I.6Перевод и языковая адаптация

pengold/t5-vietnamese-summarization — модель семейства T5 с архитектурой T5ForConditionalGeneration, дообученная для суммаризации на вьетнамском языке. Она принимает текст и генерирует его краткое изложение; размер модели — 38,5 млн параметров, контекст — до 512 токенов. В README приведены результаты оценки: ROUGE-1 0,4728, ROUGE-2 0,1669 и ROUGE-L 0,3049. Модель подходит для создания кратких изложений вьетнамских текстов. Датасет обучения и подробные сведения о предполагаемых сценариях применения в карточке не описаны. Модель опубликована в формате PyTorch по лицензии CC BY 4.0.

INo0121/whisper-base-ko-callvoice — дообученная модель на базе OpenAI Whisper Base, предназначенная для распознавания корейской речи в телефонных разговорах с низким качеством звука. Для обучения использована часть набора AI-HUB с аудиозаписями телефонной речи; общая длительность аудио составила около 240 771 секунды. Модель содержит 51,7 млн параметров и работает с аудио на входе, выдавая распознанный текст на корейском языке. На оценочном наборе указаны loss 0,4941 и CER 30,7538. Модель ориентирована на учебное использование; README также ограничивает её применение учебными целями. Лицензия в метаданных — Apache-2.0.

Whisper-Taiwanese-model-v0.5 — модель распознавания речи, разработанная Национальным университетом Тайнаня и дообученная на базе openai/whisper-large-v3-turbo для распознавания тайваньского хоккиена (тайваньского миньнаньского языка), в частности речи по материалам школьных учебников. Проект выполнялся в сотрудничестве с издательством 真平 и Национальным центром высокопроизводительных вычислений Тайваня в рамках образовательной инициативы TAIDE. Модель построена на архитектуре Whisper и содержит около 905,2 млн параметров. Для дообучения использовали собственные данные и материалы словаря распространённых тайваньских слов Министерства образования Тайваня; в README указан объём примерно 90 часов аудио. Ожидаемый вход — монофоническая WAV-запись с частотой 16 кГц, выход — текстовая расшифровка речи. Репозиторий опубликован в формате safetensors, для работы указана библиотека Transformers. Модель предназначена для распознавания тайваньского хоккиена, особенно учебной речи и материалов, связанных со школьными учебниками. Метаданные также отмечают английский и китайский языковые коды, однако README описывает специализацию именно на тайваньском хоккиене, поэтому её качество для других языков не подтверждено. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

BDRC-MITRA Tibetan OCR — компактная мультимодальная модель для постраничного распознавания тибетского текста. Её разработала команда Buddhist NLP; модель дообучена на Qwen/Qwen3.5-0.8B и использует архитектуру Qwen3.5 с поддержкой изображений и диалогового формата. Модель принимает изображение одной страницы или чётко выделенной области и возвращает транскрипцию в Unicode-тибетском письме: одна строка на каждую физическую строку страницы. Она предназначена для оцифровки ксилографов, рукописей и печатных текстов, а также для построения поисковых индексов и последующей обработки текста. Поддерживает письма dbu can (uchen) и dbu med (umed); для распознавания рекомендуется использовать инструкцию «Extract all text from this image». Для лучших результатов рекомендуются изображения с длинной стороной около 1500–2000 пикселей и размером до примерно 5 мегапикселей; слишком крупные сканы следует уменьшать. Сильный перекос и толстые поля ухудшают качество, а распознавание сильно повреждённых или скорописных рукописей umed может быть менее точным. Результаты, предназначенные для публикации, следует вычитывать. Лицензия в предоставленных данных не указана.

CAMeLBERT-Mix DID Madar Corpus26 — модель для определения арабского диалекта по тексту, разработанная CAMeL Lab. Она получена дообучением CAMeLBERT-Mix на наборе MADAR Corpus 26 с 26 классами диалектов и предназначена для классификации коротких высказываний; модель можно использовать через Transformers pipeline для text-classification. Архитектура основана на BERT, содержит 136,3 млн параметров и принимает до 512 токенов контекста. Метаданные указывают поддержку арабского языка и форматов PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0.

CAMeL-Lab разработала CAMeLBERT-Mix DID NADI — модель на архитектуре BERT для определения арабского диалекта по тексту. Модель дообучена на CAMeLBERT-Mix с использованием набора NADI на уровне стран; классификатор различает 21 метку диалектов. Модель предназначена для автоматической идентификации диалектов в арабских фразах и сообщениях. Она принимает текст и возвращает метку класса с оценкой уверенности; использовать её можно через pipeline text-classification в Transformers. Контекст составляет до 512 токенов, размер — 136,3 млн параметров. Поддерживаются арабский язык и форматы PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0. Качество предсказаний может зависеть от диалекта, длины и написания текста; карточка не приводит метрик оценки.

