I.9Аудио и музыка

Карточка модели swipeautomations/Qwen3-TTS-12Hz-0.6B-CustomVoice на Hugging Face совпадает с карточкой Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice, поэтому описание составлено по ней. Qwen3-TTS-12Hz-0.6B-CustomVoice — многоязычная модель синтеза речи, разработанная командой Qwen. Это вариант CustomVoice с архитектурой Qwen3TTSForConditionalGeneration и токенизатором 12 Hz; модель поддерживает девять голосовых тембров и позволяет управлять интонацией, ритмом и эмоциональной окраской с помощью инструкций на естественном языке. Модель преобразует текст в речь на китайском, английском, японском, корейском, немецком, французском, русском, португальском, испанском и итальянском языках. Она рассчитана на потоковую генерацию с низкой задержкой; в README заявлена задержка синтеза от 97 мс. Для наилучшего звучания рекомендуется использовать голос на его родном языке. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит число параметров этого чекпойнта; обозначение 0.6B входит в его название.

BricksDisplay/Qwen3-TTS-12Hz-0.6B-GGUF — это конвертация базовой модели Qwen/Qwen3-TTS-12Hz-0.6B-Base, разработанной Alibaba в рамках семейства Qwen3. Модель предназначена для синтеза речи и клонирования голоса по эталонной аудиозаписи. Она представлена в формате GGUF и состоит из двух файлов: backbone и codec вместе с codec_lm, поэтому для инференса требуется совместимый runtime, например llama.cpp для backbone и codec.cpp для аудиокомпонентов. Архитектура включает Qwen3 talker на 28 слоях со скрытым размером 1024, аудиотокенизатор с 16 кодовыми книгами RVQ и частотой кадров 12,5 Гц, а также четырёхслойный depth decoder в codec_lm. Это аудиомодальная codec_lm-модель: первый код генерируется самим codec_lm, после чего коды преобразуются в монофонический PCM-аудиосигнал с частотой 24 кГц. Заявлена поддержка английского, китайского, японского, корейского, французского, немецкого, испанского, итальянского, португальского и русского языков. Для клонирования голоса нужны эмбеддинг говорящего размерностью 1024 и коды эталонной аудиозаписи. Энкодер говорящего в комплект не входит, поэтому требуется отдельная модель Qwen/Qwen3-TTS-12Hz-Speaker-Encoder или заранее подготовленный артефакт. Доступны варианты квантования backbone от F32 до Q2_K и codec от F32 до Q4_K_M, что позволяет выбирать между качеством и требованиями к памяти. Модель распространяется по лицензии Apache-2.0.

Sarashina2.2-TTS — японско-английская система синтеза речи на основе большой языковой модели, разработанная SB Intuitions. Модель преобразует текст в речь и поддерживает генерацию голоса без дообучения по короткому аудиофрагменту-образцу, перенося тембр и манеру речи говорящего. Модель ориентирована прежде всего на японский язык, также синтезирует английскую речь и смешанные японско-английские фразы. Она рассчитана на озвучивание повествования, вещания, разговорной речи и клиентского обслуживания; архитектура основана на Llama, содержит около 670 млн параметров и поддерживает контекст до 8192 токенов. В метаданных указана базовая модель sbintuitions/sarashina2.2-0.5b-instruct-v0.1, на которой выполнено дообучение. Разработчик заявляет о высокой точности японского произношения, естественности, стабильности и переносе голоса между японским и английским. Для генерации с заданным голосом требуется аудиофрагмент-образец. Модель обучалась на лицензированных и иным образом законно полученных аудиоданных. Лицензия в предоставленных данных не указана.

