I.6Перевод и языковая адаптация

Wav2Vec2-Large-XLSR-53-Odia — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на языке одия на данных Common Voice. Она преобразует аудиозапись речи в текст и подходит для транскрибирования записей на одия. Архитектура — Wav2Vec2ForCTC; модель содержит 402,7 млн параметров и принимает аудио с частотой дискретизации 16 кГц. В README приведён результат оценки 57,10% на тестовой выборке Common Voice для одия; метрика не уточнена. Модель доступна в форматах PyTorch и Flax по лицензии Apache-2.0. Результат оценки указывает на ограничения качества распознавания; перед применением в конкретных условиях рекомендуется проверить её на соответствующих записях.

TalTechNLP разработала эту модель как дообученную версию Whisper large-v3 для создания субтитров на эстонском языке. Модель распознаёт эстонскую речь и формирует текстовые субтитры; её обучали примерно на 770 часах вручную подготовленных субтитров эстонского телеканала ETV. Число параметров — 905,2 млн, архитектура — Whisper, для работы используется библиотека Transformers, веса представлены в формате safetensors. Модель подходит для транскрибации передач и другого эстонского аудио с учётом требований ETV к длине строк: выходные фрагменты почти всегда соответствуют ограничению в 48 символов на строку. Это не дословная расшифровка: при спонтанной речи модель может переформулировать и сокращать текст, в частности опускать колебания и повторы. Лицензия — MIT. README упоминает Whisper large-v3-turbo как базу, тогда как метаданные указывают openai/whisper-large-v3; точная связь с вариантом turbo неясна.

Модель wageehkhad/whisper-medium-finetuned-sada-asr — версия Whisper Medium, дообученная на наборе SADA22 для автоматического распознавания саудовской арабской речи. Она преобразует аудиозаписи в текст и использовалась как компонент распознавания речи в экспериментах по оценке диалектности арабского языка: полученную расшифровку передавали текстовому классификатору диалектности. Модель построена на архитектуре WhisperForConditionalGeneration и содержит 455,8 млн параметров; опубликована в формате safetensors. Базовая модель — openai/whisper-medium. Основной сценарий — транскрибация саудовской арабской речи. Модель рассчитана на речевые сегменты длительностью до 30 секунд; более длинные записи можно обрабатывать с автоматическим разбиением на части в используемом pipeline. Дообучение ориентировано на саудовский диалект, поэтому качество на других арабских диалектах и передачах на литературном арабском может быть ниже. Лицензия — Apache-2.0.

hlasith/whisper-sinhala-small — модель распознавания речи на сингальском языке, созданная дообучением Whisper-small от OpenAI. Она принимает аудио и генерирует текстовую транскрипцию письмом сингальского языка. Модель построена на архитектуре WhisperForConditionalGeneration и содержит около 244 млн параметров; для работы используется библиотека Transformers. Модель предназначена для транскрибирования аудио на сингальском, в том числе вокала. В README приведены результаты оценки на 10 примерах: WER 61,73% и CER 14,86%; автор сообщает об улучшении относительно базовой модели, однако небольшой размер проверки не позволяет считать эти показатели универсальными. Модель обучалась на сингальском речевом корпусе из примерно 10 000 примеров и оптимизирована для одного языка. По данным README, качество может снижаться на аудио вне обучающего корпуса, например на новостях и технической речи; ошибки транскрипции остаются заметными. Модель настроена без временных меток, а многоязычные возможности исходного Whisper-small деградировали. В метаданных указана лицензия other, поэтому конкретные условия использования следует уточнять в карточке модели.

FloatinggOnion разработала модель синтеза речи на йоруба на основе Conditional Flow Matching и Diffusion Transformer (DiT). Она преобразует последовательности фонем йоруба в аудиолатенты, а декодер EnCodec 24 кГц восстанавливает из них звуковую волну. Для преобразования обычного текста в фонемы требуется библиотека YorubaG2P; можно также передать идентификаторы фонем напрямую. Архитектура включает 4-слойный текстовый Transformer, 10 блоков DiT с размерностью 512 и 8 головами внимания, а также декодер Meta EnCodec. При генерации метод Эйлера выполняет 24 шага. Модель обучена на данных йоруба и выпущена с лицензией Apache-2.0. Модель подходит для озвучивания текста на йоруба. Её ограничения включают небольшое разнообразие голосов из-за обучения на данных одного диктора, отсутствие явного управления длительностью и просодией, возможные артефакты декодирования и тишину или обрезание слишком коротких и длинных высказываний.

