I.6Перевод и языковая адаптация

Это дообученная версия Indic Parler-TTS для синтеза речи на непальском языке. Модель построена на архитектуре Parler-TTS и предназначена для преобразования текста в речь; репозиторий использует библиотеку parler-tts и содержит веса в формате safetensors. В карточке указаны результаты обучения: лучшее значение validation loss — 6,7131, обучение продолжалось 2080 шагов и заняло 1242,3 минуты. Сведений о лицензии, размере модели, длительности контекста и оценке качества синтезированной речи в доступных данных нет.

Модель разработана Keisuke Kiryu и опубликована Recruit. Это дообученная японская RoBERTa с символьной токенизацией и классификационной головой для разметки токенов. Для каждого символа японского текста она оценивает вероятность того, что в нём есть опечатка или пропуск, и присваивает метку типа ошибки. Модель обучена на обучающей части набора японских ошибок ввода v2, созданного на основе истории правок Википедии. Её можно применять для поиска ошибок в японских текстах и анализа их типов; базовая модель содержит 127,4 млн параметров, а максимальный контекст составляет 514 токенов. Модель принимает текст и выдаёт метки и оценки для символов. Лицензия — CC-BY-SA 4.0. Карточка не приводит оценок точности; результаты могут зависеть от соответствия текста обучающим данным, поэтому обнаружения следует проверять.

Joakim разработал Kokoro Swedish — дообученную версию Kokoro-82M для синтеза шведской речи. Модель построена на StyleTTS2 и обучена на записях 23 носителей шведского языка общей длительностью около 8,6 часа. В комплект входят 10 именованных голосов; голосовые профили можно смешивать, чтобы получать промежуточный тембр и подачу. Модель предназначена для преобразования шведского текста в речь с выбором голоса и управлением просодией. Для воспроизведения требуется фонемизация с помощью шведского G2P из Joakim/swedish-kokoro, согласованная с обучением. Модель распространяется в формате PyTorch по лицензии Apache-2.0. В README отмечено, что мужские голоса звучат несколько мягче из-за преобладания женских голосов в обучающей выборке. Также у синтеза остаётся артефакт декодера, который частично уменьшается фильтрацией.

KULLM-Solar-S — корейская диалоговая языковая модель проекта KULLM, дообученная на основе Upstage/SOLAR-10.7B-Instruct-v1.0 на наборе KULLM и вручную подготовленных инструкциях. Это плотная causal language model семейства Llama с 10,6 млрд параметров, предназначенная для генерации текста в ответ на запросы и диалогового общения. Модель принимает текст и выдаёт текст; заявленный контекст — 4096 токенов. Модель подходит для корейских чат-ботов, ответов на инструкции и генерации текста на корейском языке. Репозиторий содержит веса safetensors и пример загрузки через Transformers с float16. Лицензия — Apache-2.0.

Sdff-Ltba が公開した LightChatAssistant-TypeB-2x7B は、LightChatAssistant-2x7B 系を手作業で調整したモデルマージです。README では、ChatVector に適用する加算割合を参考にしつつ、作者の好みに合わせて割合を変更したと説明されています。メタデータでは Mixtral 系の MoE アーキテクチャ、7.1B パラメータ、safetensors 形式が示されています。 モデルは日本語の自然さや長文生成の滑らかさを高めながら、指示への応答と創作文章の能力を保つことを狙っています。コンテекст長は最大 32 768 токенов; README также сообщает, что отдельный файл квантизации iQ3XXS позволяет загрузить модель целиком в 12 ГБ VRAM при этом размере контекста. Автор отмечает, что результат может уступать исходной модели на некоторых запросах. В метаданных есть метка NSFW, поэтому модель может быть не предназначена для всех аудиторий. Сведения о лицензии в предоставленных данных отсутствуют.

