I.6Перевод и языковая адаптация

facebook/mms-tts-meq — модель Merey для синтеза речи из текста, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она предназначена для озвучивания текста на языке Merey (meq). Для каждого языка MMS обучается отдельный чекпойнт. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это сквозная система text-to-speech, которая преобразует последовательность текста в речевую волну; стохастический предсказатель длительности позволяет варьировать ритм произношения. Модель доступна через Transformers версии 4.33 и выше и распространяется в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Генерация недетерминирована: для повторяемого результата нужно зафиксировать seed. Модель рассчитана на Merey; качество для других языков не заявлено.

facebook/mms-tts-onb — модель синтеза речи на языке Lingao (код onb), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания фраз и создания речевых выходов в приложениях на поддерживаемом языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров; для разных языков MMS обучает отдельные контрольные точки. Используются веса PyTorch и Safetensors, модель доступна через Transformers версии 4.33 и новее. Стохастический предиктор длительности позволяет получать разные ритмические варианты произнесения одного текста, поэтому результат зависит от случайного seed; фиксированный seed нужен для воспроизводимой генерации. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-xnr — модель синтеза речи на языке кангри (xnr), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на кангри. Модель использует архитектуру VITS — сквозную систему синтеза речи на основе вариационного автоэнкодера, нормализующих потоков и состязательного обучения. В состав входят текстовый энкодер, предсказатель длительности и декодер, формирующий аудиосигнал. Размер модели — 3,6 млн параметров; доступны веса PyTorch и Safetensors. Предсказатель длительности стохастический, поэтому результат синтеза может меняться между запусками; для повторяемого результата нужен фиксированный seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-ycn — модель синтеза речи на языке юкуна (Yucuna, код ycn) из проекта Massively Multilingual Speech компании Meta (Facebook). Она преобразует текст на юкуна в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; для работы с ним подходит библиотека Transformers версии 4.33 и выше. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

facebook/mms-tts-zab — модель синтеза речи для западного долинного сапотекского языка (Zapotec, Western Tlacolula Valley, zab), созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на этом языке в речевую аудиоволну и подходит для озвучивания текстов и разработки речевых интерфейсов для носителей языка. Модель использует архитектуру VITS и обучена отдельно для одного языка. Это сквозная система синтеза речи с текстовым энкодером на основе Transformer, потоковым модулем, декодером и стохастическим предсказателем длительности; размер по метаданным — 3,5 млн параметров. Из-за стохастического предсказания длительности результат может различаться между запусками; для воспроизводимой генерации нужен фиксированный seed. Модель доступна в Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

tareq052 разработал односпикерную модель синтеза речи на бенгальском языке на архитектуре VITS и дообучил её на базе контрольной точки VITS с помощью finetune-hf-vits. Модель преобразует текст в речевую аудиоволну за один проход и не требует отдельного вокодера. Она содержит 3,6 млн параметров, использует Transformers и PyTorch, а частота дискретизации выходного аудио составляет 16 кГц. Модель рассчитана на синтез речи одним голосом; лицензия — Apache-2.0. Подходит для озвучивания текстов на бенгальском языке, например коротких сообщений и материалов для приложений. Модель не поддерживает выбор голоса и управление эмоциями. Из-за ограниченного обучающего набора произношение редких слов, чисел и текста со смешанными языками может быть непоследовательным.

Pakorn2112/Orpheus-TTS-hmong-3b — модель синтеза речи на языке хмонг (Hmoob / Hmong Daw), созданная LocalVoice.org на основе Orpheus-3B TTS. Это дообученная PEFT LoRA модель семейства Llama с 3,3 млрд параметров; для кодирования аудио используется SNAC с частотой 24 кГц. Модель принимает текст и выдаёт речь, поддерживает эмоциональные метки и необязательный префикс для нескольких голосов. Модель предназначена для озвучивания текста на хмонг, в том числе потокового и работающего в реальном времени на одной GPU. В README рекомендуются чистые монофонические записи WAV с частотой 24 кГц и отдельные реплики длиной 1–8 секунд для получения качественного результата. Контекстная длина по метаданным — 131 072 токена. Лицензия — Apache-2.0.

