I.6Перевод и языковая адаптация

KlonAudio — форк KugelAudio-0-Open, подготовленный JUST ADD AI GmbH. Модель предназначена для синтеза речи из текста на 23 европейских языках и клонирования голоса по образцу аудио длительностью 5–10 секунд. В репозитории также есть три готовых немецких голоса: радиоведущий, сердитая речь и мягкий голос пожилой женщины. Модель использует плотную архитектуру KugelAudio для условной генерации; в README она описана как гибрид авторегрессионной модели и диффузии на основе Microsoft VibeVoice. Размер базовой модели — 7 млрд параметров, формат файлов — safetensors. Лучшее заявленное покрытие — для немецкого, испанского, французского и английского; качество для других языков может различаться. По README веса идентичны базовой модели KugelAudio-0-Open, а форк восстанавливает компоненты клонирования голоса и добавляет аудиосэмплы и конфигурационные файлы. Модель распространяется по лицензии MIT.

KOMT-DPOv3 — дообученная модель генерации текста команды Youjin Chung и Jingyeom Kim на базе davidkim205/komt-solar-10.7b-sft-v5. Модель содержит 10,7 млрд параметров, использует архитектуру Llama и рассчитана на контекст до 4096 токенов. Модель обучена методом Direct Preference Optimization (DPO) на корейских и англоязычных предпочтениях: набор включает собственные данные на основе AI Hub и переведённые англоязычные примеры OpenOrca DPO. Она предназначена для генерации ответов по инструкциям и диалогового использования, особенно на корейском языке. В README приведены результаты Ko-LLM-Leaderboard на 16 марта 2024 года. Для весов указана лицензия CC BY 4.0. В карточке описан способ обучения, но подробные ограничения поведения и оценки на других языках не приведены.

LitLat BERT — трёхъязычная модель EMBEDDIA на архитектуре XLM-RoBERTa-base для литовского, латышского и английского языков. Модель обучена на корпусах этих языков и содержит 177,9 млн параметров. В метаданных Hugging Face для неё указана задача заполнения пропусков в тексте (fill-mask) и контекст длиной до 514 токенов. LitLat BERT подходит для предсказания пропущенных слов и переноса знаний между литовским, латышским и английским языками. В оценке распознавания именованных сущностей по трём общим классам — людям, местам и организациям — модель показала более высокий macro F1, чем перечисленные в карточке mBERT, XLM-RoBERTa и латышская LVBERT на соответствующих наборах данных. Это результат конкретной оценки, а не гарантия качества для любых задач. Модель распространяется в формате PyTorch по лицензии CC BY-SA 4.0. Карточка описывает обучение на трёх языках, поэтому качество на других языках не подтверждено; приведённая оценка NER сама по себе не означает, что модель является готовым решением для разметки сущностей.

RicardoLee опубликовал чат-модель на архитектуре Llama 2 с 12,9 млрд параметров, предназначенную для ответов на вопросы на китайском языке. Она дообучена методом LoRA на базовой модели Llama 2 Chat 13B, после чего параметры адаптера объединены с моделью. Для обучения использована выборка из 500 тысяч инструкционных примеров проекта BELLE; модель обучали на модифицированной версии Chinese-LLaMA-Alpaca и использовали токенизатор Chinese-Alpaca-Plus. Контекст составляет 2048 токенов, формат весов — PyTorch. Модель подходит для китайскоязычных диалогов и ответов на вопросы, в том числе когда важно, чтобы ответы на китайские запросы оставались на китайском. Для инференса README указывает шаблон Stanford Alpaca и необходимость добавить начальное приветствие. Также поддерживается английский язык, однако основная цель дообучения — китайский. Модель предоставлена для исследовательского использования. Лицензия в доступных сведениях не указана. Качество и область применимости зависят от обучающей выборки BELLE; в README также описаны особенности обучения, связанные с расширением эмбеддингов и риском переполнения loss scale.

Llama3.2-Typhoon2-1B — базовая предварительно обученная языковая модель, разработанная Typhoon AI на основе Llama 3.2-1B от Meta. Это плотная авторегрессионная модель с архитектурой LlamaForCausalLM и 1,2 млрд параметров; она принимает текст и предназначена прежде всего для тайского и английского языков. Модель подходит для генерации текста и экспериментов с языковыми задачами, включая оценивание на тайских экзаменационных тестах. Заявленная длина контекста — 131 072 токена. Это базовая, а не инструкционно дообученная модель: для следования запросам ей может потребоваться обучение с инструкциями или примеры в контексте. В README отмечено отсутствие механизмов модерации и возможность генерации вредных или неподходящих ответов. Для работы указана библиотека Transformers версии 4.45.0 или новее. Лицензия — Llama 3.2 Community License.