Карточка модели alekshandru/supertonic-3 на Hugging Face совпадает с карточкой Supertone/supertonic-3, поэтому описание составлено по ней. Supertonic 3 — компактная многоязычная модель синтеза речи от Supertone для локального запуска. Модель распространяется в формате ONNX и работает через ONNX Runtime на устройстве, без обращения к облаку. В открытых ONNX-ресурсах около 99 млн параметров. Модель преобразует текст в речь на 31 языке и рассчитана на сценарии, где важны быстрая генерация и локальное выполнение: озвучивание аудиокниг, новостей, диалогов и телефонных обращений, в том числе на мобильных и периферийных устройствах. Поддерживаются фиксированные предустановленные голосовые стили; README также описывает демонстрацию пользовательских стилей по референсному аудио и теги выразительности. По сравнению с Supertonic 2 заявлены более стабильное чтение с меньшим числом повторов и пропусков, а также улучшенное сходство голосов на общих языках. Лицензия — OpenRAIL. README не приводит независимой оценки качества для всех языков; пользовательские стили по референсному аудио связаны с отдельным Voice Builder.

Карточка модели Mikeykun123/supertonic-3 на Hugging Face совпадает с карточкой Supertone/supertonic-3, поэтому описание составлено по ней. Supertonic 3 — компактная многоязычная модель синтеза речи от Supertone для локального запуска. Модель распространяется в формате ONNX и работает через ONNX Runtime на устройстве, без обращения к облаку. В открытых ONNX-ресурсах около 99 млн параметров. Модель преобразует текст в речь на 31 языке и рассчитана на сценарии, где важны быстрая генерация и локальное выполнение: озвучивание аудиокниг, новостей, диалогов и телефонных обращений, в том числе на мобильных и периферийных устройствах. Поддерживаются фиксированные предустановленные голосовые стили; README также описывает демонстрацию пользовательских стилей по референсному аудио и теги выразительности. По сравнению с Supertonic 2 заявлены более стабильное чтение с меньшим числом повторов и пропусков, а также улучшенное сходство голосов на общих языках. Лицензия — OpenRAIL. README не приводит независимой оценки качества для всех языков; пользовательские стили по референсному аудио связаны с отдельным Voice Builder.

cstr/tada-tts-1b-GGUF — GGUF/ggml-конверсия модели TADA-1B, разработанной HumeAI и основанной на Meta Llama 3.2-1B. Модель предназначена для синтеза речи из текста, включая генерацию речи с заданным голосом и клонирование голоса по аудиореференсу, и работает через runtime CrispStrobe/CrispASR. Также комплект содержит компоненты для принудительного выравнивания текста и аудио с получением временных меток слов. Архитектура включает BPE-токенизацию с размером словаря Llama 3.2 128K, авторегрессионную основу Llama-3.2-1B с 16 слоями, размерностью 2048, 32 головами внимания и 8 KV-головами, а также flow-matching речевую голову из 6 слоёв. Используются акустические и временные эмбеддинги, 10 шагов Euler для преобразования шума в речевые векторы и специализированный codec decoder, формирующий монофонический PCM-аудиосигнал с частотой 24 кГц. Указан английский язык; для выравнивания предусмотрены языковые версии aligner, но в README явно описана только en-версия. Доступны варианты F16 размером около 3,3 ГБ и Q4_K размером около 2,6 ГБ; Q4_K рекомендован для систем с 6 ГБ RAM. Квантизация сохраняет flow-matching-тензоры и критичные элементы эмбеддингов в F16 для уменьшения влияния на временные и акустические характеристики. Для клонирования голоса требуется аудиофайл с точной расшифровкой, а для работы необходим сопутствующий codec decoder. Модель распространяется по лицензии Llama 3.2 Community License с условиями исходной модели HumeAI/tada-1b.

