I.15Доступность и ассистивные технологии

Модель csikasote/mms-1b-all-bemgen-combined-train-drodat-gdro-1.65e-4-dat-0.019-no-sd-0.00-62 — дообученная версия facebook/mms-1b-all, созданная на наборе BEMGEN - BEM. Это модель распознавания речи на базе wav2vec2 с архитектурой Wav2Vec2ForCTC, предназначенная для преобразования аудио в текст. В карточке приведён результат оценки на тестовом наборе: CER 0,0532 и loss 12,3468. Размер модели — 1,3 млрд параметров. Языковая поддержка унаследована от многоязычной базовой MMS, рассчитанной более чем на тысячу языков, однако язык и область применения конкретного дообучения не уточнены. Для использования весов действует лицензия CC BY-NC 4.0, которая ограничивает коммерческое применение.

moss-nano-ptbr-iasmin — дообученная модель MOSS-TTS-Nano на 100 млн параметров, созданная на основе OpenMOSS-Team/MOSS-TTS-Nano и настроенная на синтез речи голосом Iasmin на бразильском варианте португальского языка. Модель предназначена для преобразования текста в речь; режим continuation позволяет генерировать речь этим голосом без аудиообразца для голосового клонирования. При дообучении использовано 25 871 аудиоклип: 11 922 записи голоса Iasmin и 13 949 клипов с клонированным голосом Qwen3-TTS-1.7B; обучение проводилось в течение трёх эпох. Для отложенной выборки указана WER 0,049 по оценке Whisper-large-v3. Модель работает на CPU, использует архитектуру MOSS-TTS-Nano и распространяется под лицензией Apache-2.0.

Nemotron 3.5 ASR Offline 6-bit CoreML — это порт модели NVIDIA Nemotron 3.5 ASR Streaming 0.6B в формат CoreML, подготовленный для локального запуска на устройствах Apple Silicon. Репозиторий поддерживается BarathwajAnandan и предназначен для использования в движке FluidVoice; исходная модель разработана NVIDIA. Модель предназначена для автоматического распознавания речи и локальной транскрибации аудио. Это офлайн-вариант с промпт-условным мультиязычным режимом: язык можно задавать вручную, а при поддержке со стороны среды выполнения использовать автоматическое определение языка. Архитектура представлена набором CoreML-компонентов, включая предварительную обработку, encoder, decoder, joint-модель и tokenizer; encoder и joint-модель квантизованы до 6 бит. Размер пакета составляет около 531 МБ. Ключевые преимущества — локальная обработка на Apple Silicon, отсутствие необходимости загружать аудио на сервер и компактное квантизованное представление. README не содержит полного перечня поддерживаемых языков, характеристик качества, требований к длительности или формату аудио и других ограничений, поэтому эти параметры следует уточнять в карточке исходной модели NVIDIA. Лицензия указана как other; условия использования наследуются от upstream-модели NVIDIA Nemotron 3.5 ASR.

OmniVoice — многоязычная модель синтеза речи, разработанная авторами проекта OmniVoice. Она основана на Qwen3-0.6B и использует архитектуру в стиле диффузионной языковой модели. Модель преобразует текст в речь, поддерживает более 600 языков, клонирование голоса по короткому аудиофрагменту и создание голоса с заданными характеристиками: например, полом, возрастом, высотой тона и акцентом. Модель предназначена для озвучивания текста, голосового дизайна и управляемой генерации речи. Она поддерживает невербальные вставки, такие как смех, и коррекцию произношения с помощью пиньиня или фонем. В карточке заявлена скорость генерации до 40 раз выше реального времени. Репозиторий содержит веса в форматах ONNX и safetensors; лицензия — Apache-2.0. Авторы указывают, что проект предназначен для академических исследований, и запрещают несанкционированное клонирование и имитацию голоса.

jsbeaudry/oswald-large-v3-turbo-m1.1 — дообученная модель распознавания речи на архитектуре Whisper, разработанная jsbeaudry. Она предназначена для преобразования входящего аудио в текст. В карточке указаны 905,2 млн параметров, обучение с использованием Unsloth и библиотеки TRL, а также поддержка английского языка. Модель подходит для транскрибации английской речи. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Сведения о контексте применения и точности распознавания в карточке не приведены.

