I.15Доступность и ассистивные технологии

facebook/mms-tts-rmy-script_latin — модель синтеза речи на латинице для языка романи, диалекта влахского. Она создана в рамках проекта Massively Multilingual Speech компании Facebook и предназначена для преобразования текста на этом варианте языка в речевую волну. Модель использует архитектуру VITS и обучена отдельно для своего языка. Это компактный чекпойнт на 3,5 млн параметров, доступный в форматах PyTorch и Safetensors и используемый через Transformers версии 4.33 и выше. Генерация речи стохастическая: одинаковый текст может звучать по-разному, а для повторения результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-sag — модель синтеза речи на языке санго (Sango, код sag) из проекта Massively Multilingual Speech компании Facebook. Она преобразует текст на санго в речевую аудиоволну; отдельный чекпойнт VITS обучен для этого языка. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, flow-модуль и декодер, формирующий аудиоволну. Чекпойнт содержит 3,5 млн параметров, распространяется в форматах PyTorch и Safetensors и доступен через библиотеку Transformers начиная с версии 4.33. Модель предназначена для синтеза речи на санго. Стохастический предиктор длительности позволяет варьировать ритм произношения, поэтому генерация недетерминирована; для воспроизводимого результата требуется фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

facebook/mms-tts-suz — модель синтеза речи на языке сунвар (Sunwar, код suz), разработанная Facebook в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт семейства MMS-TTS: на вход подаётся текст, на выходе получается речевая волна. Модель основана на архитектуре VITS и содержит текстовый энкодер, flow-модуль, декодер и стохастический предиктор длительности; размер составляет 3,6 млн параметров. Модель предназначена для озвучивания текста на сунваре. Предиктор длительности позволяет варьировать ритм речи, поэтому одинаковый текст может звучать по-разному; для повторяемого результата требуется фиксировать seed. Чекпойнт доступен через Transformers версии 4.33 и выше и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-sxb — модель синтеза речи для языка Suba (sxb), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на Suba в речевую аудиоволну; для каждого языка проекта обучается отдельный чекпойнт. Модель доступна через библиотеку Transformers версии 4.33 и новее. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. В её состав входят текстовый кодировщик на основе Transformer, условный вариационный автоэнкодер, модуль предсказания длительности и декодер HiFi-GAN. Стохастический предсказатель длительности позволяет получать варианты ритма для одного текста, поэтому генерация недетерминирована; фиксированный seed нужен для воспроизведения того же результата. Репозиторий распространяет веса в форматах PyTorch и Safetensors. Модель подходит для озвучивания текста на Suba, например для голосовых интерфейсов и аудиоверсий текстового содержимого. Она специализирована на одном языке и не предназначена для синтеза речи на других языках. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-tcs — модель синтеза речи на языке Torres Strait Creole (tcs), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и подходит для озвучивания текстов и создания синтетической речи. Модель построена на архитектуре VITS: это сквозная система с вариационным автоэнкодером, поточным модулем, декодером HiFi-GAN и стохастическим предсказателем длительности, благодаря которому речь может звучать с разным ритмом. Размер модели — 3,5 млн параметров; доступна в форматах PyTorch и safetensors и поддерживается библиотекой Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Генерация недетерминирована: для повторения результата требуется фиксированный seed.

facebook/mms-tts-tpi — модель синтеза речи на языке ток-писин из проекта Massively Multilingual Speech, разработанного Facebook. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания фраз и создания синтетической речи на ток-писине. Модель использует архитектуру VITS — сквозную систему синтеза речи с вариационным автоэнкодером, потоковым модулем, Transformer-кодировщиком текста, декодером в стиле HiFi-GAN и стохастическим предсказателем длительности. В чекпойнте около 3,5 млн параметров; для каждого языка MMS обучается отдельная модель. Генерация недетерминирована: для воспроизводимого результата требуется фиксированное случайное зерно. Модель распространяется в форматах PyTorch и Safetensors и доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

facebook/mms-tts-ura — модель синтеза речи на языке урарина, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на урарина в речевую аудиоволну и предназначена для озвучивания текстов и создания речевых интерфейсов на этом языке. Модель использует архитектуру VITS и обучена сквозным образом; для каждого языка MMS-TTS выпускается отдельный чекпойнт. Размер модели — 3,5 млн параметров. Вероятностный предиктор длительности позволяет получать варианты ритма речи для одного текста, поэтому результат может меняться между запусками; для повторяемой генерации нужен фиксированный 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.