Apertus EstLLM 8B 1125 Instruct — эстоно-английская инструктивная языковая модель, разработанная исследовательскими группами TartuNLP и TalTechNLP. Это плотная авторегрессионная модель семейства Apertus с архитектурой ApertusForCausalLM и примерно 10,3 млрд параметров; она поддерживает контекст до 65 536 токенов и рассчитана на диалоговое текстовое взаимодействие. Модель предназначена для ответов на инструкции, генерации текста, рассуждений и исследовательской оценки на эстонском и английском языках. Она дообучена на основе tartuNLP/Apertus-EstLLM-8B-1125 по метаданным, а в README описан процесс обучения, аналогичный модели tartuNLP/Llama-3.1-EstLLM-8B-Instruct-0825, с продолженным предобучением и SFT примерно на 764 тысячах примеров. README сообщает о небольшом улучшении на эстонских тестах и снижении качества на английском по сравнению с исходной моделью. Модель выпущена под лицензией Apache 2.0 согласно метаданным Hugging Face; README указывает лицензию Llama 3.1 Community License Agreement, поэтому лицензионные сведения в источниках расходятся. Авторы не рекомендуют применять её вне исследовательских задач.

Barcenas-14b-phi-4 — языковая модель для генерации текста и диалогов, созданная Danielbrdz. Она дообучена на основе aixonlab/Valkyyrie-14b-v1, которая, согласно карточке, является улучшенной версией Microsoft Phi-4. Для дообучения использован набор pinzhenchen/alpaca-cleaned-en; автор указывает, что цель работы — улучшить ответы на испанском языке. Модель содержит 14,1 млрд параметров, использует плотную архитектуру класса LlamaForCausalLM и формат safetensors. Заявленная длина контекста — 16 384 токена. Она предназначена для генерации текста и общения в диалоговом формате, с акцентом на испаноязычных пользователей. Метаданные также указывают английский язык. Базовая Phi-4 описана как модель для генерации текста, диалогов, рассуждений, математики и программирования; карточка Barcenas не подтверждает отдельные результаты на этих задачах. Репозиторий распространяется по лицензии MIT. В карточке нет оценок качества или подробных ограничений применения.

Alvenir/bert-punct-restoration-da — модель на архитектуре BERT для восстановления пунктуации в датских текстах. Она классифицирует токены в последовательности, используя подход, похожий на обучение моделей распознавания именованных сущностей. Для запуска авторы предлагают пакет punctfix, построенный на TokenClassificationPipeline из Hugging Face Transformers. Модель содержит 137,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки для токенов, используемые для восстановления пунктуации. Она предназначена для обработки датского языка. Доступна на условиях лицензии Apache-2.0. Сведения о составе обучающих данных и результатах оценки в карточке не приведены.

ByT5 Leetspeak Decoder — модель преобразования текста на основе архитектуры ByT5, предназначенная для декодирования leetspeak, интернет-сленга и визуально изменённых написаний в обычный текст. Автор карточки указывает базовую модель google/byt5-base и описывает обучение с curriculum learning и adversarial filtering для различения цифр, заменяющих буквы, и чисел с буквальным значением. Модель ориентирована на нормализацию и восстановление читаемого текста: например, она преобразует «1t5 2 l8 4 2 people» в «It is too late for 2 people», сохраняя число людей как количество. В карточке заявлены результаты на задачах декодирования leetspeak и смешанного контекста чисел, однако текущая версия V3 помечена как неисправная; автор рекомендует использовать ветку V2-legacy. Репозиторий содержит веса в формате safetensors, модель насчитывает около 595,1 млн параметров и распространяется по лицензии MIT.

DiCoW_v3_MLC — модель распознавания речи с учётом диаризации, разработанная командой BUT Speech@FIT Брненского технического университета для соревнования MLC-SLM. Она объединяет Whisper large-v3-turbo с подходом DiCoW: результаты определения говорящих используются как дополнительное условие, чтобы распознавать речь выбранного участника разговора. Модель содержит 905,2 млн параметров и предназначена для расшифровки многоязычных разговоров и встреч; основное внимание уделено английскому языку. Модель дообучена на данных MLC-SLM после обучения на NOTSOFAR-1, AMI Meeting Corpus и Libri2Mix. Для работы с реальными записями ей нужны результаты диаризации; качество распознавания зависит от их точности. В README приведены результаты на наборе разработки MLC-SLM, но они охватывают английские варианты и не гарантируют аналогичное качество для всех поддерживаемых языков. Лицензия репозитория — CC BY 4.0; README также упоминает базовую модель с лицензией MIT и обучающие данные под CC BY 4.0.