cstr/tada-tts-3b-ml-GGUF — это GGUF-конверсия мультиязычной модели синтеза речи TADA-3B-ML, разработанной HumeAI и основанной на Meta Llama 3.2 3B. Репозиторий подготовлен для использования с CrispStrobe/CrispASR и предназначен для преобразования текста в речь, включая синтез с голосовым референсом и клонирование голоса. Модель поддерживает английский, испанский, японский, китайский, немецкий, французский, итальянский, португальский, корейский и арабский языки. Архитектура включает Llama 3.2 3B с 28 слоями, размерностью 3072 и 24 attention heads, flow-matching speech head с шестью слоями и десятью шагами Euler, а также специальный кодек Hume. На выходе формируется монофонический звук PCM с частотой 24 кГц. Особенность TADA — выравнивание один к одному между текстовыми токенами и речевыми векторами, что снижает риск галлюцинаций в транскрипции. Доступны варианты F16, Q8_0 и Q4_K; Q4_K рекомендован как компромисс между качеством и размером. Для клонирования голоса требуется аудиореференс с точной расшифровкой; дополнительные encoder и aligner поддерживают построение голосового профиля и принудительное выравнивание слов с временными метками. Модель требует отдельного файла кодека и совместимого runtime CrispASR, а aligner не является самостоятельным распознавателем речи. В README указаны лицензии Apache-2.0 и Llama 3.2 Community License.

Карточка модели cveavy/train2 на Hugging Face совпадает с карточкой Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign, поэтому описание составлено по ней. Qwen3-TTS-12Hz-1.7B-VoiceDesign — модель синтеза речи, разработанная командой Qwen. Она принимает текст и инструкции на естественном языке для создания речи с заданными тембром, эмоцией и просодией; вариант VoiceDesign предназначен для гибкого описания желаемого голоса. Модель относится к семейству Qwen3-TTS, использует плотную архитектуру Qwen3TTSForConditionalGeneration и представление речи на основе токенизатора Qwen3-TTS-Tokenizer-12Hz с дискретной многокодовой языковой моделью. Репозиторий содержит веса safetensors; для работы предусмотрена библиотека qwen-tts. Семейство поддерживает китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки, а также голосовые профили с различными диалектами. Для семейства заявлена потоковая генерация с задержкой синтеза от 97 мс. Карточка приводит оценку WER для варианта Base, поэтому она не подтверждает качество именно VoiceDesign. Модель распространяется по лицензии Apache-2.0.

VieNeu-TTS-q4-gguf — модель синтеза речи на вьетнамском языке с мгновенным клонированием голоса, разработанная Phạm Nguyễn Ngọc Bảo. Она предназначена для офлайн- и on-device-сценариев, включая озвучивание текста, голосовые интерфейсы, создание контента и приложения реального времени. Модель поддерживает плавное переключение между вьетнамским и английским языками, работает с эталонной аудиозаписью длительностью 3–5 секунд и может использоваться через Python API, CLI или Gradio. В основе лежит языковая модель Qwen 0.5B в формате chat-format LM, а для кодирования и декодирования речи используется NeuCodec с поддержкой ONNX и квантования. Модель генерирует 24 кГц аудио, имеет общее окно контекста 2048 токенов для текста и речи и ориентирована на синтез в реальном времени или быстрее на CPU и GPU. Обучение проводилось примерно на 1000 часах вьетнамской речи с использованием VieNeuCodec-dataset и предварительного обучения на датасете Emilia. Доступны мужские и женские голоса с северным и южным вьетнамскими акцентами; качество клонирования зависит от четкости эталонной записи. В модели включён watermark. Лицензия — Apache 2.0.

kakao-enterprise/vits-vctk — модель синтеза речи VITS, разработанная Kakao Enterprise и обученная на наборе VCTK. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текста разными голосами и с различными английскими акцентами. В обучающем наборе около 44 часов аудиозаписей 109 носителей английского языка. Архитектура VITS объединяет условный вариационный автоэнкодер, Transformer-кодировщик текста, нормализующие потоки, стохастический предиктор длительности и декодер на основе HiFi-GAN. Стохастический предиктор позволяет варьировать ритм произношения одного текста; из-за этого результат недетерминирован, и для повторения той же генерации нужен фиксированный seed. Веса доступны в форматах PyTorch и safetensors; размер модели — 3,6 млн параметров. Лицензия — MIT.

