I.15Доступность и ассистивные технологии

Модель tekyerema-tts-twi разработана Prince Nasamu Alhassan и предназначена для преобразования текста на языке тви в речь. Это компактная модель VITS с 3,6 млн параметров, дообученная на базе facebook/mms-tts-aka за 20 000 шагов; веса опубликованы в формате safetensors. Для синтеза используется символьный токенизатор и библиотека Transformers. Модель обучалась на Ghana Speech и связанных ганских корпусах. Перед подачей текст нужно привести к нижнему регистру и преобразовать числа в слова: символы вне словаря молча отбрасываются, а покрытие цифр неполное. В измерениях на командах агентов доля текстов с потерей хотя бы одного символа снизилась с 10,4% для исходного текста до 0,01% после приведения к нижнему регистру и вербализации чисел; эти результаты не гарантируют качество на других текстах. Проект описан как исследовательская работа хакатона, а не поддерживаемый продукт. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства и запрещает коммерческое применение.

VieNeu-TTS v3 Nano — экспериментальная компактная модель синтеза речи, созданная Фам Нгуен Нгок Бао для вьетнамского языка и устройств с ограниченными ресурсами: слабых CPU, ARM-плат и Android-телефонов. Это модель на 48 млн параметров с архитектурой условного flow matching (OT-CFM), распространяемая в виде ONNX-графов и работающая через ONNX Runtime без PyTorch; заявлены загрузка примерно за 3 секунды и синтез примерно втрое быстрее v3 Turbo на том же CPU. Модель преобразует текст в речь с частотой 24 кГц, предлагает шесть встроенных голосов и поддерживает эмоциональные пометки в тексте. Предусмотрено клонирование голоса через дополнительные компоненты SDK, но сходство с исходным голосом уступает v3 Turbo. Nano подходит для локального синтеза речи на слабом оборудовании, когда скорость и компактность важнее естественности звучания. Это предварительная версия, находящаяся в активном тестировании. Качество и выразительность речи ниже, чем у v3 Turbo; английский и смешанный вьетнамско-английский текст обрабатываются нестабильно, а в длинных, необычных и очень коротких фразах возможны пропуски или искажения слогов. Лицензия Apache-2.0 распространяется на артефакты репозитория и встроенные голоса.

VST-3B-SFT — мультимодальная модель для понимания изображений, разработанная в рамках работы Visual Spatial Tuning. Она основана на архитектуре Qwen2.5-VL и дообучена методом supervised fine-tuning для развития пространственного восприятия и рассуждений по визуальным данным. Модель предназначена для ответов на вопросы о сценах: подсчёта объектов, оценки их размеров и расстояний, определения взаимного расположения и направления, планирования маршрутов и понимания порядка приближения. Карточка приводит результаты на пространственных и общих визуальных бенчмарках, включая VSIBench и MMSI-Bench. Метаданные указывают 3,1 млрд параметров, контекст до 128 000 токенов, поддержку диалога и интерфейс вызова инструментов; репозиторий использует safetensors и библиотеку Transformers. В README также описан подход VST к изображениям, нескольким изображениям и видео, однако указанная задача модели — image-text-to-text. Модель принимает визуальный контент и текстовые запросы и генерирует текстовые ответы. В метаданных указан английский язык. В README не приведены сведения о лицензии, поэтому условия распространения и коммерческого применения следует проверять в карточке репозитория Hugging Face.

weirdguitarist/wav2vec2-base-stac-local — модель распознавания речи на базе архитектуры Wav2Vec2, дообученная автором на основе facebook/wav2vec2-xls-r-300m. Она предназначена для преобразования аудио в текст. В репозитории указаны результаты оценки: WER 0,7828 и CER 0,3202; эти значения отражают высокую ошибку распознавания на использованном наборе оценки. Модель содержит около 402,7 млн параметров и распространяется в формате PyTorch. Карточка не описывает языки, данные обучения или целевую область применения, поэтому их нельзя надёжно определить. Лицензия — Apache-2.0.

