I.9Аудио и музыка

ylacombe/musicgen-melody — опубликованная пользователем ylacombe версия модели MusicGen Melody, разработанной командой FAIR в Meta AI. Она предназначена для генерации музыки по текстовому описанию с возможностью задавать исходную мелодию по аудиофрагменту. Модель использует авторегрессионный Transformer и токенизатор EnCodec; в карточке исходной версии MusicGen Melody указано 1,5 млрд параметров. Репозиторий загружен в формате PyTorch и Safetensors и использует библиотеку Transformers. Модель принимает текст и аудио с мелодией, а выдаёт аудио с музыкой, согласованной с описанием и мелодическим условием. Она подходит для создания музыкальных набросков и изучения генерации музыки. Обучение велось на английских описаниях, поэтому качество запросов на других языках ниже; модель не умеет реалистично генерировать вокал, может замолкать в конце композиции и неодинаково работает с разными стилями и культурами. Веса исходной модели Meta выпущены по лицензии CC-BY-NC 4.0; сведений о лицензии этой пользовательской копии в доступной карточке нет.

OmniVoice-4bit — 4-битная версия модели преобразования текста в речь OmniVoice, подготовленная сообществом mlx-community в формате MLX для компьютеров Apple Silicon. Она предназначена для многоязычного синтеза речи с нуля на основе текста и поддерживает клонирование голоса; компактный вариант подходит для экономии памяти и используется как вариант по умолчанию в Space проекта. В репозитории сохранены конфигурация и токенизатор официальной модели, а также необходимые компоненты аудиотокенизатора. Для надежного кодирования голоса при клонировании нужны полные, а не облегченные ресурсы аудиотокенизатора. Указанная лицензия — Apache-2.0; README отмечает, что для исходной модели и использования вне MLX авторитетны карточка и репозиторий k2-fsa/OmniVoice.

Карточка модели Simplismart/orpheus-3b-0.1-ft на Hugging Face совпадает с карточкой unsloth/orpheus-3b-0.1-ft, поэтому описание составлено по ней. Orpheus 3B 0.1 Finetuned — модель синтеза речи на базе Llama, выпущенная CanopyAI. Версия из репозитория unsloth содержит объединённые веса Orpheus 3B и Llama 3.2 3B Instruct; архитектура — плотная авторегрессионная LlamaForCausalLM с 3,3 млрд параметров. Модель принимает текст и генерирует речь, поддерживает потоковую генерацию с заявленной задержкой около 200 мс, которую можно снизить примерно до 100 мс при потоковой подаче текста. Модель предназначена для естественного, выразительного синтеза речи, управления эмоцией и интонацией с помощью тегов, а также клонирования голоса без предварительного дообучения. В карточке заявлена поддержка английского языка. Лицензия — Apache-2.0. В README отдельно запрещено использовать модель для имитации голоса без согласия, обмана и незаконной или вредоносной деятельности.

Orpheus-3b-FT-Q8_0 — квантованная версия модели Orpheus-3b-0.1-ft, разработанной Canopy Labs и подготовленной Lex-au в формате GGUF Q8_0. Это специализированная модель text-to-speech примерно на 3 миллиарда параметров, преобразующая текст в естественную речь. Модель поддерживает восемь голосов с различными характеристиками, эмоциональные теги, включая смех, вздох, кашель и зевок, и генерирует монофонический WAV-аудиосигнал с частотой дискретизации 24 кГц. Модель предназначена для conversational-синтеза речи, приложений озвучивания текста и интеграции с совместимыми OpenAI API inference servers. Для использования рекомендуется CUDA-совместимая GPU, особенно RTX; запуск возможен через GPUStack, LM Studio, llama.cpp server и другие совместимые серверы, обычно вместе с frontend Orpheus-FastAPI. Квантование Q8_0 снижает требования к ресурсам и делает модель более подходящей для потребительского оборудования при сохранении высокого качества речи. К сильным сторонам относятся естественность и эмоциональная выразительность речи, выбор голосов и оптимизация для GPU-инференса. Ограничение модели — поддержка только английского языка; скорость генерации зависит от возможностей GPU. Модель распространяется по лицензии Apache License 2.0.

