I.15Доступность и ассистивные технологии

LLaVA-Lightning-7B-delta-v1-1 — дельта-веса модели LLaVA, разработанной как открытый чат-бот с поддержкой изображений. Модель основана на авторегрессионной архитектуре Transformer и LLaMA; для получения рабочих весов дельту необходимо применить поверх исходных весов LLaMA. Размер модели составляет 6,6 млрд параметров, контекст — 2048 токенов. Модель предназначена для диалога по изображениям, их подробного описания и визуальных рассуждений. В обучении использовались пары изображение–текст из LAION, CC и SBU с подписями BLIP, а также данные мультимодального следования инструкциям, созданные GPT. В README описаны предварительные оценки на визуальных вопросах по изображениям COCO и на ScienceQA. Карточка позиционирует LLaVA как инструмент для исследований мультимодальных моделей и чат-ботов, а целевой аудиторией называет исследователей и энтузиастов в области компьютерного зрения и машинного обучения. Репозиторий содержит дельта-веса, которые нельзя использовать отдельно. Лицензия — Apache 2.0.

LLaVA-NeXT-Video-7B — мультимодальная чат-модель, выпущенная командой LLaVA и опубликованная на Hugging Face. Она дообучена на базе языковой модели lmsys/vicuna-7b-v1.5 на инструкционных данных с изображениями и видео; видео при обучении равномерно выбирались до 32 кадров на клип. Архитектура — плотная модель LlavaNextVideoForConditionalGeneration, веса представлены в формате safetensors. Модель предназначена для ответов на вопросы о содержимом видео и изображений, описания сцен и взаимодействия с визуальными материалами в диалоге. Она поддерживает ввод изображений и видео, а также текстовые запросы, и генерирует текстовые ответы. В карточке отмечены результаты на бенчмарке VideoMME, однако они не гарантируют качество для любого типа видео или сценария. Для запуска README рекомендует Transformers версии 4.42.0 или новее и соблюдение шаблона диалога USER/ASSISTANT; для ускорения описаны варианты с bitsandbytes и Flash-Attention 2. Лицензия репозитория указана как llama2. Карточка не приводит отдельного перечня языков, кроме английского тега в метаданных.

LLaVA-OneVision-0.5B — компактная мультимодальная модель для анализа изображений и генерации текстовых ответов. Базовую модель разработала команда LLaVA, а данный вариант преобразован сообществом LiteRT в формат LiteRT-LM для локального запуска на устройствах. Модель предназначена прежде всего для сценариев image-text-to-text и single-image VQA: можно передать изображение и вопрос, получить описание или ответ, основанный на содержимом изображения, полностью офлайн. Архитектура включает зрительный энкодер SigLIP с входным разрешением 384×384, MLP-проектор и языковой декодер Qwen2-0.5B. Энкодер формирует 730 визуальных токенов, декодер имеет размерность 896 и 24 слоя. Веса декодера квантизованы до int4, зрительная часть — до int8; вычисления выполняются в целочисленном формате. Контекст KV-кэша составляет 2048 токенов, размер пакета — около 829 МБ. Поддерживается обработка изображений и текста; аудиомодуль отсутствует. Языки модели в README не указаны. Сильные стороны модели — небольшой размер, возможность автономной работы на CPU и GPU, поддержка macOS, Linux, Windows и мобильных устройств через LiteRT-LM, а также связные ответы, привязанные к содержимому одного изображения. Ограничение — невысокий размер языковой модели и нестабильность при добавлении второго изображения в тот же диалог: для нового изображения рекомендуется начинать новую беседу. Модель распространяется по лицензии Apache-2.0.

Карточка модели megaaziib/llava-v1.6-mistral-7b на Hugging Face совпадает с карточкой liuhaotian/llava-v1.6-mistral-7b, поэтому описание составлено по ней. 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.

Карточка модели jonschneider/mini-bart-g2p на Hugging Face совпадает с карточкой cisco-ai/mini-bart-g2p, поэтому описание составлено по ней. 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.