Koichi Yasuoka разработал GPT-2-подобную модель для разметки японского текста. Она присваивает каждому короткому слову тег части речи UPOS и признаки FEATS из набора Universal Dependencies; модель дообучена на базе llm-jp/llm-jp-1.3b-v1.0 и предназначена для морфосинтаксического анализа японских предложений. Модель содержит 1,3 млрд параметров, принимает текст, выдаёт разметку токенов и поддерживает контекст длиной до 2048 токенов. Распространяется в формате PyTorch по лицензии Apache-2.0.

llm-jp-3-440m-instruct2 — компактная языковая модель серии LLM-jp-3, разработанной Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это плотная Transformer-модель семейства Llama с архитектурой LlamaForCausalLM и 345,2 млн параметров; она дообучена методом supervised fine-tuning на инструкционных данных. Репозиторий содержит веса в формате Safetensors для Transformers. Модель предназначена для генерации текста и диалоговых сценариев, прежде всего на японском языке; метаданные также указывают английский. Контекстное окно составляет 4096 токенов. Предварительное обучение проведено на смеси данных общим объёмом 2,1 трлн токенов, а настройка включает японские инструкционные наборы данных. Разработчики отмечают, что модель находится на раннем этапе исследований и разработок и не настроена для надёжного следования человеческим намерениям или требованиям безопасности. Лицензия — Apache-2.0.

mistral-ko-7b-tech — языковая модель, дообученная shleeeee (Seunghyeon Lee) и oopsung (Sungwoo Park) на базе Mistral-7B-v0.1 для генерации текста на корейском языке. Модель имеет плотную архитектуру MistralForCausalLM и около 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Модель обучена на пользовательском корейском датасете из 2 000 примеров. В карточке приведён шаблон запросов Mistral с инструкцией в блоке [INST], поэтому модель предназначена для генерации ответов на инструкции и текстовых запросов на корейском. Для дообучения использовались LoRA-целевые модули внимания и MLP. В карточке не приведены оценки качества или подробные сведения о данных и условиях их использования; лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории. Небольшой объём указанного датасета ограничивает основания для выводов о широте навыков модели.

onecxi/mms-hindi-female-indic — модель синтеза речи, обученная на датасете IndicTTS для генерации речи на хинди женским голосом. Она предназначена для преобразования текста на хинди в аудио, например для озвучивания фраз и коротких сообщений. Модель использует архитектуру VITS, библиотеку Transformers и веса в формате Safetensors; указанный размер — 3,6 млн параметров. Модель является дообучением facebook/mms-tts. В карточке приведены примеры фраз на хинди, но аудиопримеры не приложены. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование. Разработчик также предостерегает от имитации реальных людей без их согласия и от создания обманного или вредоносного контента.

facebook/mms-tts-agd — модель синтеза речи на языке Agarabi (agd), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на Agarabi. Модель использует архитектуру VITS: текстовый энкодер, потоковый модуль и декодер на основе свёрточных слоёв. Чекпойнт содержит 3,5 млн параметров и распространяется в форматах PyTorch и safetensors. Для каждого языка MMS обучает отдельный чекпойнт; стохастический предиктор длительности позволяет получать варианты ритма речи, поэтому для повторения результата нужен фиксированный seed. Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией и ограничивает коммерческое применение. Модель рассчитана на Agarabi; качество синтеза может зависеть от текста и не охватывает другие языки.

facebook/mms-tts-ahk — модель синтеза речи на языке акха (Akha, код ahk), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиозапись и предназначена для озвучивания текстов на акха. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный чекпойнт для одного языка; MMS-TTS доступна через библиотеку Transformers начиная с версии 4.33. Стохастический предиктор длительности позволяет получать варианты с разным ритмом, поэтому для повторения результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 ограничивает использование условиями некоммерческого распространения.

facebook/mms-tts-awb — модель синтеза речи на языке ава (Awa, код awb), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS и обучена отдельно для языка ава. В неё входят текстовый энкодер на основе Transformer, потоковый модуль, стохастический предсказатель длительности и декодер, формирующий аудиосигнал. Размер модели — 3,5 млн параметров. Для одинакового результата при повторной генерации требуется фиксировать seed. Модель подходит для озвучивания коротких текстов и создания речевых интерфейсов на языке ава. Карточка не сообщает о поддержке других языков или о длине контекста. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-bmr — модель синтеза речи на языке муинане (bmr), выпущенная в рамках проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на муинане. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, flow-модуль, стохастический предсказатель длительности и декодер, формирующий аудиоволну. В репозитории указано 3,5 млн параметров; модель доступна через Transformers версии 4.33 и новее. Предсказатель длительности стохастический, поэтому для повторения результата требуется фиксированный seed. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое использование.