Beehzod/wav2vec2-large-xlsr-uzbek_STT_2 — модель распознавания речи, разработанная дообучением facebook/wav2vec2-large-xlsr-53. Она принимает аудио и выдаёт текст; модель построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. По названию модель предназначена для распознавания узбекской речи, однако карточка не раскрывает обучающий набор данных и подробные условия применения. Указана лицензия Apache-2.0. В карточке приведён результат оценки WER 1,0, что указывает на очень высокую ошибку распознавания в использованной оценке. Поэтому качество транскрипции может быть недостаточным для практических сценариев; данных для вывода о производительности на других наборах или условиях записи нет.

Singh8898/DiegoCropper — дообученная Singh8898 мультимодальная модель на архитектуре Qwen2.5-VL. Она предназначена для диалоговой работы с изображениями и текстом; карточка не уточняет отдельные специализированные сценарии обучения. Модель содержит 7,1 млрд параметров, поддерживает контекст до 128 000 токенов и рассчитана на английский язык. Модель создана на основе unsloth/qwen2.5-vl-7b-instruct-bnb-4bit; для обучения использовались Unsloth и библиотека TRL от Hugging Face. Она принимает изображения и текст и генерирует текстовые ответы. Репозиторий использует формат safetensors. Лицензия — Apache-2.0.

DropLychee-1.0-sol — дообученная модель разработчика MD-Mushfiqur123 на базе мультимодальной Qwen3.5-4B от Unsloth. Она предназначена для диалоговых сценариев с пониманием изображений и генерацией текстовых ответов. Модель использует плотную архитектуру Qwen3.5 и распространяется в формате safetensors; карточка указывает английский язык и возможность взаимодействия с инструментами. Модель обучена с использованием Unsloth и библиотеки Hugging Face TRL. Лицензия Apache-2.0 разрешает её использование на соответствующих условиях этой лицензии. README не сообщает специальных ограничений применения или результатов оценки качества.

llava-calm2-siglip — экспериментальная мультимодальная модель CyberAgent для диалога по изображениям и ответов на вопросы о них, прежде всего на японском языке. Это трансформерная модель семейства LLaVA с архитектурой LlavaForConditionalGeneration и размером 7 млрд параметров; для понимания изображений используется SigLIP So400m Patch14 384, а языковая часть основана на cyberagent/calm2-7b-chat. Модель дообучена по инструкции на диалогах об изображениях, подготовленных с использованием данных MS-COCO и VisualGenome. Модель принимает изображения и текстовые запросы, выдаёт текстовые ответы. Карточка указывает японский и английский языки; модель рассчитана на сценарии визуальных языковых приложений и академических исследований. Лицензия — Apache-2.0. Это экспериментальная модель общего назначения, и для конкретных задач её качество может потребовать дополнительной настройки на подходящих данных. Разработчик рекомендует фильтровать неприемлемый контент при внедрении в производственные системы и не использовать модель в приложениях, способных причинить вред людям или группам; коммерческое применение предлагается оценивать с осторожностью.

Карточка модели shabieh2/marketsector_fft_deviceauto_0827 на Hugging Face совпадает с карточкой shabieh2/marketsector_fft_deviceauto_0831, поэтому описание составлено по ней. Мультимодальная модель shabieh2, дообученная на unsloth/Muse-Glimmer-30B с использованием Unsloth. Она предназначена для диалоговых задач с изображениями: принимает текст и изображения и формирует текстовые ответы. Архитектура — плотная Muse Glimmer для условной генерации; репозиторий содержит веса в формате Safetensors. Модель подходит для вопросов по изображениям и визуального анализа в чате. Базовая Muse-Glimmer-30B описана как модель для локальных агентных задач, работы с инструментами, программирования и анализа изображений, однако карточка этого дообучения не уточняет, какие из этих возможностей улучшались или проверялись. Лицензия — Apache 2.0.

facebook/mms-tts-agr — модель синтеза речи на языке авар (Awajún), созданная командой Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на авар в речевую аудиоволну и предназначена для озвучивания текстов и создания речевых интерфейсов для этого языка. Модель использует архитектуру VITS и обучена отдельно для авар в составе семейства MMS-TTS. Вариационный автоэнкодер, потоковый модуль, декодер в стиле HiFi-GAN и стохастический предиктор длительности позволяют синтезировать речь с разным ритмом; результат может меняться между запусками, поэтому для повторяемой генерации нужен фиксированный seed. В репозитории указано 3,5 млн параметров; доступны веса PyTorch и safetensors. Для запуска поддерживается библиотека Transformers версии 4.33 и выше. Лицензия CC-BY-NC-4.0 допускает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-ake — модель синтеза речи на языке Akawaio (код ake), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на Akawaio. Модель использует архитектуру VITS: текстовый энкодер, потоковый модуль и декодер формируют речь сквозным образом; стохастический предиктор длительности позволяет варьировать ритм произношения. Размер модели — 3,5 млн параметров. Для воспроизводимого результата требуется фиксировать seed, поскольку генерация недетерминирована. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

