках и ограничениях следует сверять с исходной карточкой Google. Лицензия репозитория — Apache 2.0.

GAR-1B — мультимодальная модель на архитектуре GAR, разработанная авторами работы «Grasp Any Region: Towards Precise, Contextual Pixel Understanding for Multimodal LLMs». Она дообучена на базе facebook/Perception-LM-1B и предназначена для детального понимания выделенных областей изображения и видео. Модель описывает заданную область, обозначенную точками, рамками, штрихами или масками, а также анализирует несколько областей одновременно, моделирует взаимодействия между ними и выполняет сложные рассуждения. Это подходит для вопросов о частях сцены и связях между объектами. Карточка указывает английский язык; модель принимает изображения или видео с текстовыми инструкциями и выдаёт текстовые описания и ответы. Модель распространяется по лицензии fair-noncommercial-research-license, ограничивающей коммерческое использование.

Это дообученная модель семейства Gemma 4, разработанная didula-wso2 на основе didula-wso2/gemma4_sft-ballerina_klge_easysft_16bit_vllm. Она предназначена для диалоговых задач с текстовыми и визуальными входными данными: принимает текст и изображения и формирует текстовые ответы. В метаданных модель обозначена как image-text-to-text; обучение проводилось с использованием Unsloth и библиотеки TRL Hugging Face. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не уточняет размер модели, длину контекста и конкретные сценарии дообучения, поэтому её пригодность для узких задач по доступным сведениям определить нельзя.

microsoft/git-base-textvqa — базовая версия модели GIT (GenerativeImage2Text), дообученная Microsoft на наборе TextVQA для ответов на вопросы по изображениям. Это декодер Transformer, который объединяет визуальные токены изображения, полученные CLIP, с текстовыми токенами и генерирует ответ по одному токену. Размер модели — 80,1 млн параметров; метаданные указывают контекст 1024 токена и форматы PyTorch и safetensors. Модель принимает изображение и текстовый вопрос, а на выходе формирует текстовый ответ на английском языке. Она предназначена прежде всего для визуальных вопросов, включая вопросы, требующие чтения текста на изображении; архитектуру GIT также можно применять для описания изображений и видео и текстовой классификации изображений. Чекпойнт обучался на 10 млн пар изображение–текст и затем дообучался на TextVQA. Модель разработана Microsoft и распространяется по лицензии MIT. Карточка не приводит результатов оценки, поэтому качество на конкретных данных следует проверять отдельно; описание фокусируется на ответах по изображениям, и перенос на другие задачи не гарантирован.

Huihui-Qwen3-VL-32B-Thinking-abliterated — мультимодальная модель huihui-ai на архитектуре Qwen3-VL, созданная обработкой текстовой части базовой модели Qwen/Qwen3-VL-32B-Thinking методом abliteration. Модель принимает текст и изображения и предназначена для диалога, визуального анализа и рассуждений по изображениям; в README также заявлена работа с визуальными запросами, на которые исходная модель могла отказаться отвечать. Изменена только текстовая часть модели, а не визуальная. Модель использует плотную архитектуру Qwen3-VLForConditionalGeneration, распространяется в формате safetensors и работает через Transformers. README приводит вариант запуска через Ollama. Лицензия — Apache-2.0. Снижение защитных отказов может приводить к чувствительным, спорным или небезопасным ответам; результаты следует проверять. Размер параметров и длина контекста для этой версии в предоставленных данных не указаны.

LLaVA-OneVision Qwen2 0.5B SI — открытая мультимодальная модель семейства LLaVA-OneVision, опубликованная в репозитории llava-hf и основанная на Qwen2 с визуальным энкодером SO400M. Модель дообучена на синтетических мультимодальных инструкциях и данных для работы с изображениями, несколькими изображениями и видео. В карточке указана версия 0.5B, точное число параметров в доступных метаданных отсутствует. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы в диалоговом формате. Она предназначена для описания изображений, ответов на вопросы по визуальному содержимому и мультимодального диалога; архитектура также рассчитана на сценарии с несколькими изображениями и видео. Для запуска рекомендуется Transformers версии 4.45.0 или новее; карточка описывает поддержку формата bfloat16 и 4-битной загрузки через bitsandbytes. Модель ориентирована на английский и китайский языки. Репозиторий распространяется по лицензии Apache-2.0. Размер 0.5B делает её компактным вариантом семейства, однако карточка не приводит сопоставимых оценок качества; ответы могут быть ошибочными, а возможности анализа видео зависят от корректной подачи видеоданных и поддерживающего её окружения.