EEVE-Korean-Instruct-10.8B-v1.0-32k — разговорная языковая модель на архитектуре Llama с 10,6 млрд параметров, разработанная командой EEVE. Модель дообучена методом Direct Preference Optimization (DPO) на корейских переводах наборов Open-Orca/SlimOrca-Dedup и UltraFeedback. В карточке указана длина контекста 32 768 токенов. Модель предназначена для диалога на корейском языке: она отвечает на вопросы и формулирует подробные, вежливые ответы по шаблону чата. Используйте её для корейскоязычных ассистентов и генерации текста. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Карточка модели furnqse/elyza-fork2 на Hugging Face совпадает с карточкой elyza/ELYZA-japanese-Llama-2-7b-instruct, поэтому описание составлено по ней. ELYZA-japanese-Llama-2-7b-instruct — языковая модель ELYZA на архитектуре Llama 2, предназначенная для генерации текста и инструкционного диалога. Модель расширяет способности Llama 2 к японскому языку дополнительным предварительным обучением; в карточке она указана как версия instruct семейства ELYZA-japanese-Llama-2-7b. Разработчики: Akira Sasaki, Masato Hirakawa, Shintaro Horie и Tomoaki Nakamura. Модель содержит около 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст, выдавая текст. Контекст составляет 4096 токенов. В метаданных указаны японский и английский языки; основное назначение — работа с японским текстом, включая ответы по инструкциям и генерацию. Модель распространяется по лицензии Llama 2. Карточка не приводит подробных оценок качества или ограничений; как и другие языковые модели, она может выдавать неточные или вымышленные сведения.

Mungert/EXAONE-Deep-2.4B-GGUF — это набор GGUF-версий языковой модели EXAONE-Deep размером 2,4 млрд параметров, созданной на базе LGAI-EXAONE/EXAONE-3.5-2.4B-Instruct. Модель предназначена для генерации текста и запуска локального вывода через совместимое программное обеспечение, включая сценарии на CPU и устройствах с ограниченной видеопамятью. В заявленных языках указаны английский и корейский. Репозиторий содержит варианты с точностью BF16 и F16, а также квантованные версии Q8_0, Q6_K, Q4_K и IQ3. Квантование уменьшает требования к памяти и делает модель более подходящей для CPU, маломощных устройств и систем с ограниченной VRAM, однако может снижать точность по сравнению с полноразмерными вариантами. BF16 рекомендуется при наличии аппаратной поддержки, F16 — для устройств с поддержкой FP16. Архитектура, размер контекста, поддерживаемые модальности помимо текста и результаты оценивания в README не указаны. Модель ориентирована на текстовую генерацию, но конкретные прикладные возможности и ограничения, включая качество рассуждений, следование инструкциям и производительность в различных языках, по представленным данным определить нельзя. Лицензия обозначена как EXAONE; подробные условия находятся в файле LICENSE и в README не приведены.

EZO-Common-T2-2B-gemma-2-it — разработанная AXCXEPT чат-модель общего назначения на основе Gemma-2-2B-it. Модель дообучена методом instruction tuning на отобранных данных японской Википедии и FineWeb; заявлено улучшение общих возможностей при особом внимании к задачам на японском языке. Модель использует плотную архитектуру Gemma 2 с 2,7 млрд параметров и контекстом до 8192 токенов. Она принимает текст и генерирует текстовые ответы в диалоговом формате; разработчики заявляют поддержку задач на разных языках, но основной акцент сделан на японском. Подходит для диалогов, ответов на вопросы и выполнения текстовых инструкций. Карточка описывает модель как экспериментальный прототип и не рекомендует коммерческое использование или развёртывание в критически важных системах; качество и результаты не гарантируются. Применяются условия использования Gemma.

ssmits/Falcon2-5.5B-French — разреженная версия языковой модели Falcon-11B, созданная автором репозитория с помощью mergekit и метода passthrough. Для сокращения модели выбраны слои 0–23 и 55–58 исходной модели; отбор диапазонов основан на анализе сходства слоёв на 2000 французских примерах из Wikimedia Wikipedia. В метаданных указаны архитектура FalconForCausalLM, 7,8 млрд параметров, контекст 8192 токена и формат safetensors. Модель предназначена для генерации текста и диалогов, а также как основа для дальнейшей специализации и дообучения, например для суммаризации и чат-ботов. Карточка указывает поддержку французского; также перечисляет английский, немецкий, испанский, итальянский, португальский, польский, нидерландский, румынский, чешский и шведский, но отмечает, что обучение преимущественно велось на английском и модель может плохо обобщать на другие языки. Модель унаследовала ограничения и возможные стереотипы веб-данных исходной модели. Карточка не рекомендует использовать её в производственной среде без оценки рисков и защитных мер. Лицензия — Apache-2.0.