facebook/mms-tts-bom — модель синтеза речи для языка бером (Berom, bom), разработанная Facebook в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка из семейства MMS-TTS; архитектура VITS преобразует последовательность текста в речевую аудиоволну и включает вероятностный предиктор длительности, благодаря которому один и тот же текст может звучать с разным ритмом. Модель содержит 3,6 млн параметров и доступна в форматах PyTorch и Safetensors; для работы с ней подходит библиотека Transformers версии 4.33 и новее. Чекпойнт предназначен для озвучивания текста на бером. Генерация недетерминирована: чтобы повторно получить ту же аудиоволну, нужно зафиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-bov — модель синтеза речи на языке ту́вули (код bov), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на ту́вули в речевую аудиоволну; для каждого языка проекта обучается отдельный чекпойнт. Модель основана на VITS — сквозной архитектуре с вариационным автоэнкодером, поточным модулем и декодером, напоминающим HiFi-GAN. В ней также используется стохастический предиктор длительности, поэтому один и тот же текст может звучать с разным ритмом, а для повторяемого результата требуется фиксировать seed. Веса содержат около 3,5 млн параметров и доступны в форматах PyTorch и safetensors. Модель можно использовать через Transformers версии 4.33 и выше. Она предназначена для озвучивания текста на ту́вули, а не для распознавания речи или генерации речи на других языках. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

facebook/mms-tts-bwq — модель синтеза речи из текста для языка бобо-мадаре, южный диалект (код bwq), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Это отдельный языковой чекпойнт семейства MMS-TTS, предназначенный для преобразования текстовой последовательности в речевую волну. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. VITS объединяет вариационный автоэнкодер, нормализующие потоки, стохастический предиктор длительности и декодер, подобный HiFi-GAN; из-за стохастичности генерации для повторяемого результата требуется фиксировать seed. Модель принимает текст на bwq и выдаёт аудио. Чекпойнт доступен через Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-cwe — модель синтеза речи на языке квэре (Kwere, cwe), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на квэре в речевую аудиоволну и предназначена для озвучивания текстов и создания речевого вывода 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 произношения; для повторяемого результата при генерации требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Она рассчитана на синтез речи на квэре; качество для других языков не заявлено.

facebook/mms-tts-dgr — модель синтеза речи на языке тличо (dgr), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на тличо в речевую аудиоволну и подходит для озвучивания фраз и создания речевого вывода для приложений на этом языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, вариационный автоэнкодер, flow-модуль, стохастический предсказатель длительности и декодер, подобный HiFi-GAN. В репозитории указано 3,5 млн параметров; отдельный VITS-чекпойнт обучен для каждого языка проекта. Генерация недетерминирована, поэтому для повторяемого результата 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-huu — модель синтеза речи для языка Witoto, Murui (huu), созданная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и предназначена для приложений озвучивания и синтеза речи. Модель основана на архитектуре VITS и содержит около 3,5 млн параметров; для каждого языка проекта MMS обучается отдельный чекпойнт. Модель поддерживается библиотекой Transformers версии 4.33 и новее, веса доступны в форматах PyTorch и Safetensors. Случайный предиктор длительности делает генерацию недетерминированной: для повторения того же результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование на условиях атрибуции и некоммерческого применения.

