I.6Перевод и языковая адаптация

Hermes7b_ITA — языковая модель на архитектуре LLaMA 2, разработанная Стефано Скоттой и дообученная для выполнения инструкций на итальянском языке. В основе лежит NousResearch/Nous-Hermes-llama-2-7b; веса LoRA-адаптера объединены с базовой моделью. Модель содержит около 6,6 млрд параметров, использует формат PyTorch и поддерживает контекст до 4096 токенов. Модель предназначена для ответов на простые инструкции на итальянском языке и может служить основой для дальнейшего дообучения под конкретные задачи. Для работы с ней в карточке указан шаблон запроса с секцией «Instruction». Модель может генерировать фактически неверные, предвзятые, оскорбительные или неподходящие ответы. В карточке указана лицензия «Other» без дополнительных условий.

Higgs Audio V2 Generation Base — базовая генеративная аудиомодель, представленная авторами проекта Higgs Audio. Она предназначена для синтеза речи по тексту, включая выразительную речь с эмоциями и подходящей интонацией, а также многоязычные диалоги с несколькими голосами и генерацию речи с фоновой музыкой. Модель обучена на более чем 10 миллионах часов аудио и разнообразных текстовых данных; в README указана архитектура на основе Llama-3.2-3B с аудиоэкспертом DualFFN. В README приведено общее число параметров 3,6 млрд для LLM и 2,2 млрд для DualFFN. Авторы сообщают о поддержке английского, китайского, немецкого и корейского языков, генерации с нуля по голосовому образцу и адаптации просодии при озвучивании. Карточка описывает базовую версию без последующего дообучения. Репозиторий использует формат safetensors; лицензия указана как other, без уточнения её условий в предоставленных данных.

Kartoffel Orpheus-3B German Natural — модель преобразования немецкого текста в речь, созданная SebastianBodza на основе Orpheus-3B. Версия Natural дообучена на записях естественной немецкой речи из подкастов, лекций и других материалов OER, обработанных конвейером в стиле Emilia. Модель предназначена для синтеза речи с несколькими предустановленными голосами. Модель может генерировать речь с разными интонациями, но в этой версии поддержка эмоций и выразительности ограничена. Автор отмечает, что некоторые голоса нестабильны, отдельные голоса могут дублироваться, а оценка пола голоса ненадёжна. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия указана как Llama 3.2.

Kokoro Vietnamese — Ngọc Huyền — это дообученная модель синтеза речи на базе hexgrad/Kokoro-82M, подготовленная для голоса Ngọc Huyền. Репозиторий содержит инференсный чекпойнт PyTorch, голосовой пакет и конфигурацию с вьетнамским словарём; обучение и дообучение в репозитории не описаны. Модель преобразует текст на вьетнамском языке в речь. Для преобразования графем в фонемы используется vig2p и адаптированный фронтенд Kokoro, который учитывает вьетнамские начальные согласные и тоны. Модель рассчитана на синтез одним голосом; сведений о размере, длине контекста или других поддерживаемых языках карточка не содержит. Лицензия — Apache-2.0. Для работы требуется совместимый инференсный код и вьетнамский фронтенд из репозитория; качество произношения зависит от корректной обработки вьетнамского текста и фонемизации.

JY623/KoSOLAR-10.7B-merge-v3.2 — объединённая методом SLERP причинная языковая модель семейства Llama, созданная автором репозитория JY623 с помощью mergekit на основе KoSOLAR-10.7B-merge-v3.0 и KoSOLAR-10.7B-merge-v3.1. Модель содержит 10,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; длина контекста составляет 4096 токенов. Модель предназначена для генерации текста. Описание базовой модели указывает на поддержку корейского языка; данных о других языках карточка не приводит. Модель распространяется по лицензии Apache-2.0. README описывает состав и способ слияния, но не сообщает результатов оценки качества или специализированных сценариев применения.