BERTc-165M-CSC — модель Ismantic для исправления орфографических ошибок в китайском тексте. Она дообучена на базе BERTc-165M и использует архитектуру с двумя головами: одна предсказывает правильный иероглиф в каждой позиции, другая определяет наличие ошибки; веса головы коррекции связаны с эмбеддингами токенов. Модель содержит 164,6 млн параметров, принимает текст и рассчитана на контекст до 1024 токенов. Модель подходит для автоматической коррекции китайских предложений и пакетной обработки списков предложений. Она заменяет символы на тех же позициях, не исправляет ошибки вставки или удаления символов. При выводе используется только голова коррекции, поэтому обнаружение ошибки не гарантирует, что модель предложит правильную замену. Порог уверенности позволяет отклонять сомнительные исправления, но не может добавить вариант, которого нет среди предсказаний головы коррекции. На 707 примерах официального теста SIGHAN-15 автор сообщает F1 на уровне целого предложения 0,8333 при пороге 0,7. Лицензия модели — Apache-2.0; лицензии обучающих данных определяются условиями соответствующих датасетов.

Koichi Yasuoka разработал модель DeBERTa V2 large для разметки частей речи в японском тексте. Она дообучена на текстах 青空文庫 на основе KoichiYasuoka/deberta-large-japanese-aozora и присваивает каждому короткому слову тег UPOS из набора Universal Dependencies. Модель также предназначена для синтаксического анализа зависимостей. Модель содержит 435,4 млн параметров, принимает текст и выдаёт метки токенов; размер контекста — 512 токенов. Для использования доступны веса PyTorch и библиотека Transformers. Лицензия — CC BY-SA 4.0. Модель рассчитана на японский язык и подходит для разметки японских текстов. Её возможности ограничены указанными задачами и длиной контекста; сведения о точности в карточке не приведены.

Diana Hungarian TTS — модель синтеза речи на венгерском языке, созданная автором репозитория на основе датасета KTH/hungarian-single-speaker-tts с записями одной женщины — диктора LibriVox. Модель использует архитектуру VITS и содержит 3,6 млн параметров; её веса преобразованы из формата jaywalnut310/vits в формат Transformers и сохранены в safetensors. Она принимает текст и генерирует аудио с частотой дискретизации 22 050 Гц. Модель предназначена для озвучивания венгерского текста одним женским голосом, в том числе для чтения книг и создания речевых образцов. Обучение проводилось на примерно 10 часах речи одного диктора; автор отмечает, что голос иногда может звучать монотонно. Для использования нужны phonemizer и espeak-ng. Лицензия — CC BY 4.0.

Ganga-1B — авторегрессионная языковая модель, разработанная Lingo Research Group при IIT Gandhinagar в рамках Project Unity. Она обучена преимущественно на очищенных веб-текстах на хинди: новостях, книгах, государственных и образовательных материалах, веб-страницах и публикациях в социальных сетях. Модель предназначена для генерации текста на хинди и английском языке, включая продолжение текста и ответы в текстовых сценариях. Модель использует плотную декодерную архитектуру MistralForCausalLM примерно на 934 млн параметров. Метаданные каталога указывают контекст до 131 072 токенов; в README приведена техническая спецификация с контекстом 2 048 токенов. Модель принимает и генерирует текст, а основным языком является хинди. Указанная лицензия — Apache 2.0. Карточка сообщает о сравнительных результатах по perplexity и токенизатору, но раздел оценки помечен как требующий дополнительной информации, поэтому качество на широком наборе задач по этим данным оценить нельзя. Это исследовательский предварительный выпуск; README предупреждает о слабых мерах безопасности и возможности оскорбительных генераций.

LerrySamson/grammar_error_detection — дообученная модель DistilBERT для классификации токенов, созданная на основе distilbert/distilbert-base-uncased. Она предназначена для обнаружения грамматических ошибок в тексте: предсказания метки для каждого токена могут помочь находить фрагменты, требующие исправления. Модель построена на архитектуре DistilBertForTokenClassification и принимает текстовый контекст длиной до 512 токенов. В README приведены результаты на тестовой выборке: accuracy 0,9819, F1 0,9196, precision 0,9278 и recall 0,9117. Датасет и схема меток не описаны, поэтому нельзя оценить охват типов ошибок и переносимость метрик на другие данные. Модель распространяется по лицензии Apache-2.0.

