I.6Перевод и языковая адаптация

Карточка модели oaattia/VoiceTut-TTS на Hugging Face совпадает с карточкой mohammedaly22/VoiceTut-TTS, поэтому описание составлено по ней. VoiceTut-TTS — модель преобразования текста в речь, созданная разработчиком репозитория на основе OmniVoice от k2-fsa и дообученная на примерно 380 часах египетской арабской речи из подкастов. Она предназначена для синтеза естественной египетской арабской речи, в том числе с переключением между арабским и английским языками. В основе — текстовый Qwen3-0.6B и аудиотокенизатор Higgs; модель использует библиотеку OmniVoice и распространяется в формате safetensors. Модель предлагает 17 встроенных голосов, клонирование голоса по короткому аудиопримеру, нормализацию чисел, дат, валют, телефонных номеров, адресов и сокращений, а также потоковую выдачу аудио частями для длинного текста. В README указаны результаты измерения скорости на NVIDIA T4: средний коэффициент реального времени 1,13 и время до первого аудио при потоковой генерации 1,68 секунды. Лицензия — Apache-2.0. Клонирование чужого голоса следует выполнять только с согласия его владельца; авторы также предостерегают от имитации людей и создания вводящего в заблуждение аудио. Данные о размере всей модели и максимальной длине текста не приведены.

shahzaib31/wav2vec2-base-balti-bft — модель распознавания речи на основе wav2vec 2.0, дообученная автором репозитория на неизвестном наборе данных. Она использует архитектуру Wav2Vec2ForCTC и содержит 113,3 млн параметров. Предназначена для преобразования входящего аудио в текст; в названии указано, что модель ориентирована на балти, однако состав обучающих данных и поддерживаемые языки в карточке не подтверждены. В README приведены результаты оценки: loss 1,8899 и WER 0,8106. Эти значения указывают на заметные ошибки распознавания в использованной оценочной выборке, поэтому качество для конкретных условий следует проверять отдельно. Модель распространяется в формате safetensors и под лицензией Apache-2.0.

yejin-korean-3b-v2-base는 cooler8이 처음부터 학습한 한국어 3B 파라미터 기반 언어 모델입니다. 학습에는 공개 корпус из 155 ГБ с корейскими материалами — в том числе AI Hub, CulturaX, Википедией и учебниками — и около 73 млрд токенов. Веса не основаны на публичных моделях Qwen: класс Qwen3ForCausalLM используется только для совместимости с архитектурой вычислений. Модель предназначена для продолжения текста и генерации на корейском языке, а также может работать с английским. Это плотная авторегрессионная модель с 28 слоями, 24 головами внимания, GQA и QK-Norm; контекст составляет 4096 токенов. Токенизатор — специализированный byte-level BPE на 64 тыс. токенов. Это базовая модель без инструкционного дообучения, поэтому для диалогового ассистента или выполнения инструкций может потребоваться дополнительное обучение. Лицензия — Apache-2.0.

Модель lirondos/anglicisms-spanish-mbert — мультиязычная BERT-модель, дообученная для обнаружения неассимилированных заимствований в испанских новостных текстах. Она размечает заимствованные слова английского происхождения (ENG) и из других языков (OTHER), используя BIO-кодирование для многословных выражений. Модель содержит 205,1 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель разработана для извлечения англицизмов и других заимствований из испаноязычных новостей и анализа употребления заимствованной лексики. Она дообучена на корпусе COALAS, содержащем европейские испанские тексты СМИ. На тесте COALAS общий F1 составил 83,55; для английских заимствований — 85,19, а для заимствований из других языков — 11,11. Авторы предупреждают, что это не лучшая доступная модель для данной задачи. Лицензия — CC BY 4.0. Результаты для метки OTHER заметно слабее, поэтому модель особенно ненадёжна при поиске заимствований не из английского; качество также следует оценивать на текстах, отличающихся от новостного корпуса COALAS.

Модель minlik/chinese-alpaca-7b-merged — китайская языковая модель семейства LLaMA, созданная на основе китайского словаря: авторы продолжили предобучение китайских эмбеддингов, а затем дообучили модель на наборе инструкционных данных. Она предназначена для генерации текста и выполнения инструкций на китайском языке. Модель содержит 6,7 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 2048 токенов. Модель подходит для диалоговых сценариев, ответов на вопросы и создания текста на китайском. Карточка описывает запуск через Transformers и SentencePiece. Репозиторий содержит веса PyTorch и safetensors; сведения о лицензии в предоставленных данных отсутствуют.

