I.6Перевод и языковая адаптация

facebook/mms-tts-qvo — модель синтеза речи на языке кичуа Напо (qvo), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и подходит для озвучивания текстов и создания речевых интерфейсов. Модель использует архитектуру VITS: текстовый энкодер, flow-модуль, стохастический предиктор длительности и декодер, обученные совместно. Веса представлены в форматах PyTorch и Safetensors; размер модели — 3,5 млн параметров. Для повторяемого результата при генерации требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-rub — модель синтеза речи на языке гунгу (rub), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Для каждого языка MMS-TTS обучается отдельный чекпойнт; эта модель преобразует входной текст в речевую аудиоволну и доступна через библиотеку Transformers. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, flow-модуль с текстовым энкодером на основе Transformer, предсказатель длительности и декодер, похожий на HiFi-GAN. Веса представлены в форматах PyTorch и Safetensors; размер модели — 3,5 млн параметров. Стохастический предсказатель длительности позволяет варьировать ритм синтеза, поэтому для повторения того же результата требуется фиксировать seed. Модель предназначена для генерации речи на гунгу из текста. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Карточка не сообщает длину контекста или дополнительные языки синтеза.

facebook/mms-tts-sas — модель синтеза речи на языке сасак, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевой аудиосигнал и предназначена для озвучивания текста на сасакском языке. Модель построена на архитектуре VITS и обучена отдельно для этого языка. В её составе — текстовый энкодер на основе Transformer, flow-модуль, декодер HiFi-GAN и стохастический предиктор длительности, благодаря которому один текст может произноситься с разным ритмом. Размер модели — 3,5 млн параметров; для воспроизводимого результата генерации требуется фиксировать seed. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-stp — модель синтеза речи на языке тепехуан, юго-восточный (stp), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания фраз и текстов на этом языке. Модель построена на архитектуре VITS: использует текстовый энкодер на основе Transformer, потоковый модуль, стохастический предиктор длительности и декодер, похожий на HiFi-GAN; обучение выполнялось сквозным методом. В репозитории указаны 3,5 млн параметров, веса доступны в форматах PyTorch и Safetensors, а для запуска поддерживается библиотека Transformers версии 4.33 и новее. Предсказатель длительности стохастический, поэтому результат может меняться между запусками; для воспроизводимой генерации требуется фиксированное случайное зерно. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-tby — модель синтеза речи на языке табару из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует текст на табару в речевую аудиоволну и предназначена для озвучивания текстов и создания речевого вывода для приложений на этом языке. Модель использует архитектуру VITS и содержит 3,5 млн параметров. Это отдельный чекпойнт, обученный для табару; он доступен в Transformers версии 4.33 и новее. Стохастический предиктор длительности позволяет варьировать ритм произношения, поэтому для повторяемого результата требуется фиксированное начальное значение генератора случайных чисел. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение. Модель рассчитана на синтез речи на табару; качество и применимость к другим языкам карточка не описывает.

facebook/mms-tts-yua — модель синтеза речи на юкатекском языке майя (yua), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст в речевую аудиоволну и предназначена для озвучивания текста на юкатекском языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, потоковый модуль и декодер, формирующий аудиосигнал; предсказатель длительности позволяет варьировать ритм речи. Размер модели — 3,5 млн параметров. Для каждой языковой версии MMS-TTS обучена отдельная модель. Повторяемая генерация требует фиксированного случайного seed. Модель доступна через Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-zne — модель синтеза речи на языке занде (zne), созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на занде в речевую аудиоволну и подходит для озвучивания текстов и создания речевых интерфейсов на этом языке. Модель использует архитектуру VITS: текстовый энкодер на базе Transformer, flow-модуль, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN. Это энд-ту-энд вариационный автоэнкодер с состязательным обучением; размер — 3,5 млн параметров. Для воспроизводимого результата при генерации требуется фиксировать seed. Модель доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства в рамках условий лицензии, но запрещает коммерческое применение.

Koichi Yasuoka разработал ModernBERT-модель для разметки японского текста. Она дообучена на основе KoichiYasuoka/modernbert-base-japanese-wikipedia и предварительно обучалась на японской Википедии и текстах 青空文庫. Модель присваивает каждому длинному слову части речи по схеме UPOS и признаки FEATS; карточка также указывает назначение для синтаксического анализа зависимостей. Модель имеет плотную архитектуру ModernBERT с 160,2 млн параметров и контекстом до 8192 токенов. Её можно применять для морфологического и синтаксического анализа японских текстов, например в NLP-конвейерах на базе Transformers. Для запуска в примере README используется trust_remote_code=True. Лицензия — Apache-2.0.