facebook/mms-tts-atg — модель синтеза речи из текста для языка Ivbie North-Okpela-Arhe (код atg), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка, построенный на архитектуре VITS и содержащий около 3,5 млн параметров. Модель принимает текст и генерирует речевую аудиоволну; стохастический предиктор длительности позволяет варьировать ритм речи, поэтому результат может отличаться при повторном запуске без фиксированного seed. Модель подходит для озвучивания текста на Ivbie North-Okpela-Arhe и интеграции синтеза речи в приложения через Transformers версии 4.33 и выше. Веса доступны в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-awa — модель синтеза речи на языке авадхи, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на авадхи. Модель использует архитектуру VITS — сквозную систему синтеза речи на основе вариационного автокодировщика, нормализующих потоков и состязательного обучения. В состав входят текстовый энкодер на базе Transformer, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN. Размер модели — 3,6 млн параметров; она доступна для PyTorch и safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Предсказатель длительности позволяет варьировать ритм речи, поэтому при одинаковом тексте результат может различаться; для воспроизводимой генерации нужен фиксированный seed. Модель предназначена для авадхи, и качество работы на других языках не заявлено. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-azz — модель синтеза речи на нахуа, диалект Хайленд-Пуэбла, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевой сигнал и предназначена для создания озвучки и речевых интерфейсов. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров; отдельный чекпойнт обучен для этого языка. Она доступна через библиотеку Transformers версии 4.33 и новее. Генерация зависит от случайного предсказания длительности, поэтому для повторяемого результата нужен фиксированный seed. Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией и ограничивает коммерческое применение.

facebook/mms-tts-bjr — модель синтеза речи на языке бинумариен, созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Это отдельный чекпойнт для бинумариен, предназначенный для преобразования входного текста в речевую аудиоволну. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, flow-модуль с текстовым энкодером на основе Transformer и декодер, похожий на HiFi-GAN. Размер модели — 3,5 млн параметров. Стохастический предиктор длительности позволяет варьировать ритм речи, поэтому генерация может быть недетерминированной; фиксированный seed нужен для повторения результата. Чекпойнт доступен через библиотеку Transformers версии 4.33 и новее. Модель подходит для озвучивания текста на бинумариен. Карточка не описывает поддержку других языков или возможности управления голосом. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-bkv — модель синтеза речи на языке бекварра (bkv), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на бекварра в речевую аудиоволну и подходит для озвучивания текста и создания голосовых интерфейсов на этом языке. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. Это отдельный чекпойнт MMS-TTS для одного языка; модель доступна через библиотеку Transformers. Из-за стохастического предсказания длительности одинаковый текст может звучать по-разному, поэтому для воспроизводимого результата требуется фиксированное случайное зерно. Лицензия CC BY-NC 4.0 разрешает использование на условиях атрибуции и некоммерческого применения.

facebook/mms-tts-bno — модель синтеза речи на языке Bantoanon (bno), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на Bantoanon в речевую волну и предназначена для озвучивания текста и других сценариев синтеза речи на этом языке. Модель использует архитектуру VITS и реализована в Transformers как VitsModel. Это отдельный языковой чекпойнт MMS-TTS с 3,5 млн параметров; в репозитории представлены веса PyTorch и Safetensors. Модель поддерживается Transformers версии 4.33 и новее. Из-за стохастического предсказателя длительности 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-btd — модель синтеза речи на языке Batak Dairi из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текста на этом языке. Модель построена на архитектуре VITS: это сквозная система с вариационным автоэнкодером, flow-модулем и декодером, подобным HiFi-GAN; стохастический предиктор длительности позволяет варьировать ритм речи. Размер — 3,5 млн параметров. Модель доступна в Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и Safetensors. Генерация недетерминирована, поэтому для повторяемого результата требуется фиксированное начальное значение генератора. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование.

facebook/mms-tts-eip — модель синтеза речи на языке Lik (код eip), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; библиотека Transformers поддерживает его начиная с версии 4.33. Генерация стохастическая: для воспроизводимого результата требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-gai — модель синтеза речи для языка Mbore (gai), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на Mbore в речевую аудиоволну и подходит для озвучивания коротких текстов и создания голосовых интерфейсов на этом языке. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS, обученный для Mbore; синтез выполняется сквозным образом, а стохастический предиктор длительности позволяет варьировать ритм речи. Для использования предусмотрена библиотека Transformers версии 4.33 и новее. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Генерация недетерминирована: для воспроизводимого результата требуется фиксировать seed. Качество речи зависит от входного текста и обучающих данных для языка.

