I.6Перевод и языковая адаптация

Liujgoj-Cantonese-Qwen2.5-Omni-7B-SFT-V2 — инструкция-дообученная модель проекта Liujgoj Cantonese на базе Yvthyvq/Liujgoj-Cantonese-Qwen2.5-Omni-7B-CPT-V2. Это плотная модель семейства Qwen2.5-Omni с 7 млрд параметров; сохранена полная мультимодальная архитектура Omni, включая компоненты talker и token2wav, однако описанные задачи этой версии сосредоточены на работе с кантонским текстом. Модель следует явным инструкциям и предназначена для преобразования кантонского текста между латинской орфографией Liujgoj и традиционными китайскими иероглифами, разбиения слов на слоги, транскрипции в IPA и восстановления слогов по IPA. Её можно использовать в кантонских NLP-системах и как текстовую основу для последующей разработки задач распознавания и синтеза речи. Карточка сообщает о дообучении на 150 846 многозадачных примерах. Хотя архитектура поддерживает аудио, README описывает текущую версию как текстовую и не заявляет готовое распознавание или синтез речи. Модель не рассчитана на свободный диалог; возможны ошибки в редкой или специализированной романизации. Лицензия — Apache-2.0.

mlotsawa-ground-base — модель машинного перевода, разработанная billingsmoore в рамках проекта MLotsawa совместно с Tibetan and Himalayan Library при Университете Вирджинии. Это дообученная модель T5-Base на 123,7 млн параметров, принимающая тибетский текст письма Учэн и переводящая тибетские буддийские тексты на английский. Для токенизации используется getok; длина контекста составляет 512 токенов. Модель можно применять для чернового перевода текстов Дхармы или дообучать на более крупных либо специализированных корпусах, например текстах Дзогчен. Модель обучалась на 861 417 парах переводов из буддийских текстов. Она ориентирована на эту предметную область и не рассчитана на качественный перевод разговорного тибетского или других материалов. Оценочные показатели BLEU, chrF и TER в карточке низкие; переводы следует считать предварительными и проверять с опытным переводчиком. Лицензия — MIT.

facebook/mms-tts-nhw — модель синтеза речи на западно-уастекском варианте науатля (nhw), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну; для каждого языка в MMS-TTS обучен отдельный чекпойнт. Модель построена на архитектуре VITS и объединяет вариационный автоэнкодер, Transformer-кодировщик текста, нормализующие потоки, стохастический предсказатель длительности и декодер на основе HiFi-GAN. В репозитории указано 3,5 млн параметров; модель доступна через Transformers версии 4.33 и новее. Стохастический предсказатель делает генерацию недетерминированной: для повторения результата требуется фиксированное начальное значение генератора. Чекпойнт предназначен для озвучивания текста на западно-уастекском науатле. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

facebook/mms-tts-yat — модель синтеза речи на языке ямбета (код yat), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текстов на этом языке. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, Transformer-энкодер текста, нормализующие потоки и декодер, похожий на HiFi-GAN. В репозитории хранится чекпойнт на 3,5 млн параметров в форматах PyTorch и Safetensors; модель доступна через Transformers версии 4.33 и выше. Для одного текста модель может синтезировать варианты с разным ритмом, поэтому генерация недетерминирована; для повторяемого результата требуется фиксировать seed. Модель распространяется по лицензии CC-BY-NC-4.0, которая ограничивает коммерческое использование.

Helsinki-NLP/opus-mt-cpp-cpp — модель машинного перевода семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer и реализованная как MarianMTModel. Она предназначена для перевода между вариантами креольских языков на португальской основе; README описывает многокомпонентное направление и приводит результаты тестирования на наборах Tatoeba. Для выбора направления требуется начальный токен языка вида >>id<<. Модель содержит 41,5 млн параметров, принимает текст, использует нормализацию и SentencePiece с словарём 32 тыс. токенов и имеет контекст длиной до 512 токенов. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