Карточка модели mingzhenkai/MOSS-TTS-v1.5 на Hugging Face совпадает с карточкой OpenMOSS-Team/MOSS-TTS-v1.5, поэтому описание составлено по ней. MOSS-TTS-v1.5 — многоязычная модель синтеза речи, разработанная командой OpenMOSS-Team и продолжающая MOSS-TTS 1.0. Это плотная модель семейства moss_tts_delay; веса опубликованы в формате safetensors. Модель принимает текст и генерирует речь, поддерживает клонирование голоса по аудиореференсу, длинные высказывания, управление длительностью на уровне токенов, произношением через Pinyin и IPA, переключение языков и вставку пауз с помощью текстовых маркеров. Версия 1.5 улучшает синтез при явном указании языка, стабильность сходства голоса при клонировании и следование пунктуационным паузам; также она надёжнее работает, когда аудиореференс значительно длиннее целевого текста. Поддерживается 31 язык, включая китайский, кантонский, английский, русский, японский, арабский и ряд европейских и азиатских языков. Модель лицензирована по Apache-2.0. Для запуска README рекомендует Transformers 5.0.0; доступность и качество могут различаться по языкам, а без языкового тега некоторые языки могут звучать хуже, чем в версии 1.0.

VARabic/NADI2024-baseline — модель на архитектуре BERT, дообученная для определения арабского диалекта по тексту. Она обучена на обучающих наборах NADI 2020, 2021 и 2023 годов и MADAR 2018. Хотя модель описана как классификатор с одной меткой, её логиты используются для формирования многометочных предсказаний диалектов. Модель предназначена для автоматической идентификации разновидностей арабского языка в текстах. Она содержит 190 млн параметров, работает с текстом и поддерживает контекст до 512 токенов; в метаданных указаны PyTorch и архитектура BertForSequenceClassification. Базовая модель — MarBERTv2. Модель ориентирована на арабский язык и задачу определения диалекта. Качество за пределами обучающих наборов и для текстов длиннее контекстного окна не описано. Лицензия в предоставленных данных не указана.

jaeyong2/neutts-air-ko — дообученная версия модели Neuphonic neutts-air для синтеза речи из текста. Модель основана на архитектуре Qwen2 и содержит 552,8 млн параметров; в метаданных указан контекст длиной 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для преобразования текста в речь. В карточке указаны корейский и английский языки. Базовая модель Neuphonic поддерживает клонирование голоса по короткому аудиообразцу, однако карточка этой версии не подтверждает такую возможность отдельно. Модель распространяется по лицензии Apache-2.0.

NeuTTS-Air Vietnamese — модель синтеза речи на вьетнамском языке, дообученная автором репозитория на базе neuphonic/neutts-air. Это плотная авторегрессионная модель Qwen2.5 с примерно 552,8 млн параметров; для синтеза использует аудиокодек NeuCodec и формирует речь с частотой дискретизации 24 кГц. Заявлены нормализация вьетнамского текста с ViNorm, клонирование голоса по эталонной аудиозаписи и быстрый вывод; контекст модели — 32 768 токенов. Модель предназначена для озвучивания вьетнамского текста, включая образовательные материалы, аудиокниги, приложения доступности и голосовые интерфейсы. Для клонирования требуется эталонное аудио; автор рекомендует чистую запись длительностью 3–10 секунд. Модель может хуже работать с предложениями длиннее 100 слов, а для лучшего качества вьетнамский текст должен содержать правильные диакритические знаки. Модель распространяется по лицензии Apache-2.0. В карточке также отмечены риски несанкционированного клонирования голоса и использования синтезированной речи для обмана или дезинформации; для клонирования следует использовать записи с согласия говорящего.

HoangQuocViet25/nlp-btl-wikilingua-b — модель суммаризации на основе архитектуры T5, дообученная на наборе данных WikiLingua. Она предназначена для создания кратких изложений текстов на вьетнамском языке. Модель содержит 126,8 млн параметров, использует формат safetensors и рассчитана на контекст до 512 токенов. Базовая модель — VietAI/vit5-base, предварительно обученная для генерации текста на вьетнамском языке. Модель распространяется по лицензии MIT. Карточка не содержит дополнительных сведений о качестве суммаризации или ограничениях применения.