OuteTTS 1.0 0.6B — компактная модель синтеза речи от OuteAI, построенная на плотной авторегрессионной архитектуре Qwen3ForCausalLM с 513,9 млн параметров. Она принимает текст и формирует аудио, поддерживает клонирование голоса по образцу и пакетную генерацию через библиотеку outetts. Модель обучена на английском, китайском, нидерландском, французском, грузинском, немецком, венгерском, итальянском, японском, корейском, латышском, польском, русском и испанском языках; заявленная длина контекста в метаданных — 40 960 токенов. Модель подходит для озвучивания текста, создания голосовых интерфейсов и генерации речи голосом из предоставленного образца. Для лучшего качества рекомендуется создать профиль диктора на целевом языке; при переносе голоса между языками могут сохраняться его акцент и особенности произношения. README указывает оптимальную длительность генерации около 42 секунд и предупреждает, что при собственной реализации важно применять штраф за повторы к окну из 64 последних токенов. Модель распространяется по лицензии Apache-2.0. Для клонирования голоса README требует явного предварительного согласия человека и запрещает обманное или незаконное использование.

PaliGemma 2 10B Mix 448 — разработанная Google открытая мультимодальная модель, объединяющая визуальный энкодер SigLIP и языковую модель Gemma 2. Она принимает изображения и текст и генерирует текст; версия 448 рассчитана на обработку изображений с разрешением 448 пикселей. Модель предназначена прежде всего для дообучения под задачи компьютерного зрения и языка, включая описание изображений и коротких видео, ответы на вопросы об изображениях, чтение текста, обнаружение и сегментацию объектов. Модель поддерживает многоязычные запросы. Шаблоны подсказок позволяют задавать режимы описания, OCR, визуальных вопросов и ответов, а также локализации и сегментации объектов. Это базовая модель для настройки под конкретные задачи, а не полноценный многоходовый чат-бот; её ответы могут содержать ошибки, а открытые или сложные инструкции могут давать слабый результат. Возможны предвзятость и небезопасные или вводящие в заблуждение ответы, поэтому для прикладного использования нужны оценка и подходящие меры контроля. Лицензия — Gemma; применяются ограничения политики допустимого использования Gemma.

leo009/paligemma-3b-mix-224 — версия мультимодальной модели PaliGemma с открытыми весами, разработанной Google и размещённой пользователем leo009. Модель построена на архитектуре PaliGemma, объединяющей зрительный энкодер SigLIP и языковую модель Gemma; принимает изображение размером 224 × 224 пикселя и текстовые последовательности до 256 токенов, а генерирует текст. В карточке указана настройка на смесь задач переноса, а метаданные обозначают формат safetensors и библиотеку Transformers. Модель предназначена для одношаговых сценариев «изображение и запрос — текстовый ответ»: описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображении, обнаружения и сегментации объектов. Лучше подходит как основа для дообучения под конкретную задачу, чем как готовый универсальный помощник; диалог из нескольких ходов не поддерживает. Заявлена поддержка нескольких языков, но конкретный список в предоставленных данных отсутствует. Лицензия — Gemma.