Haary/haryra-7b-mistral-id — разговорная модель на архитектуре Mistral, опубликованная в формате safetensors. Согласно README, это версия Ichsan2895/Merak-7B-v4, полученная с помощью QLoRA; метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате. В карточке указаны индонезийский и английский языки, но сценарии её применения и сравнительные оценки качества не описаны. Для работы используется Transformers; README отмечает, что для версий Transformers не новее 4.34 может потребоваться установка из исходного кода. Модель распространяется по лицензии CC BY-SA 4.0. Данных о специальных ограничениях на применение или результатах оценки качества в карточке нет.

IndicBART-XLSum — многоязычная модель типа sequence-to-sequence на архитектуре mBART, разработанная AI4Bharat для работы с индийскими языками. Она обучена на индийской части корпуса XLSum и предназначена прежде всего для суммаризации текста на бенгальском, гуджарати, хинди, маратхи, пенджаби, тамильском и телугу. Размер модели — 166,2 млн параметров, длина контекста — 1024 токена; модель использует отдельную письменность каждого языка без преобразования в деванагари. Модель подходит для создания кратких изложений и обработки новостных текстов на поддерживаемых языках. По сравнению с mBART и mT5-base она меньше и требует меньше вычислительных ресурсов при дообучении и генерации. В README приведены результаты ROUGE для части языков XLSum. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

gsarti/it5-base — базовая итальянская модель семейства IT5, разработанная Габриэле Сарти и Мальвиной Ниссим при поддержке Hugging Face и Google TPU Research Cloud. Это плотный трансформер encoder-decoder T5 для генерации текста по текстовому входу; модель содержит 123,7 млн параметров и доступна в форматах PyTorch, TensorFlow и Flax. Модель предварительно обучена на одном проходе по очищенному итальянскому корпусу mC4 (около 41 млрд слов) с конфигурацией google/t5-v1_1-base. Она служит основой для дообучения под конкретные задачи понимания и генерации текста на итальянском языке; сама по себе без такого дообучения мало пригодна для практических downstream-сценариев. Лицензия — Apache-2.0. Корпус собран из веб-страниц, поэтому модель может воспроизводить и усиливать содержащиеся в данных предубеждения, включая расовые и гендерные стереотипы и конспирологические взгляды. Авторы рекомендуют изучать эти смещения и ограничивать применение исследовательскими, не ориентированными на конечных пользователей сценариями.

Kallamni-4B-v1 — разговорная языковая модель, разработанная автором репозитория и дообученная на базе Qwen/Qwen3-4B для понимания и генерации естественного эмиратского диалекта арабского языка. Модель предназначена для диалогов в стиле повседневной речи ОАЭ и старается сохранять местную лексику, формулировки и эмоциональную интонацию, избегая перехода на литературный арабский и другие диалекты. Модель использует плотную архитектуру Qwen3 с 3,7 млрд параметров и поддерживает контекст до 262 144 токенов. Для обучения использованы 58 000 синтетических примеров эмиратских диалогов; карточка сообщает о тонкой настройке с Unsloth и TRL и расширении токенизатора для диалектной лексики. В карточке приведена оценка людей, по которой более 90% сгенерированного текста звучало аутентично, но подробности протокола оценки не описаны. Модель подходит для создания диалоговых ассистентов, постов и диалогов на эмиратском диалекте. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Korean-OpenOrca-v3 — это авторегрессионная языковая модель на архитектуре LLaMA 2, разработанная Kyujin Han (kyujinpy) в консорциуме LLM-исследований компаний Media Group Sarang-gwa-Sup и Marker. Модель содержит 12,9 млрд параметров и имеет контекст 2048 токенов; она доступна в формате Safetensors и предназначена для генерации текста, прежде всего на корейском языке. Модель дообучена на корейской версии набора OpenOrca, подготовленной с использованием машинного перевода DeepL. Её можно применять для ответов на вопросы, диалога и генерации текста на корейском языке. В карточке приведены сравнительные результаты на корейских тестах Ko-ARC, Ko-HellaSwag, Ko-MMLU, Ko-TruthfulQA и Ko-CommonGen V2. Лицензия CC BY-NC-SA 4.0 требует указания авторства, ограничивает коммерческое использование и предписывает распространять производные материалы на тех же условиях. Короткое контекстное окно и зависимость обучающих данных от машинного перевода могут ограничивать качество на длинных запросах и отдельных языковых задачах.