OuteTTS-0.2-500M — модель синтеза речи от OuteAI, основанная на Qwen-2.5-0.5B. Это плотная авторегрессионная языковая модель архитектуры Qwen2 с 499,1 млн параметров; она принимает текст и аудиопромпты и генерирует речь. Контекст по метаданным составляет 32 768 токенов, хотя в README для генерации со speaker profile приводится ориентир 4096 токенов и до примерно 54 секунд аудио без учёта сокращения из-за профиля. Модель предназначена для преобразования текста в речь, следования аудиопромпту и клонирования голоса по профилю диктора. Основной язык — английский; поддержка китайского, японского и корейского заявлена как экспериментальная. README отмечает улучшения естественности звучания, точности следования промпту и разнообразия голосов по сравнению с предыдущей версией. Для качественного клонирования рекомендуются чистый аудиофрагмент длительностью около 10–15 секунд и точная расшифровка; необычные акценты и характеристики голоса могут воспроизводиться менее точно. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

OuteTTS-0.2-500M-GGUF — модель синтеза речи от OuteAI, представленная в формате GGUF. Она построена на базе Qwen-2.5-0.5B и сохраняет подход с использованием аудиопромптов без архитектурных изменений базовой модели. Для обучения применялись более пяти миллиардов аудиотокенов и разнообразные датасеты, включая Multilingual LibriSpeech, LibriTTS-R, Emilia и MLS English. Модель предназначена для преобразования текста в речь, управления характеристиками голоса и клонирования голоса по аудиопрофилю. Заявлена поддержка английского языка, а также экспериментальная поддержка китайского, японского и корейского языков. По сравнению с предыдущей версией улучшены следование промптам, связность и естественность речи, а также разнообразие и точность клонирования голоса. Без профиля диктора модель может генерировать голос со случайными характеристиками; для более стабильного голоса рекомендуется использовать профиль диктора. Модель рассчитана на локальный запуск через совместимые инструменты, включая llama-cpp-python для GGUF. Ограничения включают экспериментальный статус поддержки китайского, японского и корейского языков, а также необходимость самостоятельно устанавливать backend для работы с GGUF. Лицензия — CC BY-NC 4.0, допускающая использование с ограничениями, включая некоммерческий характер применения.

Это GGUF-конверсия модели parakeet-ctc-1.1b, разработанной совместно командами NVIDIA NeMo и Suno.ai, подготовленная handy-computer для работы с transcribe.cpp. Модель предназначена для офлайн-распознавания английской речи и преобразования аудио в текст с использованием greedy CTC-декодирования, без внешней языковой модели. Она доступна для инференса и тонкой настройки в исходном формате через NeMo, а данная версия ориентирована на запуск в transcribe.cpp. Модель построена на 1,1-миллиардном FastConformer-XL encoder с линейной CTC-головой. Поддерживается английский язык; выходной текст формируется в нижнем регистре и не содержит пунктуации. Модель работает только в офлайн-режиме, не поддерживает потоковую обработку, перевод и автоматическое определение языка. Для временных меток доступны токеновые timestamps. Предполагается входной звук в формате WAV, 16 кГц, моно. Сильной стороной модели является высокая точность на LibriSpeech test-clean: WER составляет около 1,85% для F32 и большинства квантованных вариантов, 1,84% для Q5_K_M и 1,90% для Q4_K_M. Доступны варианты F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 818 МБ до 4,25 ГБ, что позволяет выбирать между качеством и требованиями к ресурсам. Ограничения включают поддержку только английской речи, отсутствие пунктуации, перевода и streaming-режима, а также необходимость предварительной конвертации аудио в совместимый формат. Лицензия модели — CC-BY-4.0, унаследованная от базовой модели.

Parler-TTS Mini: Expresso — англоязычная модель синтеза речи проекта Parler-TTS, дообученная на наборе данных Expresso на основе Parler-TTS Mini v0.1. Она преобразует текст в речь и позволяет управлять характеристиками звучания с помощью текстового описания: выбирать одну из голосовых идентичностей Jerry, Thomas, Elisabeth и Talia, задавать эмоцию, например радость, растерянность, смех или грусть, и указывать темп речи. Модель относится к семейству Parler-TTS и распространяется в формате safetensors для Transformers. Модель рассчитана на генерацию естественно звучащей речи с устойчивыми голосами и эмоциональной выразительностью; при обучении также учитывались описания темпа. В README демонстрируется сценарий синтеза речи из текстового запроса с заданными голосом, эмоцией и скоростью. Лицензия — Apache-2.0. В карточке не приведены размер модели и длина контекста.