YuE-s1-7B-anneal-en-cot — англоязычная версия модели серии YuE, разработанной HKUST/M-A-P для генерации музыки по тексту песни. Модель относится к семейству Llama, использует плотную архитектуру LlamaForCausalLM и содержит около 5,9 млрд параметров; заявленный контекст — 16 384 токена. В репозитории указаны веса Safetensors. Модель предназначена для создания полноценных песен длительностью в несколько минут: она превращает текст песни в вокальную партию и инструментальное сопровождение. Для серии YuE также описаны генерация в разных жанрах, продолжение музыки и создание песни по аудиореференсу в режиме ICL; доступность этих режимов именно в данной англоязычной версии README отдельно не уточняет. Модель распространяется по лицензии Apache 2.0. Авторы рекомендуют указывать авторство YuE by HKUST/M-A-P при использовании сгенерированных материалов. Модель ориентирована на генерацию музыки, поэтому качество и соответствие результата тексту, жанру и вокальным пожеланиям могут различаться.

Карточка модели m-a-p/YuE-s1-7B-anneal-jp-kr-icl на Hugging Face совпадает с карточкой m-a-p/YuE-s1-7B-anneal-en-cot, поэтому описание составлено по ней. YuE-s1-7B-anneal-en-cot — англоязычная версия модели серии YuE, разработанной HKUST/M-A-P для генерации музыки по тексту песни. Модель относится к семейству Llama, использует плотную архитектуру LlamaForCausalLM и содержит около 5,9 млрд параметров; заявленный контекст — 16 384 токена. В репозитории указаны веса Safetensors. Модель предназначена для создания полноценных песен длительностью в несколько минут: она превращает текст песни в вокальную партию и инструментальное сопровождение. Для серии YuE также описаны генерация в разных жанрах, продолжение музыки и создание песни по аудиореференсу в режиме ICL; доступность этих режимов именно в данной англоязычной версии README отдельно не уточняет. Модель распространяется по лицензии Apache 2.0. Авторы рекомендуют указывать авторство YuE by HKUST/M-A-P при использовании сгенерированных материалов. Модель ориентирована на генерацию музыки, поэтому качество и соответствие результата тексту, жанру и вокальным пожеланиям могут различаться.

Карточка модели m-a-p/YuE-s1-7B-anneal-zh-cot на Hugging Face совпадает с карточкой m-a-p/YuE-s1-7B-anneal-en-cot, поэтому описание составлено по ней. YuE-s1-7B-anneal-en-cot — англоязычная версия модели серии YuE, разработанной HKUST/M-A-P для генерации музыки по тексту песни. Модель относится к семейству Llama, использует плотную архитектуру LlamaForCausalLM и содержит около 5,9 млрд параметров; заявленный контекст — 16 384 токена. В репозитории указаны веса Safetensors. Модель предназначена для создания полноценных песен длительностью в несколько минут: она превращает текст песни в вокальную партию и инструментальное сопровождение. Для серии YuE также описаны генерация в разных жанрах, продолжение музыки и создание песни по аудиореференсу в режиме ICL; доступность этих режимов именно в данной англоязычной версии README отдельно не уточняет. Модель распространяется по лицензии Apache 2.0. Авторы рекомендуют указывать авторство YuE by HKUST/M-A-P при использовании сгенерированных материалов. Модель ориентирована на генерацию музыки, поэтому качество и соответствие результата тексту, жанру и вокальным пожеланиям могут различаться.