OuteAI разработала OuteTTS 1.0 1B — плотную языковую модель семейства Llama на 1,2 млрд параметров для синтеза речи и клонирования голоса. Она принимает текст и создаёт речь; для клонирования обычно достаточно около 10 секунд образца голоса. Модель использует аудиокодировщик DAC с двумя кодовыми книгами и генерирует примерно 150 аудиотокенов в секунду, уделяя приоритет качеству звучания. Модель поддерживает естественный текст на нескольких языках и сама выравнивает текст по словам, в том числе для китайского и японского. Наиболее полно обучена для английского, арабского, китайского, нидерландского, французского, немецкого, итальянского, японского, корейского, литовского, русского и испанского; для ряда других языков заявлен умеренный объём обучающих данных. Рекомендуемая длительность генерации за один запуск — около 42 секунд, а образец голоса сокращает доступный контекст генерации. Для качества важны параметры сэмплирования из карточки, включая штраф за повторы на окне в 64 токена. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование.

mesolitica/malaysian-mistral-191M-4096 — компактная языковая модель семейства Mistral, разработанная Mesolitica и предварительно обученная на текстах на малайском языке. Она предназначена для генерации текста и может служить основой для малайскоязычных приложений и дальнейшей адаптации под конкретные задачи. Модель содержит 166,1 млн параметров, использует архитектуру MistralForCausalLM и принимает текст на входе, генерируя текст на выходе. В метаданных указан контекст до 32 768 токенов; название карточки README упоминает контекст 4096 токенов, поэтому фактический рабочий предел может зависеть от конфигурации и способа использования. Модель опубликована в формате safetensors. Лицензия в предоставленных материалах не указана. Карточка содержит мало сведений о данных обучения и оценках качества, поэтому пригодность для конкретных задач следует проверять отдельно.

Malaysian-TTS-0.6B-v1 — модель преобразования текста в речь от mesolitica, созданная продолжением предобучения mesolitica/Malaysian-TTS-0.6B-v0.1 на более согласованном наборе данных. В основе — плотная архитектура Qwen3 с причинной языковой моделью; размер составляет 541,2 млн параметров, контекст — до 32 768 токенов. Для детокенизации речи используется DistilCodec, аудио выводится с частотой 24 кГц. Модель предназначена для синтеза речи на малайском и английском языках с переключением между ними в одном контексте. В карточке перечислены несколько голосов, включая малайские, сингапурские и Singlish варианты. Для генерации ожидается нормализованный текст: числа нужно предварительно записывать словами. В данных о повторяющихся произношениях паузы не всегда соответствуют запятым, поэтому пунктуация может не задавать ожидаемые паузы. Лицензия в предоставленных данных не указана.

Merak-7B-v1 — языковая модель, представленная Ichsan2895 как модель для индонезийского языка. Она основана на Meta Llama-2-7B-Chat-HF и дообучена с помощью QLoRA на очищенных статьях индонезийской Википедии. Модель использует плотную архитектуру Llama с 6,6 млрд параметров, принимает текст и генерирует текст; контекст — до 4096 токенов. В карточке также отмечена поддержка английского языка. Модель предназначена для генерации текста и ответов на вопросы, особенно на индонезийском языке и по материалам Википедии. Автор сообщает, что модель может работать с 16 ГБ видеопамяти, однако это зависит от конфигурации запуска; по его опыту, 4-битная квантизация BitsAndBytes снижает качество ответов. Лицензия CC BY-NC-SA 4.0 требует указания авторства и не допускает коммерческого использования.

Armenian mGPT 1.3B — языковая модель, разработанная ai-forever на базе mGPT-XL (1,3 млрд параметров). Это плотная авторегрессионная модель архитектуры GPT-2, дообученная на дополнительных данных для армянского языка ещё на 500 000 шагах. Она предназначена для генерации продолжений текста на армянском языке и языкового моделирования. Контекстное окно составляет 2048 токенов; базовая модель обучалась на 61 языке на материалах Wikipedia и корпуса C4. В README указана perplexity 1,73 на валидации. Модель распространяется под лицензией MIT.