ChineseBERT-base — китайская языковая модель на архитектуре BERT, разработанная командой авторов статьи ChineseBERT на ACL 2021. Она объединяет обычные символьные эмбеддинги с визуальными признаками начертания и фонетическими признаками пиньиня, чтобы лучше учитывать форму китайских иероглифов и различать многозвучные символы. В репозитории представлена версия для заполнения маски; модель насчитывает 131,1 млн параметров и поддерживает контекст до 512 токенов. Модель подходит для восстановления скрытых фрагментов китайского текста и как основа для задач понимания китайского языка. Карточка не сообщает лицензию, поэтому условия использования следует проверить в репозитории. Она принимает текст, а выдаёт распределение вероятностей токенов для маскированной позиции; заявленная специализация — китайский язык.

Fun-CosyVoice3-0.5B-2512-4bit — многоязычная модель синтеза речи из семейства CosyVoice3, опубликованная mlx-community и преобразованная из FunAudioLLM/Fun-CosyVoice3-0.5B-2512 в формат MLX. Для Qwen2 LLM-блока применена 4-битная квантизация, уменьшающая потребление памяти при сохранении качества. Репозиторий использует библиотеку mlx-audio-plus и формат safetensors. Модель предназначена для синтеза речи по тексту, в том числе с голосовым образцом: поддерживаются zero-shot и межъязыковой режимы, а также управление стилем с помощью инструкции, например просьбы говорить медленнее. По метаданным карточки поддерживаются китайский, английский, японский, корейский, немецкий, французский, русский, итальянский и испанский языки. Для работы с голосовым образцом могут передаваться аудио и, в соответствующих режимах, его текстовая расшифровка. Квантизация снижает требования к памяти; README не приводит конкретных оценок качества или ограничений. Модель распространяется в преобразованном формате MLX; сведения о лицензии в предоставленных данных отсутствуют.

Gepard Slovenian TTS — модель MediaAtlas для синтеза словенской речи. Это LoRA-дообучение nineninesix/gepard-1.0: авторегрессионной модели на архитектуре Qwen3.5, которая генерирует аудиотокены NVIDIA NanoCodec. В репозитории указано около 555 млн параметров у базовой модели, а метаданные для этой LoRA-модели указывают 445,1 млн параметров. Модель предназначена для озвучивания словенского текста; перед текстом требуется языковой префикс «sl: ». Она обучена на корпусе ARTUR с 80 тысячами записей примерно 1348 дикторов. Выходной звук — 22,05 кГц. Модель корректно произносит словенские č, š и ž, а интонация может слегка меняться в зависимости от содержания и пунктуации. Качество пока не высшего уровня: возможны ошибки произношения, нестабильный темп и зависимость результата от параметров генерации. Лучше всего модель работает с короткими нейтральными фразами; явного управления эмоциями нет. Для использования нужны среда gepard-inference и декодер NeMo NanoCodec. Лицензия — Apache-2.0.

ConicCat/GLM-4.7-Architect-355B-A32B — дообученная разговорная языковая модель на архитектуре GLM-4 MoE, созданная для улучшения качества прозы и письменной речи и уменьшения характерных для GLM речевых оборотов. Для обучения использовались обратные переводы антологий коротких рассказов; обучение проводилось в течение восьми эпох. Модель предназначена для генерации текста, особенно художественной прозы. Карточка рекомендует пропускать этап рассуждений, используя соответствующий префикс шаблона GLM, но не описывает сохранность способностей к рассуждению: автор сообщает, что специально их не сохранял. Модель основана на GLM-4.7 от Z.ai; метаданные указывают 23,4 млрд параметров, контекст до 202 752 токенов, поддержку английского языка и библиотеку Transformers. Модель распространяется по лицензии MIT. Результаты обучения ориентированы на прозу, поэтому качество для других задач и сохранение возможностей базовой модели могут быть ограничены.