ThakiCloud разработала Qwen3.8-27B-Satoori-KO-Synth — дообученную на синтетических примерах модель для преобразования стандартного разговорного корейского языка в региональные диалекты, а также для понимания и определения диалектной речи. Модель основана на плотной мультимодальной Qwen3.8-27B с 27 млрд параметров; в репозитории опубликованы веса Safetensors для Transformers. Несмотря на мультимодальную архитектуру основы, заявленное назначение этой версии — работа с текстом. Обучение выполнено на 26 600 синтетических примерах, созданных преобразованием сгенерированных разговорных фраз по правилам диалектов. Поддерживаются пять региональных вариантов: Кёнсан, Чолла, Чеджу, Чхунчхон и Канвондо. Модель предназначена для разовых преобразований и классификации, а не для диалога. По описанным тестам, распознавание регионов близко к версии, обученной на реальных данных, но понимание достигает примерно половины её результата; качество генерации зависит от метрики, а различия между регионами могут быть чрезмерными. Карточка указывает на связь правил преобразования с разметкой корпусов AI Hub: 77,2% преобразованных слов в обучающих данных используют производные от неё правила. Исходные и производные тексты в репозитории отсутствуют, распространяются только веса. Лицензия обозначена как other; перед использованием следует проверить условия и обязательное указание авторства из карточки модели.

Raj-0 — модель распознавания речи на бирманском языке, выпущенная разработчиком Raj. Она дообучена на более чем 800 часах бирманской речи на базе NVIDIA Nemotron 3.5 ASR Streaming 0.6B и предназначена для преобразования живой речи или аудиозаписей в текст. Доступны исходные веса NeMo и компактная квантованная версия GGUF Q8 объёмом около 724 МБ; заявлена работа на устройстве, в том числе на Android среднего класса и на CPU Mac. Внутренняя проверка на 18,02 часах аудио показала CER 11,02%; сравнение проводилось с автоматическими транскриптами, а не с проверенной вручную разметкой. Модель сосредоточена на бирманском языке: английские слова могут записываться фонетически бирманским письмом, а распознавание бирманско-английской речи с переключением языков пока ограничено. Веса распространяются по лицензии Apache 2.0, допускающей коммерческое использование на её условиях.

Soloni TDT-CTC 114M — модель распознавания речи на языке бамбара, разработанная RobotsMali и дообученная на базе nvidia/parakeet-tdt_ctc-110m с помощью NVIDIA NeMo. Она преобразует аудио в текст и поддерживает два способа декодирования: TDT и CTC. Модель построена на гибридной архитектуре FastConformer-TDT-CTC. Модель предназначена для транскрибации речи на бамбара, в том числе записей формата WAV. Ожидаемый вход — монофонический звук с частотой 16 кГц; препроцессор также выполняет пересэмплирование аудио с более высокой частотой. Выход — текстовая транскрипция. Обучение проводилось на 37 часах размеченной речи бамбара из набора bam-asr-early. В приведённых оценках WER составил 36,58% для TDT и 40,56% для CTC на Bam ASR Early; это жадное декодирование без внешней языковой модели. Модель не добавляет пунктуацию и заглавные буквы. В README отмечены возможные трудности с обобщением на разные условия записи и диалекты; проект продолжает развиваться. Лицензия — CC BY 4.0.

WindyTranslate/translate-en-rnd — модель машинного перевода от Windstorm Labs для перевода с английского языка на язык с кодом rnd. Это дообученная версия Helsinki-NLP/opus-mt-en-rnd: LoRA-адаптер обучили на параллельном корпусе и объединили с базовыми весами. Модель построена на архитектуре MarianMT, содержит 52,7 млн параметров и рассчитана на контекст до 512 токенов. Доступна в формате safetensors для Transformers. Модель предназначена для автоматического перевода англоязычного текста на rnd. Качество перевода не оценивалось; проверка подтвердила только соответствие вывода заявленному языку. Модель поддерживает одно направление перевода. Лицензия — Apache-2.0.