HachiML/Mistral-7B-v0.3-m3-lora — японская разговорная языковая модель HachiML на архитектуре Mistral-7B, представленная как модель для генерации текста и чата. Это дообученная версия HachiML/Mistral-7B-v0.3-m2-lora: в README указано DPO-дообучение на наборе HachiML/self-rewarding_AIFT_MSv0.3_lora (раздел AIFT_M2), а также слияние адаптера HachiML/Mistral-7B-v0.3-dpo-lora_sr_m3_lr1e-5_3ep. Размер модели — 7,1 млрд параметров, заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации японского текста и диалоговых ответов. Репозиторий содержит веса в формате safetensors, библиотека для работы — Transformers. Лицензия Apache-2.0. Данные карточки не содержат конкретных результатов оценки качества или подробностей об ограничениях модели.

DavidAU разработал Mistral-Nemo-2407-12B-Thinking-Claude-Gemini-GPT5.2-Uncensored-HERETIC как дообученную версию Mistral Nemo Instruct 12.1B с использованием наборов данных, основанных на рассуждениях Claude, Gemini и GPT-5.2. Это плотная авторегрессионная языковая модель семейства Mistral для генерации текста и диалога; карточка описывает её как модель с пошаговым рассуждением и ориентиром на компактные ответы с развёрнутой прозой. Модель предназначена для творческого письма, продолжения сцен и сюжетов, ролевого общения, а также ответов в диалоге. В карточке заявлен контекст до 1 024 000 токенов; сама карточка рекомендует окно не менее 4k, предпочтительно 8k и выше. Указана поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Репозиторий содержит веса safetensors; метаданные указывают библиотеку Transformers. Модель настроена на генерацию откровенного, грубого и хоррор-контента, поэтому её ответы могут включать ненормативную лексику и взрослые темы. Автор не приводит условий лицензии в предоставленной карточке; перед использованием следует проверить лицензию репозитория на Hugging Face.

facebook/mms-tts-abp — модель синтеза речи на языке айта-абеллен (код abp), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиозапись и подходит для озвучивания фраз и создания речевого вывода на этом языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, вероятностный модуль длительности и декодер для генерации аудиоволны. Чекпойнт содержит около 3,5 млн параметров, распространяется в форматах PyTorch и Safetensors и доступен через Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Из-за стохастического предсказателя длительности генерация недетерминирована: для повторения того же результата требуется фиксированный seed. Качество синтеза может зависеть от соответствия входного текста языку и письменным нормам айта-абеллен.

facebook/mms-tts-agu — модель синтеза речи на языке авакатеко (agu), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на авакатеко в речевую аудиоволну и подходит для озвучивания текста и создания голосовых сообщений на этом языке. Модель использует архитектуру VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт проекта MMS-TTS, доступный через библиотеку Transformers версии 4.33 и новее. Стохастический предиктор длительности позволяет варьировать ритм речи; для повторения того же результата требуется фиксированное случайное зерно. Репозиторий распространяет веса в форматах PyTorch и Safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-apb — модель синтеза речи на языке Sa’a (код apb), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на Sa’a. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт семейства MMS-TTS; для синтеза одной и той же фразы могут получаться варианты с разным ритмом, поэтому для повторяемого результата нужен фиксированный seed. Модель доступна через библиотеку Transformers. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-apr — модель синтеза речи для языка Arop-Lokep (код apr), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт семейства MMS-TTS, созданный на архитектуре VITS: модель принимает последовательность текста и генерирует речевую аудиоволну. Размер модели — 3,5 млн параметров; для работы доступна через Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на Arop-Lokep. VITS объединяет вариационный автоэнкодер, потоковый модуль, текстовый энкодер на основе Transformer, стохастический предиктор длительности и декодер HiFi-GAN-подобного типа. Предиктор длительности позволяет варьировать ритм речи; генерация недетерминирована, поэтому для повторяемого результата требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-bom — модель синтеза речи для языка бером (Berom, bom), разработанная Facebook в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка из семейства MMS-TTS; архитектура VITS преобразует последовательность текста в речевую аудиоволну и включает вероятностный предиктор длительности, благодаря которому один и тот же текст может звучать с разным ритмом. Модель содержит 3,6 млн параметров и доступна в форматах PyTorch и Safetensors; для работы с ней подходит библиотека Transformers версии 4.33 и новее. Чекпойнт предназначен для озвучивания текста на бером. Генерация недетерминирована: чтобы повторно получить ту же аудиоволну, нужно зафиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-cab — модель синтеза речи на языке гарифуна (код cab), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на гарифуна. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт семейства MMS-TTS; библиотека Transformers поддерживает его начиная с версии 4.33. Стохастический предсказатель длительности позволяет получать варианты ритма произношения, поэтому результаты могут меняться между запусками; фиксированный seed нужен для воспроизводимого аудио. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Модель ориентирована на синтез речи именно на гарифуна.