Parler-TTS Large v1 — модель преобразования текста в речь, выпущенная проектом Parler-TTS при участии исследователей Stability AI и Эдинбургского университета. Модель с архитектурой ParlerTTSForConditionalGeneration содержит 2,2 млрд параметров и обучена на 45 тысячах часов аудио. Она генерирует естественно звучащую речь на английском языке, принимая текст и текстовое описание желаемого звучания.

nectec/Pathumma-whisper-th-large-v3 — модель распознавания речи команды Pathumma Audio Team. Она основана на Whisper large-v3 от OpenAI и дообучена для распознавания тайского языка; карточка также указывает английский среди языков модели. Модель содержит около 905,2 млн параметров и доступна в формате safetensors для библиотеки Transformers. Модель предназначена для преобразования аудиозаписей в текст. Её можно использовать для транскрибации тайской и английской речи. README содержит пример запуска через класс pipeline в Transformers, но не приводит подробностей о данных дообучения или результатах оценки качества. Лицензия — Apache-2.0.

Это дообученная модель Microsoft Phi-4 Multimodal Instruct для распознавания турецкой речи и преобразования аудио в текст. В обучении разморозили слои энкодера и провели одну эпоху на парах турецкого аудио и текста; использованы датасеты Common Voice, лекции Khan Academy на турецком и записи с шумом. Модель содержит 3,8 млрд параметров, построена на архитектуре Phi4MM, работает через Transformers и имеет контекст 4096 токенов. Модель предназначена для транскрибирования турецкой речи, в том числе коротких записей и образовательных лекций. В README приведён результат WER 9,7% на тесте Common Voice, однако автор отмечает возможную утечку говорящих между обучающей и тестовой выборками, короткую длительность высказываний и влияние нормализации текста. На шумных или отличающихся по стилю записях качество может быть хуже; модель всё ещё развивается. Лицензия — MIT.

Qwen2-VL-2B-Abliterated-Caption-it-i1-GGUF — это квантованная vision-language модель для понимания изображений и генерации текстовых описаний. Базовая модель prithivMLmods/Qwen2-VL-2B-Abliterated-Caption-it разработана prithivMLmods, а GGUF-квантизация выполнена mradermacher. Модель ориентирована на image captioning, visual understanding и задачи image-to-text, включая автоматическое составление описаний изображений. Модель имеет размер 2B параметров, поддерживает работу с изображениями и текстом и заявлена для английского языка. Она обучалась с использованием наборов данных Caption3o-XL-v4, Caption3o-Opt-v3-Tiny, Caption3o-LongCap-v4 и Caption3o-Opt-v3. Доступны варианты GGUF-квантизации с размером примерно от 0,5 до 1,1 ГБ, что позволяет запускать модель на устройствах с ограниченными ресурсами; варианты различаются балансом скорости, качества и объёма памяти. Для работы с визуальными входными данными могут потребоваться отдельные mmproj-файлы из статического репозитория. Сильными сторонами модели являются компактный размер, поддержка визуального анализа и широкий выбор квантованных вариантов, включая рекомендуемые i1-Q4_K_M и i1-Q4_K_S. Ограничения включают ориентацию на английский язык, возможное снижение качества у наиболее агрессивных квантов и отсутствие в предоставленной карточке сведений о размере контекста, точных характеристиках архитектуры и результатах бенчмарков. Модель распространяется по лицензии Apache-2.0.

zeromodels/qwen3.5-9b — конвертированная для Keras 3 мультимодальная модель на основе Qwen3.5-9B от команды Qwen. Она принимает изображения и текст и генерирует текст; текстовый вариант загрузки использует языковую часть без визуального энкодера. Архитектура включает визуальный модуль Qwen3-VL и плотный текстовый декодер с гибридом Gated-DeltaNet и gated full attention. Веса хранятся в формате bfloat16; одна реализация работает с TensorFlow, PyTorch и JAX. Модель предназначена для диалогов и анализа изображений с текстовыми запросами, а также для текстовых сценариев с использованием языковой части. В метаданных указаны 9 млрд параметров у базовой модели Qwen3.5-9B. Репозиторий лицензирован по Apache 2.0; подробности об исходной модели и условиях её использования следует сверять с карточкой Qwen/Qwen3.5-9B.