Модель slplab/wav2vec2-XLSR-300m_KoreanPhonene_spoken_by_foreigners разработана Sehyun Oh и предназначена для распознавания корейской речи и фонем в записях, где носители английского языка говорят по-корейски. Это дообученная модель Wav2Vec2-XLS-R-300m с архитектурой Wav2Vec2ForCTC, содержащая 402,7 млн параметров и принимающая аудио.

bvantuan/camembert-mwer — модель распознавания многословных выражений, созданная дообучением CamemBERT для классификации токенов. Она размечает выражения в тексте на французском языке по схеме IOB2 и обучена на наборах train и dev корпуса Sequoia. Модель распознаёт несколько типов выражений, включая идиомы, устойчивые сочетания и конструкции с лёгким глаголом. Модель основана на архитектуре CamemBERT, содержит 435,4 млн параметров и рассчитана на контекст до 514 токенов. Она предназначена для автоматической разметки многословных выражений в предложениях и корпусах. Доступна по лицензии MIT.

Llama-3.1-8B Taiwan Chat — дообученная с помощью QLoRA на подмножестве TaiwanChat модель Meta-Llama-3.1-8B-Instruct, созданная для более естественного традиционного китайского языка с тайваньской лексикой и местным контекстом. По README, обучение выполнялось с Unsloth, а адаптер объединён с базовыми весами в полный вариант fp16; размер модели — 7,5 млрд параметров, контекст — до 131 072 токенов. Модель работает в формате text-generation и поддерживает диалоговый сценарий. Её можно применять для ответов на бытовые вопросы о Тайване, рекомендаций о местной еде и местах, а также объяснения различий между тайваньским и материковым китайским. Примеры в карточке показывают, что дообучение не гарантирует фактическую точность: ответы могут содержать ошибки, в том числе о местной культуре и реалиях. Возможны фрагменты упрощённого китайского или английского; дополнительное выравнивание безопасности не проводилось, поведение в этой области унаследовано от базовой модели. Модель распространяется по лицензии Llama 3.1 Community License с требованиями Acceptable Use Policy. README указывает, что из-за лицензии обучающих данных TaiwanChat CC BY-NC 4.0 модель предназначена только для исследований и некоммерческого использования.

meiki.text.recognition.v0 — модель распознавания японского текста из видеоигр, разработанная для конвейера meikiocr. Она преобразует распознавание текста в обнаружение отдельных символов: использует дообученный детектор объектов с CNN backbone MobileNetV4 и выдаёт символы, ограничивающие рамки и оценки уверенности. Модель опубликована в формате ONNX и рассчитана на использование с TensorRT; лицензия — LGPL-3.0. Модель предназначена для распознавания горизонтальных строк японского текста на изображениях из видеоигр. Перед обработкой вход нужно масштабировать и дополнить до 960×32 пикселей; модель может обнаружить до 48 символов. Для получения готовой строки требуется постобработка результатов. Разработчик заявляет о выгодном сочетании точности и задержки для японского текста, однако приведённая карточка не содержит численных результатов бенчмарков. Качество за пределами японских видеоигр может снижаться; вертикальный текст не поддерживается.

facebook/mms-tts-des — модель синтеза речи на языке десано, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на десано в речевую аудиоволну и подходит для создания озвучивания на этом языке. Модель построена на архитектуре VITS: она обучается сквозным образом и использует стохастический предиктор длительности, поэтому один и тот же текст может звучать с разным ритмом. Размер модели — 3,5 млн параметров; доступны веса PyTorch и Safetensors, а для запуска подходит библиотека Transformers версии 4.33 и новее. Для каждого языка MMS-TTS обучается отдельный чекпойнт. Генерация недетерминирована: для повторения того же результата нужно зафиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая не допускает коммерческое использование.

