I.6Перевод и языковая адаптация

facebook/mms-tts-hui — модель синтеза речи на языке хули (hui), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на хули. Модель использует архитектуру VITS: текстовый энкодер на базе Transformer, flow-модуль, стохастический предсказатель длительности и декодер, построенный по принципу HiFi-GAN. Чекпойнт содержит 3,5 млн параметров; для разных языков проекта MMS обучаются отдельные модели. Для повторения той же генерации требуется фиксированное случайное зерно, поскольку предсказатель длительности стохастический. Модель распространяется в форматах PyTorch и Safetensors и 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-inb — модель синтеза речи на языке инга (Inga, код inb), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель построена на архитектуре VITS: сочетает вариационный автоэнкодер, Transformer-энкодер текста, потоковый модуль, декодер в стиле HiFi-GAN и стохастический предиктор длительности. Чекпойнт содержит 3,5 млн параметров; доступен в форматах PyTorch и Safetensors и используется через Transformers версии 4.33 или новее. Модель обучена отдельно для языка инга. Генерация недетерминирована: для повторения того же аудио нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

facebook/mms-tts-kdc — модель синтеза речи для языка Kutu (kdc), созданная Meta в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт семейства VITS: он принимает текст и генерирует речевую аудиоволну. Архитектура VITS объединяет вариационный автоэнкодер, Transformer-энкодер текста, нормализующие потоки, стохастический предсказатель длительности и декодер на основе HiFi-GAN; размер модели — 3,5 млн параметров. Модель предназначена для озвучивания текста на языке Kutu. Стохастический предсказатель позволяет получать разные ритмические варианты речи для одного и того же текста, поэтому при фиксированном seed можно воспроизводить тот же результат. Чекпойнт доступен в PyTorch и Safetensors и поддерживается библиотекой Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-kle — модель синтеза речи на языке кулунг (код kle), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на кулунг в речевую аудиоволну; для применения доступна через библиотеку Transformers версии 4.33 и новее. Модель построена на архитектуре VITS и содержит около 3,6 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; генерация использует стохастический предиктор длительности, поэтому один и тот же текст может звучать с разным ритмом, а для повторения результата требуется фиксированное случайное зерно. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-klw — модель синтеза речи на языке Tado (klw), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на Tado в речевую аудиоволну; для каждого языка MMS обучается отдельный чекпойнт. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. VITS объединяет вариационный автоэнкодер, Transformer-энкодер текста, flow-модуль, декодер в стиле HiFi-GAN и стохастический предсказатель длительности. Последний позволяет синтезировать текст с разным ритмом, поэтому генерация недетерминирована: для повторяемого результата требуется фиксированное случайное зерно. 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-kru — модель синтеза речи на языке курух (Kurux, код kru), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на курухе. Модель использует архитектуру VITS: это сквозная система синтеза речи с вариационным автоэнкодером, flow-модулем, декодером в стиле HiFi-GAN и стохастическим предсказателем длительности. В репозитории указано 3,6 млн параметров; для каждого языка проекта MMS обучается отдельный чекпойнт. Модель доступна через Transformers версии 4.33 и выше. Генерация недетерминирована: для повторения результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но исключает коммерческое применение.

facebook/mms-tts-kyb — модель синтеза речи на языке Kalinga, Butbut (kyb), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну; для каждого языка MMS обучается отдельный чекпойнт. Модель основана на архитектуре VITS — сквозном вариационном автоэнкодере с текстовым энкодером, flow-модулем, стохастическим предсказателем длительности и декодером в стиле HiFi-GAN. В метаданных указано 3,5 млн параметров; модель доступна в форматах PyTorch и Safetensors и поддерживается Transformers начиная с версии 4.33. Модель предназначена для озвучивания текста на Kalinga, Butbut, например для речевых интерфейсов и создания аудиоверсий текстов. Стохастический предсказатель длительности позволяет варьировать ритм речи, поэтому для воспроизводимого результата требуется фиксированное случайное зерно. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-maz — модель синтеза речи на центральном мазахуа, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на мазахуа в речевую аудиоволну и предназначена для создания озвучки и других приложений синтеза речи для этого языка. Модель построена на архитектуре VITS: она объединяет текстовый энкодер на основе Transformer, flow-модули, стохастический предиктор длительности и декодер, формирующий аудиоволну. Это отдельный чекпойнт для одного языка; в метаданных указано 3,5 млн параметров. Генерация недетерминирована, поэтому для повторения результата требуется фиксированный seed. Модель доступна через Transformers версии 4.33 и новее и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-mca — модель синтеза речи Maka, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на языке Maka в речевую аудиоволну и предназначена для озвучивания текста и создания речевых интерфейсов для этого языка. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров; для каждого языка в проекте MMS обучается отдельный чекпойнт. Модель доступна через Transformers версии 4.33 и выше. Генерация использует стохастический предиктор длительности, поэтому один и тот же текст может звучать по-разному; для повторяемого результата требуется фиксировать seed. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-mfk — модель синтеза речи на языке Mofu, North (mfk), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт проекта MMS-TTS; он доступен через библиотеку Transformers. Генерация стохастическая: для повторения того же результата необходимо фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства и ограничивающей коммерческое применение.

