I.9Аудио и музыка

Карточка модели HKUSTAudio/YuE-s1-7B-anneal-en-icl на Hugging Face совпадает с карточкой HKUSTAudio/YuE-s2-1B-general, поэтому описание составлено по ней. YuE-s2-1B-general — модель семейства YuE, разработанного HKUSTAudio для генерации музыки по тексту. Серия YuE предназначена для преобразования текста песни в цельную композицию длительностью в несколько минут с вокальной партией и музыкальным сопровождением; модель заявлена как универсальная по жанрам и стилям вокала. Репозиторий содержит плотную авторегрессионную модель архитектуры Llama с 1,8 млрд параметров в формате Safetensors и контекстом 8192 токена. В карточке указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Для запуска README направляет к GitHub-проекту.

YuE-s2-1B-general — модель семейства YuE, разработанного HKUSTAudio для генерации музыки по тексту. Серия YuE предназначена для преобразования текста песни в цельную композицию длительностью в несколько минут с вокальной партией и музыкальным сопровождением; модель заявлена как универсальная по жанрам и стилям вокала. Репозиторий содержит плотную авторегрессионную модель архитектуры Llama с 1,8 млрд параметров в формате Safetensors и контекстом 8192 токена. В карточке указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Для запуска README направляет к GitHub-проекту.

zlmb64le4s12000 — дообученная Михаилом Панзо модель SpeechT5 для синтеза речи из текста. Она принимает текст и генерирует аудио; в метаданных указана архитектура SpeechT5ForTextToSpeech и формат весов safetensors. В README приведено значение loss 0,3114 на наборе оценки, но сведения о датасете и условиях оценки отсутствуют. Модель распространяется по лицензии MIT. Карточка не описывает целевые языки, голос или практические ограничения.

Anka TTS v0.1, krmkayabasi tarafından geliştirilen Türkçe konuşma sentezi modeli; metinden konuşma üretir ve referans ses kaydı ile dökümünü koşul olarak kullanarak sıfır örnekli ses klonlama yapar. Model yaklaşık 336 milyon parametreye sahiptir ve F5-TTS mimarisini, DiT ile flow matching yaklaşımını kullanır. Модель рассчитана на синтез турецкой речи, создание речи голосом по референсной записи и обработку длинных текстов с разбиением по границам предложений. Перед синтезом текст нормализуется, включая числа, даты и сокращения. В описанном тесте на 495 турецких предложениях модель показала WER 1,73% при скорости 1,0; эта метрика отражает разборчивость речи распознавателем и не измеряет естественность звучания или сходство клонированного голоса. Для использования весов применяется формат safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель предназначена для турецкого языка; результаты бенчмарка зависят от настроек и использованного референсного аудио.

Chatterbox-Multilingual TTS GGUF — это преобразованная в формат GGUF версия мультиязычной модели синтеза речи Chatterbox T3, разработанной Resemble AI и опубликованной пользователем BricksDisplay. Модель предназначена для преобразования текста в естественно звучащую речь на 23 языках, а также поддерживает клонирование голоса по эталонному WAV-файлу с использованием отдельного речевого токенизатора S3T. Архитектура разделена на Llama-520M backbone и компонент codec_lm: backbone содержит 30 слоёв, скрытое представление размерностью 1024, 16 голов внимания, MLP размерностью 4096 и Llama 3 RoPE scaling; codec-компонент включает декодер flow-matching, HiFi-GAN vocoder и адаптер языковой модели. Доступны варианты квантования от F32 до Q2_K, что позволяет выбирать между качеством и требованиями к памяти. Для запуска используются llama.cpp и codec.cpp, а для клонирования голоса требуется файл chatterbox-mtl-s3t.gguf. Поддерживаются арабский, датский, немецкий, греческий, английский, испанский, финский, французский, иврит, хинди, итальянский, японский, корейский, малайский, нидерландский, норвежский, польский, португальский, русский, шведский, суахили, турецкий и китайский языки. Ограничения включают необходимость совместимого runtime и комплекта из нескольких GGUF-файлов; README не приводит количественных оценок качества, скорости или требований к оборудованию. Модель распространяется по лицензии MIT.