GRMR-2B-Instruct-old — языковая модель, разработанная qingy2024 и дообученная на базе unsloth/gemma-2-2b-bnb-4bit. Это плотная авторегрессионная модель семейства Gemma 2 с 2,7 млрд параметров и контекстом до 8192 токенов. Она повторяет входной текст, исправляя грамматику и пунктуацию; пример в карточке показывает также нормализацию написания названия и дефисов. Модель предназначена для корректуры коротких текстов на английском языке. Веса опубликованы в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. В README указано, что дообучение выполнено за 300 шагов; качество на иных языках и типах текста не описано.

Gumini-1.5B-Base-i1-GGUF — квантованная в формате GGUF версия базовой языковой модели Gumini-1.5B-Base, разработанной GuminiResearch и квантованной Gumin Kwon. Модель создана на основе Qwen 2.5 3B с использованием методологии Inheritune, поддерживает корейский и английский языки и обучалась на данных примерно с соотношением 80% корейского и 20% английского. Она предназначена для генерации продолжений текста и запуска локально через llama.cpp и совместимые инструменты, включая Ollama и LM Studio. Модель содержит 1,54 млрд параметров, 16 слоёв и имеет hidden size 2048. Варианты квантования используют калибровку importance matrix (imatrix), что помогает сохранять качество при уменьшении размера: доступны форматы от Q8_0 и Q6_K до более компактных Q4_K_M, IQ4_XS и IQ3_M. Рекомендуемым сбалансированным вариантом указан Q5_K_M. Это базовая, а не instruction-tuned модель, поэтому она не ориентирована на диалоговый режим и выполнение команд без дополнительной адаптации. Контекстное окно и другие характеристики мультимодальности в README не указаны. Лицензия основана на Qwen Research License и допускает только некоммерческое и исследовательское использование.

Hoa 7B — авторегрессионная языковая модель команды VLSP 2023 VLLM на архитектуре BLOOM с 8,3 млрд параметров. Модель обучена на части корпуса Common Crawl на вьетнамском и английском языках и предназначена для генерации текста и продолжения заданного фрагмента. Модель принимает текст и выдаёт текст; в карточке указано семейство BLOOM и библиотека Transformers. Для продолжения текста на вьетнамском или английском её можно использовать в генеративных сценариях. Репозиторий содержит веса в формате PyTorch и распространяется по лицензии BigScience BLOOM Rail 1.0.

IndoT5-base-nafkhan-epochs-1 — дообученная модель семейства T5 на основе Wikidepia/IndoT5-base. В репозитории доступны веса PyTorch и Safetensors; модель содержит около 123,8 млн параметров. README сообщает о дообучении на датасете, обозначенном как None, и значении loss 0,2250 на оценочной выборке, но не раскрывает назначение обучения или состав данных. Модель предназначена для преобразования текста в текст на индонезийском языке и может применяться в задачах генерации текста по текстовому запросу. Карточка не описывает конкретные сценарии использования, контекстное окно или ограничения качества, поэтому соответствие модели конкретной задаче следует проверять отдельно. Условия лицензии в предоставленных данных не указаны.

Indri 0.1 350M TTS — компактная модель синтеза речи от 11mlabs на основе авторегрессионного трансформера GPT-2 с 350 млн параметров. Она генерирует аудиотокены из текста, а затем декодирует их в речь с помощью Kyutai Mimi. Модель предназначена для синтеза речи на английском и хинди, в том числе при смешении этих языков в одном тексте, и поддерживает клонирование голоса по короткому аудиопромпту менее пяти секунд. В карточке заявлены высокая скорость генерации и работа с контекстом до 1024 токенов. Модель подходит для озвучивания текста и создания речи заданным голосом; в README также описана серия Indri с задачами распознавания речи и продолжения аудио, но для этой модели подтверждён тег text-to-speech. Репозиторий распространяет веса в формате safetensors и основан на дообучении openai-community/gpt2. Лицензия указана как CC BY-SA 4.0, при этом авторы ограничивают использование исследовательской демонстрацией и запрещают коммерческое применение.

Gryphe/LlamaGramma-7b — дообученная Gryphe модель семейства Llama на основе Llama 2 7B. Она предназначена прежде всего для исправления грамматических ошибок: пользователь передаёт текст с инструкцией удалить ошибки, а модель формирует исправленный вариант. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст; контекст — до 4096 токенов. Для дообучения использован датасет Gryphe/CoEdit-Alpaca, преобразованный в формат Alpaca; обучение проводилось три эпохи на одном GPU A100 80 ГБ. В карточке указана лицензия «other» без дополнительных условий. Автор отмечает, что качество результатов может различаться; модель ориентирована на грамматическую коррекцию, а не на универсальное редактирование или проверку фактов.