facebook/mms-tts-hwc — модель синтеза речи для Hawaii Pidgin (hwc), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст на Hawaii Pidgin в речевую аудиоволну и подходит для озвучивания коротких фраз и текстов на этом языке. Модель использует архитектуру VITS, которая объединяет текстовый энкодер, генерацию акустических признаков и декодер речи в сквозной системе. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; для работы с ним подходит Transformers версии 4.33 и новее. Отдельные VITS-чекпойнты MMS обучаются для разных языков. Генерация стохастическая: один и тот же текст может звучать по-разному, поэтому для воспроизводимого результата требуется фиксированное значение seed. Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

facebook/mms-tts-nhi — модель синтеза речи на языке науатль варианта Zacatlán-Ahuacatlán-Tepetzintla, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну; для разных языков проекта обучаются отдельные контрольные точки. Модель построена на архитектуре VITS и обучается сквозным образом. В её составе — текстовый энкодер на основе Transformer, потоковый модуль, декодер аудиосигнала и стохастический предсказатель длительности, благодаря которому один и тот же текст может звучать с разным ритмом. Размер модели — 3,5 млн параметров. Для использования доступна через Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на указанном варианте науатля. Генерация недетерминирована: для повторяемого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-poh-dialect_eastern — модель синтеза речи на языке Poqomchi’ восточного диалекта из проекта Massively Multilingual Speech компании Facebook. Она преобразует текст на Poqomchi’ в речевую аудиоволну и предназначена для озвучивания текстов на этом языке. Модель использует архитектуру VITS и содержит 3,5 млн параметров. Это отдельный чекпойнт, обученный для одного языка; модель доступна через библиотеку Transformers. Стохастический предсказатель длительности может создавать разные варианты ритма для одного текста, поэтому для повторяемого результата нужен фиксированный seed. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерческое. Модель рассчитана на Poqomchi’ восточного диалекта, поэтому её не следует считать универсальным или многоязычным синтезатором.

facebook/mms-tts-rap — модель синтеза речи на рапануйском языке из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текстов на рапануйском. Для языка создан отдельный чекпойнт MMS-TTS. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это сквозная система синтеза: текстовый энкодер и flow-модуль формируют акустическое представление, а декодер на основе свёрточных слоёв генерирует аудиосигнал. Стохастический предиктор длительности позволяет получать варианты произношения с разным ритмом; поэтому результат может меняться между запусками, а фиксированный seed нужен для воспроизводимости. Модель доступна через библиотеку Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

NheengatuMT é um modelo de geração de texto derivado por ajuste fino do Qwen3.5-2B, com cerca de 1,7 млрд параметров, criado для поддержки перевода между португальским и ньенгату (yrl), низкоресурсным языком Бразилии. Он предназначен для помощи при чтении и письме, а не для официального перевода; качество зависит от использования обучающего шаблона запроса на португальском языке, а не стандартного chat template. Модель показывает лучшие результаты на текстах, близких к общему регистру, чем на юридических, и может создавать беглый, но неверный перевод. Карточка сообщает о повторениях на длинных текстах, ошибках в юридической терминологии и случаях выдумывания сведений; оценки носителями языка пока не проводились. Орфографические решения основаны на источниках обучения и не являются авторитетными. Модель распространяется по лицензии Apache-2.0; она основана на Qwen3.5-2B, а не на NLLB.

Модель dhivehi-tiny-latin2thaana-keymap-v1 разработана для транслитерации мальдивского языка дивехи: она преобразует текст, набранный латиницей, в письмо тхаана. Это компактная модель кодировщик-декодировщик на архитектуре T5 с байтовой токенизацией в стиле ByT5; по метаданным она содержит 5,6 млн параметров. Модель экспортирована в ONNX и рассчитана на локальную работу в браузере, в том числе на устройствах с ограниченными ресурсами. Модель предназначена для преобразования сообщений и поисковых запросов на латинице в тхаана. В README указана скорость около 35 мс на предложение на процессоре ноутбука в WebAssembly. На тесте новостных текстов она сопоставима с учительской ByT5-моделью по точности символов; на проверенном наборе чатовых текстов результаты по точности слов немного выше, но точность символов ниже. Для редких имён собственных и регистров, отличающихся от новостей и переписки, качество может снижаться. Лицензия — MIT.