theoracleguy/chatterbox-turbo-fp16 — версия Chatterbox Turbo, подготовленная для запуска в формате MLX и опубликованная theoracleguy. README указывает, что модель преобразована из ResembleAI/chatterbox-turbo с помощью mlx-audio 0.2.8; метаданные связывают её с mlx-community/chatterbox-turbo-fp16. Она генерирует речь из текста и поддерживает клонирование голоса. В текст можно добавлять теги выразительных звуков, например вздоха или прочищения горла. Модель предназначена для синтеза англоязычной речи, в том числе с настройкой голоса и выразительной подачей. Репозиторий использует safetensors и библиотеку mlx-audio; README описывает локальное использование через mlx-audio и совместимость с OpenVox. Лицензия — Apache-2.0. Подробные ограничения качества и поддерживаемые языки помимо английского в предоставленных материалах не описаны.

vokra/cosyvoice2-0.5b — конвертированная в формат Vokra GGUF модель синтеза речи CosyVoice2-0.5B от FunAudioLLM. Репозиторий содержит веса исходной модели, перепакованные для использования в среде инференса Vokra; это конверсия, а не новое обучение. Лицензия — Apache-2.0. Модель предназначена для преобразования текста в речь. Для подачи текста требуется внешний фронтенд G2P; карточка указывает, что нужно использовать тот, который ожидает эта голосовая модель, но подробности о нём в доступном описании отсутствуют. Файл модели занимает около 2,45 ГБ; архитектура обозначена как cosyvoice2.

zeropointnine/Darwin-TTS-1.7B-Cross-Qwen3Tokenizer — совместимая перепаковка Darwin-TTS-1.7B-Cross, модели синтеза речи из текста на архитектуре Qwen3-TTS. Перепаковку подготовил пользователь zeropointnine: к исходному репозиторию добавлены файлы speech tokenizer из Qwen3-TTS-12Hz-1.7B-Base, необходимые стандартному загрузчику qwen-tts. Поведенческих изменений при перепаковке не заявлено; размер модели в карточке указан примерно как 2,1 млрд параметров. Исходная модель Darwin-TTS создана авторами, перечисленными в карточке, в рамках Darwin Family и предназначена для многоязычного синтеза речи с повышенной эмоциональной выразительностью. По описанию авторов, в FFN-блоки talker-модуля Qwen3-TTS внесено 3% весов Qwen3-1.7B без дополнительного обучения; аудиокодек и другие компоненты Qwen3-TTS сохранены. Заявлена поддержка корейского, английского, японского, китайского, немецкого, французского, русского, португальского, испанского и итальянского языков. Модель распространяется в формате safetensors по лицензии Apache 2.0. Карточка описывает эмоциональную выразительность как результат экспериментального переноса весов и не приводит независимой оценки качества; результаты синтеза могут зависеть от текста, языка и настроек генерации.

mlx-community/Dia-1.6B — конверсия модели Dia-1.6B от Nari Labs в формат MLX, подготовленная сообществом mlx-community. Модель предназначена для синтеза речи из текста и доступна в формате safetensors для библиотеки MLX. Согласно описанию базовой модели, Dia синтезирует реалистичную диалоговую речь на английском языке, позволяя управлять голосом и эмоциями с помощью аудиоусловия. Карточка этой версии отсылает за подробностями к исходной модели. Модель распространяется по лицензии Apache-2.0.

Fun-CosyVoice3-0.5B-2512-4bit — многоязычная модель синтеза речи из семейства CosyVoice3, опубликованная mlx-community и преобразованная из FunAudioLLM/Fun-CosyVoice3-0.5B-2512 в формат MLX. Для Qwen2 LLM-блока применена 4-битная квантизация, уменьшающая потребление памяти при сохранении качества. Репозиторий использует библиотеку mlx-audio-plus и формат safetensors. Модель предназначена для синтеза речи по тексту, в том числе с голосовым образцом: поддерживаются zero-shot и межъязыковой режимы, а также управление стилем с помощью инструкции, например просьбы говорить медленнее. По метаданным карточки поддерживаются китайский, английский, японский, корейский, немецкий, французский, русский, итальянский и испанский языки. Для работы с голосовым образцом могут передаваться аудио и, в соответствующих режимах, его текстовая расшифровка. Квантизация снижает требования к памяти; README не приводит конкретных оценок качества или ограничений. Модель распространяется в преобразованном формате MLX; сведения о лицензии в предоставленных данных отсутствуют.