Это набор GGUF-квантизованных версий jpacifico/French-Alpaca-Llama3-8B-Instruct-v1.0, подготовленный командой featherless-ai-quants. Модель относится к классу text-generation и предназначена для генерации текста и выполнения инструкций в сценариях, совместимых с Llama 3. В README не указаны точные языковые возможности, размер контекста, поддерживаемые модальности и результаты оценки качества. Доступны варианты квантизации Q2_K, Q3_K_S, Q3_K_M, Q3_K_L, Q4_K_S, Q4_K_M, Q5_K_S, Q5_K_M, Q6_K, Q8_0 и IQ4_XS. Размер файлов составляет примерно от 3,0 до 8,1 ГБ, что позволяет выбирать компромисс между требованиями к памяти и сохранением качества исходной 8B-модели. Формат GGUF обычно ориентирован на локальный запуск в совместимых инструментах, однако конкретные требования к программному обеспечению в README не указаны. Сильной стороной набора является широкий выбор уровней квантизации и возможность адаптировать модель под доступные аппаратные ресурсы. Ограничения и характеристики исходной модели, включая качество на французском и других языках, в предоставленных данных не описаны. Лицензия также не указана, поэтому условия использования необходимо уточнять в карточке базовой модели jpacifico/French-Alpaca-Llama3-8B-Instruct-v1.0.

K2S3 разработала K2S3-Llama2-13b-v1.0 — плотную языковую модель на архитектуре Llama 2 с 13 млрд параметров. Она дообучена методом SFT с настройкой всех параметров на основе meta-llama/Llama-2-13b-chat-hf; при обучении добавлены новые корейские токены. Модель предназначена для генерации текста на корейском языке. В обучающие данные вошли Стандартный корейский словарь, материалы KULLM Корейского университета, аннотации магистерских и докторских диссертаций и примеры корейского языка из AI Hub. Контекст составляет 4096 токенов; веса доступны в формате safetensors. Модель может быть полезна для ответов на вопросы и создания текста на корейском языке, в том числе по академическим и справочным темам. Она лицензирована по условиям Llama 2; производительность за пределами корейского языка и устойчивость к фактическим ошибкам в карточке не охарактеризованы.

kiqu-70b — разговорная языковая модель на архитектуре Llama, разработанная maywell. Это плотная модель с 68,7 млрд параметров, дообученная методом SFT+DPO на корейских наборах данных на основе Miqu-70B-Alpaca-DPO; она предназначена для генерации текста и диалогов. Модель использует формат инструкций Mistral, поддерживает контекст до 32 764 токенов и рассчитана прежде всего на корейский язык, также заявлена поддержка английского. Автор рекомендует использовать несколько примеров в запросе и предупреждает, что пробел после маркера [/INST] может заметно влиять на качество ответа. Бенчмарки в карточке не приведены. Лицензия модели — CC BY-SA 4.0; базовая модель описана как ранняя утечка Mistral-Medium, поэтому автор оставляет коммерческое использование на риск пользователя.

لهجتنا (Lahgtna) — модель преобразования текста в речь, разработанная для синтеза разговорных арабских диалектов. Она основана на архитектуре OmniVoice и является дообученной версией k2-fsa/OmniVoice. Модель принимает арабский текст и может использовать диакритические знаки для улучшения произношения. В README отмечена поддержка египетского, саудовского, марокканского, иракского, суданского, палестинского, ливанского, сирийского, ливийского, тунисского, бахрейнского и йеменского вариантов арабского языка, а также алжирского диалекта. Заявленная цель проекта — охватить диалекты арабского мира в единой модели; поддержка ряда других стран указана как планируемая. Модель предназначена для создания естественно звучащей диалектной речи, а не только для литературного арабского языка. Сведения о лицензии в предоставленных материалах отсутствуют.