Parler-TTS Mini v0.1 — компактная модель синтеза речи проекта Parler-TTS, созданная как воспроизведение исследования о высококачественном синтезе речи с управлением на естественном языке. Модель принимает текст и текстовое описание желаемого звучания: с его помощью можно задавать, например, голосовой пол, темп и высоту речи, фоновый шум и реверберацию. По карточке, обучение проводилось на 10,5 тыс. часов аудио; архитектура — ParlerTTSForConditionalGeneration семейства Parler-TTS. Модель предназначена для генерации естественно звучащей речи с управляемыми характеристиками и для экспериментов с синтезом речи и дообучением собственных вариантов. В метаданных указан английский язык; обучающие наборы также относятся к англоязычной речи. Для использования опубликованы веса в формате safetensors, а библиотекой указана Transformers. Лицензия — Apache-2.0. Карточка не приводит конкретные ограничения качества или параметры контекста.

mlx-community/Qwen3-TTS-12Hz-0.6B-Base-4bit — модель синтеза речи, преобразованная сообществом mlx-community в формат MLX из Qwen/Qwen3-TTS-12Hz-0.6B-Base с использованием mlx-audio 0.3.0. Модель предназначена для преобразования текста в аудио и поддерживает сценарии генерации речи, включая клонирование голоса по эталонной аудиозаписи. Она может использоваться через библиотеку mlx-audio, командную строку или Python API на устройствах, совместимых с MLX. Ключевые характеристики — размер базовой модели 0,6 млрд параметров, 4-битное квантование и частота дискретизации 12 Гц, указанная в названии модели. README не содержит сведений о точной архитектуре, поддерживаемых языках, максимальной длине контекста, качестве синтеза и ограничениях клонирования голоса, поэтому эти свойства нельзя достоверно оценить по представленным данным. Модель распространяется по лицензии Apache-2.0.

mlx-community/Qwen3-TTS-12Hz-0.6B-Base-8bit — преобразованная в формат MLX 8-битная версия базовой модели Qwen3-TTS-12Hz-0.6B-Base, разработанной Qwen и конвертированная сообществом mlx-community с использованием mlx-audio 0.3.0. Это модель синтеза речи, предназначенная для генерации аудио по тексту и клонирования голоса с помощью эталонной аудиозаписи. Она может использоваться через библиотеку mlx-audio из командной строки или Python-приложений, в том числе на устройствах, поддерживающих MLX. Ключевые характеристики: размер базовой модели — 0,6 млрд параметров, формат квантования — 8-bit, частота, указанная в названии, — 12 Hz. README подтверждает поддержку текстового ввода и референсного аудио для генерации речи, но не содержит сведений о языках, максимальной длине контекста, архитектуре, качестве, ограничениях клонирования голоса или требованиях к оборудованию. Модель распространяется по лицензии Apache-2.0.

mlx-community/Qwen3-TTS-12Hz-1.7B-Base-8bit — модель синтеза речи, преобразованная из Qwen/Qwen3-TTS-12Hz-1.7B-Base в формат MLX сообществом mlx-community с использованием mlx-audio версии 0.3.0. Модель предназначена для генерации аудио по текстовому запросу и поддерживает сценарии text-to-speech; в примере использования также указана передача эталонного аудиофайла, что соответствует сценарию клонирования или адаптации голоса. Модель имеет размер 1,7B параметров, использует 8-битное представление и рассчитана на работу через библиотеку mlx-audio, в том числе на устройствах экосистемы MLX. В README не указаны архитектура, поддерживаемые языки и модальности, максимальная длина контекста, характеристики качества или требования к аппаратному обеспечению. Поэтому нельзя подтвердить конкретный набор языков, тембр и устойчивость синтеза в различных условиях. К сильным сторонам относятся MLX-совместимый формат, уменьшенная точность хранения и поддержка генерации речи с возможностью указать референсное аудио. Ограничения и область применения следует уточнять по оригинальной карточке Qwen/Qwen3-TTS-12Hz-1.7B-Base. Модель распространяется по лицензии Apache-2.0.