REILX/llava-Qwen2-7B-Instruct-Chinese-CLIP — мультимодальная модель на архитектуре LLaVA, дообученная разработчиком REILX для распознавания китайского текста и смысла мемов. В основе лежат Qwen/Qwen2-7B-Instruct и OFA-Sys/chinese-clip-vit-large-patch14-336px; LoRA применялась к компонентам визуального и языкового энкодеров, а мультимодальный проектор обучался полностью. Модель принимает изображение и текстовый запрос, а отвечает текстом на китайском языке. Модель предназначена для описания китайских мемов с распознаванием текста на изображении и объяснением подразумеваемого смысла. Обучение проводилось на данных с примерно 10 835 изображениями мемов и 24 332 парами изображение–описание; README сообщает об использовании описаний, созданных несколькими моделями. Указанная длина контекста — 2048 токенов. Лицензия репозитория — Apache-2.0. Заявления README о сравнении качества с крупными закрытыми моделями не подкреплены приведёнными количественными оценками.

Это модель распознавания речи на языке лингала, созданная HuggingAnalist на основе facebook/mms-300m. Модель семейства wav2vec2 с архитектурой Wav2Vec2ForCTC дообучена с символьной CTC-головой на наборе WaxalNLP lin_asr для соревнования Waxal ASR. В метаданных указано 1,3 млрд параметров; веса доступны в формате safetensors. Модель преобразует аудиозаписи на лингала в текст. Для декодирования с поиском по лучу в репозитории также приведена 4-граммная языковая модель KenLM, построенная по обучающим транскрипциям; параметры alpha и beta рекомендуется настраивать на валидационной выборке. Модель предназначена прежде всего для распознавания речи на лингала, а не для общего многоязычного ASR. Лицензия в предоставленных данных не указана.

facebook/mms-tts-mbh — модель синтеза речи на мангсенге (mbh), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на мангсенге в речевую аудиоволну и подходит для озвучивания фраз и создания речевых примеров на этом языке. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, flow-модуль, трансформерный текстовый энкодер, декодер в стиле HiFi-GAN и стохастический предсказатель длительности. Размер — 3,5 млн параметров. Модель работает с текстом на входе и аудио на выходе; для повторяемого результата генерации требуется фиксировать seed, поскольку предсказатель длительности стохастический. Репозиторий содержит веса PyTorch и Safetensors, а использовать модель можно через Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Это модель распознавания речи на основе HuBERT Base, разработанная авторами исследования J. Moore, S. Li и P. Lauren и опубликованная вместе со статьёй об оценке распознавания тибетской речи. Модель полностью дообучена на базе facebook/hubert-base-ls960 с CTC-декодером для транскрибирования современной лхасской (центральной) тибетской речи. Архитектура использует Wav2Vec2ForCTC, число параметров — 113,3 млн; модель принимает аудио и выдаёт текст. Обучение проведено на корпусе NICT-Tib1: записи новостной речи 20 дикторов, с разбиением данных по дикторам. Модель предназначена для транскрибирования записанной лхасской тибетской речи и исследовательских сравнений систем ASR. На тестовой выборке CER составил 0,1352, однако авторы сообщают о худших среди сравниваемых архитектур результатах на метриках ошибок слогов и слов; независимое предсказание CTC может хуже учитывать тибетскую агглютинативную морфологию. Проверка охватывала только новостную речь и трёх тестовых дикторов, поэтому качество для разговорной речи и других диалектов не установлено. Модель распространяется по лицензии Apache-2.0.

Модель billingsmoore/tibetan-asr-nict-tib1-whisper-base разработана как полное дообучение OpenAI Whisper Base для автоматического распознавания речи на тибетском языке. Это энкодер-декодерный трансформер с 51,7 млн параметров, принимающий аудио и выдающий текстовую транскрипцию; веса сохранены в формате safetensors. Обучение проводилось на корпусе NICT-Tib1 с записями речи на центральном тибетском диалекте Лхаса от 20 дикторов. Модель предназначена для транскрибирования записанной речи, в частности новостных записей на лхасском тибетском. В README приведены результаты оценки на отложенной выборке корпуса и пример запуска через Transformers. Apache-2.0 разрешает использование модели на условиях этой лицензии. Результаты и область применимости ограничены чтением новостных текстов на современном диалекте Лхаса. Качество на диалектах Амдо и Кхам, классическом тибетском и спонтанной разговорной речи не оценивалось; тестовая выборка включала только трёх дикторов. Для оценки ошибок на тибетском авторы рекомендуют учитывать метрики на уровне слогов и сегментированных слов наряду с символьной метрикой.