NMikka разработал OmniVoice Georgian — вариант OmniVoice, дообученный для синтеза грузинской речи. Модель принимает текст и может использовать аудиозапись образца голоса для клонирования голоса без дополнительного обучения; также предусмотрен режим задания характеристик голоса без образца. Авторы сообщают о дообучении на примерно 150 часах грузинской речи от 29 дикторов. Модель предназначена прежде всего для преобразования грузинского текста в речь, а также для синтеза на английском и кросс-языкового клонирования голоса с грузинским образцом. По данным README, качество грузинской фонетики и интонации улучшилось по отзывам носителей, а разборчивость на FLEURS близка к исходной OmniVoice. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. К ограничениям авторы относят отсутствие формальной оценки MOS, небольшое снижение сходства с голосом диктора и недостаточную проверку просодии при синтезе на английском. Улучшение качества оценивается частично по отзывам слушателей, а поддержка языков помимо грузинского и английского после узкоязычного дообучения может ухудшиться.

GAI-LLM/OPEN-SOLAR-KO-10.7B-dpo-v1 — авторегрессионная языковая модель на архитектуре LLaMA 2, разработанная Donghoon Oh и Hanmin Myung из SK C&C G.AI Eng. Модель содержит 10,7 млрд параметров и предназначена для генерации текста на корейском языке; вход и выход представлены текстом, максимальный контекст — 2048 токенов. Модель дообучена методом DPO на смешанном наборе Open Korean Dataset и основана на GAI-LLM/OPEN-SOLAR-KO-10.7B-mixed-v15. Её можно применять для диалогов, написания и продолжения корейских текстов. Для загрузки предусмотрена библиотека Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Карточка модели Ojey007/orpheus-3b-tts-multilingual на Hugging Face совпадает с карточкой Sunbird/orpheus-3b-tts-multilingual, поэтому описание составлено по ней. Orpheus-3B Sunbird Multilingual TTS — модель Sunbird AI для синтеза речи из текста. Это дообученная на полном корпусе Sunbird/tts модель unsloth/orpheus-3b-0.1-pretrained с архитектурой Llama и 3,3 млрд параметров. Она генерирует монофоническое аудио с частотой 24 кГц через аудиокодек SNAC; выбор голоса задаётся идентификатором говорящего в запросе, а отдельного переключателя языка нет. Модель охватывает 20 конфигураций языковых данных, включая английский и языки Африки с ограниченными ресурсами: ачоли, африкаанс, эве, фула, хауса, игбо, кикуйю, киньяруанда, лугбара, лингала, луганда, луо, рунянколе, сесото, суахили, атесо, сетсвана, коса и йоруба. Доступность отдельных голосов зависит от языка. Качество различается в зависимости от объёма обучающих данных, поэтому перед применением следует прослушать примеры для нужного языка и голоса. Контекст модели — 131 072 токена. Лицензия — Apache-2.0.

Orpheus-3B Sunbird Multilingual TTS — модель Sunbird AI для синтеза речи из текста. Это дообученная на полном корпусе Sunbird/tts модель unsloth/orpheus-3b-0.1-pretrained с архитектурой Llama и 3,3 млрд параметров. Она генерирует монофоническое аудио с частотой 24 кГц через аудиокодек SNAC; выбор голоса задаётся идентификатором говорящего в запросе, а отдельного переключателя языка нет. Модель охватывает 20 конфигураций языковых данных, включая английский и языки Африки с ограниченными ресурсами: ачоли, африкаанс, эве, фула, хауса, игбо, кикуйю, киньяруанда, лугбара, лингала, луганда, луо, рунянколе, сесото, суахили, атесо, сетсвана, коса и йоруба. Доступность отдельных голосов зависит от языка. Качество различается в зависимости от объёма обучающих данных, поэтому перед применением следует прослушать примеры для нужного языка и голоса. Контекст модели — 131 072 токена. Лицензия — Apache-2.0.

Peacock — мультимодальная модель семейства InstructBLIP, разработанная UBC-NLP для работы с изображениями на арабском языке. В качестве языковой модели она использует AraLLaMA; модель предназначена для генерации текстовых описаний изображений и ответов о визуальном содержимом. Репозиторий содержит веса PyTorch, а карточка указывает лицензию «other».