G-OmniVoice — модель синтеза речи, разработанная G Group AI Lab на основе OmniVoice с языковой основой Qwen3-0.6B и аудиокодеком Higgs Audio 2. Она дообучена на крупномасштабном корпусе вьетнамской речи и оптимизирована для естественного произношения на вьетнамском языке. Модель поддерживает синтез речи с нуля, клонирование голоса по короткому эталонному аудио и настройку голосового образа. Для клонирования рекомендуется использовать чистую запись одного говорящего длительностью 3–10 секунд. В тестах на отложенной вьетнамской выборке авторы сообщают о низком уровне ошибок распознавания синтезированной речи при сохранении сходства с голосом-образцом. Базовая архитектура OmniVoice поддерживает более 600 языков в режиме zero-shot, однако качество для других языков зависит от базовой модели и не подтверждено приведённым в карточке вьетнамским тестированием. Для стабильной интонации рекомендуется нормализовать числа, даты, символы и сокращения, а длинный текст делить на фрагменты размером с предложение. Модель распространяется по лицензии Apache-2.0.

Irodori-TTS-v4-Small-8bit — преобразованная в формат MLX и 8-битное представление версия модели Aratako/Irodori-TTS-v4-Small, опубликованная mlx-community. Она предназначена для синтеза речи на японском языке и объединяет в одном чекпойнте клонирование голоса по аудиообразцу, создание голоса по текстовому описанию (VoiceDesign) и автоматическое предсказание длительности речи. Модель использует текстовый энкодер ModernBERT-ja-310m с включёнными весами и токенизатором, а также японский аудиокодек Semantic-DACVAE-Japanese-32dim; для инференса эти компоненты не требуется загружать отдельно. Можно передавать аудиообразец длительностью до 120 секунд; список фрагментов кодируется отдельно и объединяется, что соответствует обучению модели. При передаче описания голоса без аудиообразца предсказатель длительности может примерно удваивать короткие тексты короче семи токенов, из-за чего модель повторяет фразу. Это преобразованная производная базовой модели, а не самостоятельная разработка. Лицензия в предоставленных данных не указана.

Japanese Parler-TTS Mini Bata — экспериментальная компактная модель синтеза японской речи от автора репозитория 2121-8, дообученная на базе Parler-TTS и объединённая с компонентом retrieva-jp/t5-base-long. Она преобразует текст в речь и рассчитана на озвучивание японских текстов. Модель использует архитектуру Parler-TTS и доступна в формате PyTorch; её токенизатор несовместим с оригинальным Parler-TTS и заменён специальным токенизатором для этой модели. Репозиторий помечен как бета-версия: оптимизация продолжается, а управление конкретным голосом описано как функция в подготовке. В обучающих данных мало мужских голосов, поэтому их генерация может иметь неестественную интонацию или нестабильное качество. Карточка разрешает исследовательское, образовательное и коммерческое использование сгенерированной речи, но запрещает продажу самой модели и её весов; метаданные указывают лицензию other.

Модель esnya/japanese_speecht5_tts — вариант SpeechT5, дообученный для синтеза японской речи на корпусе JVS. Её разработчик адаптировал токенизатор с помощью Open JTalk и использовал созданные по данным 100 дикторов 16-мерные векторы голоса, рассчитанные на тембр, не привязанный к конкретному человеку. Модель принимает японский текст и генерирует речь. Она основана на microsoft/speecht5_tts и использует архитектуру SpeechT5ForTextToSpeech; для работы нужны Transformers, SentencePiece и Open JTalk. Карточка указывает лицензию MIT для авторских изменений.

nineninesix/kani-tts-370m-MLX — версия модели KaniTTS, подготовленная для запуска на MLX; разработчик исходной модели в карточке указан как nineninesix. Репозиторий создан конвертацией nineninesix/kani-tts-370m с помощью mlx-lm 0.28.2. Модель предназначена для синтеза речи из текста и поддерживает английский, немецкий, арабский, китайский, испанский и корейский языки. Модель построена на архитектуре LFM2 с плотной causal language model и содержит 460 млн параметров. Метаданные указывают контекст 128 000 токенов. Лицензия — Apache-2.0. Репозиторий содержит веса safetensors для экосистемы MLX.

vokra/kokoro-82m — конверсия модели синтеза речи Kokoro-82M, опубликованная Vokra в формате GGUF для запуска в inference-runtime Vokra. Веса взяты из upstream-модели hexgrad/Kokoro-82M; это переупаковка, а не новое обучение. Модель принимает текст и генерирует речь, однако для подготовки текстового ввода требуется фронтенд G2P, выбранный с учётом ожидаемого моделью голоса. Модель использует архитектуру kokoro-82m-istftnet. Репозиторий содержит файл GGUF размером около 312 МБ; указанная лицензия — Apache-2.0. Карточка не сообщает поддерживаемые языки и конкретные ограничения качества, поэтому их нельзя уточнить по имеющимся данным.