Latxa 7B v1.2 — языковая модель, разработанная исследовательским центром HiTZ и группой IXA Университета Страны Басков UPV/EHU. Это плотная причинная модель семейства LLaMA на 6,6 млрд параметров, основанная на meta-llama/Llama-2-7b и дополнительно предобученная на баскском корпусе Latxa Corpus v1.1. Модель принимает текст и генерирует текст; контекст составляет 4096 токенов. Модель предназначена прежде всего для работы с баскским языком: генерации продолжений, выполнения задач по тексту через подсказки и дальнейшей адаптации под конкретные сценарии. В корпус также включались английские данные, однако для других языков качество не гарантируется. Модель не проходила инструкционную настройку, поэтому использование в качестве чат-ассистента не тестировалось и не рекомендуется. В опубликованных оценках она показала сильные результаты для баскского языка, но уступала в понимании прочитанного и задачах, требующих обширных знаний. Лицензия — Llama 2 License, допускающая коммерческое и исследовательское использование.

Llama3-8b-chinese-Uncensored-v0.1-gguf — языковая модель для генерации текста, опубликованная под идентификатором supernovaburn; разработчик в README не указан. Модель основана на Llama 3 8B Instruct и предназначена для диалоговых сценариев и других задач текстовой генерации. Заявлена поддержка китайского и английского языков, формат распространения — GGUF. Ключевая заявленная особенность модели — отсутствие встроенной цензуры, что может быть полезно для исследовательских и экспериментальных сценариев, требующих менее ограниченного поведения. При этом README не содержит данных о размере контекста, точной архитектуре, методах обучения, качестве, результатах тестирования или совместимых инструментах. Отсутствие ограничений безопасности может повышать риск генерации вредного или нежелательного содержания. Лицензия указана как other, без дополнительных условий и пояснений.

智通云联基于 Meta 的 Llama 3 进行全参数监督微调，发布了这款约 7,5 млрд параметров的中文对话模型。 Она обучена на более чем 150 тысячах качественных многоходовых диалогов и предназначена для ответов на вопросы и ведения диалога на китайском языке, в том числе для запросов по нефтегазовой тематике. Модель имеет плотную архитектуру Llama, принимает текст и выдаёт текст; длина контекста по метаданным — 8192 токена. Модель усиливает понимание китайского языка и смешанных китайско-английских запросов. В README отмечены недостатки в логических рассуждениях и склонность к галлюцинациям; выравнивание не проводилось. Лицензия в предоставленных данных не указана.

mesolitica/llama-7b-hf-32768-fpf — плотная авторегрессионная языковая модель семейства Llama, дообученная методом полного обновления параметров на малайском тексте. Модель содержит 6,6 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации продолжений текста на малайском языке и сценариев, где полезна обработка длинного контекста. В метаданных указаны задача text-generation и формат safetensors. Карточка связывает модель с Llama 2, однако идентификатор базовой модели не приведён. Лицензия в предоставленных данных не указана. Модель опубликована в сентябре 2023 года; сведений о качестве и конкретных ограничениях, кроме её языковой специализации и контекста, в карточке нет.

AXCXEPT разработала эту инструктивную языковую модель на основе llm-jp/llm-jp-3-3.7b-instruct, применив несколько методов настройки для улучшения общих возможностей. Модель построена на архитектуре Llama, содержит 3,5 млрд параметров и поддерживает контекст до 4096 токенов. Она принимает текст и генерирует ответы в диалоговом формате. Модель рассчитана прежде всего на японский язык: для обучения использовали инструктивные данные, подготовленные на основе японской Википедии и FineWeb. Её можно применять для ответов на вопросы, диалогов и других задач генерации текста на японском и других языках, однако разработчики отмечают, что некоторые способности могли снизиться из-за особенностей данных и размера модели. Лицензия — Apache-2.0. Карточка позиционирует модель как экспериментальный прототип для исследований и разработок; она не предназначена для коммерческого использования или критически важных систем, а качество и результаты не гарантируются.

meiki.text.detect.v0 — экспериментальная модель обнаружения текстовых строк на изображениях, разработанная для конвейера meikiocr. Она ориентирована на японские видеоигры и мангу и представлена вариантами tiny для изображений с небольшим числом строк и small для изображений с большим числом строк. Модель основана на детекторе D-FINE и предназначена для быстрого выделения областей текста, например в визуальных новеллах и страницах манги; она не распознаёт содержимое текста. В README для tiny указана примерная задержка 30 мс на CPU и 3 мс на GPU, а для small — 70 мс на CPU и 7 мс на GPU. Метаданные указывают формат ONNX и библиотеку TensorRT. Лицензия — LGPL-3.0. README также описывает обновлённую версию v0.1 с изменённой архитектурой и настройкой под видеоигры; эти характеристики не следует приписывать версии v0.