facebook/mms-tts-cwe — модель синтеза речи на языке квэре (Kwere, cwe), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на квэре в речевую аудиоволну и предназначена для озвучивания текстов и создания речевого вывода на этом языке. Модель использует архитектуру VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт проекта MMS-TTS, доступный через библиотеку Transformers версии 4.33 и новее. Стохастический предиктор длительности позволяет варьировать ритм произношения; для повторяемого результата при генерации требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Она рассчитана на синтез речи на квэре; качество для других языков не заявлено.

Модель alakxender/mms-tts-div-finetuned-md-f01 разработана для синтеза речи на дивехи. Это дообученная на подборке синтетической речи версия архитектуры MMS-TTS на основе VITS; она преобразует текст на дивехи, записанный письмом тхана, в аудио женским голосом. Модель содержит 3,5 млн параметров и доступна в формате Safetensors для библиотеки Transformers. Модель подходит для озвучивания коротких текстов на дивехи и создания женской синтетической речи. В карточке приведена оценка UTMOS 2,349 по трём образцам, что указывает на заметно синтетическое звучание в этой небольшой оценке. Модель распространяется по лицензии MIT.

Модель Dan (dnj-dialect_gweetaawueast) — система синтеза речи Facebook в рамках проекта Massively Multilingual Speech (MMS). Это отдельный чекпойнт для языка Dan, диалект gweetaawueast. Модель принимает текст и генерирует речевую аудиоволну; она построена на архитектуре VITS и содержит около 3,5 млн параметров. VITS синтезирует речь сквозным образом: текстовый энкодер и flow-модуль формируют акустическое представление, а декодер на основе свёрточных слоёв создаёт аудиосигнал. Стохастический предиктор длительности позволяет варьировать ритм произношения; из-за этого результат недетерминирован, и для повторяемого синтеза нужен фиксированный seed. Модель доступна через Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-gri — модель синтеза речи на языке гхари (Ghari, gri), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текстов на гхари. Для каждого языка проекта обучается отдельный чекпойнт; модель построена на архитектуре VITS, которая объединяет вариационный автоэнкодер, потоковый модуль и декодер, подобный HiFi-GAN. Предсказатель длительности позволяет получать варианты ритма речи, поэтому при одинаковом тексте результат может различаться; для повторяемой генерации нужен фиксированный seed. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; использовать его можно через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-ifk — модель синтеза речи на языке Ifugao, диалект Tuwali, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на языке ifk в речевую аудиоволну и подходит для озвучивания текста и создания речи для приложений на этом языке. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; для синтеза использует стохастический предиктор длительности, поэтому одинаковый текст может звучать с разным ритмом, а для воспроизводимого 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-kao — модель синтеза речи на языке Xaasongaxango (kao), созданная 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; для каждого языка MMS обучается отдельный чекпойнт. VITS синтезирует речь сквозным образом: текстовый энкодер и потоковые слои формируют акустическое представление, а декодер создаёт аудиосигнал. Стохастический предиктор длительности позволяет варьировать ритм произнесения, поэтому при одинаковом тексте результат может различаться; фиксированное зерно генератора нужно для воспроизведения того же результата. Модель доступна через Transformers и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-khg — модель синтеза речи на тибетском языке кхамс (Khams, код khg), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую звуковую волну и предназначена для озвучивания текстов на этом языке. Модель построена на архитектуре VITS и содержит 3,6 млн параметров. Это отдельный чекпойнт для одного языка из семейства MMS-TTS; для синтеза используется вариативный генератор длительности, поэтому один и тот же текст может звучать по-разному. Модель доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование. Модель специализирована на кхамсском тибетском и не предназначена для синтеза на других языках.