facebook/mms-tts-boa — модель синтеза речи для языка боа (Bora), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт семейства VITS, который преобразует входной текст в речевую аудиоволну. Архитектура VITS объединяет вариационный автоэнкодер, потоковый модуль с текстовым энкодером на основе Transformer, стохастический предсказатель длительности и декодер, построенный по принципу HiFi-GAN. Размер модели — 3,5 млн параметров. Модель предназначена для озвучивания текста на языке боа. Стохастический предсказатель длительности позволяет получать варианты с разным ритмом; генерация недетерминирована, поэтому для повторения результата нужен фиксированный 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-dbq — модель синтеза речи на языке даба (Daba, код dbq), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS и обучена отдельно для языка даба. В описании VITS указаны текстовый энкодер на основе Transformer, вариационный автоэнкодер, модуль нормализующих потоков, стохастический предиктор длительности и декодер на основе HiFi-GAN. Размер модели — 3,5 млн параметров; доступны веса PyTorch и Safetensors. Для работы с моделью предусмотрена библиотека Transformers версии 4.33 и новее. Предиктор длительности стохастический, поэтому одинаковый текст может звучать по-разному; фиксированный seed позволяет воспроизводить результат. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

facebook/mms-tts-dgk — модель синтеза речи для языка дагба (Dagba, код dgk), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на дагба в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. Это сквозная система text-to-speech с текстовым энкодером на основе Transformer, flow-модулем, декодером аудиосигнала и стохастическим предсказателем длительности, который позволяет варьировать ритм речи. Для одного языка обучен отдельный чекпойнт MMS-TTS; повторяемая генерация того же сигнала 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 запрещает коммерческое использование.

alakxender представил модель синтеза речи Divehi на основе VITS, дообученную на архитектуре MMS-TTS компании Meta с использованием набора синтетической речи. Она преобразует текст на языке Divehi, записанный письмом Thaana, в аудио женского голоса. Модель содержит 3,5 млн параметров и распространяется в формате Safetensors; её можно загружать через Transformers. Модель предназначена для синтеза речи на Divehi, например для озвучивания текстов женским голосом. В README приведена оценка UTMOS 3,198 по трём образцам, поэтому качество следует считать ориентировочным. Лицензия — MIT.

facebook/mms-tts-dts — модель синтеза речи для языка Dogon, Toro So (dts), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Для каждого языка MMS-TTS обучается отдельная модель. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, потоковые слои и декодер на основе транспонированных свёрток, похожий на HiFi-GAN; предсказатель длительности позволяет варьировать ритм речи. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors. Для повторения той же генерации требуется фиксировать seed, поскольку предсказатель длительности стохастический. Модель рассчитана на синтез речи на Dogon, Toro So. Для работы с ней подходит библиотека Transformers версии 4.33 или новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-fal — модель синтеза речи для языка Fali, South (fal), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на этом языке в речевую аудиоволну; для каждого языка MMS обучается отдельный чекпойнт. Модель построена на архитектуре VITS и содержит текстовый энкодер на основе Transformer, flow-модуль, декодер, похожий на HiFi-GAN, и стохастический предиктор длительности. В метаданных указан размер 3,5 млн параметров. Модель доступна через библиотеку Transformers версии 4.33 и выше. Стохастический предиктор позволяет получать разные ритмические варианты произнесения одного текста; поэтому для воспроизводимого результата требуется фиксировать seed. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-gbo — модель синтеза речи на северном гребо (Grebo, Northern; gbo), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на этом языке в речевую аудиоволну и предназначена для создания озвучки и речевых интерфейсов на гребо. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, flow-модуль и декодер, построенный по принципу HiFi-GAN. Для одного текста возможны варианты ритма и произношения; генерация стохастическая, поэтому для повторяемого результата требуется фиксированный seed. В метаданных указаны 3,5 млн параметров и форматы PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Facebook MMS-TTS-Haya — модель синтеза речи на языке хая (hay) из проекта Massively Multilingual Speech. Она преобразует текст на хая в речевую аудиоволну и предназначена для озвучивания текста и создания речевого вывода в приложениях на этом языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS, доступный в библиотеке Transformers. Стохастический предиктор длительности позволяет варьировать ритм речи; для повторения того же результата требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не сообщает о поддержке других языков или дополнительных задачах.

facebook/mms-tts-ifu — модель синтеза речи на языке Ifugao, диалект Mayoyao, 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: это сквозная система с вариационным автоэнкодером, поточным модулем, текстовым энкодером на основе Transformer и декодером на базе свёрточных слоёв в стиле HiFi-GAN. Размер модели — 3,5 млн параметров. Для каждого языка проекта MMS обучается отдельный чекпойнт; генерация стохастическая, поэтому для повторения результата нужен фиксированный seed. Модель поддерживается библиотекой Transformers начиная с версии 4.33. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Модель ориентирована на Ifugao (Mayoyao) и не предназначена для синтеза на других языках.