Карточка модели m-a-p/YuE-s1-7B-anneal-zh-icl на Hugging Face совпадает с карточкой m-a-p/YuE-s1-7B-anneal-en-cot, поэтому описание составлено по ней. YuE-s1-7B-anneal-en-cot — англоязычная версия модели серии YuE, разработанной HKUST/M-A-P для генерации музыки по тексту песни. Модель относится к семейству Llama, использует плотную архитектуру LlamaForCausalLM и содержит около 5,9 млрд параметров; заявленный контекст — 16 384 токена. В репозитории указаны веса Safetensors. Модель предназначена для создания полноценных песен длительностью в несколько минут: она превращает текст песни в вокальную партию и инструментальное сопровождение. Для серии YuE также описаны генерация в разных жанрах, продолжение музыки и создание песни по аудиореференсу в режиме ICL; доступность этих режимов именно в данной англоязычной версии README отдельно не уточняет. Модель распространяется по лицензии Apache 2.0. Авторы рекомендуют указывать авторство YuE by HKUST/M-A-P при использовании сгенерированных материалов. Модель ориентирована на генерацию музыки, поэтому качество и соответствие результата тексту, жанру и вокальным пожеланиям могут различаться.

ZipVoice-Distill GGUF — модель синтеза речи с клонированием голоса, разработанная k2-fsa и упакованная для движка audio.cpp. Она основана на ZipVoice и предназначена для zero-shot TTS: генерации речи по тексту с имитацией голоса по аудиореференсу и её транскрипции. Поддерживаются китайский и английский языки, включая смешанный ввод. Модель использует архитектуру TTSZipformer с flow-matching и вокодер Vocos с частотой дискретизации 24 кГц. В состав GGUF-файла входят модель, вокодер и текстовые компоненты фронтенда, включая таблицы для китайского языка, словари jieba, pypinyin и интеграцию с espeak-ng. Доступны версия F32 размером 553 МБ и рекомендуемая квантизованная Q8_0 размером 158 МБ; последняя снижает потребление памяти примерно на 26% при сохранении качества, близкого к F32. Выходной формат — монофонический WAV 24 кГц. Модель подходит для локального синтеза речи и клонирования голоса через audio.cpp. Ключевые ограничения — необходимость аудиореференса с точной транскрипцией, зависимость английского фронтенда от библиотеки espeak-ng и отсутствие поставляемых вариантов с более низкой разрядностью из-за возможного ухудшения слышимого качества. Модель распространяется по лицензии Apache-2.0.

ZONOS2 — авторегрессионная модель Zyphra для синтеза речи, представленная здесь в конверсии MLX Community для библиотеки mlx-audio. Она генерирует аудио по тексту с использованием нескольких аудиокодовых последовательностей и поддерживает настройку голоса по референсному аудиофрагменту. Выходной звук — моно, 44,1 кГц; для клонирования голоса можно передать аудиообразец или заранее вычисленный эмбеддинг говорящего размерностью 2048. Модель принимает до 1024 аудиотокеновых кадров за генерацию по умолчанию. Модель предназначена для озвучивания текста и создания речи с голосом, похожим на голос из образца. В карточке указаны нормализация английского текста и обработка неподдерживаемых языков через байтовое представление, но полный перечень языков не приведён. Потоковая генерация не реализована; для извлечения голоса из образца используются отдельный кодек DAC и энкодер говорящего. Репозиторий распространяется в формате BF16 и лицензирован по Apache 2.0.

BreezeBlue/Breeze-TTS-2 — открытая модель синтеза речи от разработчиков Breeze. Модель с плотной архитектурой BreezeForConditionalGeneration содержит 1,4 млрд параметров и рассчитана на генерацию речи на английском и китайском языках. Заявленная длина контекста — 2048 токенов. Модель предназначена для озвучивания текста в реальном времени, клонирования голоса по чистой аудиозаписи и её точной расшифровке, создания голоса по текстовому описанию и управления подачей речи при сохранении голоса-образца. Текст также может содержать пометки вокальных событий, например смеха или кашля. README сообщает о потоковой генерации с низкой задержкой; приведённые показатели получены на NVIDIA H100 и зависят от конфигурации оборудования. Для запуска требуются Linux, Python 3.10 или новее и CUDA-совместимый GPU; для стандартного режима рекомендуется видеокарта с 12 ГБ памяти, для ускоренного режима — 24 ГБ. Исходный код распространяется по Apache 2.0, но веса модели, производные модели и результаты локального запуска разрешены только для исследований и некоммерческого использования. Для других условий применения следует проверить файл лицензии.