facebook/mms-tts-ifk — модель синтеза речи на языке Ifugao, диалект Tuwali, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на языке ifk в речевую аудиоволну и подходит для озвучивания текста и создания речи для приложений на этом языке. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; для синтеза использует стохастический предиктор длительности, поэтому одинаковый текст может звучать с разным ритмом, а для воспроизводимого результата требуется фиксированный 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-jic — модель синтеза речи на языке Tol (jic), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует текст на Tol в речевой сигнал; для каждого языка проекта обучается отдельный чекпойнт. Модель использует архитектуру VITS — сквозную систему синтеза речи на основе вариационного автоэнкодера, потоковых преобразований и декодера, построенного по принципу HiFi-GAN. В чекпойнте около 3,5 млн параметров; он работает с библиотекой Transformers версии 4.33 и новее. Генерация стохастическая: для повторяемого результата нужно задавать фиксированное начальное значение генератора. Модель предназначена для озвучивания текста на Tol. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Модель facebook/mms-tts-kbp разработана Meta в рамках проекта Massively Multilingual Speech (MMS) и предназначена для синтеза речи на языке Kabiyè (код kbp). Это отдельный чекпойнт для одного языка из семейства MMS-TTS; модель основана на архитектуре VITS и содержит около 3,5 млн параметров. Она принимает текст и генерирует речевую аудиоволну, используя стохастический предсказатель длительности, поэтому один и тот же текст может звучать по-разному; для повторения результата требуется фиксированное случайное зерно. Модель подходит для озвучивания текста на Kabiyè и создания речевого вывода в приложениях, работающих с этим языком. Используется через библиотеку Transformers версии 4.33 или новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-ksb — модель синтеза речи на языке шамбала (Shambala, ksb), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS: текстовый энкодер и потоковые слои формируют акустическое представление, а декодер на основе свёрточных слоёв синтезирует аудио. Предсказатель длительности позволяет варьировать ритм речи; из-за стохастической генерации для повторения результата нужен фиксированный seed. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors, в том числе через Transformers версии 4.33 и новее. Модель предназначена для синтеза речи на одном языке и не является универсальным многоязычным чекпойнтом. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-lcp — модель синтеза речи на языке Lawa, Western, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Это отдельный чекпойнт для одного языка из семейства MMS-TTS, предназначенный для преобразования текста в речевую аудиоволну. Модель построена на архитектуре VITS и обучается сквозным образом: текстовый энкодер и flow-модуль формируют акустическое представление, а декодер на основе свёрточных слоёв генерирует аудио. Стохастический предиктор длительности позволяет получать разные ритмические варианты произнесения; для воспроизводимого результата требуется фиксировать seed. В репозитории указаны веса PyTorch и safetensors, около 3,5 млн параметров. Модель доступна через Transformers версии 4.33 и новее. Подходит для озвучивания текста на Lawa, Western, например для речевых интерфейсов и создания аудиоверсий материалов. Чекпойнт рассчитан на конкретный язык, поэтому его не следует считать универсальной многоязычной TTS-моделью. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

facebook/mms-tts-mcu — модель синтеза речи на языке мамбила, на котором говорят в Камеруне. Она создана Meta в рамках проекта Massively Multilingual Speech (MMS), предоставляющего отдельные модели для разных языков. Модель преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на мамбила. Модель построена на архитектуре VITS и содержит текстовый энкодер на основе Transformer, flow-модуль и декодер, похожий на HiFi-GAN. Стохастический предиктор длительности позволяет получать варианты речи с разным ритмом; для повторяемого результата требуется фиксировать seed. В репозитории указаны веса PyTorch и Safetensors, размер модели — 3,6 млн параметров. Для запуска доступна библиотека Transformers версии 4.33 и новее. Модель рассчитана на мамбила; сведения о других языках для этого чекпойнта не приводятся. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-mfi — модель синтеза речи на языке Wandala (mfi), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на Wandala в речевой сигнал и предназначена для озвучивания текста в приложениях и экспериментах с речевыми технологиями для этого языка. Модель использует архитектуру VITS: она объединяет вариационный автоэнкодер, flow-модуль с текстовым энкодером на основе Transformer и декодер, формирующий аудиоволну. Для одного языка обучается отдельный чекпойнт; генерация стохастическая, поэтому для повторяемого результата нужен фиксированный seed. В репозитории указаны веса PyTorch и Safetensors, размер — 3,5 млн параметров. Для работы доступна библиотека Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими целями и требует атрибуции.