Карточка модели dee2d/Qwen3-TTS-12Hz-1.7B-CustomVoice на Hugging Face совпадает с карточкой Qwen/Qwen3-TTS-12Hz-1.7B-Base, поэтому описание составлено по ней. Qwen3-TTS-12Hz-1.7B-Base — базовая плотная модель семейства Qwen3-TTS, разработанная командой Qwen. Она предназначена для синтеза речи по тексту и быстрого клонирования голоса по аудиопримеру длительностью около трёх секунд; также её можно использовать как основу для дообучения других моделей. Модель поддерживает китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки. Архитектура использует дискретную языковую модель с несколькими кодовыми книгами и токенизатор речи Qwen3-TTS-Tokenizer-12Hz. Заявлена потоковая и непотоковая генерация с низкой задержкой, а модель рассчитана на локальный запуск через пакет qwen-tts или vLLM-Omni. В README заявлена поддержка управления голосовыми характеристиками инструкциями для семейства Qwen3-TTS, но для варианта Base такая поддержка отдельно не отмечена. Модель принимает текст и аудио для клонирования голоса и выдаёт синтезированную речь. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Для запуска могут потребоваться значительные вычислительные ресурсы; README рекомендует FlashAttention 2 на совместимом оборудовании.

Карточка модели zanite/Qwen3-TTS-12Hz-1.7B-CustomVoice на Hugging Face совпадает с карточкой Qwen/Qwen3-TTS-12Hz-1.7B-Base, поэтому описание составлено по ней. Qwen3-TTS-12Hz-1.7B-Base — базовая плотная модель семейства Qwen3-TTS, разработанная командой Qwen. Она предназначена для синтеза речи по тексту и быстрого клонирования голоса по аудиопримеру длительностью около трёх секунд; также её можно использовать как основу для дообучения других моделей. Модель поддерживает китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки. Архитектура использует дискретную языковую модель с несколькими кодовыми книгами и токенизатор речи Qwen3-TTS-Tokenizer-12Hz. Заявлена потоковая и непотоковая генерация с низкой задержкой, а модель рассчитана на локальный запуск через пакет qwen-tts или vLLM-Omni. В README заявлена поддержка управления голосовыми характеристиками инструкциями для семейства Qwen3-TTS, но для варианта Base такая поддержка отдельно не отмечена. Модель принимает текст и аудио для клонирования голоса и выдаёт синтезированную речь. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Для запуска могут потребоваться значительные вычислительные ресурсы; README рекомендует FlashAttention 2 на совместимом оборудовании.

Карточка модели ughurabbasov/qwen3-tts-azerbaijani-female на Hugging Face совпадает с карточкой Qwen/Qwen3-TTS-12Hz-0.6B-Base, поэтому описание составлено по ней. Qwen3-TTS-12Hz-0.6B-Base — базовая модель синтеза речи из семейства Qwen3-TTS, разработанного командой Qwen. Это плотная модель с архитектурой Qwen3TTSForConditionalGeneration и дискретной многокодовой языковой архитектурой; она использует разработанный для семейства токенизатор речи Qwen3-TTS-Tokenizer-12Hz. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Модель предназначена для генерации речи по тексту и быстрого клонирования голоса по предоставленному аудио. Семейство поддерживает китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки. В карточке также заявлены потоковая генерация с низкой задержкой и управление характеристиками голоса естественными языковыми инструкциями. Для клонирования требуется аудиопример голоса; качество результата зависит от входного текста и аудио. Карточка описывает возможности семейства в целом, поэтому отдельные показатели и свойства именно версии 0.6B Base подтверждены не полностью.

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.

Soprano-80M-bf16 — версия модели Soprano, преобразованная сообществом mlx-community из ekwek/Soprano-80M в формат MLX для библиотеки mlx-audio. Это компактная плотная причинная языковая модель примерно на 75,5 млн параметров, предназначенная для синтеза речи по тексту. Карточка указывает задачу text-to-speech и поддержку voice cloning; исходная модель Soprano описана в отдельной карточке. Репозиторий содержит веса safetensors в формате MLX с точностью bf16 и рассчитан на использование через mlx-audio. Для модели указан контекст 512 токенов. Лицензия — Apache-2.0. Подробности о поддерживаемых языках, голосах и качестве синтеза следует сверять с карточкой исходной модели.

Модель karanjakhar/speecht5_finetuned_voxpopuli_de — дообученная версия SpeechT5 от Microsoft для синтеза немецкой речи из текста. Она основана на microsoft/speecht5_tts и дообучена на наборе данных facebook/voxpopuli. Модель предназначена для преобразования текстового ввода в речь; архитектура — SpeechT5ForTextToSpeech. Репозиторий содержит веса PyTorch в формате safetensors и распространяется по лицензии MIT. Карточка не описывает качество синтеза, голосовые характеристики или ограничения применения. Базовая SpeechT5 обучалась на LibriTTS, а эта версия — на VoxPopuli; метаданные указывают немецкую специализацию по идентификатору модели.