LFM2.5-1.2B-JP — чат-модель Liquid AI, дообученная на базе LiquidAI/LFM2.5-1.2B-Base и специально оптимизированная для японского языка. Она предназначена для диалоговых приложений, генерации текста и следования инструкциям на японском языке с учётом языковых и культурных особенностей. Модель построена на плотной архитектуре LFM2 и имеет 1,5 млрд параметров. Поддерживает контекст длиной до 128 000 токенов; репозиторий содержит веса в формате safetensors и рассчитан на использование через Transformers и совместимые фреймворки инференса. В карточке заявлены улучшенные для её масштаба знания о Японии и следование инструкциям. Лицензия указана как other, поэтому условия использования следует проверять в лицензионных материалах репозитория. Карточка не приводит независимых оценок качества или подробных ограничений; заявленное преимущество относится прежде всего к японским сценариям.

LFM2.5-1.2B-JP — японски оптимизированная разговорная языковая модель Liquid AI, преобразованная сообществом litert-community в формат LiteRT-LM для локального вывода на устройствах. Модель основана на гибридной архитектуре с последовательностями свёрточных и attention-компонентов, имеет 1,2 млрд параметров и рассчитана прежде всего на естественный диалог на японском языке; также заявлена поддержка английского. Модель предназначена для работы без подключения к интернету на смартфонах, компьютерах и периферийных устройствах через runtime Google LiteRT-LM, включая интеграцию с AI Edge Gallery. Доступны варианты динамической int8-квантизации размером около 1,24 ГБ и int4-квантизации размером около 736 МБ, а также GPU-совместимые сборки. Максимальный контекст KV-кэша составляет 4096 токенов, встроенный шаблон чата поддерживает вызов инструментов. Производительность зависит от устройства и backend: для int4 заявлены высокие показатели предварительной обработки на GPU, а на Raspberry Pi 5 измерена скорость генерации 9,2 токена/с для int4 и 7,0 токена/с для int8; на CPU Galaxy S26 для int8 достигнуто 41,3 токена/с. Сильными сторонами модели являются небольшой размер, работа полностью на устройстве, ориентация на японский язык и наличие CPU- и GPU-вариантов. Int8-вариант показал 65% на GSM8K в указанном тесте, тогда как int4 — 55%, поэтому более компактная сборка уступает в точности. Ограничения включают небольшой контекст, зависимость производительности от конкретного оборудования и runtime, а также неполную совместимость отдельных GPU-сценариев. Модель распространяется по лицензии LFM Open License v1.0.

KBNIT/llama-2-koen-13b-QLoRA-NEFTune-kolon-v0.1 — языковая модель на архитектуре Llama, дообученная KBNIT на базе beomi/llama-2-koen-13b с помощью QLoRA и NEFTune. Модель предназначена для генерации текста и ответов на вопросы по корейской Википедии; разработчик также указывает, что модель создавалась для Kolon. Модель содержит 12,9 млрд параметров, использует формат PyTorch и поддерживает контекст до 2048 токенов. В метаданных указаны корейский и английский языки. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Infinirc/Llama-3.1-Infinirc-8B-Instruct — это дообученная разговорная языковая модель, разработанная Чэнь Чжаожу из Infinirc.com на базе Llama 3.1 8B. Её обучали на материалах, связанных с культурой Тайваня, включая тайваньские новости, литературу и публикации в интернете, чтобы лучше понимать местную тематику и языковые особенности. Модель предназначена для генерации текста и автоматических ответов, в том числе в диалоговых сценариях. Это плотная архитектура Llama с 7,5 млрд параметров; метаданные указывают контекст до 65 536 токенов, библиотеку Transformers и формат safetensors. Карточка заявляет сильные результаты в генерации и семантическом понимании, но не приводит конкретных чисел метрик. Модель принимает и генерирует текст. В карточке указаны китайский и английский языки; акцент на тайваньском культурном контексте не означает отдельной заявленной поддержки тайваньского хоккиена. Лицензия — Llama 3.1; перед использованием необходимо соблюдать её условия. Следует проверять ответы на фактические ошибки и вредное или дискриминационное содержание.