facebook/mms-tts-wba — модель синтеза речи на языке Warao (код wba), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст на Warao в речевую аудиоволну 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 сквозная система синтеза речи с вариационным автоэнкодером, потоковым модулем, предсказателем длительности и декодером, напоминающим HiFi-GAN; отдельный чекпойнт обучен для каждого языка MMS. Из-за стохастического предсказания длительности результат может меняться при одинаковом тексте, а фиксированный seed позволяет воспроизводить ту же аудиоволну. 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-xon — модель синтеза речи на языке конкомба (xon), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на конкомба. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, вероятностный модуль длительности и декодер, который формирует аудиосигнал. Это отдельный чекпойнт, обученный для одного языка; число параметров — около 3,5 млн. Модель доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Генерация речи недетерминирована: для повторяемого результата требуется фиксированный seed. Модель ориентирована на конкомба, поэтому её не следует считать многоязычной или подходящей для других языков.

Moonshine-base-ar-gguf — это квантованные GGUF-версии модели UsefulSensors/moonshine-base-ar, подготовленные командой handy-computer для работы с transcribe.cpp. Модель предназначена для автоматического распознавания речи и преобразования арабской речи в текст, в том числе локально на CPU или GPU через совместимое приложение. Она принимает монофонический звук в формате 16 кГц PCM и генерирует только транскрипцию на арабском языке. Модель использует encoder-decoder Transformer-архитектуру Moonshine с 62 млн параметров. Входной аудиосигнал обрабатывается трёхслойным Conv1d-стемом без STFT и mel-фильтров. Доступны варианты F32 размером 248 МБ, F16 размером 132 МБ и Q8_0 размером 77 МБ. Для тестовой выборки FLEURS Arabic WER составляет около 24,45–24,50%; квантование Q8_0 приводит к небольшому дополнительному ухудшению относительно F16. Вариант не поддерживает потоковую обработку, перевод, автоматическое определение языка и временные метки. Модель подходит для офлайн-транскрибации арабской речи на устройствах с ограниченными ресурсами и интеграции в приложения на базе transcribe.cpp. Ограничения включают работу только с арабским языком, отсутствие перевода и дополнительных метаданных времени, а также заметный уровень ошибок распознавания, отражённый показателем WER. Лицензия — MIT, унаследованная от базовой модели.

nanoVLM — компактная мультимодальная модель «изображение—текст» для экспериментов и эффективного обучения, опубликованная DavidHandsome. Архитектура объединяет визуальный энкодер ViT на базе SigLIP-B/16-224-85M и причинную языковую модель SmolLM2-135M; общий размер составляет 222 млн параметров. Модель реализована на PyTorch, а её архитектура и логика обучения занимают около 750 строк кода. Модель принимает изображения и текстовые запросы и формирует текстовые ответы по содержимому изображений. Её компактность и простая реализация подходят для изучения VLM, обучения и экспериментов с мультимодальными моделями. Репозиторий содержит веса в формате safetensors; лицензия — MIT.

Qwen3-VL-32B-Instruct-abliterated-v1 — англоязычная дообученная мультимодальная модель prithivMLmods на базе Qwen/Qwen3-VL-32B-Instruct. Она принимает изображения и текстовые инструкции, а в ответ генерирует подробные описания и рассуждения по визуальному содержимому; модель рассчитана на разные соотношения сторон и разрешения, в том числе на художественные, технические, абстрактные и чувствительные изображения. Модель может быть полезна для подготовки подписей к изображениям, анализа визуальных данных, творческих задач, а также исследований модерации контента и оценки безопасности. Вариант abliterated дообучен для выдачи описаний без обычных фильтров содержимого. Основной язык — английский; многоязычные запросы также могут работать при подходящих инструкциях. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0. Ответы могут включать откровенное, чувствительное или оскорбительное содержание. Точность снижается на незнакомых, синтетических и сильно абстрактных изображениях, а стиль и рассуждения зависят от формулировки запроса; модель не подходит для систем, которым нужна строгая модерация контента.

TinyLLaVA-OpenELM-450M-CLIP-0.55B — компактная мультимодальная модель семейства TinyLLaVA, обученная с помощью TinyLLaVA Factory. В качестве языковой части используется OpenELM-450M-Instruct, а для обработки изображений — CLIP ViT-B/16; модель обучена на наборе LLaVA. В метаданных Hugging Face для неё указан pipeline text-generation и архитектурный класс TinyLlavaForConditionalGeneration. Модель предназначена для диалога и ответов на вопросы об изображениях, включая визуальные вопросы и задачи понимания сцен. В README приведены результаты на GQA, TextVQA, ScienceQA, VQAv2, MME, MMB и MM-VET. Это небольшая модель, удобная для экспериментов с мультимодальными системами и сценариев с ограниченными ресурсами; показатели в таблице относятся к опубликованным тестам и не гарантируют качество на иных данных. Лицензия в предоставленных материалах не указана.