Это версия SpeechT5 для синтеза датской речи из текста, созданная JackismyShephard дообучением модели microsoft/speecht5_tts на датасете NST Danish ASR Database. Архитектура основана на SpeechT5; модель предназначена как простой вариант синтеза датской речи с приемлемым качеством и временем вывода. В оценке на тестовой выборке указана функция потерь 0,3692. Модель принимает датский текст и выдаёт лог-мел-спектрограмму. Для получения звуковой волны требуется преобразовать её с помощью microsoft/speecht5_hifigan; при необходимости результат можно дополнительно улучшить. Для лучшего звучания рекомендуется датский эмбеддинг голоса, например построенный по аудиозаписи из обучающей части NST-DA. Модель распространяется по лицензии MIT.

sapinsapin/speecht5_tts-pld-eng — модель синтеза речи из текста, созданная дообучением SpeechT5 от Microsoft на наборе данных sapinsapin/pld. Она предназначена для преобразования текста в речь; для синтеза использует speaker conditioning с x-вектором SpeechBrain и вокодер microsoft/speecht5_hifigan. Обучение проводилось на 1597 аудиофрагментах в течение 1000 шагов, а в README приведено значение eval_loss 0,4118. Модель построена на архитектуре SpeechT5 и распространяется в формате safetensors через библиотеку Transformers. Данные и теги указывают на связь с филиппинскими языками и английским, однако README не уточняет языки и голосовые характеристики обучающих записей. Лицензия — MIT. Оценка на небольшом наборе и короткое обучение ограничивают выводы о качестве и устойчивости синтеза.

Vevo — воспроизведение исследовательской системы Amphion для имитации голоса с нулевым обучением и управляемым тембром и стилем. В набор входят модели для преобразования голоса с сохранением или изменением стиля, преобразования акцента и эмоций, а также синтеза речи с управляемыми тембром и стилем. Также доступны токенизаторы речи и авторегрессионный трансформер на 480 млн параметров для предсказания токенов контента и стиля. Модели обучены на наборе Emilia объёмом 101 тысяча часов речи на английском, китайском, немецком, французском, японском и корейском языках. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерчески.

VieNeu-TTS v2 Turbo — GGUF — лёгкая оптимизированная для CPU модель синтеза речи, разработанная командой VieNeu-TTS и опубликованная пользователем или организацией pnnbao-ump. Модель преобразует текст в речь на вьетнамском и английском языках, поддерживает смешанные вьетнамско-английские предложения без предварительной разметки языковых границ и предназначена для офлайн-использования на ноутбуках, периферийных устройствах и компьютерах класса Raspberry Pi. Архитектура состоит из двух этапов: трансформерная LLM в формате GGUF, предсказывающая дискретные аудиокодековые токены на основе текста и эмбеддинга говорящего, и ONNX-нейрокодек VieNeu-Codec на основе VQ-VAE, декодирующий их в аудиосигнал с частотой дискретизации 24 кГц. Модель рассчитана на работу через llama-cpp-python, не требует GPU, поддерживает предустановленные голоса и zero-shot клонирование голоса по аудиофрагменту длительностью 3–5 секунд. К сильным сторонам относятся высокая скорость, работа в реальном времени или быстрее на обычном CPU, поддержка code-switching, локальный режим и встроенная незаметная водяная маркировка аудио. Ограничения включают отсутствие заявленной поддержки мобильных SDK и потокового API, а также необходимость достаточного объёма оперативной памяти. Модель распространяется по лицензии Apache 2.0.

mlr2000/vocoder-small — нейронный вокодер VocBulwark на архитектуре HiFi-GAN с генератором BigVGAN и активацией snakebeta. Он преобразует логарифмическую мел-спектрограмму с 96 каналами в монофонический аудиосигнал с частотой 24 кГц; для управления тембром принимает заранее рассчитанный эмбеддинг диктора размерности 768. Модель предназначена для синтеза речи из акустических признаков и работает как компонент конвейера text-to-speech, а не как самостоятельная система преобразования текста в речь. Каждый сгенерированный фрагмент автоматически получает фиксированную 32-битную метку происхождения, которую нельзя отключить или изменить через этот интерфейс. Для обнаружения метки предусмотрена отдельная модель-детектор. Для корректного управления голосом нужен эмбеддинг от энкодера диктора, с которым обучали вокодер; эмбеддинг от несовместимого энкодера может работать неправильно. Модель обучалась на многоязычных наборах Multilingual LibriSpeech и Common Voice. Лицензия — CC BY 4.0. Разработчик предостерегает от клонирования голоса реальных людей без согласия и от обманного использования.