HooshvareLab/pn-summary-mt5-base — модель суммаризации статей, разработанная HooshvareLab и дообученная на наборе данных pnSummary. Она построена на архитектуре mT5-base и предназначена для сокращения статей до краткого содержания. Карточка приводит результаты оценки по метрике ROUGE на валидационной и тестовой выборках. Модель ориентирована на персидский язык. В репозитории указаны веса PyTorch. Сведений о длине контекста и лицензии в предоставленных материалах нет.

Карточка модели jaeyong2/Qwen2.5-1.5B-Instruct-Thai-SFT на Hugging Face совпадает с карточкой jaeyong2/Qwen2.5-1.5B-Instruct-Viet-SFT, поэтому описание составлено по ней. jaeyong2/Qwen2.5-1.5B-Instruct-Viet-SFT — дообученная разработчиком на вьетнамских данных модель Qwen2.5-1.5B-Instruct для диалогов и генерации текста. Это плотная авторегрессионная языковая модель с 1,5 млрд параметров, рассчитанная на работу через Transformers; модель принимает текст и генерирует текст, поддерживая контекст до 32 768 токенов. Метаданные указывают на поддержку вьетнамского и английского языков, а также на интерфейсы чата и вызова инструментов. Модель распространяется по лицензии Apache-2.0.

Sailor-0.5B-Chat — чат-модель из семейства открытых языковых моделей Sailor, разработанного для языков Юго-Восточной Азии. Она создана дообучением Sailor-0.5B на открытых наборах инструкций и диалогов. Модель использует плотную архитектуру Qwen2 с примерно 464 млн параметров и контекстом до 32 768 токенов. Модель предназначена для генерации ответов в диалоге, ответов на вопросы и решения задач на рассуждение на языках региона, включая индонезийский, тайский, вьетнамский и малайский. Обучение Sailor также ориентировано на лаосский, но метаданные карточки подтверждают языки en, zh, id, th и vi. Модель принимает текст и выдаёт текст. Репозиторий содержит веса в формате safetensors; для работы рекомендуется Transformers версии 4.37.0 или новее. Лицензия — Apache-2.0. Результаты могут быть слабее на языках и задачах вне целевого региона; в карточке нет количественных оценок качества именно этой версии.

SeaQwen2-0.5B — разговорная языковая модель, разработанная Тоти Риккардо и дообученная на базе Qwen/Qwen2-0.5B на итальянском переводном наборе данных Seacom/rag-data. Модель построена на архитектуре Qwen2, содержит 494 млн параметров и распространяется в формате safetensors. Для генерации текста заявлена длина контекста до 131 072 токенов. Модель предназначена для генерации текста и диалоговых сценариев на итальянском языке. В README приведены результаты оценки на итальянских вариантах бенчмарков HellaSwag и ARC. Лицензия — Apache-2.0. Приведённые результаты не устанавливают качество для всех сценариев; данных о дополнительных ограничениях нет.

Sentence-ALDi — модель на основе BERT, разработанная для оценки степени диалектности арабского текста. Она дообучена на базе MarBERT и использует регрессионную голову для предсказания уровня диалектности. Модель предназначена для анализа отдельных текстов; заявленная языковая поддержка — арабский. Модель решает задачу классификации текста по тегу Hugging Face, хотя её выход описан как регрессионная оценка. Параметры модели составляют 190 млн, максимальная длина контекста — 512 токенов. Для обучения использован датасет AOC-ALDi; файлы представлены в формате PyTorch. Лицензия в предоставленных данных не указана.

Это версия SpeechT5 для синтеза датской речи из текста, созданная JackismyShephard дообучением модели microsoft/speecht5_tts на датасете NST Danish ASR Database. Архитектура основана на SpeechT5; модель предназначена как простой вариант синтеза датской речи с приемлемым качеством и временем вывода. В оценке на тестовой выборке указана функция потерь 0,3692. Модель принимает датский текст и выдаёт лог-мел-спектрограмму. Для получения звуковой волны требуется преобразовать её с помощью microsoft/speecht5_hifigan; при необходимости результат можно дополнительно улучшить. Для лучшего звучания рекомендуется датский эмбеддинг голоса, например построенный по аудиозаписи из обучающей части NST-DA. Модель распространяется по лицензии MIT.

nikolab/speecht5_tts_hr — модель синтеза речи на хорватском языке, созданная дообучением SpeechT5 от Microsoft. Она преобразует текст в аудио и предназначена для озвучивания хорватских текстов. Модель использует архитектуру SpeechT5 с общими энкодером и декодером и отдельными сетями для текстовой и речевой модальностей. Для дообучения использован хорватский материал из VoxPopuli: около 43 часов размеченной речи от 83 дикторов. README сообщает, что испытания показали перспективные результаты, но модель плохо справляется с длинными входными текстами — свыше 20 слов; для таких случаев авторы рекомендуют разбивать текст на короткие фрагменты. Модель распространяется по лицензии MIT.