LLaVA-v1.6-Mistral-7B — мультимодальный чат-бот, разработанный командой LLaVA и обученный на базе Mistral-7B-Instruct-v0.2. Это авторегрессионная модель на архитектуре Transformer с 7,1 млрд параметров, предназначенная для диалога по изображениям и текстовым инструкциям. Она принимает изображения и текст, а отвечает текстом; длина контекста составляет 32 768 токенов. Модель подходит для визуальных вопросов и ответов, описания изображений и выполнения инструкций, связанных с визуальным содержимым. Для обучения использовались пары изображение–текст, мультимодальные инструкции, данные VQA и диалоговые данные. Карточка позиционирует её как открытую модель для исследований и экспериментов в области компьютерного зрения и обработки языка; лицензия — Apache 2.0. Модель может быть полезна для прототипирования мультимодальных чат-ботов и исследовательских задач, но не следует считать её ответы гарантированно точными. Указанное назначение ориентировано на исследователей и энтузиастов; карточка не заявляет специализированной отраслевой области.

mini-bart-g2p — компактная модель Cisco на архитектуре BART для преобразования английских написанных слов в фонемы с обозначениями ударения. Это последовательностная модель типа encoder-decoder с 3,2 млн параметров и контекстом до 128 токенов; для обработки использует Transformers и доступна в форматах ONNX и safetensors. Модель предназначена для преобразования одного слова за раз, в том числе слов с дефисами и апострофами. Токенизатор приводит ввод к нижнему регистру и разделяет буквы внутри модели, поэтому слова можно подавать в обычном написании. Модель обучена на данных Librispeech Alignments и CMUDict и распространяется по лицензии Apache-2.0. Модель рассчитана только на английский язык. Подача нескольких слов одной строкой приводит к неожиданным результатам, а неапострофная пунктуация может нарушить преобразование; перед обработкой рекомендуется удалять лишние знаки препинания.

MiniMind-3V — компактная мультимодальная модель семейства MiniMind-V от Jingyao Gong для диалога по изображениям и генерации текста. Она сочетает языковую основу MiniMind с визуальным энкодером SigLIP и модулем проекции признаков; визуальный энкодер заморожен при обучении. Репозиторий описывает модель как вариант на 65 млн обучаемых параметров, а метаданные указывают 63,9 млн параметров. С учётом отдельного визуального энкодера README приводит около 160 млн параметров для плотной версии. Модель принимает текстовые запросы и изображения и предназначена, например, для описания изображений, визуальных вопросов и диалогового взаимодействия с картинками. Метаданные указывают контекст 32 768 токенов; карточка заявляет поддержку китайского и английского языков. Это компактная модель, рассчитанная также на локальные эксперименты и обучение на персональном GPU, поэтому её возможности и качество не следует приравнивать к крупным VLM. Распространяется по лицензии Apache-2.0.

facebook/mms-tts-abi — модель синтеза речи на языке абиджи, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на абиджи в речевую аудиоволну и предназначена для создания озвучивания и речевых интерфейсов для этого языка. Модель основана на архитектуре VITS и содержит 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; для повторения одинакового результата требуется фиксировать seed. Лицензия CC BY-NC 4.0.

facebook/mms-tts-agu — модель синтеза речи на языке авакатеко (agu), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на авакатеко в речевую аудиоволну и подходит для озвучивания текста и создания голосовых сообщений на этом языке. Модель использует архитектуру VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт проекта MMS-TTS, доступный через библиотеку Transformers версии 4.33 и новее. Стохастический предиктор длительности позволяет варьировать ритм речи; для повторения того же результата требуется фиксированное случайное зерно. Репозиторий распространяет веса в форматах PyTorch и Safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-agx — модель синтеза речи на языке агуль, выпущенная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на агульском языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; синтез выполняется сквозным образом, а стохастический предиктор длительности позволяет получать разные ритмические варианты произношения одного текста. Для воспроизводимого результата требуется фиксировать seed. Модель доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Модель предназначена для агульского языка; качество речи для других языков не заявлено.