facebook/mms-tts-aoz — модель синтеза речи на языке Uab Meto (aoz), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на этом языке. Для каждого языка проекта используется отдельная контрольная точка. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. VITS объединяет вариационный автоэнкодер, потоковый модуль и декодер, формирующий аудиоволну; стохастический предиктор длительности позволяет варьировать ритм произношения. Модель доступна через библиотеку Transformers версии 4.33 и новее. Генерация недетерминирована: для получения одинакового результата требуется фиксировать seed. Модель предназначена для языка Uab Meto, поэтому её не следует считать универсальной многоязычной моделью. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

facebook/mms-tts-hvn — модель синтеза речи на языке хаву (Hawu, hvn), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст на хаву в речевую аудиоволну и предназначена для озвучивания текста и создания речевых выходов для приложений на этом языке. Модель использует архитектуру VITS: вариационный автоэнкодер с текстовым энкодером на основе Transformer, потоковыми слоями, стохастическим предсказателем длительности и декодером, формирующим аудиоволну. Это отдельный чекпойнт для хаву; в метаданных указано 3,5 млн параметров. Модель доступна через Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и Safetensors. Предсказатель длительности стохастический, поэтому генерация недетерминирована; фиксированный seed позволяет воспроизводить тот же результат. Модель рассчитана на хаву, поэтому её не следует считать универсальной многоязычной системой синтеза речи. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

facebook/mms-tts-klu — модель синтеза речи на языке клао (Klao, код klu), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую волну и предназначена для озвучивания текста на клао. Модель использует архитектуру VITS и обучена отдельно для этого языка. В описании архитектуры указаны текстовый энкодер на основе Transformer, потоковый модуль, декодер, подобный HiFi-GAN, и стохастический предиктор длительности, позволяющий синтезировать разные ритмы речи для одного текста. Размер модели — 3,5 млн параметров; для работы доступна через Transformers версии 4.33 и выше. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Синтез стохастический: для воспроизводимого результата требуется фиксировать seed. Карточка не сообщает о поддержке других языков или дополнительных режимах синтеза.

facebook/mms-tts-lcp — модель синтеза речи на языке Lawa, Western, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Это отдельный чекпойнт для одного языка из семейства MMS-TTS, предназначенный для преобразования текста в речевую аудиоволну. Модель построена на архитектуре VITS и обучается сквозным образом: текстовый энкодер и flow-модуль формируют акустическое представление, а декодер на основе свёрточных слоёв генерирует аудио. Стохастический предиктор длительности позволяет получать разные ритмические варианты произнесения; для воспроизводимого результата требуется фиксировать seed. В репозитории указаны веса PyTorch и safetensors, около 3,5 млн параметров. Модель доступна через Transformers версии 4.33 и новее. Подходит для озвучивания текста на Lawa, Western, например для речевых интерфейсов и создания аудиоверсий материалов. Чекпойнт рассчитан на конкретный язык, поэтому его не следует считать универсальной многоязычной TTS-моделью. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

facebook/mms-tts-maj — модель синтеза речи на языке мазатек, разновидность Халапa-де-Диас, из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Для каждого языка в проекте обучается отдельная модель. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это сквозная система синтеза речи с текстовым кодировщиком на базе Transformer, потоковым модулем и декодером аудиосигнала; стохастический предсказатель длительности позволяет варьировать ритм произношения. Модель доступна через библиотеку Transformers версии 4.33 и новее. Генерация недетерминирована: для повторяемого результата требуется фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Данных о качестве синтеза и ограничениях входного текста в карточке нет.

facebook/mms-tts-mcq — модель синтеза речи для языка Ese (код ISO 639-3: mcq), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на Ese в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS и обучена как отдельный языковой чекпойнт MMS-TTS. В описании архитектуры указаны текстовый энкодер на основе Transformer, flow-модуль, декодер HiFi-GAN и стохастический предсказатель длительности, который позволяет варьировать ритм речи. Чекпойнт содержит 3,5 млн параметров, представлен в форматах PyTorch и Safetensors и доступен через Transformers версии 4.33 и выше. Модель генерирует речь из текста на Ese; для одинакового результата при повторном запуске требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое применение.