facebook/mms-tts-gnd — модель синтеза речи на языке зульго-гемзек (Zulgo-Gemzek, код gnd), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Это отдельный чекпойнт для одного языка из набора MMS-TTS. Модель использует архитектуру VITS и преобразует входной текст в речевую аудиоволну. Она обучается сквозным образом и включает стохастический предиктор длительности, поэтому один и тот же текст может звучать с разным ритмом; для повторяемой генерации требуется фиксировать seed. В метаданных указано 3,5 млн параметров; доступны веса PyTorch и Safetensors, модель поддерживается библиотекой Transformers начиная с версии 4.33. Модель предназначена для генерации речи на зульго-гемзек, например для озвучивания текста и голосовых интерфейсов на этом языке. Она не является универсальной многоязычной моделью синтеза речи. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-hig — модель синтеза речи на языке Kamwe (код hig), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на Kamwe 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, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN. Это отдельный чекпойнт для Kamwe с 3,5 млн параметров; для работы поддерживается библиотека Transformers версии 4.33 и выше. Из-за стохастического предиктора результат может различаться при одинаковом тексте, поэтому для воспроизводимого синтеза нужен фиксированный seed. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-iba — модель синтеза речи на языке iban, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на этом языке. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. VITS объединяет текстовый энкодер, потоковый модуль и декодер аудиосигнала; стохастический предиктор длительности позволяет получать варианты произношения и ритма для одного текста. Для повторяемого результата при генерации требуется фиксировать seed. Модель поддерживается библиотекой Transformers начиная с версии 4.33. Модель рассчитана на язык iban и не является многоязычным чекпойнтом: для языков проекта MMS обучены отдельные модели. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-kdc — модель синтеза речи для языка Kutu (kdc), созданная Meta в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт семейства VITS: он принимает текст и генерирует речевую аудиоволну. Архитектура VITS объединяет вариационный автоэнкодер, Transformer-энкодер текста, нормализующие потоки, стохастический предсказатель длительности и декодер на основе HiFi-GAN; размер модели — 3,5 млн параметров. Модель предназначена для озвучивания текста на языке Kutu. Стохастический предсказатель позволяет получать разные ритмические варианты речи для одного и того же текста, поэтому при фиксированном seed можно воспроизводить тот же результат. Чекпойнт доступен в PyTorch и Safetensors и поддерживается библиотекой Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-krj — модель синтеза речи на языке кинарай-а, разработанная Meta* в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на кинарай-а в речевой аудиосигнал и подходит для озвучивания фраз и создания голосовых материалов на этом языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров; для каждого языка MMS обучается отдельная модель. Генерация стохастическая: чтобы получать одинаковую речь для одного и того же текста, нужно зафиксировать seed. Модель распространяется в форматах PyTorch и Safetensors по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

Это модель синтеза речи Kuna, Border (kvn) из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует текст на языке Kuna, Border в речевую аудиоволну и предназначена для озвучивания текста и создания речи на этом языке. Модель использует архитектуру VITS — сквозную систему синтеза речи с вариационным автоэнкодером, поточным модулем, текстовым энкодером на основе Transformer и декодером, построенным по принципу HiFi-GAN. В контрольной точке 3,5 млн параметров. Для MMS обучается отдельная модель для каждого языка; этот вариант рассчитан на Kuna, Border. Длительность и ритм речи могут варьироваться при одинаковом входном тексте из-за стохастического предсказателя длительности, поэтому для повторяемого результата требуется фиксированное начальное значение генератора. Модель 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-mbz — модель синтеза речи на языке Mixtec, Amoltepec (mbz), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и предназначена для озвучивания текста и создания речи для приложений, работающих с Mixtec, Amoltepec. Модель основана на архитектуре VITS — сквозной вариационном автокодировщике с состязательным обучением, поточечным модулем и декодером, подобным HiFi-GAN. Для одного текста модель может синтезировать варианты с разным ритмом; из-за стохастического предсказателя длительности результат недетерминирован, поэтому для воспроизводимого аудио требуется фиксированное случайное зерно. В репозитории указано 3,5 млн параметров; модель доступна для Transformers начиная с версии 4.33. Модель предназначена для одного языка и не заявляет поддержку других языков. Лицензия CC-BY-NC-4.0 допускает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-mcd — модель синтеза речи на языке шаранауа (Sharanahua), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну; для каждого языка MMS обучается отдельная модель. Чекпойнт построен на архитектуре VITS и содержит около 3,5 млн параметров. VITS объединяет вариационный автоэнкодер, потоковый модуль с текстовым энкодером на основе Transformer, декодер аудиосигнала и стохастический предиктор длительности. Последний позволяет получать варианты произношения с разным ритмом; генерация недетерминирована, поэтому для повторения результата требуется фиксированное случайное зерно. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-mda — модель синтеза речи для языка Mada (mda), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на Mada в речевую аудиоволну; для каждого языка MMS-TTS обучается отдельный чекпойнт. Модель построена на архитектуре VITS и содержит текстовый энкодер на основе Transformer, flow-модуль и декодер, подобный HiFi-GAN. Размер модели — 3,5 млн параметров; для работы доступны веса PyTorch и Safetensors, а поддержка включена в Transformers начиная с версии 4.33. Модель подходит для озвучивания текста на Mada в приложениях и экспериментах с речевыми интерфейсами. Стохастический предиктор длительности позволяет варьировать ритм речи, поэтому для повторяемого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