GAI-LLM/KoSOLAR-10.7B-dpo-v1 — авторегрессионная языковая модель на архитектуре LLaMA 2, разработанная Donghoon Oh, Hanmin Myung и Eunyoung Kim из SK C&C G.AI Eng. Модель содержит 10,7 млрд параметров, принимает текст и генерирует текст; длина контекста — 4096 токенов. Модель обучена методом DPO на смешанном наборе открытых корейских данных и предназначена для генерации текста на корейском языке. Её можно применять для диалоговых ответов и создания корейского текста; карточка также указывает оценивание на KO-LLM Leaderboard. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

MasryGPT Chat — диалоговая языковая модель на 1,5 млрд параметров, разработанная проектом ISLAM-PO на базе Qwen2.5-1.5B-Instruct и дообученная для общения на египетском арабском диалекте (масри). Модель использует архитектуру Qwen2 с плотной causal language model; в README описано обучение методом QLoRA с Unsloth и объединение весов в 16-битный вариант. Контекст модели составляет до 32 768 токенов. Модель предназначена для чат-ботов, поддержки клиентов, общения в соцсетях и образовательных сценариев в Египте, где нужны повседневная речь, идиомы и юмор на масри. В README указаны 80 000 обучающих примеров и внутренний пилот с оценкой носителей языка, однако это не независимый бенчмарк. Сильная сторона модели — адаптация компактной instruct-модели к египетскому разговорному языку; авторы сообщают, что 4-битный запуск возможен на одной T4. Известные ограничения: ответы могут быть короткими, модель иногда выдумывает факты и хуже справляется с идиомами; дообучение также ухудшило ответы на литературном арабском. Лицензия — Apache-2.0.

Mixtral-8x7B-Instruct-v0.1-japanese-alpha-merged — модель ABEJA, созданная на основе Mixtral-8x7B-Instruct-v0.1. В ней применено слияние разницы весов с моделью, проходившей продолжающее предварительное обучение с расширением японского словаря; опубликована как промежуточная модель для оценки в техническом блоге ABEJA. Это языковая модель архитектуры Mixtral с разреженной смесью экспертов (MoE), примерно 7,2 млрд параметров и контекстом до 32 768 токенов. Она предназначена для генерации текста и инструкционного диалога, прежде всего на японском языке. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Модель может подойти для японских чат-ботов, генерации и продолжения текста, а также для экспериментов с японским языковым моделированием. Поскольку опубликована как промежуточный результат обучения и оценки, её качество и пригодность для конкретных сценариев следует проверять отдельно.

facebook/mms-1b — мультиязычная предобученная модель речи от Facebook AI, разработанная Vineel Pratap и соавторами. Это плотная архитектура Wav2Vec2 с 1,3 млрд параметров, обученная с самоконтролем примерно на 500 000 часах речи более чем на 1 400 языках. Для входного аудио требуется частота дискретизации 16 кГц. Модель служит основой для дообучения под конкретные задачи обработки речи, включая автоматическое распознавание речи, перевод и классификацию. Сам репозиторий содержит чекпойнт предобучения, а не готовую модель для этих прикладных задач. Указанная лицензия CC-BY-NC 4.0 запрещает коммерческое использование без дополнительных прав.

Модель onecxi/mms-telugu-female-indic — система синтеза речи, дообученная на датасете IndicTTS для женского голоса, говорящего на телугу. Она построена на архитектуре VITS и основана на facebook/mms-tts; число параметров — 3,6 млн. Модель принимает текст на телугу и генерирует речь на этом языке. Модель подходит для озвучивания фраз и коротких текстов на телугу женским голосом. Для запуска автор указывает библиотеки Transformers и Accelerate. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка запрещает выдавать сгенерированную речь за голос реального человека без его согласия и использовать модель для мошеннического или иного вредоносного контента.

facebook/mms-tts-acr — модель синтеза речи на языке Achi (код acr) из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на Achi. Для каждого языка MMS-TTS обучается отдельный чекпойнт. Модель использует архитектуру VITS — сквозную систему синтеза речи на основе вариационного автоэнкодера, потоковых преобразований и декодера, сходного с HiFi-GAN. В метаданных указано 3,5 млн параметров; доступны веса PyTorch и safetensors, модель используется через Transformers версии 4.33 и новее. Генерация недетерминирована: для воспроизводимого результата требуется фиксированное случайное зерно. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-adx — модель синтеза речи на языке тибетский амдо (adx), разработанная Facebook в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка из семейства MMS-TTS; модель принимает текст и генерирует речевую аудиоволну. Она построена на архитектуре VITS — сквозной системе синтеза речи с вариационным автоэнкодером, flow-модулем и декодером в стиле HiFi-GAN. В метаданных указано 3,6 млн параметров; модель доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Модель предназначена для озвучивания текста на тибетском амдо, например для голосовых интерфейсов и создания аудиоверсий текстов. Стохастический предиктор длительности позволяет получать варианты с разным ритмом, поэтому генерация недетерминирована и для повторения результата требуется фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но не для коммерческих целей.