facebook/mms-tts-nhx — модель синтеза речи на языке науатль, вариант Isthmus-Mecayapan (nhx), разработанная в рамках проекта Massively Multilingual Speech (MMS) компании Facebook. Она преобразует входной текст на этом языке в речевую аудиоволну и предназначена для озвучивания текста и создания синтетической речи. Модель использует архитектуру VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS, обученный для науатля Isthmus-Mecayapan. Синтез выполняется сквозным образом; стохастический предсказатель длительности позволяет получать разные ритмические варианты произнесения, поэтому для повторяемого результата нужен фиксированный seed. Модель доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое применение. Модель рассчитана на один языковой вариант и может быть чувствительна к написанию входного текста; качество синтеза за пределами описанного языка не подтверждено.

facebook/mms-tts-shn — модель синтеза речи на языке шан из проекта Massively Multilingual Speech, разработанного Facebook. Она преобразует текст на шан в речевую аудиоволну и предназначена для озвучивания текста и создания речевого вывода на этом языке. Модель использует архитектуру VITS: это сквозной синтезатор с вариационным автоэнкодером, Transformer-энкодером текста, flow-модулем и декодером на основе свёрточных слоёв в стиле HiFi-GAN. Для предсказания длительности используется стохастический модуль, поэтому одинаковый текст может звучать по-разному; для воспроизводимого результата требуется фиксированный seed. В репозитории указано 3,5 млн параметров, веса представлены в форматах PyTorch и Safetensors, модель доступна через Transformers версии 4.33 и новее. Модель предназначена для синтеза речи на шан и не является многоязычным универсальным чекпойнтом: для языков MMS-TTS обучаются отдельные модели. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и некоммерческими ограничениями.

facebook/mms-tts-sza — модель синтеза речи на языке семелай (код ISO 639-3: sza), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на семелае. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. VITS синтезирует речь сквозным образом; стохастический предиктор длительности позволяет получать разные ритмические варианты произнесения. Модель доступна через библиотеку Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и safetensors. Для повторения одной и той же генерации требуется фиксировать seed, поскольку синтез недетерминированный. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства в рамках её условий, но некоммерческое использование ограничено.

Модель facebook/mms-tts-tkr — система синтеза речи на языке цахур (Tsakhur, код tkr), разработанная Facebook в рамках проекта Massively Multilingual Speech. Это отдельный языковой чекпойнт для преобразования входного текста в речевую аудиоволну; модель доступна через библиотеку Transformers версии 4.33 и новее. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, Transformer-энкодер текста, нормализующие потоки, стохастический предиктор длительности и декодер на основе HiFi-GAN. Размер модели — 3,5 млн параметров. Стохастический предиктор позволяет варьировать ритм речи, поэтому для повторяемого результата требуется фиксировать seed. Модель предназначена для синтеза речи на цахурском языке. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства в рамках некоммерческих условий; коммерческое применение этой лицензией не разрешено.

facebook/mms-tts-xer — модель синтеза речи на языке Xerénte (код xer), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на Xerénte. Модель использует архитектуру VITS: вариационный автоэнкодер с текстовым энкодером на основе Transformer, flow-модулем, декодером и стохастическим предсказателем длительности. Чекпойнт содержит 3,5 млн параметров; для каждого языка проекта MMS обучается отдельная модель. Доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Стохастический предсказатель длительности позволяет получать разные ритмические варианты произношения, поэтому результат может меняться между запусками; для воспроизводимой генерации требуется фиксированное начальное значение случайного генератора. Модель специализирована на Xerénte, поэтому её не следует считать многоязычной.

