I.6Перевод и языковая адаптация

Taiyi — двуязычная китайско-английская языковая модель для биомедицинских задач, разработанная лабораторией DUTIR. Это дообученная на базе Qwen-7B Base плотная модель семейства Qwen с 11,4 млрд параметров и контекстом 8192 токена; веса доступны в форматах PyTorch и safetensors под лицензией Apache-2.0. Модель предназначена для биомедицинских сценариев на китайском и английском языках: ответы на медицинские вопросы, диалоги между врачом и пациентом, генерация отчётов, извлечение информации, машинный перевод, создание заголовков и классификация текста. Для диалогового использования README описывает форматы запросов с одним и несколькими ходами. Обучение опиралось на более миллиона инструкционных примеров и наборы BioNLP для китайского и английского языков. Авторы сообщают о поддержке разнообразных биомедицинских задач, однако рекомендуют перейти на более новую Taiyi 2 для улучшенных возможностей. Ответы модели не следует считать заменой профессиональной медицинской оценке.

thangvip/vi-t5-base-finetune-rewriter-5-epochs — дообученная модель VietAI на основе VietAI/vit5-base, разработанная для перефразирования и переписывания текста. Она построена на архитектуре T5 и содержит 126,8 млн параметров; принимает текст и генерирует текст. По названию репозитория модель обучалась пять эпох, однако назначение датасета в карточке не раскрыто. Модель подходит для переписывания формулировок и перефразирования вьетнамского текста. В README приведены результаты оценки: Loss 0,7688 и BLEU 40,0839. Контекст ограничен 512 токенами, лицензия — MIT.

Musharaf08/wav2vec2-balti-google-colab — дообученная модель распознавания речи на архитектуре Wav2Vec2ForCTC, основанная на facebook/wav2vec2-base. Она предназначена для преобразования речи в текст; название репозитория указывает на язык балти, однако README не содержит сведений о тренировочном наборе данных или поддерживаемых языках. Модель содержит 113,3 млн параметров и распространяется в формате safetensors через Transformers. В карточке приведены результаты оценки: loss 0,9115 и WER 0,5423. Модель выпущена под лицензией Apache-2.0. Данных о длине аудио, условиях записи и известных ограничениях нет.

addy88/wav2vec2-sanskrit-stt — модель распознавания речи на основе Wav2Vec2, представленная пользователем addy88. Она предназначена для преобразования аудио на санскрите в текст и подходит для получения транскрипций без дополнительной языковой модели. Модель содержит 113,3 млн параметров; в метаданных указаны архитектура Wav2Vec2ForCTC и формат PyTorch. Модель принимает аудио и выдаёт текстовую транскрипцию. Карточка показывает прямое использование без языковой модели, но не сообщает точность распознавания и условия лицензии.

yehiazak/whisper-largev3-medical — модель распознавания речи, созданная дообучением Whisper large-v3 на медицинских аудиоданных. Она предназначена для транскрибации диалогов врача с пациентом и медицинских рассказов на английском и арабском языках; также подходит для медицинской диктовки. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и доступна в формате safetensors; для работы указан фреймворк Transformers. В карточке заявлена частота ошибок слов WER 4,12% на чистой речи медицинской тематики. Лицензия — Apache-2.0. Показатель качества относится к данным и условиям оценки, описанным автором, и не гарантирует такую же точность на других аудио; сведения о контексте к этой задаче распознавания речи не применяются.

Модель jenjenot/whisper_medium_tw_minnan — дообученная версия OpenAI Whisper Medium для автоматического распознавания речи. Она предназначена для преобразования аудио в текст; обучение выполнено на наборе thomas0104/nan_tw_soap_opera. Модель содержит около 455,8 млн параметров, использует архитектуру WhisperForConditionalGeneration и опубликована в формате safetensors. Карточка и метаданные связывают её с китайским языком; название модели указывает на миньнаньский вариант китайского, однако карточка не уточняет языковое покрытие и качество распознавания. Лицензия в предоставленных данных не указана.