TrorYongASR-tiny — компактная модель распознавания речи, разработанная KHUN Kimang и опубликованная KrorngAI. Это encoder-decoder архитектура, вдохновлённая PARSeq и Whisper: аудиоэнкодер имеет 4 слоя и 6 голов внимания, а текстовый декодер — один Transformer-блок с 12 головами. Модель содержит 29 млн параметров и обрабатывает аудио через log-mel спектрограммы с 80 мел-фильтрами. Модель предназначена для транскрибации речи на кхмерском и английском языках. В README приведены результаты на тестовых наборах FLEURS и LibriSpeech: для английского WER составляет 54,33%, для кхмерского — 75,88%; заявленная стопроцентная точность определения языка связана с особенностями предобучения и не отражает качество транскрипции. Перевод аудио в текст на другом языке также упоминается как обучавшаяся задача, но её оценка отложена из-за малого объёма данных. Модель не предназначена для обнаружения речи и не выдаёт временные метки. Точность может снижаться при шуме, реверберации, непривычных акцентах и вариациях темпа речи. В метаданных указана лицензия other; конкретные условия лицензии в карточке не раскрыты.

UV-CoT — мультимодальная модель на основе LLaVA-1.5-7B, дообученная авторами проекта методом предпочтений для рассуждений о визуальном содержимом. Подход Unsupervised Visual CoT автоматически формирует варианты ограничивающих рамок, оценивает их с помощью модели-оценщика и использует сравнения для обучения без обширного набора размеченных рамок. Модель предназначена для ответов на текстовые вопросы об изображениях и задач визуального рассуждения, особенно пространственного. В качестве архитектуры указана LLaVA с языковой частью Llama; размер — 6,6 млрд параметров, контекст — 4096 токенов. Модель принимает изображения и текст, а выдаёт текстовые ответы. Для использования доступна библиотека Transformers и формат safetensors. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий.

ViP-LLaVA-7B — открытый мультимодальный чат-бот, созданный дообучением LLaMA/Vicuna командой разработчиков ViP-LLaVA. Это авторегрессионная плотная модель на архитектуре Transformer с 6,6 млрд параметров и контекстом 4096 токенов. Модель принимает изображения и текстовые инструкции, а отвечает текстом. Модель предназначена для исследований мультимодальных чат-ботов и компьютерного зрения. Обучение сочетало данные для инструкций по изображениям целиком с данными о регионах изображения, помеченных визуальными подсказками. Возможные сценарии включают ответы на вопросы об изображениях и описание объектов или областей изображения по запросу. В README сообщается о высоких результатах на четырёх академических бенчмарках для региональных задач и на RegionBench. В карточке заявлено исследовательское назначение; конкретная лицензия не указана в доступных данных. Оценки на бенчмарках сами по себе не гарантируют качество на иных данных и сценариях.

Banano kirtis v2 — модель Kristijonas для расстановки ударений в литовском тексте. Она предсказывает для каждого слова ударный слог и тип акцента с учётом контекста, чтобы различать омографы и варианты ударения. Модель построена на архитектуре XLM-RoBERTa large и решает задачу классификации токенов: 37 классов, одна метка на слово, присваиваемая первому субтокену. Число параметров — 658,7 млн, максимальная длина контекста — 514 токенов. Модель дообучена на FacebookAI/xlm-roberta-large на корпусе meldynamics/lt-stressed-corpus: 108 324 предложения и 1,14 млн размеченных слов. В карточке приведены высокие показатели согласия с разметкой корпуса; это не подтверждённая экспертами точность, поскольку открытого экспертно размеченного теста для литовского ударения пока нет. Для лучшего результата автор рекомендует сначала использовать словарь корпуса, а модель — для выбора среди вариантов и обработки остальных слов. Иностранные имена модель часто оставляет без ударения, а редкие чтения омографов могут уступать частотным; аббревиатуры, цифры и отдельные буквы следует пропускать без изменений. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

FT-Mirpur — дообученная модель разработчика prescription13864 на базе unsloth/gemma-4-e4b-it-unsloth-bnb-4bit. Она использует архитектуру Gemma4ForConditionalGeneration и предназначена для диалоговых сценариев с обработкой изображений и текста. Модель опубликована в формате safetensors и поддерживает возможности vision и chat. В карточке указана лицензия Apache-2.0. Модель рассчитана на английский язык; её конкретная специализация и результаты оценки качества не описаны.