facebook/mms-tts-zai — модель синтеза речи на языке сапотек, перешеек (Zapotec, Isthmus; zai), 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 своего языка. В описании архитектуры указаны текстовый энкодер на основе Transformer, flow-модуль и декодер, напоминающий HiFi-GAN; стохастический предсказатель длительности позволяет получать варианты с разным ритмом. Размер модели — 3,5 млн параметров. Для работы доступна библиотека Transformers версии 4.33 и новее. Генерация недетерминирована: для повторения результата нужен фиксированный seed. Модель предназначена для одного языка, поэтому её не следует считать универсальной многоязычной системой синтеза. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-zar — модель синтеза речи на языке сапотек, вариант Ринкон (код zar), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и предназначена для озвучивания текста и создания речевых интерфейсов. Модель использует архитектуру VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт проекта MMS-TTS; для синтеза применяются стохастический предиктор длительности и декодер, основанный на HiFi-GAN. Из-за стохастической генерации для повторяемого результата требуется фиксировать seed. Для работы доступна библиотека Transformers версии 4.33 и новее. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка описывает поддержку сапотекского языка Ринкон; качество и возможности для других языков не заявлены.

MyanmarGPT — генеративная языковая модель на архитектуре GPT-2, созданная MinSiThu для работы с бирманским языком. Она обучена на частном наборе данных на бирманском языке и предназначена для генерации текста и создания специализированных языковых моделей на её основе. Модель принимает текст и генерирует текст на бирманском языке. Контекст ограничен 1024 токенами. Для использования в проектах README рекомендует библиотеку Transformers. Модель распространяется по лицензии CreativeML OpenRAIL-M.

Konthee/Qwen2.5-7B-ThaiInstruct — языковая модель Konthee для генерации текста и диалога на основе Qwen2.5-7B-Instruct. Модель дообучена методом QLoRA на наборе airesearch/WangchanThaiInstruct; использует плотную архитектуру Qwen2 и содержит 7,1 млрд параметров. Репозиторий распространяется в формате PyTorch по лицензии Apache-2.0. Модель предназначена для инструктивных запросов и диалоговых сценариев, особенно на тайском языке. В метаданных указан контекст до 32 768 токенов, а в README приведена длина последовательности 2 048 токенов при обучении. Она может быть полезна для создания тайскоязычных ответов и ассистентов, но качество за пределами обучающего распределения и поддержка других языков могут быть ограничены.

Mahmoud Ibrahim подготовил дообученную модель Qwen3-TTS-12Hz-0.6B для синтеза арабской речи с пользовательским профилем голоса ali. Модель предназначена для преобразования текста в аудио на арабском языке, с акцентом на египетский диалект; в карточке Hugging Face указана задача text-to-speech и архитектура Qwen3TTSForConditionalGeneration. Модель распространяется в формате safetensors по лицензии Apache-2.0. README указывает базовую модель Qwen3-TTS-12Hz-0.6B. Сведения о размере и длине контекста в предоставленных метаданных и README отсутствуют.

Карточка модели UBC-NLP/Simba-TTS-sot 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.

Ślimaki Tavern 24B v1.3 — созданная автором Naphula языковая модель для ролевых диалогов и творческого письма. Это объединение нескольких предварительно обученных моделей, выполненное в два этапа методом multi_fusion на основе mergekit; архитектура — плотная MistralForCausalLM, размер — 23,4 млрд параметров. Модель предназначена для генерации текста, включая ролевые сценарии, истории и разговоры. В карточке указаны десять поддерживаемых языков: английский, французский, немецкий, испанский, итальянский, португальский, китайский, японский, русский и корейский. Родной контекст составляет 131 072 токена. Модель описана как uncensored и ориентирована на ролевые сценарии; для подходящего поведения может потребоваться настройка параметров сэмплирования. В README рекомендованы шаблоны Mistral Tekken или ChatML. Она способна генерировать сцены с насилием и откровенным эротическим содержанием. Модель распространяется по лицензии Apache-2.0.

Модель sapinsapin/speecht5_tts-pld-bcl — дообученная на наборе данных sapinsapin/pld версия SpeechT5 от Microsoft для синтеза речи из текста на бикольском языке (Bicolano, BCL). Она принимает текст и использует обусловливание по голосовому эмбеддингу говорящего; для получения аудио в примерах применялись x-vector из SpeechBrain и вокодер microsoft/speecht5_hifigan. Обучение проведено на 1878 аудиофрагментах в течение 1000 шагов; указанная eval_loss — 0,4176. Модель подходит для озвучивания текстов на бикольском языке. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — MIT.