facebook/mms-tts-mhi — модель синтеза речи на языке Ma’di (код ISO 639-3: mhi), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на Ma’di в речевую аудиоволну и предназначена для озвучивания текста и создания речевого вывода для этого языка. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, условный вариационный автоэнкодер, нормализующие потоки, стохастический предиктор длительности и декодер, связанный с HiFi-GAN. Архитектура синтезирует речь сквозным образом; стохастический предиктор позволяет получать разные ритмические варианты одной фразы. Веса содержат около 3,5 млн параметров, доступны в форматах PyTorch и Safetensors и поддерживаются библиотекой Transformers версии 4.33 и выше. Модель предназначена для одного языка и не является универсальным многоязычным синтезатором. Из-за стохастического предиктора одинаковый ввод может давать разные аудиоварианты; для воспроизводимого результата требуется фиксированное случайное зерно. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-mim — модель синтеза речи на языке Mixtec варианта Alacatlatzala, созданная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка, основанный на архитектуре VITS: модель преобразует входной текст в речевую аудиоволну. VITS объединяет вариационный автоэнкодер, Transformer-энкодер текста, нормализующие потоки, стохастический предсказатель длительности и декодер, построенный по принципу HiFi-GAN. Стохастическая генерация длительности позволяет получать разные ритмы речи для одного текста; для повторяемого результата нужен фиксированный seed. Модель предназначена для озвучивания текста на Mixtec, Alacatlatzala в приложениях синтеза речи. Веса содержат около 3,5 млн параметров, распространяются в форматах PyTorch и safetensors и доступны для работы через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерческое.

facebook/mms-tts-new — модель синтеза речи на языке ньюар, созданная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на ньюар в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS: генерация выполняется сквозным способом с вариационным автоэнкодером, flow-модулем, декодером HiFi-GAN-подобного типа и стохастическим предсказателем длительности, который позволяет варьировать ритм речи. В репозитории указаны 3,6 млн параметров; веса доступны в форматах PyTorch и Safetensors, а запуск поддерживается библиотекой Transformers версии 4.33 и новее. Это отдельный языковой чекпойнт MMS-TTS для ньюар, поэтому его назначение ограничено синтезом речи на этом языке. Генерация недетерминирована: для повторения результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

facebook/mms-tts-nhe — модель синтеза речи на науатле восточного Уастека (nhe), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель основана на архитектуре VITS: текстовый энкодер и flow-модуль формируют акустическое представление, а декодер на основе свёрточных слоёв генерирует аудиоволну. Предсказатель длительности позволяет варьировать ритм речи; из-за стохастической генерации для воспроизводимого результата нужен фиксированный seed. В репозитории указаны веса PyTorch и SafeTensors, размер модели — 3,5 млн параметров. Для запуска доступна интеграция с библиотекой Transformers начиная с версии 4.33. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерческих целях. Чекпойнт предназначен для науатля восточного Уастека; сведений о поддержке других языков нет.

facebook/mms-tts-nlc — модель синтеза речи на языке налка (Nalca), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на налка. Для каждого языка проекта обучается отдельный чекпойнт. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, Transformer-энкодер текста, flow-модуль и декодер, подобный HiFi-GAN. Стоимость распространения указана как 3,5 млн параметров; модель доступна в форматах PyTorch и safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Стохастический предиктор длительности позволяет варьировать ритм речи, поэтому результат может меняться между запусками; фиксированный seed нужен для повторяемого синтеза. Модель подходит для озвучивания текстов на налка в приложениях и исследовательских проектах. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-qub — модель синтеза речи на языке кечуа, диалект Уальяга (qub), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую волну и предназначена для озвучивания текста на этом языке. Модель основана на архитектуре VITS и обучена отдельно для языка qub. В её состав входят текстовый энкодер на базе Transformer, flow-модуль, декодер и стохастический предиктор длительности, позволяющий варьировать ритм произнесения. В репозитории указано 3,5 млн параметров; модель доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Генерация недетерминирована: для повторения того же результата требуется фиксировать seed. Модель предназначена для синтеза речи на кечуа, диалект Уальяга, и её языковую область применения не следует расширять на другие языки без подтверждения. Лицензия — CC BY-NC 4.0, с ограничением на коммерческое использование.

facebook/mms-tts-rro — модель синтеза речи на языке Waima (код rro), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на Waima в речевую аудиоволну и предназначена для озвучивания текста и создания речевых интерфейсов на этом языке. Модель использует архитектуру VITS и обучена отдельно для Waima. Вариационный автоэнкодер, flow-модуль, декодер HiFi-GAN и стохастический предиктор длительности позволяют синтезировать речь с разным ритмом. Размер модели — 3,5 млн параметров; доступны веса PyTorch и Safetensors, для запуска предусмотрена поддержка Transformers версии 4.33 и новее. Для повторения одного и того же результата требуется фиксировать seed, поскольку предиктор длительности стохастический. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.