facebook/mms-tts-mzi — модель синтеза речи на мазатекском языке варианта Икатлан, разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный контрольный набор VITS, обученный для одного языка; модель преобразует входной текст в речевую аудиоволну. Архитектура VITS объединяет вариационный автоэнкодер, потоковый модуль с текстовым энкодером на основе Transformer, стохастический предсказатель длительности и декодер, подобный HiFi-GAN. В репозитории доступны веса PyTorch и Safetensors; размер модели — 3,5 млн параметров. Для работы с моделью подходит библиотека Transformers версии 4.33 и выше. Модель предназначена для озвучивания текста на мазатекском языке Икатлан. Стохастический предсказатель длительности позволяет получать варианты с разным ритмом, поэтому для воспроизводимого результата требуется фиксировать случайное зерно. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-pce — модель синтеза речи на языке Палаунг, диалект Ручинг, разработанная в рамках проекта Massively Multilingual Speech компании Facebook. Это отдельный языковой чекпойнт семейства VITS с архитектурой сквозного синтеза: по текстовой последовательности модель формирует речевую волну. В составе VITS используются текстовый энкодер на основе Transformer, flow-модуль, декодер, похожий на HiFi-GAN, и стохастический предсказатель длительности. Размер модели — 3,5 млн параметров. Модель предназначена для озвучивания текста на языке Палаунг (Ручинг). Стохастический предсказатель позволяет получать варианты ритма для одного текста, поэтому результаты могут различаться между запусками; для повторяемого синтеза требуется фиксировать seed. Модель распространяется в форматах PyTorch и Safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-prk — модель синтеза речи на языке Wa (Parauk), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на Wa в речевую аудиоволну и предназначена для озвучивания текстов и создания речевых интерфейсов для этого языка. Модель использует архитектуру VITS — сквозную систему синтеза речи с вариационным автоэнкодером, нормализующими потоками, Transformer-энкодером текста, HiFi-GAN-декодером и стохастическим предсказателем длительности. Чекпойнт содержит 3,5 млн параметров; для каждого языка MMS-TTS обучается отдельная модель. Для повторения одинакового результата требуется фиксировать seed. Модель распространяется под лицензией CC BY-NC 4.0, которая не разрешает коммерческое использование. Карточка указывает поддержку Transformers версии 4.33 и новее.