TrueTuner/whisper-small-br_260315 — модель автоматического распознавания речи, полученная дообучением Whisper-small от OpenAI на примерно 80 часах аудиоданных. Данные преимущественно состоят из бретонской речи: около половины обучающей выборки взято из Brezhoweb, а остальные материалы включают записи Banque Sonore des Dialectes Bretons, Dizale, Common Voice и других источников. Модель предназначена для транскрибирования речи, в первую очередь на бретонском языке. Это плотная модель архитектуры Whisper с 153,1 млн параметров; репозиторий содержит веса в формате safetensors и поддерживает входное аудио. Лицензия — MIT. Обучение на специализированных бретонских данных ориентирует модель на распознавание этого языка. Качество для других языков, устойчивость к различным акцентам и условиям записи, а также точность на независимых тестовых наборах в карточке не описаны.

african-speech-id — модель для определения языка африканской речи, разработанная авторами репозитория AfriSpeech. Она распознаёт речь с помощью облегчённой версии Omnilingual ASR, затем классифицирует полученный текст по одному из 1 386 языков. Классификатор — линейная модель по символьным n-граммам с TF-IDF, встроенным в граф ONNX; распознавание и классификация рассчитаны на работу на CPU, в том числе на телефонах и ноутбуках. Модель предназначена для автоматического определения языка в аудиозаписях, особенно для малоресурсных африканских языков. Для устойчивого результата рекомендуется подавать не менее пяти секунд речи, оптимально около десяти; тишина снижает полезную длительность фрагмента. На тестах для 104 языков модель показала суммарную точность 0,474, но результаты зависят от набора данных: на FLEURS для 17 распространённых языков MMS-LID работает лучше. Классификатор всегда выбирает один из известных ему языков, даже если речь относится к языку вне списка; для отсева сомнительных результатов авторы рекомендуют смотреть на разницу между двумя верхними оценками, а не на небольшие значения softmax. Диалекты отдельно не различаются. Обучающие записи — религиозная речь, поэтому точность на разговорных аудио может быть ниже. Независимо оценены только 104 из 1 386 языков. Репозиторий содержит ONNX-модель и распознаватель речи Meta Omnilingual ASR; заявлена лицензия Apache-2.0.

ZigZeug/Baatukaay-Qwen2.5-3B-Wolof — дообученная языковая модель семейства Qwen2 для генерации текста и диалогов. Она основана на unsloth/qwen2.5-3b-instruct-unsloth-bnb-4bit и разработана ZigZeug с использованием Unsloth и библиотеки TRL от Hugging Face. Модель содержит 3,1 млрд параметров, имеет контекст длиной до 32 768 токенов и распространяется в формате safetensors. Модель предназначена для генерации ответов и ведения диалогов на волоф; метаданные также отмечают английский язык. Лицензия Apache-2.0. Карточка не описывает состав обучающих данных, результаты оценки качества или ограничения применения.

BELLE-7B-2M — языковая модель для генерации текста и выполнения инструкций, разработанная BELLEGroup. Это плотная авторегрессионная модель семейства BLOOM, дообученная на базе bigscience/bloomz-7b1-mt на двух миллионах примеров на китайском языке и 50 тысячах англоязычных примеров Stanford Alpaca. Для диалога модель принимает запросы в формате Human: … Assistant: …; предыдущие реплики можно добавлять в тот же формат. В карточке указано контекстное окно 2048 токенов. Модель предназначена для ответов на вопросы, написания текстов, диалога, классификации тональности и простых переводов. Основной язык — китайский; также обучалась на английских инструкциях. Возможны фактические ошибки и вредные ответы; способности к рассуждению и программированию ограничены. Лицензия — Apache-2.0, однако разработчики README ограничивают использование исследовательскими целями и запрещают коммерческие и вредоносные сценарии.

BiBo-Mini-1.7B-SFT-Stage-1 — диалоговая языковая модель компании tinycompany для генерации текста и общения. Это дообученная плотная модель архитектуры LLaMA с 1,8 млрд параметров по метаданным; автор указывает 1,7 млрд активных параметров с учётом слоя эмбеддингов. Модель обучена на наборе tinycompany/Instruct-Is-All-You-Need, использует специализированный токенизатор QTK-81K и поддерживает контекст до 8192 токенов по метаданным. Модель предназначена для многоязычной генерации, особенно на хинди, английском и Hinglish — смешении хинди и английского. Автор отмечает способность формировать рассуждения на Hinglish и английском и предлагает модель как основу для дальнейшей разработки моделей с рассуждениями. Среди заявленных особенностей обучения — 6 млрд токенов, архитектура LLaMA и обучение на TPU; независимые результаты оценивания в карточке не приведены. Модель принимает текст и выдаёт текст. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Карточка не приводит подробных оценок качества или ограничений по безопасности; поэтому пригодность для конкретных задач стоит проверять отдельно.