facebook/mms-tts-akb — модель синтеза речи на языке батак-ангкола (akb), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка на архитектуре VITS: модель преобразует входной текст в речевую аудиоволну, используя стохастический предиктор длительности, поэтому одинаковый текст может звучать по-разному. Чекпойнт содержит 3,5 млн параметров и доступен для работы через библиотеку Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на батак-ангкола. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Для воспроизводимого результата нужно задавать фиксированное случайное зерно; в карточке не приведены сведения о качестве синтеза и поддержке других языков.

facebook/mms-tts-alz — модель синтеза речи на языке алур (alz), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка из семейства MMS-TTS, построенный на архитектуре VITS и содержащий около 3,5 млн параметров. Модель преобразует входной текст в речевую аудиоволну; для использования доступна через библиотеку Transformers версии 4.33 и новее. VITS объединяет вариационный автоэнкодер, потоковый модуль и декодер, построенный по принципу HiFi-GAN. Стохастический предсказатель длительности позволяет варьировать ритм речи для одного и того же текста, поэтому результаты генерации могут различаться; фиксированный seed позволяет воспроизводить результат. Модель предназначена для синтеза речи на алур и не заявлена как многоязычная. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерческое.

Экспериментальная модель синтеза речи на Asante Twi, разработанная danieldzikunuofmarvel в рамках бесплатного набора речевых инструментов LIBOG для языков Ганы. Это дообученная модель VITS на 3,5 млн параметров, основанная на facebook/mms-tts-aka и обученная на исправленной версии датасета BibleTTS: 18 221 аудиозапись одного студийного рассказчика. Модель принимает текст и генерирует монофоническую речь с частотой 16 кГц. Модель предназначена для озвучивания текстов на Asante Twi в некоммерческих демонстрациях, инструментах доступности, изучении языка и исследованиях малоресурсной речи. Голос и речевой регистр отражают чтение Писания одним диктором; это не универсальный разговорный голос и не модель для других разновидностей акан. Перед синтезом текст нужно нормализовать: привести Unicode к NFC, заменить типографскую пунктуацию ASCII-аналогами, перевести текст в нижний регистр, заменить символы вне словаря пробелами и свернуть повторные пробелы. Цифры обрабатываются некорректно: символы 2 и 3 могут сохраниться как тоновые маркеры, а другие цифры удаляются, поэтому числа следует записывать словами. Качество произношения имён, заимствований и смешанного текста с английским не оценивалось. Прослушивание отложенных фраз одним носителем языка показало улучшение относительно базовой модели, но это не формальная оценка; влияние пунктуации на фразировку измерениями не подтверждено. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование.

facebook/mms-tts-bmr — модель синтеза речи на языке муинане (bmr), выпущенная в рамках проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на муинане. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, flow-модуль, стохастический предсказатель длительности и декодер, формирующий аудиоволну. В репозитории указано 3,5 млн параметров; модель доступна через Transformers версии 4.33 и новее. Предсказатель длительности стохастический, поэтому для повторения результата требуется фиксированный seed. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое использование.

facebook/mms-tts-bmu — модель синтеза речи для языка Сомба-Сиавари (bmu), созданная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну; для каждого языка проекта обучается отдельный чекпойнт. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, flow-модуль, стохастический предиктор длительности и декодер аудиосигнала. Размер модели — 3,5 млн параметров. Стохастический предиктор позволяет варьировать ритм произнесения, поэтому для воспроизводимого результата требуется фиксированное начальное значение генератора случайных чисел. Модель предназначена для синтеза речи на Сомба-Сиавари, например для озвучивания текста. Она доступна в библиотеке Transformers начиная с версии 4.33. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое применение.