LLaVA-NeXT-8B — мультимодальный чат-бот от LMMS-Lab, дообученный на базе Meta Llama 3 8B Instruct для следования инструкциям с изображениями. Модель построена на трансформерной авторегрессионной архитектуре LlavaLlamaForCausalLM и содержит около 7,5 млрд параметров; контекст — до 8192 токенов. Модель предназначена для диалога по изображениям и визуальных вопросов и ответов, а также для исследовательских экспериментов с мультимодальными чат-ботами и задач компьютерного зрения. В README указаны обучающие данные с подписями к изображениям, мультимодальными инструкциями, VQA и диалогами. Репозиторий содержит веса в формате Safetensors. README ограничивает назначение исследовательским использованием и запрещает коммерческое применение. Модель унаследовала ограничения базовой Llama 3 и может ошибаться при описании изображений или ответах на визуальные вопросы; отдельные оценки качества в карточке не приведены.

LLaVA-NeXT-Video-34B — открытый чат-бот от lmms-lab, полученный дообучением большой языковой модели на мультимодальных данных для следования инструкциям. В основе лежит NousResearch/Nous-Hermes-2-Yi-34B; архитектура — плотная LlavaLlamaForCausalLM с 33,9 млрд параметров. Репозиторий содержит веса Safetensors, модель поддерживает чат и имеет контекст 4096 токенов. Модель предназначена для диалога и ответов на вопросы по изображениям и видео: она может описывать визуальные материалы, отвечать на вопросы о содержимом роликов и выполнять задачи визуального вопросно-ответного взаимодействия. Обучение включало наборы изображений, мультимодальные инструкции, академические VQA-задачи и 100 тысяч примеров VideoChatGPT-Instruct. Основная аудитория — исследователи и энтузиасты компьютерного зрения, NLP и машинного обучения. Модель лицензирована по Apache-2.0. Карточка не уточняет поддерживаемые естественные языки. Ограничения включают контекст в 4096 токенов; качество ответов может зависеть от визуального содержимого и обучающих данных, а результаты оценивались на ограниченном наборе из четырёх бенчмарков.

facebook/mms-tts-hvn — модель синтеза речи на языке хаву (Hawu, hvn), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст на хаву в речевую аудиоволну и предназначена для озвучивания текста и создания речевых выходов для приложений на этом языке. Модель использует архитектуру VITS: вариационный автоэнкодер с текстовым энкодером на основе Transformer, потоковыми слоями, стохастическим предсказателем длительности и декодером, формирующим аудиоволну. Это отдельный чекпойнт для хаву; в метаданных указано 3,5 млн параметров. Модель доступна через Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и Safetensors. Предсказатель длительности стохастический, поэтому генерация недетерминирована; фиксированный seed позволяет воспроизводить тот же результат. Модель рассчитана на хаву, поэтому её не следует считать универсальной многоязычной системой синтеза речи. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

facebook/mms-tts-kzf — модель синтеза речи на языке Kaili, Da’a (kzf), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевой аудиосигнал; отдельный чекпойнт VITS обучен для этого языка. Модель содержит около 3,5 млн параметров и использует архитектуру VITS: текстовый энкодер на основе Transformer, потоковый модуль и HiFi-GAN-подобный декодер. Она доступна через библиотеку Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на Kaili, Da’a. Стохастический предиктор длительности позволяет получать разные ритмические варианты одной фразы, поэтому генерация недетерминирована и для повторения результата требуется фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-mbj — модель синтеза речи на языке Nadëb (код mbj), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на Nadëb в речевую аудиоволну и предназначена для озвучивания текста в приложениях и сервисах. Для каждого языка проекта обучена отдельная модель. Модель построена на архитектуре VITS: это сквозная система синтеза речи с текстовым энкодером на основе Transformer, поточным модулем и декодером, похожим на HiFi-GAN. Предиктор длительности учитывает разные варианты ритма произнесения; поэтому генерация недетерминирована, и для повторения результата требуется фиксированный seed. Веса содержат 3,5 млн параметров, доступны в форматах PyTorch и Safetensors; модель поддерживается библиотекой Transformers версии 4.33 и новее. Модель предназначена для синтеза речи на Nadëb и не заявлена как многоязычная или универсальная система. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Карточка не приводит сведения о длине контекста или дополнительных возможностях управления голосом.