CantoneseLLM-v2.0-8B-Thinking — плотная языковая модель на 7,6 млрд параметров на базе Qwen3-8B, разработанная hon9kon9ize. Она предназначена для диалога и генерации ответов на гонконгском кантонском языке, включая рассуждения на этом языке. Модель прошла дообучение и этапы выравнивания, включая SFT, DPO и RLVR; контекстное окно заявлено до 40 960 токенов, однако длинный контекст отдельно не проверялся. Модель рассчитана на сценарии, где важны разговорный кантонский язык и письменные формы, характерные для Гонконга, в том числе решение задач с пошаговым рассуждением. README приводит результаты оценки на HKCanto-Eval и подчёркивает ограничение вычислительно компактной версии: средний результат ниже промежуточного объединённого чекпойнта, а рассуждения обычно короткие. Качество данных для кантонских рассуждений ограничено: большая их часть машинно переведена, а вручную написанных или проверенных примеров было мало. Модель может галлюцинировать, иногда не соблюдать формат ответа и не имеет отдельной настройки безопасности сверх унаследованной от базовой модели. Заявленная лицензия — Apache-2.0.

NTQAI/chatntq-ja-7b-v1.0 — японская языковая модель NTQ AI для генерации текста и выполнения инструкций. Это декодерная модель на 7,1 млрд параметров, дообученная на наборах данных для следования инструкциям и построенная на базе Japanese Stable LM Base Gamma 7B. Архитектура — плотная MistralForCausalLM; модель распространяется в формате safetensors и рассчитана на использование с Transformers версии 4.34.0 или новее. Модель предназначена для японских диалоговых сценариев, ответов на запросы и генерации текста по инструкциям. В README приведён результат 6,65 в японском варианте MT-Bench; это оценка из карточки, а не гарантия качества на любых задачах. Метаданные указывают поддержку японского и английского языков, а длина контекста составляет 4096 токенов. Лицензия — Apache License 2.0.

Модель itzune/gemma-4-e4b-horkonpon — дообученная на корпусе horkonpon-corpus модель Google Gemma 4 E4B Instruct для исправления грамматических и орфографических ошибок в баскском языке. Она принимает текст и возвращает исправленное предложение вместе со структурированным JSON-списком правок: категория ошибки, изменённый фрагмент, нормативная ссылка на Euskaltzaindiа и объяснение на баскском языке. Такая разметка позволяет приложениям фильтровать исправления по типу и серьёзности ошибки. Модель основана на плотной архитектуре Gemma 4 E4B с PLE, заявлены 8 млрд общих и 4,5 млрд эффективных параметров. Для обучения использовались QLoRA 4-bit и LoRA r=16, после чего веса объединены и загружены в формате 16-bit Safetensors. В описанной оценке модель превзошла GECToR-v2 по F0.5 и exact match, особенно при исправлении орфографии, но уступила в точности на чистом тексте и в морфологии. Модель рассчитана на текстовый ввод и JSON-текстовый вывод; мультимодальные компоненты базовой модели заморожены и не проверялись. Основной язык дообучения — баскский, а качество для других языков не подтверждено. Репозиторий указывает лицензию Gemma; условия распространения и использования следует проверять по лицензии базовой модели Google Gemma.