facebook/mms-tts-mzk — модель синтеза речи на языке Мамби́ла (mzk), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель основана на архитектуре VITS и содержит около 3,5 млн параметров; для каждого языка проекта обучается отдельный чекпойнт. VITS объединяет текстовый энкодер на основе Transformer, вариационный автоэнкодер, нормализующие потоки, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN. Предиктор длительности позволяет получать разные ритмические варианты произношения одного текста, поэтому синтез недетерминирован и 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 некоммерческое. Модель ориентирована на синтез речи на языке Мамби́ла; сведения о поддержке других языков или специальных ограничениях качества в карточке отсутствуют.

facebook/mms-tts-nch — модель синтеза речи на языке науатль Центральная Уастека (nch), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну; отдельный чекпойнт VITS обучен для этого языка. Архитектура VITS объединяет текстовый энкодер на основе Transformer, потоковый модуль, стохастический предиктор длительности и декодер, похожий на HiFi-GAN. В метаданных указано 3,5 млн параметров; веса доступны в форматах PyTorch и safetensors, модель поддерживается библиотекой Transformers начиная с версии 4.33. Модель подходит для озвучивания текстов на науатле Центральной Уастеки и создания речевых данных для приложений на этом языке. Предиктор длительности стохастический, поэтому один и тот же текст может звучать по-разному; для воспроизводимого результата README рекомендует фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

facebook/mms-tts-nhu — модель синтеза речи на языке Noone (nhu), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Для каждого языка проекта обучается отдельный чекпойнт. Модель использует архитектуру VITS: это сквозная система на основе вариационного автоэнкодера с текстовым энкодером, flow-модулем, предсказателем длительности и декодером, подобным HiFi-GAN. Стохастический предсказатель длительности позволяет варьировать ритм речи; результат генерации может меняться между запусками, поэтому для повторяемого вывода нужен фиксированный seed. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; для работы с Transformers требуется версия 4.33 или новее. Лицензия CC-BY-NC-4.0 допускает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-pww — модель синтеза речи на языке Pwo Northern (pww), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Это отдельная языковая контрольная точка семейства VITS: модель принимает текст и генерирует речевую волну. Архитектура VITS объединяет вариационный автоэнкодер, потоковый модуль, Transformer-энкодер текста, декодер на основе транспонируемых свёрток и стохастический предиктор длительности, благодаря которому один и тот же текст может звучать с разным ритмом. Размер модели — 3,5 млн параметров. Модель предназначена для озвучивания текста на Pwo Northern. Её можно применять для генерации речи из текстовых фраз и создания речевого вывода в приложениях для этого языка. Контрольная точка доступна для использования через Transformers версии 4.33 и выше и распространяется по лицензии CC BY-NC 4.0. Генерация недетерминирована: для повторения результата требуется фиксированное начальное значение; README не сообщает дополнительных характеристик качества или ограничений по длине входа.

facebook/mms-tts-shn — модель синтеза речи на языке шан из проекта Massively Multilingual Speech, разработанного Facebook. Она преобразует текст на шан в речевую аудиоволну и предназначена для озвучивания текста и создания речевого вывода на этом языке. Модель использует архитектуру VITS: это сквозной синтезатор с вариационным автоэнкодером, Transformer-энкодером текста, flow-модулем и декодером на основе свёрточных слоёв в стиле HiFi-GAN. Для предсказания длительности используется стохастический модуль, поэтому одинаковый текст может звучать по-разному; для воспроизводимого результата требуется фиксированный seed. В репозитории указано 3,5 млн параметров, веса представлены в форматах PyTorch и Safetensors, модель доступна через Transformers версии 4.33 и новее. Модель предназначена для синтеза речи на шан и не является многоязычным универсальным чекпойнтом: для языков MMS-TTS обучаются отдельные модели. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и некоммерческими ограничениями.

facebook/mms-tts-tbk — модель синтеза речи на языке Tagbanwa, Calamian (код tbk), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну; для каждого языка MMS-TTS обучается отдельный чекпойнт. Модель использует архитектуру VITS — сквозную систему text-to-speech на основе условного вариационного автоэнкодера, flow-модуля и декодера, сочетающего подходы HiFi-GAN. Стохастический предиктор длительности позволяет варьировать ритм речи для одного текста, поэтому для повторяемого результата нужен фиксированный seed. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; для работы с ним подходит Transformers версии 4.33 и новее. Модель предназначена для синтеза речи на Tagbanwa, Calamian. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Карточка не приводит оценок качества или дополнительных ограничений применения.