facebook/mms-tts-bwu — модель синтеза речи на языке були (bwu), разработанная Facebook в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для були из семейства MMS-TTS, построенный на архитектуре VITS: модель преобразует входной текст непосредственно в речевую волну и использует стохастический предиктор длительности, поэтому один текст может звучать с разным ритмом. Веса содержат около 3,5 млн параметров и доступны в форматах PyTorch и Safetensors; для работы подходит библиотека Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на були, например для голосовых интерфейсов и создания аудиоверсий материалов на этом языке. Чекпойнт обучен отдельно для одного языка и не предназначен для синтеза речи на других языках. Генерация недетерминирована: для повторяемого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-bzi — модель синтеза речи на языке бису (Bisu, bzi) из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на бису. Для каждого языка проекта обучается отдельный чекпойнт. Модель использует архитектуру VITS и содержит около 3,6 млн параметров. В ней сочетаются вариационный автоэнкодер, потоковый модуль с текстовым энкодером на основе Transformer, декодер, похожий на HiFi-GAN, и стохастический предиктор длительности, позволяющий варьировать ритм речи. Чекпойнт доступен для использования через библиотеку Transformers. Генерация недетерминирована: для повторения того же результата требуется фиксированное начальное значение. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-cak-dialect_central — модель синтеза речи на языке какчикель, вариант центрального диалекта, разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует текст на какчикельском языке в речевую аудиоволну и предназначена для озвучивания текста и создания речевого вывода для приложений на этом языке. Модель использует архитектуру VITS и содержит 3,5 млн параметров. Это отдельный чекпойнт MMS-TTS, обученный для одного языка; он доступен для работы через библиотеку Transformers. Стохастический предиктор длительности позволяет получать варианты ритма для одного текста, поэтому для повторяемого результата требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0. Она специализирована на центральном диалекте какчикеля; качество для других языков или диалектов не заявлено.

facebook/mms-tts-dbj — модель синтеза речи на языке идаан (код ISO 639-3: dbj), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на идаанском языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, потоковый модуль и HiFi-GAN-подобный декодер объединены в сквозную систему синтеза. В чекпойнте 3,5 млн параметров; для того же текста возможны варианты ритма и произношения, поэтому генерация может быть недетерминированной. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель рассчитана на один язык, поэтому её не следует считать универсальным или многоязычным синтезатором; качество для конкретных текстов и сценариев зависит от данных обучения.

facebook/mms-tts-dig — модель синтеза речи на языке Chidigo (код dig), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт семейства MMS-TTS, предназначенный для преобразования входного текста в речевую аудиоволну. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. VITS объединяет вариационный автоэнкодер, flow-модуль и декодер, формирующий аудиосигнал; стохастический предиктор длительности позволяет получать варианты ритма для одного текста. Для повторяемого результата при генерации требуется фиксировать seed. Модель работает с текстом и создаёт аудио; для запуска поддерживается библиотека Transformers версии 4.33 и выше. Модель подходит для озвучивания текста на Chidigo и создания речевых фрагментов для приложений и демонстраций. Доступна по лицензии CC-BY-NC-4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-dyu — модель синтеза речи на языке джула (dyu), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на джула в речевую аудиоволну и предназначена для озвучивания текста и создания речевых интерфейсов на этом языке. Модель использует архитектуру VITS и обучена сквозным образом; для каждого языка в проекте MMS выпускается отдельный чекпойнт. Вариативный предсказатель длительности позволяет получать разные ритмы речи для одного текста, поэтому при одинаковом входе результат может различаться; фиксированный seed обеспечивает воспроизводимость. Размер модели — 3,5 млн параметров. Она доступна через библиотеку Transformers версии 4.33 и новее. Модель поддерживает джула и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-fao — модель синтеза речи на фарерском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания фарерских текстов и приложений с голосовым выводом. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров; для отдельных языков проекта обучаются отдельные контрольные точки. Она доступна через библиотеку Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и Safetensors. Стохастический предиктор длительности позволяет получать разные ритмические варианты произношения одного текста, поэтому результат может меняться между запусками; фиксированный seed нужен для воспроизводимого аудио. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но не для коммерческих целей.

facebook/mms-tts-flr — модель синтеза речи на языке фулииру, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на фулииру в речевую аудиоволну и подходит для озвучивания текстов и создания речевых интерфейсов на этом языке. Модель основана на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт; он доступен для использования через библиотеку Transformers версии 4.33 и выше. Генерация речи стохастическая: при фиксированном seed можно воспроизводить один и тот же результат. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Она предназначена для синтеза речи на фулииру; качество для других языков не заявлено.