GLM-4.7-Flash-Abliteratex — экспериментальная производная модели GLM-4.7-Flash от zai-org, модифицированная и опубликованная Wangzhang Wu. Модель предназначена для генерации текста и диалоговых сценариев на английском и китайском языках; поддерживает Transformers и поставляется также в формате GGUF Q8_0 для llama.cpp. Архитектура основана на GLM-4.7-Flash с MoE-компонентами; модель содержит 31,22 млрд параметров, 9703 тензорных ключа, преимущественно BF16-тензоры и сохранённые официальные MTP/NextN-тензоры. В README также приведён пример с контекстом 4096 токенов, но максимальный размер контекста не указан. Главная особенность — вмешательство в веса и представления, направленное на существенное снижение склонности к отказам. При этом attention и shared-expert веса не изменялись, а структура официального чекпойнта и метаданные были сохранены. На отложенной выборке модель дала 82,7% ответов, признанных соответствующими запросу, однако 17,3% составили отказы или непригодные ответы; снижение отказов сопровождается повышенным риском небезопасного, ложного, вредного или похожего на персональные данные контента. Низкая частота отказов не означает высокой фактической точности, поэтому результаты требуют независимой проверки. Модель распространяется по лицензии MIT с сохранением применимых условий upstream-лицензии. Для GGUF рекомендуется современная сборка llama.cpp; старые конвертеры могли некорректно обрабатывать тензоры GLM MoE. Репозиторий является независимой производной и не считается официальным релизом разработчика исходной модели.

Whisper Base Romanian - Horoscop Neti — модель распознавания речи, созданная дообучением openai/whisper-base на датасете Horoscop Neti. Предназначена для преобразования аудиозаписей в текст, в частности для речи на румынском языке. Модель содержит 51,7 млн параметров и использует архитектуру WhisperForConditionalGeneration; веса представлены в формате safetensors. На оценочной выборке указана метрика WER 17,0358 и loss 0,3282. Модель распространяется по лицензии Apache-2.0. Подробности о составе обучающих данных и ограничениях в карточке не приведены.

Hy-MT2-1.8B-JP-Manga-Finetune-v5 — дообученная модель разработчика fumetodev на базе tencent/Hy-MT2-1.8B. Она предназначена для перевода коротких реплик манги с японского на английский с сохранением естественности диалога, регистра, интонации, пунктуации, специальных имён и звуковых эффектов. Модель ориентирована на обработку строк по одной и может использоваться для локального перевода, в том числе на устройствах Android через приложение FumetoReaderPlus. Модель представляет собой текстовую HunYuanDenseV1ForCausalLM примерно на 1,8 млрд параметров. В репозитории доступны объединённые веса bf16 в формате safetensors и квантованная версия Q4_K_M в формате GGUF для llama.cpp. Поддерживаются японский и английский языки; заявленная задача — только перевод с японского на английский. Для улучшения терминологии модель учитывает блоки с примерами или глоссарием в промпте. По сравнению с предыдущими версиями v5 обучалась на более чистом корпусе манги с улучшенными эталонными переводами и лучше обрабатывает короткие имена и слова, которые ранее могла принять за звуковые эффекты. Ограничения включают склонность завершать обрывочные фразы вместо их буквального перевода, более слабую работу с реальными именами, местами, брендами и технической терминологией, а также необходимость самостоятельно выбирать говорящего, когда японский текст этого не уточняет. Выход обычно примерно на 7% длиннее, что может быть существенно для тесных текстовых пузырей. Для генерации рекомендуются параметры temperature 0.15, top_k 20, top_p 0.6 и repeat_penalty 1.05. Модель распространяется по лицензии Apache-2.0.

Это набор GGUF-квантизаций инструкционной языковой модели irlab-udc/Llama-3.1-8B-Instruct-Galician. Модель разработана irlab-udc, а квантизационные файлы подготовлены featherless-ai-quants. Она предназначена для генерации текста и выполнения инструкций, прежде всего на галисийском языке, и может использоваться в локальных или совместимых средах инференса, поддерживающих формат GGUF. В основе лежит модель семейства Llama 3.1 с 8 миллиардами параметров и текстовой модальностью. В репозитории доступны варианты IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0 размером примерно от 3 до 8 ГБ. Разные уровни квантизации позволяют выбирать компромисс между размером файла, требованиями к ресурсам и потенциальным качеством генерации. Сильными сторонами являются поддержка галисийского языка, широкий выбор квантизаций и удобный для локального развертывания формат GGUF. README не содержит сведений о длине контекста, конкретных языках помимо галисийского, результатах тестирования, системных требованиях, дополнительных модальностях или ограничениях качества. Лицензия в предоставленных данных не указана.