facebook/mms-tts-lef — модель синтеза речи на языке Lelemi (ISO 639-3: lef) из проекта Massively Multilingual Speech, разработанного Meta. Это отдельный чекпойнт VITS для одного языка: компактная модель с 3,5 млн параметров, которая 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. Модель предназначена для озвучивания текста на Lelemi. Стохастический предсказатель может создавать варианты ритма для одного текста; результат генерации недетерминирован, поэтому для повторяемого аудио требуется фиксировать seed. Чекпойнт распространяется в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers версии 4.33 и выше. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-lif — модель синтеза речи на языке лимбу (код ISO 639-3: lif), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на лимбу в речевую аудиоволну и предназначена для озвучивания текстов и создания голосовых интерфейсов на этом языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный чекпойнт для лимбу из семейства MMS-TTS; для синтеза используется стохастический предиктор длительности, поэтому при одинаковом тексте речь может звучать по-разному. Для воспроизводимого результата требуется фиксировать seed. Модель доступна через библиотеку Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Модель рассчитана на синтез речи именно на лимбу; качество для иных языков не заявлено.

facebook/mms-tts-mam-dialect_southern — модель синтеза речи для южного диалекта языка мам, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на поддерживаемом варианте языка мам. Модель использует архитектуру VITS и обучена отдельно для этого языка. Это компактный чекпойнт на 3,5 млн параметров; для работы доступен через библиотеку Transformers. Генерация зависит от случайного предсказателя длительности, поэтому для повторяемого результата требуется фиксировать seed. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая требует указания авторства и ограничивает коммерческое использование.

facebook/mms-tts-maq — модель синтеза речи на языке мазатек, диалект Чикиуитлан, 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 — сквозной генератор речи на основе вариационного автоэнкодера, потоковых слоёв и декодера, похожего на HiFi-GAN. Размер модели — 3,5 млн параметров; для каждого языка MMS обучается отдельный чекпойнт. Из-за стохастического предсказателя длительности результат может различаться при одинаковом тексте, а для повторяемого синтеза требуется фиксировать seed. Модель доступна через библиотеку Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства в рамках некоммерческих условий.

facebook/mms-tts-mza — модель синтеза речи на языке Mixtec, Santa María Zacatepec (mza), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую волну и предназначена для озвучивания текста и создания речевого вывода в приложениях. Модель использует архитектуру VITS: это сквозная система синтеза речи с вариационным автоэнкодером, потоковым модулем и декодером, построенным по принципу HiFi-GAN. Для предсказания ритма используется стохастический предиктор длительности, поэтому результат синтеза может меняться между запусками; фиксированный seed позволяет воспроизводить тот же результат. В репозитории доступны веса PyTorch и Safetensors, размер модели — 3,5 млн параметров. Модель поддерживается библиотекой Transformers начиная с версии 4.33. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Карточка описывает отдельный чекпойнт для одного языка; качество синтеза для конкретных текстов может зависеть от используемого письма и входных данных.