Sungur-9B-GGUF — квантованная версия модели Sungur-9B, разработанная Şuayp Talha Kocabay. Это специализированная большая языковая модель для турецкого языка, предназначенная для генерации связного и контекстно уместного текста, ответов на вопросы и решения текстовых задач на турецком языке. Модель унаследована от ytu-ce-cosmos/Turkish-Gemma-9b-v0.1, созданной на основе Gemma-2-9b, и имеет около 9 млрд параметров. Она дообучалась методом Direct Preference Optimization на наборе из 7 тысяч примеров, сформированном с использованием перевода, а затем адаптировалась с помощью 4-битного QLoRA. Формат GGUF ориентирован на запуск квантованной модели в совместимых инструментах. В README указана поддержка турецкого языка и текстовая модальность; размер контекста не указан. К сильным сторонам относятся специализация на турецком языке, улучшенное соответствие человеческим предпочтениям и хорошие результаты на ряде турецких тестов, включая GSM8K, HellaSwag и Winogrande. Ограничения включают зависимость качества от квантования и отсутствие заявлений о мультиязычности, работе с изображениями или других модальностях. Модель распространяется по лицензии Gemma/Gemma 2; точные условия следует уточнять в лицензии исходных компонентов и репозитории модели.

jieunhan/TEST_MODEL — диалоговая языковая модель на архитектуре Mixtral с 10,6 млрд параметров, собранная слиянием upstage/SOLAR-10.7B-v1.0 и yanolja/EEVE-Korean-10.8B-v1.0. В README также указано, что модель дообучалась методом Direct Preference Optimization (DPO) с использованием Axolotl; метаданные классифицируют её происхождение как слияние. Модель предназначена для генерации текста и ответов в формате диалога. В карточке указано расширение корейского словаря исходной модели; контекст составляет 4096 токенов. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Модель ориентирована на корейский язык, однако карточка не содержит подробной оценки качества или описания ограничений. Репозиторий помечен как тестовый, поэтому пригодность для практического применения следует проверять на целевых сценариях.

Piyush3142/trocr-sanskrit-ocr — дообученная модель TrOCR на базе microsoft/trocr-base-printed для распознавания санскритского текста на изображениях рукописей и печатных ведических текстов. Архитектура модели — vision-encoder-decoder; она принимает изображение и генерирует текст в транслитерации IAST. Для получения письма деванагари распознанный текст можно преобразовать отдельно. Модель обучена на наборе yzk/veda-ocr-ms, содержащем около 11,7 тысячи изображений санскритских рукописей, в течение двух эпох. Она предназначена для OCR материалов, похожих по стилю на обучающие данные. Модель распространяется по лицензии MIT. Качество может снижаться на рукописном тексте, повреждённых изображениях и материалах, отличающихся от обучающих ведических текстов.

Vistral-7B-Chat — вьетнамская разговорная языковая модель, разработанная на основе Mistral 7B. Авторы расширили токенизатор для лучшей поддержки вьетнамского языка, продолжили предварительное обучение на очищенных и дедуплицированных вьетнамских текстах, а затем дообучили модель на инструкциях для многоходового диалога и согласования с критериями безопасности во Вьетнаме. Модель предназначена для общения на вьетнамском языке, ответов на вопросы и выполнения инструкций в чат-сценариях. Авторы сообщают о среднем результате 50,07% на VMLU — наборе тестов по STEM, гуманитарным и общественным дисциплинам. Для локального запуска необходим предусмотренный авторами шаблон чата. Модель доступна в форматах PyTorch и Safetensors и распространяется по лицензии AFL-3.0. Модель может галлюцинировать, выдавать токсичный контент и проявлять предвзятость; перед внедрением её рекомендуется отдельно оценить и обезопасить.

VoiceTut-TTS — открытая модель синтеза речи, разработанная на базе OmniVoice и дообученная для египетского арабского языка. Она озвучивает арабский текст, в том числе смешанный с английскими словами, и поддерживает управление произношением с помощью диакритических знаков.