HoppouAI/Breeze-TTS-2.cpp — конверсия модели BreezeBlue/Breeze-TTS-2 в формат GGUF для запуска через Breeze-TTS-2.cpp. Это двуязычная модель синтеза речи на английском и китайском языках с частотой дискретизации 24 кГц. Она поддерживает генерацию речи по тексту и описанию голоса, клонирование голоса по референсному аудиофрагменту, а также экспериментальное преобразование голоса с сохранением исходного тайминга, фразировки и акцентов. Модель реализует четыре этапа обработки: текстовый энкодер T5Gemma2, backbone Qwen3, декодер глубины с 15 последовательными шагами для каждого аудиокадра и vocoder. GGUF-файлы доступны в вариантах от F16 размером 5,9 ГБ до Q4_K размером 2,4 ГБ; рекомендуемый вариант Q8_0 занимает 3,3 ГБ и, согласно README, не имеет заметной на слух потери качества относительно F16. Поддерживается выполнение на GPU NVIDIA, AMD и Intel через Vulkan, а также на CPU. Для Q8_0 заявлена скорость около 1,2× реального времени на RTX 3060; требуемый объём VRAM примерно на 1 ГБ превышает размер файла. Сильные стороны модели — двуязычный синтез, управление характеристиками голоса через текстовое описание, клонирование голоса и обработка вокальных событий, включая смех, вздохи и кашель. Экспериментальные варианты с дополнительной квантизацией декодера могут ускорять генерацию, но после примерно 45 секунд непрерывной речи способны постепенно ухудшать звук, поэтому они не рекомендуются для длинной narration. Преобразование голоса также является экспериментальным: высота тона генерируется заново, а сохранение мелодии зависит от записи. Файлы нельзя загружать в llama.cpp; требуется runtime Breeze-TTS-2.cpp. Веса распространяются по лицензии BreezeBlue Research and Non-Commercial License, а исходный код Breeze-TTS-2.cpp — по Apache 2.0. Для референсных аудиозаписей и голосов необходимо получить согласие на использование.

cstr/chatterbox-GGUF — это GGUF/GGML-квантизированная конверсия мультиязычной модели синтеза речи Chatterbox, разработанной ResembleAI. Репозиторий cstr содержит только преобразование формата и квантизацию исходных весов без обучения, дообучения, объединения или изменения архитектуры и возможностей модели. Модель предназначена для преобразования текста в речь и интеграции с CrispASR; также поддерживается клонирование голоса по эталонной WAV-записи. Модель использует двухэтапный конвейер: авторегрессионный T3 на базе 30-слойного Llama с размерностью 1024 и объёмом около 520 млн параметров преобразует текст в речевые токены, после чего S3Gen с Conformer-энкодером и UNet1D-денойзером flow matching генерирует аудио через вокодер HiFTGenerator. На выходе формируется монофонический WAV с частотой 24 кГц. Поддерживаются 23 языка, включая английский, русский, немецкий, французский, испанский, китайский, японский, корейский, арабский и другие; английский используется по умолчанию. Для работы необходимы два файла: T3 и S3Gen, доступные в вариантах F16, Q8_0 и Q4_K. Квантизация уменьшает размер моделей, а основные веса вокодера сохраняются в F32 для поддержания качества звучания. Сильными сторонами являются широкий набор языков, возможность локального запуска через CrispASR, несколько уровней квантизации и поддержка клонирования голоса. Ограничения включают необходимость устанавливать и использовать совместимый рантайм CrispASR, наличие двух отдельных файлов моделей и возможное снижение качества при более агрессивной квантизации. Модель распространяется по лицензии MIT, как и исходная модель ResembleAI/chatterbox.