Renesas публикует сборку Qwen3-ASR-1.7B для распознавания речи на платформе Renesas X5H. Модель поддерживает определение языка и транскрибацию речи на 30 языках, а также 22 китайских диалектах. В архитектуре указаны аудиоэнкодер с 24 слоями и скрытым размером 1024 и текстовый декодер с 28 слоями и скрытым размером 2048; исходная модель — Qwen/Qwen3-ASR-1.7B. Репозиторий предназначен для инференса на плате Renesas X5H с SDK версии 4.34.0. README приводит замеры для 15-секундного англоязычного аудио: для W4A16 и FP16 на одном кластере NPX указана скорость предварительной обработки и декодирования. Для запуска требуются соответствующие файлы модели и проектора, а также установщик для X5H. Модель принимает аудио и выдаёт распознанный текст; базовая модель поддерживает потоковую обработку, согласно краткому описанию в метаданных. Репозиторий распространяется по лицензии Apache-2.0. Приведённые показатели производительности относятся к указанной платформе и конфигурациям, поэтому не характеризуют скорость на другом оборудовании.

Qwen3-TTS-12Hz-0.6B-Base — базовая модель синтеза речи из семейства Qwen3-TTS, разработанного командой Qwen. Это плотная модель с архитектурой Qwen3TTSForConditionalGeneration и дискретной многокодовой языковой архитектурой; она использует разработанный для семейства токенизатор речи Qwen3-TTS-Tokenizer-12Hz. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Модель предназначена для генерации речи по тексту и быстрого клонирования голоса по предоставленному аудио. Семейство поддерживает китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки. В карточке также заявлены потоковая генерация с низкой задержкой и управление характеристиками голоса естественными языковыми инструкциями. Для клонирования требуется аудиопример голоса; качество результата зависит от входного текста и аудио. Карточка описывает возможности семейства в целом, поэтому отдельные показатели и свойства именно версии 0.6B Base подтверждены не полностью.

Карточка модели swipeautomations/Qwen3-TTS-12Hz-0.6B-Base на Hugging Face совпадает с карточкой Qwen/Qwen3-TTS-12Hz-0.6B-Base, поэтому описание составлено по ней. Qwen3-TTS-12Hz-0.6B-Base — базовая модель синтеза речи из семейства Qwen3-TTS, разработанного командой Qwen. Это плотная модель с архитектурой Qwen3TTSForConditionalGeneration и дискретной многокодовой языковой архитектурой; она использует разработанный для семейства токенизатор речи Qwen3-TTS-Tokenizer-12Hz. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Модель предназначена для генерации речи по тексту и быстрого клонирования голоса по предоставленному аудио. Семейство поддерживает китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки. В карточке также заявлены потоковая генерация с низкой задержкой и управление характеристиками голоса естественными языковыми инструкциями. Для клонирования требуется аудиопример голоса; качество результата зависит от входного текста и аудио. Карточка описывает возможности семейства в целом, поэтому отдельные показатели и свойства именно версии 0.6B Base подтверждены не полностью.

Qwen3-TTS-GGUF — набор весов в формате GGUF для qwentts.cpp, C++17/GGML-порта модели Qwen3-TTS 12 Hz, разработанной командой Qwen и Alibaba. Модель предназначена для синтеза речи из текста, включая многоязычный zero-shot TTS с именованными дикторами и диалектами мандаринского китайского, клонирование голоса по референсному аудиофрагменту и, в версии VoiceDesign 1.7B, создание голоса по текстовому описанию его характеристик. Поддерживаются китайский, английский, французский, немецкий, испанский, итальянский, португальский, японский, корейский, русский и арабский языки. Комплект использует две совместно загружаемые GGUF-модели: talker на базе Qwen3 с code predictor MTP head и опциональным speaker encoder, который преобразует текст в коды с частотой 12 Hz, и общий аудиотокенизатор на базе SEANet, ConvNeXt, DAC v2 и RVQ, преобразующий коды в монофонический звук с частотой 24 кГц и обратно. Доступны размеры talker 0.6B и 1.7B; режимы Base и CustomVoice доступны для обоих размеров, а VoiceDesign — только для 1.7B. Варианты F32, BF16, Q8_0 и Q4_K_M позволяют выбирать между точностью, размером и требованиями к VRAM. Сильные стороны модели — многоязычность, поддержка нескольких сценариев генерации и клонирования голоса, работа на CPU и через CUDA, Metal или Vulkan, а также заявленное первое место по времени до первого аудио в потоковом тесте Open TTS Leaderboard по состоянию на 9 сентября 2026 года. Ограничения включают необходимость совместной загрузки talker и токенизатора, значительный объём файлов для версии 1.7B и зависимость качества и ресурсоёмкости от выбранной квантизации; конкретный максимальный контекст в README не указан. Модель и аудиокодек распространяются по Apache 2.0, инструменты GGUF-порта qwentts.cpp — по MIT.