facebook/mms-tts-mbu — модель синтеза речи на языке Mbula-Bwazza, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на языке mbu в речевую аудиоволну и подходит для озвучивания фраз и создания голосового вывода на этом языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, потоковый модуль, стохастический предсказатель длительности и декодер, формирующий аудиоволну. Это отдельный чекпойнт для одного языка; в репозитории указано 3,6 млн параметров. Модель доступна через Transformers версии 4.33 и новее. Из-за стохастического предсказателя длительности для повторения того же результата требуется фиксированный seed. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование. Описание и метаданные не сообщают о дополнительных ограничениях качества или поддержке других языков.

facebook/mms-tts-mev — модель синтеза речи на языке Maan (mev), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на Maan. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, вариационный автоэнкодер, flow-модуль, декодер, похожий на HiFi-GAN, и стохастический предсказатель длительности. Размер модели — 3,5 млн параметров. Для каждого языка MMS-TTS обучается отдельный чекпойнт; стохастический предсказатель может создавать разные варианты ритма, поэтому для повторяемого результата нужен фиксированный seed. Модель распространяется в форматах PyTorch и Safetensors по лицензии CC-BY-NC-4.0, которая ограничивает коммерческое использование. Описание не приводит оценок качества или условий записи обучающих данных.

facebook/mms-tts-not — модель синтеза речи на языке номацингенга, созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую волну и предназначена для озвучивания текстов на номацингенга. Модель использует архитектуру VITS: это сквозная система синтеза речи с вариационным автоэнкодером, flow-модулем, декодером на основе HiFi-GAN и стохастическим предсказателем длительности. Для языка проекта обучена отдельная модель; размер чекпойнта — 3,5 млн параметров. Модель доступна через Transformers версии 4.33 и новее. К модели применима лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Из-за стохастического предсказателя длительности синтез недетерминирован: для повторения результата требуется фиксировать seed. Модель предназначена для одного языка и не подходит для синтеза речи на других языках.

facebook/mms-tts-pps — модель синтеза речи на языке пополока Сан-Луис-Темалакайука, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на этом языке. Модель использует архитектуру VITS для сквозного синтеза речи: текстовый энкодер и flow-модуль подготавливают акустическое представление, а декодер формирует аудиоволну. Размер модели — 3,5 млн параметров; она доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Отдельные контрольные точки MMS-TTS обучены для разных языков. Из-за стохастического предсказателя длительности одинаковый текст может произноситься с разным ритмом, а для повторяемого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

facebook/mms-tts-sgb — модель синтеза речи для языка айта маг-анцы (sgb), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на этом языке в речевую аудиоволну и предназначена для озвучивания текстов и создания речи для приложений на языках с ограниченными ресурсами. Модель построена на архитектуре VITS: текстовый энкодер, поточные слои и декодер формируют речь сквозным образом; стохастический предиктор длительности позволяет варьировать ритм произношения. Для каждого языка MMS обучается отдельный чекпойнт. В репозитории указаны веса PyTorch и Safetensors; размер модели — 3,5 млн параметров. Для повторения одинакового результата генерации требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не приводит оценок качества синтеза или дополнительных языков помимо sgb.

facebook/mms-tts-tcc — модель синтеза речи для языка datooga (код ISO 639-3: tcc), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текста на Datooga. Модель основана на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; для синтеза используется стохастический предиктор длительности, поэтому одинаковый текст может звучать по-разному, а для повторения результата требуется фиксированное начальное значение генератора. Модель доступна через Transformers версии 4.33 и новее. Модель предназначена для синтеза речи на одном языке и не заявлена как универсальная мультиязычная система. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-tnk — модель синтеза речи на языке квамера (Kwamera, код tnk), созданная Meta 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 около 3,5 млн параметров; для работы доступна через Transformers версии 4.33 и новее. Модель генерирует речь сквозным образом: текстовый энкодер и flow-модуль формируют акустическое представление, а декодер на основе свёрточных слоёв создаёт аудиоволну. Стохастический предсказатель длительности позволяет варьировать ритм произнесения; поэтому одинаковый текст может давать разные варианты звучания, а для воспроизводимого результата нужен фиксированный seed. Репозиторий распространяется в форматах PyTorch и Safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.