Chatterbox Multilingual MLX v2 fp16 — конверсия ResembleAI/chatterbox в формат MLX, подготовленная theoracleguy с помощью mlx-audio 0.2.10 для запуска на устройствах Apple с поддержкой MLX. Модель преобразует текст в речь; базовая модель также поддерживает клонирование голоса по аудиообразцу. Подходит для локального синтеза речи из текста и сценариев генерации голоса через mlx-audio или совместимые приложения. Для работы требуется S3TokenizerV2; его веса загружаются автоматически. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0.

Chatterbox-Turbo-TTS-4bit — версия модели синтеза речи ResembleAI/chatterbox-turbo, преобразованная в формат MLX со схемой 4-битной квантизации для GPT-2-основы T3. Её можно использовать для генерации аудио по тексту на устройствах Apple Silicon через библиотеку mlx-audio-plus. Квантизация уменьшает потребление памяти при сохранении качества аудио. Для работы также требуются веса S3TokenizerV2 из mlx-community/S3TokenizerV2, которые загружаются автоматически. В карточке указан английский язык. Лицензия в предоставленных данных не описана.

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.

DoDuyTTS — многоязычная модель синтеза речи, созданная на основе k2-fsa/OmniVoice. Она поддерживает более 600 языков, синтез речи по тексту в режиме zero-shot, клонирование голоса и создание голосового образа. Архитектура основана на диффузионной языковой модели; веса опубликованы в формате Safetensors, а для работы предназначен пакет doduytts. Модель рассчитана на озвучивание текста, создание речи заданным голосом и потоковый синтез в серверных сценариях. В README заявлена скорость инференса до RTF 0,025 на GPU; пакет также включает сервер с потоковой обработкой предложений и динамическим микробатчингом. Репозиторий указывает лицензию Apache-2.0. Клонировать голос можно только при наличии разрешения: README запрещает несанкционированную имитацию голоса и незаконное или неэтичное использование.

Flare-TTS v1.5 28M — компактная модель синтеза речи, разработанная LH-Tech-AI. Она содержит 28 млн параметров, использует архитектуру GlowTTS и вокодер для преобразования текста в более естественно звучащую речь. Модель обучена на полном наборе данных LJSpeech и предназначена для генерации англоязычного аудио из текста. Модель можно использовать для озвучивания коротких текстов и создания речевых аудиофайлов; в README приведён пример запуска через CoquiTTS с чекпойнтами модели и вокодера. Репозиторий содержит веса в формате PyTorch. В метаданных указана лицензия, однако её идентификатор здесь не приведён.

Fun-CosyVoice3-0.5B-2512-8bit — конвертированная в формат MLX и квантизованная до 8 бит версия модели FunAudioLLM/Fun-CosyVoice3-0.5B-2512, опубликованная сообществом mlx-community. Это плотная модель семейства CosyVoice3 для синтеза речи из текста; 8-битная квантизация применяется к языковой основе Qwen2 и уменьшает потребление памяти при сохранении качества. Модель поддерживает китайский, английский, японский, корейский, немецкий, французский, русский, итальянский и испанский языки. Доступны межъязыковой синтез с образцом аудио, zero-shot синтез с образцом аудио и его текстовой расшифровкой, а также управление стилем речи с помощью инструкции, например просьбы говорить медленнее. Модель рассчитана на запуск через библиотеку mlx-audio-plus в формате MLX. В карточке указана конверсия исходной модели и 8-битная квантизация Qwen2; отдельная лицензия этой версии не приведена, поэтому условия использования следует сверять с карточкой базовой модели FunAudioLLM/Fun-CosyVoice3-0.5B-2512. Качество синтеза может зависеть от языка и предоставленного образца голоса.