Qwen3-VL-4B-Instruct-Unredacted-MAX — дообученная мультимодальная модель prithivMLmods на архитектуре Qwen3-VL с 4 млрд параметров. Она принимает текстовые запросы и изображения и формирует текстовые ответы; предназначена для диалога с визуальным контекстом, понимания изображений, генерации описаний и мультимодальных экспериментов. Поддерживает изображения разных разрешений и пропорций и рассчитана на эффективный запуск по сравнению с более крупными моделями. Модель подходит для создания подписей к изображениям и подготовки аннотаций для наборов данных, оценки систем компьютерного зрения с языковым интерфейсом и прототипирования приложений, объединяющих текст и изображения. Выпуск обновляет упаковку и совместимость с Transformers относительно huihui-ai/Qwen3-VL-4B-Instruct-abliterated, сохраняя возможности исходной архитектуры. Репозиторий распространяется по лицензии Apache-2.0. Качество зависит от чёткости изображения и формулировки запроса; интерпретации сложных сцен могут быть неполными или непоследовательными. Для стабильного вывода требуется достаточно видеопамяти, а результаты зависят от настроек декодирования и среды запуска.

gigant разработал румынскую модель распознавания речи на основе facebook/wav2vec2-xls-r-300m, дообучив её на румынской части Common Voice 8.0 и дополнив данными из набора синтезированной румынской речи. Это модель семейства wav2vec2 с архитектурой Wav2Vec2ForCTC; число параметров — около 402,7 млн. Для декодирования с языковой моделью предусмотрена 5-граммовая модель, обученная на корпусе парламентских текстов Румынии. Модель предназначена для транскрибации румынской речи из аудиоклипов с частотой дискретизации 16 кГц. В README указано первое место на Romanian Speech Recognition в Robust Speech Challenge; на тестовой части Common Voice 8.0 приведены WER 0,1174 и CER 0,0294 без оптимизации 5-граммовой языковой моделью. Вывод приводится в нижнем регистре и без пунктуации. Для декодирования с языковой моделью нужны pyctcdecode и kenlm. Лицензия — Apache-2.0.

Карточка модели Merlin07/s2-pro на Hugging Face совпадает с карточкой fishaudio/s2-pro, поэтому описание составлено по ней. Fish Audio S2 Pro — модель синтеза речи, разработанная Fish Audio. Она преобразует текст в речь и поддерживает управление интонацией, эмоциями и другими особенностями произношения с помощью текстовых инструкций в квадратных скобках, которые можно размещать рядом с нужными фрагментами текста. Архитектура объединяет декодерный трансформер с аудиокодеком RVQ и состоит из двух авторегрессионных частей: модель на 4 млрд параметров предсказывает основной семантический код, а компонент на 400 млн параметров генерирует девять остаточных кодов для акустических деталей. Модель предназначена для многоязычной генерации речи, включая потоковый синтез. В карточке заявлена поддержка более 80 языков; среди основных — японский, английский и китайский, а также русский, корейский, испанский, португальский, арабский, французский и немецкий. Модель принимает текст и выдаёт аудио. Авторы сообщают о потоковом движке инференса на базе SGLang и скорости генерации выше реального времени на NVIDIA H200; эти показатели зависят от оборудования и конфигурации. Лицензия указана как «other», поэтому условия использования следует проверить на странице репозитория Hugging Face.