facebook/mms-tts-ilb — модель синтеза речи на языке Ila (код ISO 639-3: ilb), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. VITS объединяет вариационный автоэнкодер, flow-модуль и декодер на основе HiFi-GAN; стохастический предсказатель длительности позволяет получать речь с разным ритмом. Чекпойнт доступен для использования через Transformers. Генерация недетерминирована: для воспроизводимого результата требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-jav — модель синтеза речи на яванском языке из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует текст на яванском языке в речевую аудиоволну и подходит для озвучивания текстов и создания речевых интерфейсов на этом языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это сквозная система синтеза речи с вероятностным предсказателем длительности, поэтому один и тот же текст может звучать с разным ритмом; для воспроизводимого результата нужно зафиксировать seed. Чекпойнт предназначен для яванского языка и доступен в библиотеке Transformers версии 4.33 и выше. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не приводит оценок качества или подробностей о голосе и обучающих данных.

facebook/mms-tts-kjg — модель синтеза речи на языке кхму (код kjg), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка из семейства MMS-TTS. Модель построена на архитектуре VITS и преобразует входной текст в речевую аудиоволну. Она обучается сквозным образом и включает текстовый энкодер на основе Transformer, flow-модуль, декодер в стиле HiFi-GAN и стохастический предсказатель длительности, который позволяет варьировать ритм речи. Веса представлены в форматах PyTorch и Safetensors; размер модели — 3,5 млн параметров. Для повторения одной и той же генерации требуется фиксировать seed. Модель предназначена для озвучивания текста на кхму, например для речевых интерфейсов и создания аудиоверсий коротких текстов. Она рассчитана на один язык и не является универсальным многоязычным синтезатором. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-kkj — модель синтеза речи на языке Kako (kkj), разработанная Facebook в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для каждого языка проекта, основанный на архитектуре VITS: модель преобразует входной текст в речевую аудиоволну, используя стохастический предиктор длительности и HiFi-GAN-подобный декодер. Число параметров — 3,5 млн; модель доступна через библиотеку Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на языке Kako. Стохастический предиктор позволяет варьировать ритм речи, поэтому для воспроизводимого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства на некоммерческих условиях.

facebook/mms-tts-kma — модель синтеза речи на языке конни (kma), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на конни в речевую аудиоволну и предназначена для озвучивания текста и создания речевых данных на этом языке. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный чекпойнт для конни из семейства MMS-TTS; для работы с ним подходит библиотека Transformers версии 4.33 и новее. Стохастический предиктор длительности позволяет варьировать ритм речи, поэтому для повторяемого результата требуется фиксированное случайное зерно. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не приводит оценок качества или подробностей о голосе и наборе данных.

facebook/mms-tts-kyz — модель синтеза речи на языке кайаби (kyz), выпущенная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну. Модель построена на архитектуре VITS и содержит 3,5 млн параметров; для языка обучен отдельный чекпойнт MMS-TTS. Модель доступна через библиотеку Transformers версии 4.33 и новее. Чекпойнт предназначен для озвучивания текста на кайаби, например для создания речевых материалов и голосового доступа к текстовому содержимому. Предсказатель длительности стохастический, поэтому одинаковый текст может звучать с разным ритмом; для воспроизводимого результата нужен фиксированный seed. Репозиторий содержит веса PyTorch и Safetensors. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-lac — модель синтеза речи на языке лакандон, разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт VITS, обученный для преобразования текста на лакандон в речевую аудиоволну; модель доступна через библиотеку Transformers версии 4.33 и новее. Архитектура VITS объединяет текстовый энкодер на основе Transformer, вариационный автоэнкодер, flow-модуль, предсказатель длительности и декодер, построенный по принципу HiFi-GAN. Размер модели — 3,5 млн параметров. Модель подходит для озвучивания текста на лакандон, например для синтеза коротких фраз и речевого сопровождения материалов на этом языке. Предсказатель длительности стохастический, поэтому при одинаковом тексте возможны разные варианты ритма и звучания; для повторяемого результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-lgg — модель синтеза речи на языке лугбара (Lugbara, код lgg), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на лугбара в речевую аудиоволну; отдельный чекпойнт MMS-TTS обучен для этого языка. Модель использует архитектуру VITS для сквозного синтеза речи: текстовый энкодер, потоковый модуль, декодер и стохастический предиктор длительности позволяют формировать речь с разным ритмом. Размер модели — 3,5 млн параметров; доступны веса PyTorch и Safetensors, модель поддерживается Transformers начиная с версии 4.33. Стохастический предиктор делает генерацию недетерминированной, поэтому для повторения результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.