Higgs Audio V2 Tokenizer — дискретный аудиотокенизатор от Boson AI для кодирования и восстановления речи, музыки и звуковых событий. Модель доступна в формате safetensors и поддерживается библиотекой Transformers. Токенизатор преобразует аудио с частотой дискретизации 24 кГц в дискретные представления с частотой 25 кадров в секунду. Единая модель обучена на речи, музыке и звуковых событиях; для кодирования и декодирования используется быстрый энкодер-декодер без диффузии. Разработчики сообщают о балансе эффективности, акустического качества и сохранения смысла, а также о пригодности токенов для обучения аудиоязыковых моделей. Модель подходит для сжатого представления аудио, его последующего восстановления и подготовки аудиоданных для аудиоязыковых систем. В README приведены результаты сравнительных оценок на речи, музыке и звуковых событиях, но не указаны ограничения по качеству или поддерживаемые языки модели. Лицензия обозначена в метаданных как other; конкретные условия следует сверить с карточкой репозитория.

mlx-community/index-tts2-mlx — версия IndexTTS2, подготовленная сообществом mlx-community. IndexTTS2 предназначена для синтеза речи по тексту с нулевым обучением на голосе и управлением длительностью; заявлена поддержка выразительной передачи эмоций. Репозиторий содержит веса в формате safetensors, а метаданные классифицируют модель как text-to-speech с поддержкой английского и китайского языков. Подробности об архитектуре, размере модели, контексте и лицензии в доступных материалах не приведены.

Карточка модели Yogi5/indic-parler-tts-backup на Hugging Face совпадает с карточкой ai4bharat/indic-parler-tts, поэтому описание составлено по ней. Indic Parler-TTS — многоязычная модель синтеза речи, созданная в сотрудничестве аудиокоманды Hugging Face и AI4Bharat. Это дообученная версия Indic Parler-TTS Pretrained на датасете объёмом 1 806 часов; модель относится к семейству Parler-TTS и использует библиотеку Transformers. Она преобразует текст в речь, а дополнительное текстовое описание позволяет задавать характеристики звучания: голос, темп, высоту, эмоциональную окраску, выразительность, шум и реверберацию. Модель официально поддерживает 21 язык: ассамский, бенгальский, бодо, догри, английский, гуджарати, хинди, каннада, конкани, майтхили, малаялам, манипури, маратхи, непальский, ория, санскрит, сантали, синдхи, тамильский, телугу и урду. В README также заявлена неофициальная поддержка чхаттисгархи, кашмири и панджаби. Доступно 69 голосов; управление эмоциями официально описано для десяти языков. Модель распространяется по лицензии Apache-2.0.

Irodori-TTS-600M-v3-VoiceDesign-fp16 — вариант Irodori-TTS, преобразованный сообществом mlx-community из Aratako/Irodori-TTS-600M-v3-VoiceDesign в формат MLX с помощью mlx-audio 0.4.3. Модель предназначена для синтеза речи по тексту и поддерживает настройку голоса: можно задать текстовое описание желаемого стиля, аудиореференс или оба условия одновременно. Модель использует плотную архитектуру семейства irodori_tts и распространяется в формате safetensors; в метаданных указана библиотека mlx-audio и лицензия MIT. Карточка связывает модель с японским языком. Вариант fp16 рассчитан на запуск в экосистеме MLX. Подробности об объёме параметров, длине контекста и ограничениях качества в предоставленных данных отсутствуют.

KhanhTTS — модель синтеза речи на базе OmniVoice, дообученная автором для озвучивания текста на вьетнамском и английском языках. Она поддерживает клонирование голоса по короткому образцу и рассчитана на более естественное произношение на обоих языках; для работы используется библиотека OmniVoice. Обучение проводилось примерно на 1500 часах вьетнамской и английской аудиозаписи. Модель подходит для озвучивания текстов и создания речи с голосовыми характеристиками предоставленного образца. В репозитории указаны веса Safetensors и лицензия Apache-2.0. Автор рекомендует предварительное тестирование и оценку рисков; клонирование чужого голоса без законного согласия и использование для обмана запрещены.