facebook/mms-tts-bzj — модель синтеза речи на Belize English Creole (код языка bzj), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну; отдельный чекпойнт VITS обучен для этого языка. Архитектура VITS объединяет текстовый энкодер на основе Transformer, вариационный автоэнкодер, нормализующие потоки, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN. Модель содержит 3,5 млн параметров и доступна в форматах PyTorch и Safetensors. Чекпойнт предназначен для озвучивания текста на Belize English Creole и может применяться в голосовых интерфейсах, озвучке и создании речевого контента. Стохастический предиктор позволяет получать варианты ритма; для повторяемого результата README рекомендует фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-dbj — модель синтеза речи на языке идаан (код ISO 639-3: dbj), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на идаанском языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, потоковый модуль и HiFi-GAN-подобный декодер объединены в сквозную систему синтеза. В чекпойнте 3,5 млн параметров; для того же текста возможны варианты ритма и произношения, поэтому генерация может быть недетерминированной. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель рассчитана на один язык, поэтому её не следует считать универсальным или многоязычным синтезатором; качество для конкретных текстов и сценариев зависит от данных обучения.

facebook/mms-tts-ddn — модель синтеза речи на языке денди (Dendi, код ddn), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт семейства MMS-TTS, построенный на архитектуре VITS и преобразующий входной текст в речевую аудиоволну. Модель доступна через библиотеку Transformers версии 4.33 и новее. VITS объединяет вариационный автоэнкодер, flow-модуль с текстовым энкодером на основе Transformer, стохастический предиктор длительности и декодер, похожий на HiFi-GAN. Стохастический предиктор позволяет получать разные ритмические варианты произношения одного текста; результат может меняться между запусками, поэтому для воспроизводимости нужен фиксированный seed. Чекпойнт имеет 3,5 млн параметров и распространяется по лицензии CC-BY-NC-4.0, которая запрещает коммерческое использование.

facebook/mms-tts-dgi — модель синтеза речи для языка Dagara, Northern (dgi), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст на этом языке в речевую аудиоволну и подходит для озвучивания текста и создания речевых интерфейсов для носителей языка. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; в VITS синтез выполняется сквозным способом, а стохастический предиктор длительности позволяет варьировать ритм речи. Для повторяемой генерации одного и того же аудио требуется фиксированное случайное зерно. Модель доступна через Transformers версии 4.33 и выше, веса представлены в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-dzo — модель синтеза речи на дзонг-кэ (dzo), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует текст на дзонг-кэ в речевую аудиоволну и предназначена для озвучивания текста и создания речевых интерфейсов на этом языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, flow-модуль, декодер и стохастический предсказатель длительности, который позволяет получать разные ритмические варианты речи для одного текста. Это отдельный языковой чекпойнт проекта MMS; размер модели — 3,6 млн параметров. Доступны веса PyTorch и Safetensors, модель поддерживается библиотекой Transformers версии 4.33 и выше. Генерация недетерминирована: для повторения того же результата требуется фиксировать seed. Модель предназначена для синтеза речи на дзонг-кэ; лицензия CC BY-NC 4.0 допускает использование с указанием авторства и ограничивает коммерческое применение.

facebook/mms-tts-fon — модель синтеза речи на языке фон, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на фонском языке. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, Transformer-энкодер текста, потоковые слои и декодер, подобный HiFi-GAN; размер составляет 3,5 млн параметров. Стохастический предсказатель длительности позволяет получать разные ритмические варианты произношения одного текста, поэтому результат может меняться между запусками; для воспроизводимого результата нужен фиксированный seed. Для каждого языка MMS обучается отдельный чекпойнт. 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-gna — модель синтеза речи на языке каанса (gna), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка из семейства MMS-TTS, построенный на архитектуре VITS и содержащий около 3,6 млн параметров. Модель принимает текст на каанса и генерирует речевую аудиоволну; для работы доступна через библиотеку Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на каанса, например для голосовых интерфейсов и создания аудиоверсий текстов. Стохастический предиктор длительности позволяет варьировать ритм речи, поэтому при одинаковом тексте возможны разные варианты звучания; для воспроизводимого результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.