MahaGemma-2B — языковая модель семейства Gemma, разработанная в рамках инициативы MahaNLP. Модель с 2,5 млрд параметров создана на основе google/gemma-2b и дообучена с помощью LoRA на переведённых наборах данных на маратхи. Она предназначена для генерации ответов на инструкции и вопросы на маратхи; в карточке приведён формат запроса с разделами Instruction, Input и Response. Модель принимает текст и генерирует текст, поддерживает контекст длиной до 8192 токенов и распространяется в формате safetensors. Лицензия — CC BY 4.0. Карточка содержит мало сведений об оценке качества и составе обучающих данных, поэтому возможности за пределами генерации текста на маратхи не подтверждены.

MedVi-chat-1.5B — разговорная языковая модель на архитектуре Qwen2, опубликованная anti-ai. Модель содержит 1,5 млрд параметров и предназначена для генерации текста в формате диалога. В карточке указаны вьетнамский язык и контекст длиной до 131 072 токенов. Модель дообучена на базе anti-ai/MedVi-chat-1.5B; карточка не описывает обучающие данные или конкретные медицинские сценарии, поэтому специализацию по названию подтвердить нельзя. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Количество параметров и контекст позволяют использовать её для диалогов и генерации текста, однако данных о качестве и ограничениях применения в карточке нет.

Модель разработана Национальной комиссией по государственному языку и языковой политике при Президенте Кыргызской Республики. Это дообученная для кыргызского языка генеративная текстовая модель на архитектуре Mistral с 7,1 млрд параметров. Она обучена на наборе данных MADLAD-400 и использует Grouped-Query Attention, Sliding-Window Attention и токенизатор Byte-fallback BPE; размер контекста составляет 32 768 токенов. Модель предназначена для продолжения текста и генерации текста на кыргызском языке. Её можно использовать как основу для кыргызскоязычных текстовых приложений и экспериментов. В README указано, что базовая Mistral-7B-v0.1 превосходит Llama 2 13B в проверенных разработчиками тестах, но сравнительные результаты именно этой кыргызской версии не приведены. README не указывает лицензию. Авторы отмечают, что модель не имеет встроенных механизмов модерации; для её работы рекомендуется Transformers версии 4.34.0 или новее.

Карточка модели camel911/Mistral-Nemo-2407-12B-Thinking-Claude-Gemini-GPT5.2-Uncensored-HERETIC на Hugging Face совпадает с карточкой DavidAU/Mistral-Nemo-2407-12B-Thinking-Claude-Gemini-GPT5.2-Uncensored-HERETIC, поэтому описание составлено по ней. 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.

Карточка модели goldiez/Mistral-Nemo-2407-12B-Thinking-Claude-Gemini-GPT5.2-Uncensored-HERETIC на Hugging Face совпадает с карточкой DavidAU/Mistral-Nemo-2407-12B-Thinking-Claude-Gemini-GPT5.2-Uncensored-HERETIC, поэтому описание составлено по ней. 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-asg — модель синтеза речи для языка Cishingini (asg), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну; для каждого языка MMS-TTS обучается отдельная модель. Архитектура VITS объединяет вариационный автоэнкодер, Transformer-энкодер текста, потоковые слои, стохастический предиктор длительности и декодер на основе свёрточных слоёв. Модель содержит около 3,5 млн параметров и доступна для использования через Transformers версии 4.33 и выше. Стохастический предиктор длительности позволяет получать разные варианты ритма для одного текста, поэтому для воспроизводимого результата требуется фиксированное случайное зерно. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-grc — модель синтеза речи на древнегреческом языке из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует текст на древнегреческом в речевую аудиоволну и подходит для озвучивания текстов и создания аудиоматериалов на этом языке. Модель использует архитектуру VITS и содержит 3,6 млн параметров. Это отдельный чекпойнт для древнегреческого языка; для работы с ним подходит библиотека Transformers версии 4.33 и новее. Стохастический предиктор длительности позволяет варьировать ритм речи, поэтому для повторяемого результата требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0.