facebook/mms-tts-pse — модель синтеза речи на центральном малайском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую волну и подходит для озвучивания фраз и коротких текстов на этом языке. Модель построена на архитектуре VITS и содержит 3,5 млн параметров; для каждого языка в проекте обучен отдельный чекпойнт. Длительность и ритм произношения задаются стохастически, поэтому для повторяемого результата требуется фиксировать seed. Модель доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-qvs — модель синтеза речи на кечуа Сан-Мартин (qvs), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиозапись и подходит для озвучивания фраз и создания речевых интерфейсов на языке, для которого мало доступных речевых технологий. Модель основана на архитектуре VITS: это сквозная система синтеза речи с вариационным автоэнкодером, flow-модулем, трансформерным текстовым энкодером, декодером в стиле HiFi-GAN и стохастическим предиктором длительности. В карточке указано 3,5 млн параметров; модель поставляется в форматах PyTorch и safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Предиктор длительности стохастический, поэтому генерация недетерминирована; для повторения результата требуется фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-rah — модель синтеза речи на языке рабха, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую волну и предназначена для озвучивания текста на рабха. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, flow-based модуль, текстовый энкодер на основе Transformer и декодер, близкий по устройству к HiFi-GAN. Размер модели — 3,5 млн параметров; она доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Для одного и того же текста модель может генерировать речь с различным ритмом; из-за стохастического предсказателя длительности генерация недетерминирована, поэтому для повторяемого результата нужен фиксированный seed. Модель рассчитана на язык рабха, а не на многоязычный синтез в рамках одного чекпойнта. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-seh — модель синтеза речи для языка Sena (seh) из проекта Massively Multilingual Speech, разработанного Facebook. Это отдельный языковой чекпойнт семейства VITS: модель принимает текст и генерирует речевую аудиоволну. Архитектура VITS объединяет вариационный автоэнкодер, Transformer-кодировщик текста, flow-модуль, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN; число параметров — 3,5 млн. Модель предназначена для озвучивания текста на Sena. Стохастический предиктор длительности позволяет получать варианты ритма для одного текста, поэтому генерация недетерминирована: для повторяемого результата нужен фиксированный seed. Чекпойнт доступен через Transformers версии 4.33 и новее и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-som — модель синтеза речи на сомалийском языке из проекта Massively Multilingual Speech компании Facebook. Это отдельный чекпойнт VITS, обученный для одного языка; архитектура объединяет вариационный автоэнкодер, потоковый модуль с текстовым энкодером на основе Transformer, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN. Модель преобразует входной текст в речевую аудиоволну и может варьировать ритм произношения; из-за стохастического предиктора одинаковый результат требует фиксированного seed. Чекпойнт содержит 3,5 млн параметров и доступен для использования через Transformers версии 4.33 и новее. Он предназначен для генерации речи на сомалийском языке, а не для синтеза на других языках. Лицензия CC BY-NC 4.0 требует атрибуции и ограничивает коммерческое использование.

facebook/mms-tts-taj — модель синтеза речи на восточном тамангском языке, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на тамангском языке в речевую аудиоволну и подходит для озвучивания текстов и создания речи для приложений на этом языке. Модель основана на архитектуре VITS и содержит текстовый энкодер на базе Transformer, потоковый модуль, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN. Для каждого языка MMS обучается отдельный чекпойнт. Генерация недетерминирована: для повторения результата требуется фиксировать seed. Модель доступна через библиотеку Transformers версии 4.33 и новее и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-tav — модель синтеза речи на языке татуйо (Tatuyo, tav), разработанная Facebook в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт семейства VITS, который по входному тексту генерирует речевую аудиоволну. Архитектура VITS объединяет вариационный автоэнкодер, Transformer-энкодер текста, нормализующие потоки и HiFi-GAN-подобный декодер; число параметров — 3,5 млн. Модель предназначена для озвучивания текста на татуйо. Стохастический предиктор длительности позволяет получать разные ритмические варианты произнесения одного текста, поэтому для повторяемого результата требуется фиксировать seed. Чекпойнт распространяется в форматах PyTorch и Safetensors и доступен через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-tca — модель синтеза речи на языке тикуна (Ticuna, код tca), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт семейства MMS-TTS, который преобразует входной текст в речевую аудиоволну. Модель построена на архитектуре VITS и синтезирует речь сквозным образом. Стохастический предиктор длительности позволяет получать разные ритмические варианты одной фразы; поэтому при одинаковом тексте результат может различаться, а для воспроизводимого вывода нужен фиксированный seed. Веса доступны в форматах PyTorch и safetensors, модель поддерживается библиотекой Transformers версии 4.33 и новее. Модель предназначена для генерации речи на тикуна, например для озвучивания текста и создания речевых интерфейсов. Она содержит 3,6 млн параметров. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческих целях.