Репозиторий tranhuyluyen/piper-voices-thai содержит две тайские модели синтеза речи, женский и мужской голоса, преобразованные из дообученных моделей MMS-TTS в формат Piper. Обе используют архитектуру VITS и поставляются в ONNX вместе с конфигурациями Piper; частота дискретизации — 22,05 кГц. Их можно загружать через piper-tts для синтеза тайской речи из текста. Модели предназначены для локального синтеза речи, например озвучивания коротких сообщений и создания аудиофайлов тайской речи. Текст обрабатывается посимвольно без фонемизации; алфавит модели включает 71 тайский символ. Лицензия репозитория — CC BY-NC 4.0. Известное ограничение: словарь содержит только цифры 0, 1, 2 и 4, поэтому остальные цифры пропускаются; перед синтезом числа следует записывать словами.

rjzevallos/quebert_qu_bpe — языковая модель RoBERTa-base, разработанная для обработки кечуа. Она обучена с нуля на задаче masked language modeling на очищенном монолингвальном корпусе примерно из 8 миллионов слов, преимущественно на южном кечуа. Модель содержит 96,6 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате PyTorch по лицензии Apache-2.0. Модель предсказывает замаскированные токены и предназначена для дообучения на задачах NLP для кечуа: классификации текста, распознавания именованных сущностей, разметки частей речи, ответов на вопросы и оценки семантического сходства. Её также можно использовать для поиска по текстам, получения эмбеддингов предложений и адаптации к новым предметным областям. Качество зависит от разновидности кечуа: южный диалект представлен лучше других, а результат может снижаться на малопредставленных диалектах и специализированных текстах. Модель может наследовать культурные и языковые смещения корпуса; её не следует использовать как единственный источник для решений с высокими ставками.

Карточка модели jaeyong2/Qwen2.5-0.5B-Instruct-Thai-SFT на Hugging Face совпадает с карточкой jaeyong2/Qwen2.5-0.5B-Instruct-Viet-SFT, поэтому описание составлено по ней. jaeyong2/Qwen2.5-0.5B-Instruct-Viet-SFT — дообученная авторами репозитория модель на основе Qwen/Qwen2.5-0.5B-Instruct. Это плотная авторегрессионная языковая модель семейства Qwen2 с 494 млн параметров, предназначенная для диалогов, выполнения инструкций и генерации текста. Модель рассчитана на вьетнамский и английский языки и поддерживает контекст до 32 768 токенов. Модель подходит для создания компактных чат-ботов и генерации ответов на вьетнамском или английском. В метаданных указаны библиотека Transformers, формат весов safetensors и интерфейс вызова инструментов. Лицензия — Apache-2.0. README не содержит дополнительных сведений о датасете дообучения или результатах оценки качества.

izaitova/robbert-2023-dutch-large-upos — дообученная модель RobBERT для разметки токенов по универсальным частям речи (UPOS) в нидерландском тексте. Она основана на DTAI-KULeuven/robbert-2023-dutch-large и использует архитектуру RoBERTa с головой классификации токенов; содержит 453,9 млн параметров и поддерживает контекст до 514 токенов. Модель предназначена для автоматического POS-теггинга: присваивания каждому токену универсальной грамматической категории. На оценочном наборе Universal Dependencies указаны F1 0,7968, точность 0,8898, precision 0,8288 и recall 0,7844. Распространяется по лицензии MIT. Карточка не приводит подробностей о тренировочных данных и ограничениях помимо связи с Universal Dependencies.

RoLlama3-8b-Instruct — румынская генеративная языковая модель OpenLLM-Ro, дообученная для следования инструкциям на основе Meta-Llama-3-8B-Instruct. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 8192 токенов; репозиторий содержит веса safetensors и поддерживает диалоговый режим. Модель предназначена для ответов ассистента и генерации текста на румынском языке. Её можно использовать для диалога, выполнения инструкций и создания румынских текстов; карточка описывает применение в исследованиях и адаптацию базовой модели к различным языковым задачам. Обучение проводилось на наборах инструкций и диалогов, включая RoAlpaca, RoDolly, RoOpenAssistant и RoUltraChat. Модель не предназначена согласно карточке для применения на языках, отличных от румынского. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование; качество и надежность ответов для конкретной задачи следует оценивать отдельно.

FishAudio S1-mini — многоязычная модель синтеза речи от Fish Audio, дистиллированная версия FishAudio S1 размером 0,5 млрд параметров. Она преобразует текст в речь на 13 языках: английском, китайском, японском, немецком, французском, испанском, корейском, арабском, русском, нидерландском, итальянском, польском и португальском. Модель поддерживает маркеры эмоций, интонации и голосовых эффектов, например шёпота, смеха и плача. Модель подходит для озвучивания текста и создания речи с заданной эмоциональной окраской и манерой произношения. В приведённой оценке Seed TTS для английского S1-mini показала WER 0,011, CER 0,005 и расстояние между голосами 0,380; это результаты автоматической оценки, а не гарантия качества для всех языков и сценариев. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и не разрешает коммерческое использование.