SAIL-VL-2B — компактная модель для работы с изображениями и текстом, разработанная командой Bytedance Douyin Content. В архитектуре используются визуальный энкодер InternViT-300M, языковая модель Qwen2.5-1.5B и двухслойный MLP-адаптер; заявлено объединение визуальных токенов 2×2 и обработка изображений с разрешением 448×448 и динамическим числом фрагментов. Модель предназначена для диалоговых задач по изображениям: ответов на вопросы, общего визуального анализа, распознавания текста на изображениях и описания сцен. В README приведены результаты оценок на мультимодальных бенчмарках и примеры подробных ответов, а метаданные указывают на возможности чата и интерфейс вызова инструментов. Карточка называет модель базовой VLM для приложений, в том числе с прицелом на мобильное развертывание. Модель дообучена на базе Qwen/Qwen2.5-1.5B-Instruct и распространяется в формате safetensors по лицензии Apache-2.0. README заявляет поддержку нескольких мультимодальных сценариев, однако конкретные языки не перечисляет; метаданные карточки указывают английский и китайский. Результаты в README оценивала команда разработчиков с использованием варианта VLMEvalKit, поэтому они не являются независимой оценкой.

senga-LUK-aligned-degate60-4k-preview-speecht5 — дообученная модель SpeechT5 на базе microsoft/speecht5_tts, опубликованная sil-ai. Она предназначена для синтеза речи по тексту. В метаданных указан класс SpeechT5ForTextToSpeech и формат весов safetensors; README сообщает значение Loss 0,0798 на тестовой выборке, но не раскрывает состав данных и условия оценки. Модель распространяется по лицензии MIT. README не содержит подробного описания предполагаемых сценариев, языков, характеристик синтезируемой речи или ограничений качества; поэтому область применения можно определить только как преобразование текста в аудио.

senga-LUK-aligned-degate90-4k-preview-speecht5 — дообученная модель Microsoft SpeechT5 для синтеза речи из текста. Она предназначена для преобразования текстового ввода в аудио; в карточке приведён результат оценки Loss 0.0891, но набор данных и подробности оценки не раскрыты. Модель использует архитектуру SpeechT5ForTextToSpeech и распространяется в формате safetensors через Transformers. Модель основана на microsoft/speecht5_tts, который обучен на LibriTTS. Для этой версии заявлена лицензия MIT. Языки, голосовые характеристики, длина входного текста и качество синтеза в карточке не описаны.

senga-nt-base-tts — дообученная модель синтеза речи из текста на архитектуре SpeechT5, основанная на microsoft/speecht5_tts. Модель разработана sil-ai и предназначена для преобразования текстового ввода в аудио. В README приведён результат оценки: loss 0.0922. Данные об обучающем корпусе, поддерживаемых языках, голосах и сценариях применения не раскрыты. Модель распространяется в формате safetensors через библиотеку Transformers по лицензии MIT.

ShareCaptioner — модель для создания подробных описаний изображений, разработанная Lin-Chen и дообученная на базе InternLM-Xcomposer-7B. Она обучалась в ноябре 2023 года на 100 тысячах пар «изображение — текст», где подписи были созданы с помощью GPT-4 Vision. Модель рассчитана на ввод изображений с разрешением 448×448 и генерирует текстовые подписи; её архитектура — плотная InternLMXComposerForCausalLM, размер — 6,9 млрд параметров, контекст — 2048 токенов. Модель предназначена для исследователей и любителей компьютерного зрения, NLP и машинного обучения, которым нужны детальные подписи к изображениям. В метаданных Hugging Face основной тег задачи — feature-extraction, однако карточка описывает именно генерацию подписей, поэтому основная задача каталога — image-to-text. Репозиторий содержит веса PyTorch. Лицензия в доступных данных не указана.