facebook/mms-tts-tpm — модель синтеза речи на тампульма (tpm), выпущенная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на тампульма в речевой сигнал и предназначена для озвучивания текстов и создания синтетической речи для этого языка. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный чекпойнт для одного языка из семейства MMS-TTS; модель работает сквозным образом, предсказывая речевую волну из последовательности текста. Случайный предиктор длительности делает генерацию недетерминированной, поэтому для повторяемого результата требуется фиксированное начальное значение. Для работы доступна через библиотеку Transformers версии 4.33 и выше. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-tpp — модель синтеза речи на языке тепехуа, диалект Писafлорес (Tepehua, Pisaflores; код tpp), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS: энд-ту-энд генератор речи с вариационным автоэнкодером, поточным модулем, трансформерным текстовым энкодером и HiFi-GAN-подобным декодером. В репозитории указано 3,5 млн параметров; для запуска доступна через Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и Safetensors. Предсказатель длительности стохастический, поэтому для повторяемого результата требуется фиксировать seed. Модель рассчитана на один язык и не предназначена для синтеза на других языках. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-tso — модель синтеза речи на языке тсонга (tso) из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текста на тсонга. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, потоковый модуль и декодер на основе HiFi-GAN, а стохастический предиктор длительности позволяет получать разные ритмические варианты произнесения одного текста. В репозитории указано 3,5 млн параметров; модель доступна через Transformers версии 4.33 и выше и хранится в форматах PyTorch и Safetensors. Генерация недетерминирована: для повторения результата нужно фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

sharjeel103/mms-tts-urdu-finetune — модель синтеза речи на основе архитектуры VITS, опубликованная пользователем sharjeel103 на Hugging Face. Она преобразует текст на урду в аудио и подходит для озвучивания фраз и коротких текстов на этом языке. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers; в метаданных указано около 3,6 млн параметров. Карточка автоматически сгенерирована и не сообщает сведения о разработчике исходной модели, обучающих данных, лицензии или оценке качества, поэтому эти характеристики нельзя подтвердить.

facebook/mms-tts-vid — модель синтеза речи на видунда, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на языке видунда в речевую аудиоволну и предназначена для озвучивания текста и создания речевых данных для этого языка. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, потоковый модуль с текстовым энкодером на базе Transformer, стохастический предсказатель длительности и декодер HiFi-GAN-подобного типа. В репозитории указано 3,5 млн параметров; чекпойнт доступен в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Модель обучена отдельно для видунда и не заявлена как многоязычная. Предсказатель длительности стохастический, поэтому генерация недетерминирована; для повторения той же аудиоволны требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-wmw — модель синтеза речи на языке мвани (Mwani, код wmw) из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на мвани. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт семейства MMS-TTS; для синтеза используются стохастический предиктор длительности и декодер аудиосигнала. Модель поддерживается библиотекой Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование на некоммерческих условиях с соблюдением требований лицензии. При одинаковом тексте результат может различаться из-за стохастического синтеза; фиксированный seed позволяет воспроизводить одну и ту же аудиоволну.

facebook/mms-tts-yao — модель синтеза речи на языке яо, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на языке яо. Модель использует архитектуру VITS: вариационный автоэнкодер с текстовым энкодером на основе Transformer, flow-модулем, декодером и стохастическим предиктором длительности, обученный сквозным способом с вариационными и состязательными функциями потерь. Размер модели — 3,5 млн параметров; доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers версии 4.33 и новее. Отдельные контрольные точки MMS-TTS обучены для каждого языка, поэтому эта модель рассчитана на яо, а не на многоязычную генерацию в одном чекпойнте. Стохастический предиктор длительности может давать разные варианты произношения одного текста; для воспроизводимого результата следует фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

HoangQuocViet25/nlp-btl-xlsum-x5plus2 — модель суммаризации на архитектуре T5, дообученная разработчиком на базе VietAI/vit5-base с использованием датасета csebuetnlp/xlsum. Она предназначена для создания кратких изложений текста на вьетнамском языке. Модель содержит 126,8 млн параметров и имеет контекст длиной до 512 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. README не содержит дополнительных сведений о характеристиках и сценариях применения модели.

NorT5 large — официальная модель семейства NorT5, представленная в работе NorBench о бенчмарке норвежских языковых моделей. Это энкодер-декодер на архитектуре T5 с 353,1 млн параметров, обученный для генерации текста по текстовому запросу; доступные теги указывают на норвежский язык. Модель рассчитана на задачи с контекстом до 512 токенов и распространяется в формате PyTorch. Модель можно использовать для генерации и преобразования норвежского текста в прикладных системах обработки языка. Для загрузки требуется пользовательская обёртка modeling_nort5.py и параметр trust_remote_code=True. Лицензия — Apache-2.0.