SauerkrautTTS-Preview-0.1 — предварительная модель синтеза речи на немецком языке, разработанная VAGOsolutions и дообученная на базе canopylabs/orpheus-3b-0.1-ft. Она принимает текст и генерирует речь голосами Lena, Anna, Max и Tom. Для обучения использовались оригинальные записи и синтетические данные; модель построена на архитектуре Llama и содержит 3,3 млрд параметров. Контекст составляет 131 072 токена. Модель предназначена для озвучивания немецких текстов с выбором голоса. Это ранняя версия проекта, в README отмечены планы улучшить чёткость голосов и стабильность генерации. В метаданных указана лицензия CC BY-NC 4.0, тогда как README указывает CC BY 4.0; лицензионные условия следует сверить перед использованием.

Карточка модели UBC-NLP/Simba-TTS-xho на Hugging Face совпадает с карточкой UBC-NLP/Simba-TTS-afr, поэтому описание составлено по ней. Simba-TTS-afr — модель синтеза речи на африкаанс из семейства Simba, разработанного UBC-NLP. Она преобразует текст в естественно звучащую речь и предназначена для голосовых интерфейсов и других сценариев озвучивания на африкаанс. В README модель отнесена к серии Simba-TTS и названа MMS-TTS; метаданные указывают архитектуру VITS, библиотеку Transformers и размер 3,5 млн параметров. Модель обучалась с использованием SimbaBench, набора данных для африканских языков. Модель принимает текст и генерирует аудио. README указывает африкаанс как целевой язык этой версии; серия ориентирована на африканские языки и языки с ограниченными ресурсами. Лицензия — CC BY 4.0. Метаданные помечают модель как automatic speech recognition, тогда как README описывает её назначение как text-to-speech; поэтому классификация задачи в каталоге может расходиться с назначением, заявленным авторами.

sapinsapin/speecht5_tts-pld-ceb — модель синтеза речи из текста, разработанная sapinsapin дообучением microsoft/speecht5_tts на датасете sapinsapin/pld. Она предназначена для озвучивания текста на Cebuano и использует архитектуру SpeechT5; для генерации речи предусмотрена привязка к голосу говорящего через x-vector conditioning и вокодер microsoft/speecht5_hifigan. Модель обучалась 1000 шагов на 1847 аудиофрагментах; формат весов — safetensors, библиотека запуска — Transformers. Модель подходит для создания озвучки и речевых образцов на Cebuano. В карточке приведено значение eval_loss 0.4070, однако качество и естественность синтеза отдельно не описаны. Распространяется по лицензии MIT.

Это модель синтеза речи из текста на основе SpeechT5, разработанная автором репозитория sapinsapin и дообученная на датасете sapinsapin/pld. Она предназначена для озвучивания текста на языке war. В README указаны обучение на 1745 аудиофрагментах в течение 1000 шагов и тестовые примеры синтеза с conditioning по x-вектору говорящего и вокодером microsoft/speecht5_hifigan. Модель использует архитектуру SpeechT5 и библиотеку Transformers; веса сохранены в формате safetensors. Базовая модель дообучалась Microsoft на LibriTTS. Лицензия — MIT.

Vilord-1.8B-Instruct — разговорная языковая модель, разработанная thangvip и дообученная на основе vietgpt/Sailor-1.8B. Она предназначена для генерации текста и диалоговых сценариев на вьетнамском языке. Модель построена на архитектуре Qwen2, содержит 1,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель опубликована в формате Safetensors и предназначена для использования с библиотекой Transformers. Карточка указывает датасет AIForge/OpenHermes-vi-filtered. Указана лицензия модели не была; условия использования следует проверить в репозитории перед применением. В карточке нет результатов оценки качества и подробного описания ограничений.

Модель Haiderali1212/ai-humanizer-models — последовательная трансформерная модель семейства T5, предназначенная для перефразирования и стилистической переработки текста в приложении для «очеловечивания» текста. По описанию, она перестраивает сложный текст в академический стиль и сглаживает шаблонные формулировки, характерные для текста, созданного ИИ. Заявлена поддержка сохранения фактов, цитат и математических токенов. Модель содержит 123,8 млн параметров, принимает текст с контекстом до 512 токенов и опубликована в формате safetensors. README указывает на выполнение в PyTorch и ONNX Runtime. Карточка заявляет лицензию Apache-2.0. Язык модели обозначен как английский; эффективность сохранения фактов и нейтрализации детекторов в README не подтверждена независимыми оценками.

arabic-MARBERT-dialect-identification-city — модель классификации арабских текстов по городским диалектам, созданная дообучением MARBERT на корпусе MADAR Corpus 26. Она относит текст к одной из 26 категорий, соответствующих городам; пример применения — определение диалекта коротких фраз. Модель построена на архитектуре BERT, содержит 190 млн параметров и рассчитана на контекст до 512 токенов. Принимает арабский текст и выдаёт метку класса с оценкой уверенности. В карточке не указана лицензия.