Sapolas0730 выпустил модель для преобразования непринуждённых японских фраз в формальный японский язык. Это полноценно дообученная модель GPT-2 на базе rinna/japanese-gpt2-medium: обучены все 336 млн параметров. Она принимает текстовую инструкцию и исходную фразу, а затем генерирует преобразованный текст. Контекст модели составляет 1024 токена; веса сохранены в формате safetensors. Для обучения использовали 1 000 синтетических примеров, созданных с помощью Qwen/Qwen2.5-7B-Instruct и отфильтрованных по языковой чистоте, формату, длине, сохранению вопросительной формы и дубликатам. Лучший чекпойнт выбран после двух эпох по результату на отложенной выборке. Модель подходит для экспериментов и узких задач стилистической переработки японского текста, но небольшой синтетический набор ограничивает разнообразие и обобщающую способность. При жадном декодировании возможны повторы; README рекомендует настроить штраф за повторы или запрет повторения n-грамм. Лицензия — MIT.

ThuyNT03/KLTN_COQE_viT5_total_ASOPL_v4 — дообученная VietAI/vit5-large, текстовая модель семейства T5 с архитектурой T5ForConditionalGeneration и 389,3 млн параметров. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. README не раскрывает назначение, обучающие данные или результаты оценки модели. По карточке нельзя надёжно определить её специализацию или ограничения; базовая VietAI/vit5-large предназначена для генерации текста на вьетнамском языке, включая ответы на вопросы, суммаризацию и перевод.

Llama 2 7B Vietnamese 20K GGUF — это квантизированная версия языковой модели Pham Van Ngoan, преобразованная и опубликованная TheBloke. Модель основана на Llama 2 с 7 млрд параметров и ориентирована на генерацию текста на вьетнамском языке. Репозиторий содержит файлы в формате GGUF, предназначенные для локального запуска и инференса на CPU и GPU. Модель подходит для генерации и продолжения текста, диалоговых сценариев и других задач, где требуется работа с вьетнамским языком. Доступны варианты квантизации от 2 до 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством вывода. Формат поддерживается llama.cpp и рядом сторонних интерфейсов и библиотек, включая text-generation-webui, LM Studio, KoboldCpp, llama-cpp-python и ctransformers. К сильным сторонам относятся уменьшенный размер благодаря квантизации, возможность запуска на различных локальных конфигурациях и специализация на вьетнамском языке. Ограничения включают возможную потерю качества по сравнению с исходной полноточной моделью, неизвестный шаблон промпта и отсутствие в предоставленных данных сведений о длине контекста, мультимодальности и результатах тестирования. Модель распространяется по лицензии llama2.

mesolitica/llama-3-8b-8192-hf — плотная авторегрессионная модель семейства Llama 3, дообученная Mesolitica на малайскоязычных текстах. В README указано полное дообучение модели с контекстом 8192 токена на корпусе объёмом 9,5 млрд токенов; в метаданных репозитория указано 7,5 млрд параметров и нативное окно контекста 32768 токенов. Модель предназначена для генерации текста и языковых задач на малайском языке. Модель принимает текст и выдаёт текст; репозиторий содержит веса в формате Safetensors. README не приводит результатов оценки качества или подробных ограничений применения. Лицензия в предоставленных данных не указана.

Marco-LLM-ES — базовая языковая модель ATH-MaaS, предназначенная для работы с испанским, каталонским, баскским и галисийским языками. Это плотная Transformer-модель семейства Qwen2 на 7,1 млрд параметров с поддержкой чата и контекстом до 131 072 токенов. Модель прошла дополнительное предобучение на корпусе примерно из 50 млрд токенов, чтобы улучшить работу с языками Испании, сохраняя возможности общего назначения. В архитектуре используются активация SwiGLU, смещение QKV в механизме внимания и групповое внимание запросов; токенизатор адаптирован к нескольким языкам. Модель подходит как основа для дальнейшего дообучения и адаптации к задачам на целевых языках. Авторы не рекомендуют использовать базовую версию для непосредственной генерации текста и советуют сначала применять постобучение, например SFT или RLHF. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

facebook/mms-tts-gil — модель синтеза речи на кирибати, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует последовательность текста в речевую аудиоволну и предназначена для озвучивания текста на языке gil. Модель использует архитектуру VITS — сквозную систему синтеза речи на основе вариационного автоэнкодера, потоковых слоёв и декодера, построенного по принципу HiFi-GAN. В чекпойнте около 3,5 млн параметров; для каждого языка MMS обучается отдельная модель. Стохастический предиктор длительности позволяет варьировать ритм речи, поэтому результат может меняться между запусками; для повторяемого синтеза нужно фиксировать seed. 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.