facebook/mms-tts-iba — модель синтеза речи на языке iban, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на этом языке. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. VITS объединяет текстовый энкодер, потоковый модуль и декодер аудиосигнала; стохастический предиктор длительности позволяет получать варианты произношения и ритма для одного текста. Для повторяемого результата при генерации требуется фиксировать seed. Модель поддерживается библиотекой Transformers начиная с версии 4.33. Модель рассчитана на язык iban и не является многоязычным чекпойнтом: для языков проекта MMS обучены отдельные модели. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-iou — модель синтеза речи на языке тума-ируму, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания фраз и создания голосового вывода на этом языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, flow-модуль и декодер, формирующий аудиоволну. Размер модели — 3,5 млн параметров. Для каждого языка MMS-TTS обучается отдельный чекпойнт; синтез может быть недетерминированным, поэтому для повторяемого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-jic — модель синтеза речи на языке Tol (jic), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует текст на Tol в речевой сигнал; для каждого языка проекта обучается отдельный чекпойнт. Модель использует архитектуру VITS — сквозную систему синтеза речи на основе вариационного автоэнкодера, потоковых преобразований и декодера, построенного по принципу HiFi-GAN. В чекпойнте около 3,5 млн параметров; он работает с библиотекой Transformers версии 4.33 и новее. Генерация стохастическая: для повторяемого результата нужно задавать фиксированное начальное значение генератора. Модель предназначена для озвучивания текста на Tol. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-kwi — модель синтеза речи на языке ава-куайкер (Awa-Cuaiquer, kwi), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт MMS-TTS для одного языка, построенный на архитектуре VITS и содержащий около 3,5 млн параметров. Модель принимает текст и генерирует речевую аудиоволну; она доступна через библиотеку Transformers версии 4.33 и новее. VITS объединяет текстовый энкодер, потоковый модуль и декодер, основанный на свёрточных слоях, а стохастический предиктор длительности позволяет получать разные ритмические варианты произношения одного текста. Генерация недетерминирована: для повторения результата требуется фиксированное случайное зерно. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-kxf — модель синтеза речи на языке Kawyaw (kxf), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую волну и предназначена для озвучивания текста на этом языке. Это отдельный чекпойнт для одного языка из семейства MMS-TTS. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Вариативный предиктор длительности позволяет синтезировать речь с разным ритмом, поэтому при одинаковом тексте результаты могут отличаться; для повторяемой 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 ограничивает коммерческое применение.

facebook/mms-tts-lew — модель синтеза речи на языке леда (Lew), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка, построенный на архитектуре VITS: модель преобразует последовательность текста в речевую аудиоволну, используя вариационный автоэнкодер, потоковый модуль, декодер и стохастический предиктор длительности. Модель предназначена для озвучивания текста на языке леда; вариативность предиктора длительности позволяет получать разные ритмические варианты произношения, а для повторяемого результата требуется фиксированный seed. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Модель facebook/mms-tts-mam-dialect_western — модель синтеза речи для западного диалекта языка мам, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на этом варианте мам. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, потоковый модуль и декодер на основе свёрточных слоёв, а стохастический предиктор длительности позволяет варьировать ритм речи. Размер модели — 3,5 млн параметров; для использования доступна через Transformers версии 4.33 и выше. Каждый языковой вариант MMS-TTS обучается отдельным чекпойнтом. Генерация недетерминирована, поэтому для повторения результата требуется фиксированное значение seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-mcu — модель синтеза речи на языке мамбила, на котором говорят в Камеруне. Она создана Meta в рамках проекта Massively Multilingual Speech (MMS), предоставляющего отдельные модели для разных языков. Модель преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на мамбила. Модель построена на архитектуре VITS и содержит текстовый энкодер на основе Transformer, flow-модуль и декодер, похожий на HiFi-GAN. Стохастический предиктор длительности позволяет получать варианты речи с разным ритмом; для повторяемого результата требуется фиксировать seed. В репозитории указаны веса PyTorch и Safetensors, размер модели — 3,6 млн параметров. Для запуска доступна библиотека Transformers версии 4.33 и новее. Модель рассчитана на мамбила; сведения о других языках для этого чекпойнта не приводятся. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.