Aynkader разработал Balochi-TTS-Three-Speakers — модель синтеза речи на базе SpeechT5, дообученную для чтения текста на белуджском языке латиницей. Она преобразует текст в речь с одним из трёх голосов: новостного диктора Ayn Káder, мужского голоса Dódá или женского голоса Dódén; для вокодирования используется microsoft/speecht5_hifigan. Модель подходит для озвучивания коротких фраз и абзацев, например новостных текстов. README рекомендует ограничивать вход примерно 100 символами; прямой ввод ожидается латиницей, а арабское письмо поддерживается в веб-демо через преобразование в латиницу. Обучение проводилось на 75 аудиозаписях — по 25 на каждого диктора, поэтому данных для каждого голоса немного. Для первого запуска требуется интернет, чтобы загрузить HiFi-GAN. Лицензия модели — Apache-2.0.

CosyVoice2-0.5B-fp16 — версия модели синтеза речи CosyVoice2, подготовленная mlx-community из FunAudioLLM/CosyVoice2-0.5B для формата MLX с помощью mlx-audio-plus 0.1.2. Модель преобразует текст в речь и поддерживает синтез с опорным аудио: кросс-языковой zero-shot режим, режим с текстовой расшифровкой образца для повышения качества и управление стилем по текстовой инструкции, например просьбой говорить медленнее. Карточка указывает поддержку английского, китайского, японского и корейского языков. Для работы с голосовым образцом используются аудио и текст; модель выдаёт речь. Репозиторий содержит веса safetensors. Данных о размере контекста и лицензии в предоставленных источниках нет.

CosyVoice3 Multi-Accent — модель синтеза китайской речи, созданная на основе Fun-CosyVoice3-0.5B и дообученная на 135 тысячах китайских транскрипций с инструкциями об акценте. Она позволяет управлять акцентом при генерации речи: поддерживаются северный, сычуаньский, гуандунский, южный, хэнаньский, шанхайский, уханьский, тяньцзиньский и сингапурский варианты китайского произношения. Репозиторий содержит компоненты для запуска CosyVoice, включая токенизатор, flow-модель, вокодер и компоненты ONNX; отдельная установка CosyVoice не требуется. Модель предназначена для озвучивания китайского текста с заданным акцентом. Качество акцента и сходство с голосом-образцом зависят от референсного голоса и объёма данных для соответствующего акцента; обучающая выборка несбалансирована, поэтому сгенерированную речь следует оценивать перед производственным использованием. Лицензия — Apache-2.0.

ai-ssam/darija-omnivoice-kore-v1 — дообученная на базе k2-fsa/OmniVoice модель синтеза речи, настроенная на марокканский арабский язык (дариджа) и голос Kore. Она предназначена для преобразования текста в речь с более чётким произношением дариджи, естественным ритмом и просодией и устойчивым тембром целевого голоса. Для подачи языка обычно используют код ary; модель работает в библиотеке OmniVoice и хранит веса в формате safetensors. Это экспериментальная исследовательская версия. В карточке нет численных оценок качества или сходства голоса, поэтому перед применением стоит прослушать результаты. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

ENERGY-DRINK-LOVE/eeve_dpo-v3 — разговорная языковая модель команды Jingyeom Kim и Youjin Chung, дообученная методом DPO на базе yanolja/EEVE-Korean-Instruct-10.8B-v1.0. Это плотная авторегрессионная модель семейства Llama с 10,6 млрд параметров, предназначенная для генерации текста в диалоге. Контекст составляет 4096 токенов; модель распространяется в формате safetensors. Для обучения использовались собственный DPO-набор на основе данных AI Hub и переведённые англоязычные данные OpenOrca DPO. Карточка приводит результаты на корейских языковых тестах Ko LM Eval Harness и Ko-LLM-Leaderboard, что указывает на ориентацию прежде всего на корейский язык. Лицензия — Apache-2.0. Оценки в карточке относятся к указанным бенчмаркам и сами по себе не гарантируют качество в других сценариях.