Карточка модели dohop96/voice-tts на Hugging Face совпадает с карточкой contextboxai/Kokoro-Vietnamese, поэтому описание составлено по ней. Kokoro Vietnamese — набор артефактов для синтеза речи на вьетнамском языке, созданный сообществом contextboxai на основе дообученной модели Kokoro. Репозиторий содержит контрольную точку PyTorch для инференса, экспорт акустической модели в ONNX, конфигурацию и словарь, голосовой набор по умолчанию и дополнительные голосовые наборы. Модель предназначена для преобразования вьетнамского текста в речь; Vietnamese G2P выполняется с помощью vig2p. Для запуска доступны PyTorch и ONNX Runtime, включая CUDAExecutionProvider при установленном onnxruntime-gpu. Репозиторий распространяется по лицензии Apache-2.0. Размер модели и длина контекста в карточке не приведены.

VoxCPM-0.5B — модель синтеза речи, опубликованная под идентификатором erenyeager-1/VoxCPM-0.5B. Она дообучена на базе openbmb/MiniCPM4-0.5B и использует безтокенизаторную авторегрессионную архитектуру с диффузией, генерируя непрерывные представления речи из текста. Модель предназначена для выразительного синтеза речи с учетом содержания текста и клонирования голоса по короткому образцу аудио без дополнительного обучения. Модель поддерживает потоковую генерацию и работу с английским и китайским языками. По описанию VoxCPM, скорость синтеза может достигать RTF 0,17 на видеокарте NVIDIA RTX 4090. Образец речи задает тембр, манеру произношения и особенности звучания; без образца модель самостоятельно подбирает стиль по тексту. Модель распространяется по лицензии Apache-2.0. В README отмечены возможные артефакты и нестабильность на длинных или выразительных текстах, ограниченный контроль над эмоциями и стилем, а также непредсказуемое качество для языков помимо английского и китайского. Разработчики рекомендуют тщательно проверять результаты перед применением и маркировать опубликованную синтетическую речь.

VoxCPM2 LiteRT — это экспериментальный порт модели openbmb/VoxCPM2 в формате LiteRT/TensorFlow Lite, подготовленный soniqo.audio для использования в on-device speech toolkit и Android SDK speech-android. Модель предназначена для синтеза речи из текста, zero-shot генерации, клонирования голоса по одному референсному аудиофрагменту, а также управляемого дизайна голоса с помощью текстовых инструкций. Поддерживается также режим Ultimate cloning с референсным аудио и его транскрипцией для сохранения просодии. В основе лежит мультиязычная diffusion-autoregressive TTS-модель примерно на 2 млрд параметров с выходом студийного качества 48 кГц. Заявлена поддержка 30 языков, включая английский, китайский, индонезийский, японский и корейский. Комплект состоит из четырёх LiteRT-графов: текстового prefill, авторегрессионного token step, аудиоэнкодера для референсного PCM-аудио 16 кГц и аудиодекодера, формирующего PCM 48 кГц. Текстовый контекст ограничен 512 токенами, максимальное число генерируемых токенов по умолчанию — 2048. Веса основных LM-графов представлены в FP16 при вычислениях FP32, а чувствительные аудио-компоненты и LocDiT diffusion estimator работают в FP32. Сильные стороны модели — многоязычный синтез, высокое выходное разрешение, клонирование голоса и управление характеристиками голоса естественным языком. При этом порт имеет экспериментальный статус: для token-step используется статическое понижение K/V-cache через litert_torch, поэтому требуется проверка численного соответствия полной цепочки перед использованием в production. Из-за размера около 8,7 ГБ модель требовательна к памяти, а качество зависит от корректной оркестрации графов и управления кэшем. Распространяется по лицензии Apache 2.0, унаследованной от openbmb/VoxCPM2; при клонировании необходимо получать согласие владельцев голоса и не использовать модель для несанкционированной имитации, дезинформации или мошенничества.