facebook/mms-tts-hne — модель синтеза речи на языке чхаттисгархи (hne), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на этом языке. Модель построена на архитектуре VITS и обучена отдельно для чхаттисгархи. Это компактный чекпойнт на 3,6 млн параметров, доступный в форматах PyTorch и Safetensors и поддерживаемый библиотекой Transformers версии 4.33 и новее. Стохастический предиктор длительности позволяет получать варианты ритма речи; для повторяемого результата требуется фиксировать случайное зерно. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не приводит данных о качестве синтеза, поэтому пригодность звучания для конкретного применения следует оценивать отдельно.

facebook/mms-tts-luc — модель синтеза речи на языке аринга (код luc), разработанная Facebook в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка, который преобразует текст в речевую аудиоволну. Модель основана на архитектуре VITS: использует вариационный автоэнкодер, Transformer-энкодер текста, потоковый модуль и декодер, построенный по принципу HiFi-GAN. Размер модели — 3,6 млн параметров; она доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers версии 4.33 и выше. Модель предназначена для озвучивания текста на аринга. Стохастический предиктор длительности позволяет получать разные ритмические варианты произнесения одного текста, поэтому для повторяемого результата требуется фиксировать seed. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-nhy — модель синтеза речи на языке науатль северной Оахаки (nhy), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для создания озвучки на этом языке. Модель использует архитектуру VITS — сквозную вариационную модель с состязательным обучением и стохастическим предиктором длительности, который позволяет варьировать ритм речи. Для каждого языка MMS-TTS обучается отдельный чекпойнт. Размер модели — 3,5 млн параметров; доступны веса PyTorch и Safetensors. Синтез недетерминирован: для повторения результата нужен фиксированный seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-qvh — модель синтеза речи из текста для кечуа Huamalíes-Dos de Mayo Huánuco (qvh), созданная в рамках проекта Massively Multilingual Speech компании Facebook. Это отдельный чекпойнт для данного языка на архитектуре VITS; модель содержит около 3,5 млн параметров и формирует речевую аудиоволну по входному тексту. VITS объединяет текстовый энкодер на базе Transformer, flow-модуль и декодер, а стохастический предиктор длительности позволяет варьировать ритм произнесения. Модель доступна через Transformers версии 4.33 и новее. Чекпойнт предназначен для озвучивания текста на кечуа qvh. Из-за стохастического предиктора одинаковый текст может давать разные варианты речи; для воспроизводимого результата нужно фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Это модель синтеза речи на уйгурском языке, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на уйгурском письме арабской графикой в речевую аудиоволну и предназначена для озвучивания текста и создания речевого вывода в приложениях. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. Это отдельный чекпойнт для данного языка; он доступен через библиотеку Transformers версии 4.33 и новее. Из-за стохастического предсказания длительности генерация недетерминирована: для повторения результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование на условиях атрибуции и некоммерческого применения.

Модель facebook/mms-tts-urd-script_devanagari — система синтеза речи для текста на урду, записанного письмом деванагари, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Это отдельный языковой чекпойнт проекта, доступный через библиотеку Transformers версии 4.33 и новее. Модель построена на архитектуре VITS и преобразует входную последовательность текста непосредственно в речевую аудиоволну. В архитектуру входят текстовый энкодер на основе Transformer, поточный модуль, стохастический предсказатель длительности и декодер, подобный HiFi-GAN. Размер модели — 3,6 млн параметров. Модель предназначена для озвучивания текста на урду в письме деванагари. Стохастический предсказатель длительности позволяет получать разные ритмические варианты произнесения; генерация недетерминирована, поэтому для повторения результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.