MLX-версия модели Fish Audio S2 Pro, разработанная сообществом mlx-community на основе оригинальной модели fishaudio/s2-pro. Это система синтеза речи из текста с поддержкой клонирования голоса и тонкого управления просодией и эмоциями при помощи inline-тегов в формате [tag]. Модель обучена более чем на 10 млн часов аудио и поддерживает свыше 80 языков. Модель использует Dual-Autoregressive архитектуру с примерно 5 млрд параметров: медленный авторегрессионный компонент содержит около 4 млрд параметров, быстрый — около 400 млн. Аудиокодек использует 10 кодовых книг с частотой около 21 Гц. Полная поддержка заявлена для японского, английского и китайского языков; сильная — для корейского, испанского, португальского, арабского, русского, французского и немецкого, а также доступна поддержка десятков других языков. Модель предназначена для генерации естественной речи, озвучивания текста, создания выразительных голосовых сцен и синтеза речи с заданным референсным аудио. К сильным сторонам относятся широкий языковой охват, управление интонацией, громкостью, тембром, эмоциями и звуковыми эффектами на уровне отдельных фрагментов текста, а также возможность клонирования голоса. В README не указаны подробные ограничения, требования к оборудованию или количественные оценки качества. Модель распространяется по Fish Audio Research License: исследовательское и некоммерческое использование разрешено бесплатно, а коммерческое требует отдельной лицензии от Fish Audio.

AdamLucek/gemma2-2b-it-chinese-german — компактная диалоговая языковая модель на архитектуре Gemma 2, созданная слиянием нескольких настроенных версий Gemma 2 2B. Разработчик объединил google/gemma-2-2b-it, VAGOsolutions/SauerkrautLM-gemma-2-2b-it и stvlynn/Gemma-2-2b-Chinese-it методом Model Stock с помощью mergekit. Модель предназначена для генерации текста и диалога, с акцентом на проверку многоязычных возможностей небольших языковых моделей, в частности понимания китайского и немецкого языков. Она содержит 2,7 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Это экспериментальная сборка для исследования многоязычного диалога; карточка не приводит результатов оценки качества или подробных ограничений по отдельным языкам. Как и другие небольшие языковые модели, она может давать неточные или вымышленные ответы.

Это дообученная на арабских данных модель Google Gemma 4 E4B Instruct, созданная автором репозитория k-chirkunov для сравнения утверждений на диалектном арабском языке. Она принимает два утверждения в заданном формате диалога и относит их к одной из семи категорий семантической связи, включая эквивалентность, противоречие и частичное пересечение. Модель предназначена для задач естественного логического вывода и сравнения формулировок утверждений. Модель получена методом LoRA SFT и адаптер объединён с базовой моделью; доступны полные веса bf16 в формате safetensors. В README указан формат входа с системной инструкцией и двумя утверждениями, а результатом служит название категории. Карточка описывает обучение на наборе диалогов сравнения утверждений и лицензию Gemma. Результаты могут зависеть от соблюдения заданного шаблона; модель настроена на диалектный арабский и не заявлена как универсальный классификатор для других языков или задач.

Gervásio 7B PTBR Decoder — декодерная языковая модель семейства Gervásio, разработанная PORTULAN для генерации текста на португальском языке, ориентированная на вариант португальского языка Бразилии. Модель построена на архитектуре Llama и содержит 6,6 млрд параметров; её контекст составляет 4096 токенов. В метаданных указаны датасеты PORTULAN/extraglue и PORTULAN/extraglue-instruct. Модель можно применять для генерации и продолжения португалоязычного текста. Она выпущена под лицензией MIT. Карточка помечает модель как устаревшую и рекомендует улучшенную gervasio-8b-portuguese-ptpt-decoder.

Модель lighteternal/gpt2-finetuned-greek разработана Hellenic Army Academy (SSE) и Technical University of Crete (TUC). Это авторегрессионная модель генерации текста на базе английской GPT-2, дообученная для греческого языка с постепенной разморозкой слоёв. Архитектура GPT-2: 12 слоёв, размер скрытого состояния 768, 12 голов внимания и 117 млн параметров; модель использует токенизацию и BPE-сегментацию, а максимальный контекст составляет 1024 токена. Модель предназначена для продолжения и генерации грекоязычного текста. При обучении использовалась выборка греческих корпусов объёмом около 23,4 ГБ, включая CC100, WikiMatrix, Tatoeba, книги, SETIMES и GlobalVoices. В карточке приведены значения perplexity 39,12, train loss 3,67 и validation loss 3,83. Модель распространяется по лицензии Apache-2.0.