anantoj/wav2vec2-xls-r-300m-zh-CN — модель автоматического распознавания речи на основе wav2vec2, дообученная на наборе COMMON_VOICE — ZH-CN. Архитектура использует CTC; размер модели — 407,4 млн параметров. Модель принимает аудио и преобразует речь в текст на китайском языке (упрощённое письмо, zh-CN). В опубликованной оценке указаны WER 0,8392 и CER 0,2059; высокая ошибка слов указывает на ограниченную точность распознавания. Модель предназначена для транскрибирования китайской речи. Она распространяется в формате PyTorch по лицензии Apache-2.0. README не содержит дополнительных сведений о рекомендуемых сценариях, условиях записи или ограничениях.

facebook/mms-tts-acu — модель синтеза речи на языке ачuar-шиwiar (Achuar-Shiwiar), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания фраз на этом языке. Для языка обучена отдельная модель семейства VITS с архитектурой условного вариационного автоэнкодера: текстовый энкодер, потоковый модуль и декодер на основе свёрточных слоёв работают совместно для генерации речи. Модель содержит около 3,5 млн параметров и доступна в форматах PyTorch и Safetensors; использовать её можно через Transformers версии 4.33 и новее. Стохастический предсказатель длительности позволяет получать разные ритмические варианты одной фразы, поэтому при одинаковом тексте результат может различаться; фиксированный seed нужен для воспроизводимого аудио. Модель предназначена для одного языка, а качество и применимость за пределами ачuar-шиwiar не подтверждены карточкой. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-mzm — модель синтеза речи на языке муму́е (Mumuye, код mzm), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст на муму́е в речевую аудиоволну и предназначена для озвучивания текстов на этом языке. Модель использует архитектуру VITS — сквозную систему синтеза речи на основе условного вариационного автоэнкодера, flow-модуля, Transformer-кодировщика текста, стохастического предсказателя длительности и декодера, подобного HiFi-GAN. Размер модели — 3,5 млн параметров. Чекпойнт доступен в форматах PyTorch и safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Для одинакового результата при повторной генерации требуется фиксировать seed, поскольку предсказатель длительности стохастический. Модель предназначена для муму́е и не является многоязычной в рамках этого чекпойнта. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и запрещает коммерческое применение.

facebook/mms-tts-nuz — модель синтеза речи на науатльском языке варианта Тламакатсапа (код nuz), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиозапись и предназначена для озвучивания текстов на этом языке. Модель использует архитектуру VITS — сквозную систему синтеза речи на основе вариационного автоэнкодера, Transformer-энкодера текста, flow-модуля и декодера в стиле HiFi-GAN. Веса доступны в форматах PyTorch и Safetensors; размер модели — около 3,5 млн параметров. Для языка обучен отдельный чекпойнт. Генерация стохастическая: для повторения того же результата нужно фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка предлагает использовать её через Transformers версии 4.33 или новее.

Pathumma-llm-audio-1.0.0 — разработанная командой Pathumma Audio Team языковая модель на 8 млрд параметров для понимания аудио. Она принимает речь, обычные звуки и музыку и формирует текстовые представления. Архитектура объединяет языковую модель OpenThaiLLM-DoodNiLT-V1.0.0-Beta-7B на базе Qwen2 и аудиоэнкодер Pathumma-whisper-th-large-v3 на базе Whisper. Для работы указана библиотека Transformers. Модель предназначена для преобразования коротких аудиозаписей в текст и ответов по их содержанию. README заявляет поддержку тайского языка, а метаданные карточки также указывают английский. Максимальная длительность входного аудио — 30 секунд. Разработчики отмечают, что модель пока экспериментальная и не полностью пригодна для практического применения в качестве ассистента; также требуется улучшать надёжность и безопасность ответов. Лицензия — Apache-2.0.