Llama-3.2-Infinirc-1B-Instruct — созданная Чэнь Чжаожу из Infinirc.com инструкция-модель на архитектуре Llama 3.2. Это плотная языковая модель примерно на 1,2 млрд параметров, дообученная на материалах, связанных с Тайванем: диалогах, новостях, литературе, интернет-текстах, программировании, медицинских вопросах и англоязычных диалогах. Модель предназначена для генерации текста и автоматических ответов с учетом тайваньской культуры и языковых особенностей; поддерживает чатовый сценарий и контекст до 131 072 токенов. В качестве базовой модели указана meta-llama/Llama-3.2-1B-Instruct. Репозиторий содержит веса в формате safetensors; для использования действует лицензия Llama 3.2. README приводит результаты отдельных тестов, но не дает полного описания качества. Следует учитывать возможность вредных или дискриминационных генераций и проверять ответы, особенно в медицинских сценариях.

CarrotAI/Llama-3.2-Rabbit-Ko-1B-Instruct — компактная инструкционно настроенная языковая модель CarrotAI для диалогов и генерации текста. Она основана на Meta Llama 3.2 1B Instruct и дообучена на корейских инструкционных данных, включая CarrotAI/ko-instruction-dataset и CarrotAI/Magpie-Ko-Pro-AIR. Модель имеет плотную архитектуру LlamaForCausalLM, около 1,2 млрд параметров и контекст до 131 072 токенов. В карточке приведены результаты оценивания на корейских задачах понимания текста и на GSM8K; метаданные указывают корейский и английский языки, а также диалоговую возможность. Веса представлены в формате safetensors. Лицензия — Llama 3.2.

Llammas-base — плотная авторегрессионная языковая модель семейства Llama, разработанная командой TartuNLP. Это дообученная версия Meta Llama 2 на 7 млрд параметров: продолженное предобучение на 5 млрд токенов из корпуса CulturaX, состоящего на 75% из эстонских и на 25% из английских документов. Модель предназначена для генерации текста и дальнейшей адаптации к задачам обработки естественного языка; README также отмечает, что на её основе создана инструкционно настроенная модель Llammas. Модель принимает текст, выдаёт текст и поддерживает контекст длиной до 4096 токенов. Основной язык обучения — эстонский, также использовался английский. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия — Llama 2 Community License. Карточка не приводит оценки качества или подробностей об ограничениях применения, поэтому пригодность для конкретных задач следует проверять отдельно.

kumapo/llm-jp-3-1.8b-jaster-2k — дообученная kumapo на TRL версия базовой языковой модели llm-jp/llm-jp-3-1.8b. Это плотная авторегрессионная модель семейства Llama с 1,7 млрд параметров, предназначенная для генерации текста; пример в карточке показывает ответы на вопросы в формате диалога. Модель доступна в формате safetensors и рассчитана на контекст до 4096 токенов. Базовая модель ориентирована на японский и английский языки, поэтому эти языки подходят для взаимодействия с данной версией. Карточка не описывает отдельные предметные области или дополнительные возможности. Лицензия в предоставленных данных не указана.

MRNH разработала дообученную модель mBART для исправления грамматических ошибок в русском языке. Она принимает текст и генерирует его исправленную версию, поэтому подходит для корректировки пользовательских текстов и других сценариев автоматической проверки грамматики. Модель построена на архитектуре MBartForConditionalGeneration, содержит 457,4 млн параметров и работает с библиотекой Transformers в формате PyTorch. Для токенизации используется MBart50TokenizerFast с кодом языка ru_RU. В метаданных указан контекст длиной до 1024 токенов. Модель предназначена для русского языка; лицензия в предоставленных данных не указана.

facebook/mms-tts-blt — модель синтеза речи на языке тай дам, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текстов на тай даме. Модель использует архитектуру VITS и содержит 3,6 млн параметров. Это отдельный чекпойнт для одного языка; в MMS для каждого языка обучается собственная модель. Генерация недетерминирована: для повторения того же аудио требуется фиксировать seed. 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 указанием авторства, но некоммерческое. Карточка не сообщает отдельные сведения о качестве синтеза или ограничениях произношения.

facebook/mms-tts-btt — модель синтеза речи на языке Bete-Bendi (btt), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текстов на этом языке. Модель построена на архитектуре VITS: текстовый энкодер, потоковый модуль, стохастический предсказатель длительности и декодер, напоминающий HiFi-GAN, работают в сквозной системе синтеза. Чекпойнт содержит 3,5 млн параметров и распространяется в форматах PyTorch и Safetensors; для работы с ним доступна библиотека Transformers версии 4.33 и выше. Модель обучена отдельно для Bete-Bendi и входит в коллекцию MMS-TTS для множества языков. Из-за стохастического предсказателя длительности один и тот же текст может озвучиваться с разным ритмом; для повторения идентичного результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.