mlx-community/SmolVLM-256M-Instruct-4bit — четырёхбитная конверсия мультимодальной модели HuggingFaceTB/SmolVLM-256M-Instruct в формат MLX, опубликованная mlx-community. Модель семейства Idefics3 принимает текстовые запросы и изображения и формирует текстовые ответы; предназначена для диалоговых сценариев с визуальным содержимым, включая описание изображений и ответы на вопросы по ним. В метаданных указана архитектура Idefics3ForConditionalGeneration и поддержка чата и зрения. Модель создана на основе SmolLM2-135M-Instruct и SigLIP Base Patch16-512; в README сказано, что конверсия выполнена с помощью mlx-vlm 0.1.11. Репозиторий заявляет лицензию Apache-2.0. Карточка отсылает за подробностями к исходной модели, поэтому конкретные ограничения и характеристики контекста здесь не приведены.

SmolVLM-500M-Instruct-4bit — компактная мультимодальная модель для диалога по изображениям, представленная сообществом mlx-community. Она объединяет языковую модель SmolLM2-360M-Instruct с визуальной частью SigLIP и использует архитектуру Idefics3; модель можно запускать локально на устройствах Apple через MLX. Репозиторий содержит преобразованную в формат MLX 4-битную версию исходной модели HuggingFaceTB/SmolVLM-500M-Instruct. Модель принимает изображения и текстовые запросы, а в ответ генерирует текст. Она предназначена для описания изображений, визуальных вопросов и ответов, а также диалога с визуальным контекстом. В карточке заявлен английский язык. Лицензия — Apache-2.0.

sjooaaoo2/speecht5_finetuned_voxpopuli_nl — дообученная модель SpeechT5 для синтеза речи из текста. Она основана на microsoft/speecht5_tts и использует архитектуру SpeechT5ForTextToSpeech; веса опубликованы в формате safetensors. Название репозитория указывает на дообучение для нидерландского языка на VoxPopuli, однако README не подтверждает состав обучающих данных и подробности настройки. Модель предназначена для преобразования текстового ввода в аудио. В README приведено значение loss 0,5012 на оценочной выборке, но не описаны протокол оценки, качество речи, голосовые характеристики или ограничения. Лицензия — MIT.

ctaguchi/ssc-bxk-model — модель автоматического распознавания речи, разработанная дообучением facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст; в карточке не уточняются поддерживаемые языки и формат входного аудио. На оценочном наборе указаны значения Loss 1,4388, CER 0,2469 и WER 0,8253. Датасет, сценарии применения и дополнительные ограничения в карточке не описаны. Модель распространяется под лицензией Apache-2.0.

Карточка модели Aliados/supertonic-3 на Hugging Face совпадает с карточкой Supertone/supertonic-3, поэтому описание составлено по ней. Supertonic 3 — компактная многоязычная модель синтеза речи от Supertone для локального запуска. Модель распространяется в формате ONNX и работает через ONNX Runtime на устройстве, без обращения к облаку. В открытых ONNX-ресурсах около 99 млн параметров. Модель преобразует текст в речь на 31 языке и рассчитана на сценарии, где важны быстрая генерация и локальное выполнение: озвучивание аудиокниг, новостей, диалогов и телефонных обращений, в том числе на мобильных и периферийных устройствах. Поддерживаются фиксированные предустановленные голосовые стили; README также описывает демонстрацию пользовательских стилей по референсному аудио и теги выразительности. По сравнению с Supertonic 2 заявлены более стабильное чтение с меньшим числом повторов и пропусков, а также улучшенное сходство голосов на общих языках. Лицензия — OpenRAIL. README не приводит независимой оценки качества для всех языков; пользовательские стили по референсному аудио связаны с отдельным Voice Builder.