soniqo/VoxCPM2-LiteRT-INT8 — мультиязычная модель синтеза речи (TTS), экспортированная компанией soniqo из базовой модели openbmb/VoxCPM2. Она предназначена для серверной генерации речи и локального запуска на устройствах через LiteRT, включая интеграцию с speech-core и Android SDK. Модель поддерживает синтез текста, голосовой дизайн, клонирование голоса по референсной записи и расширенный режим клонирования с дополнительными аудио- и текстовыми подсказками. Это диффузионно-авторегрессионная модель размером около 2 млрд параметров с выходом в формате моно PCM 48 кГц. Экспорт разделён на несколько графов LiteRT: текстовый префилл, авторегрессионный шаг генерации токенов, энкодер референсного аудио и аудиодекодер AudioVAE. Только граф token-step использует INT8-квантизацию весов; остальные компоненты работают в FP32 для сохранения качества. Внутренний цикл генерации, управление KV-кэшем и последовательностью шагов выполняются хост-приложением. Заявлена поддержка английского, китайского, индонезийского, японского и корейского языков, а также мультиязычного режима. К сильным сторонам относятся выход студийного качества с частотой 48 кГц, естественный останов генерации, поддержка голосового дизайна и клонирования, а также возможность переносимого локального выполнения через LiteRT. Ограничения включают значительный размер файлов, зависимость от внешнего рантайма и необходимость управления графами и KV-кэшем на стороне хоста; количественные показатели качества и производительности в README не приведены. Модель распространяется по лицензии Apache-2.0. При клонировании голоса необходимо получить согласие владельца голоса и не использовать модель для незаконной имитации, дезинформации или мошенничества.

Voxtral-4B-TTS-GGUF — конверсия и квантизация модели Voxtral-4B-TTS-2603, разработанной Mistral AI и опубликованной под идентификатором mistralai. Модель предназначена для синтеза речи из текста и работает через backend voxtral-tts в составе CrispASR, позволяя использовать её как нативный C++-бинарник без Python. Она поддерживает английский, французский, немецкий, испанский, итальянский, португальский, нидерландский, арабский и хинди, предоставляет 20 предустановленных голосов и генерирует аудио с частотой 24 кГц. Архитектура включает авторегрессионный LLM-бэкбон Ministral-3B с 26 слоями и GQA 32/8, трёхслойный двунаправленный acoustic transformer на основе flow matching и декодер кодека Voxtral. Доступны варианты GGUF в форматах Q4_K размером около 2,4 ГБ, Q8_0 около 4,3 ГБ и F16 около 8,2 ГБ; семантический codebook и эмбеддинги голосов во всех вариантах хранятся в F32. Q4_K ориентирован на запуск в системах с 8 ГБ оперативной памяти, тогда как более точные варианты могут обеспечивать лучшее качество за счёт большего потребления памяти. Модель подходит для многоязычного офлайн-синтеза речи, воспроизводимого генерирования с заданным seed и выбора предустановленных голосов. Ограничения включают работу только с предусмотренными языками и голосами, зависимость от совместимого backend voxtral-tts и отсутствие изменений исходных возможностей при конверсии. Лицензия CC-BY-NC-4.0 допускает использование на некоммерческих условиях; коммерческое применение не разрешено условиями лицензии.

VyvoTTS-LFM2-Jenny — модель синтеза речи, разработанная на базе LiquidAI/LFM2-350M и дообученная для генерации естественно звучащей речи на английском языке. Она предназначена для преобразования текста в речь; в README приведён пример использования с Unsloth и SNAC. Модель построена на плотной архитектуре LFM2 с классом Lfm2ForCausalLM. Метаданные указывают 472,8 млн параметров, контекстное окно 128 000 токенов и формат весов Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

sgangireddy/whisper-medium-tr — дообученная модель распознавания речи на базе openai/whisper-medium, созданная для турецкого языка. Она принимает аудио и преобразует речь в текст; для дообучения использовался турецкий раздел набора Common Voice 11.0. Модель содержит 455,8 млн параметров и опубликована в формате PyTorch. В карточке приведены результаты оценки: WER 10,50 на тестовом наборе Common Voice 11.0 и 9,26 на Google FLEURS; для исходной модели указаны значения 20,89 и 10,4 соответственно. Модель распространяется по лицензии Apache-2.0. Карточка не описывает условия записи аудио, разбиение данных или ограничения на шумную речь, поэтому качество в таких сценариях по приведённым результатам оценить нельзя.