Kokoro-82M — компактная модель синтеза речи с открытыми весами, содержащая 82 млн параметров. Модель основана на дообучении StyleTTS2-LJSpeech и предназначена для преобразования текста в аудио; автор карточки представляет её как быструю и экономичную альтернативу более крупным TTS-моделям. В карточке приведён пример использования через библиотеку kokoro: конвейер принимает текст и создаёт аудио с частотой дискретизации 24 кГц. Указана поддержка английского языка; README также упоминает китайский и некоторые другие неанглийские языки в контексте установки дополнительных компонентов и резервной обработки. Веса распространяются по лицензии Apache-2.0, что допускает использование в производственных и личных проектах. README заявляет о качестве, сопоставимом с более крупными моделями, но не приводит деталей сравнительной оценки.

mlx-community/Kokoro-82M-8bit — модель синтеза речи, подготовленная сообществом mlx-community для запуска в формате MLX. README сообщает, что модель преобразована из hexagrad/Kokoro-82M с помощью mlx-audio 0.0.1; метаданные связывают её с yl4579/StyleTTS2-LJSpeech как с базовой моделью. Репозиторий содержит веса safetensors и предназначен для использования через библиотеку mlx-audio. Модель преобразует текст в речь; по языковым метаданным она ориентирована на английский. README отсылает к карточке исходной модели за подробностями, поэтому характеристики голоса и дополнительные языки здесь не установлены. Лицензия репозитория — Apache-2.0.

Это дообученная модель Orpheus TTS на базе Llama, разработанная для синтеза речи на испанском языке с риоплатским акцентом. Она создана на основе canopylabs/3b-es_it-ft-research_release и дообучена на датасете ylacombe/google-argentinian-spanish. Модель содержит 3,3 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; заявленная длина контекста — 131 072 токена. Модель предназначена для преобразования текста в выразительную речь, в том числе для потокового синтеза с низкой задержкой. В README также заявлены клонирование голоса без предварительного дообучения и управление эмоциями и интонацией с помощью тегов. Указана поддержка испанского языка, в частности аргентинского варианта. Модель распространяется по лицензии Llama 3.2. README предостерегает от клонирования голоса без согласия, обмана и незаконного или вредоносного использования; характеристики качества и задержки приведены разработчиком и независимо не подтверждены.

Llasa-3B — система синтеза речи, разработанная командой HKUSTAudio на основе дообученной Llama 3.2 3B Instruct. Это плотная авторегрессионная модель семейства Llama с 3,4 млрд параметров, которая генерирует речь, представляя аудио токенами кодовой книги XCodec2 размером 65 536 токенов. На вход подаётся текст; также можно использовать речевой промпт для генерации речи с заданным образцом. Модель обучена на 250 000 часах китайской и англоязычной речи и совместима с экосистемой Llama. В метаданных указан контекст 131 072 токена, однако README не уточняет, как этот предел соотносится с длиной речевого ввода или генерации. Модель ориентирована на синтез речи на китайском и английском языках. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

MeloTTS-Korean — корейская модель синтеза речи из текста в составе многоязычной библиотеки MeloTTS, разработанной MyShell.ai. Она предназначена для преобразования корейского текста в речь; библиотека также предлагает модели для других языков и заявляет возможность работы в реальном времени на CPU. Для запуска локально README показывает использование библиотеки MeloTTS и Python. Репозиторий содержит веса PyTorch, лицензия — MIT. Карточка подтверждает поддержку корейского языка, но не описывает конкретные параметры голоса или другие характеристики этой версии.

MioTTS-0.6B — компактная модель синтеза речи на основе языковой архитектуры Qwen3, разработанная Aratako. Она дообучена на базе Qwen/Qwen3-0.6B-Base и предназначена для преобразования текста в речь на английском и японском языках. Модель содержит 520,7 млн параметров, использует архитектуру Qwen3ForCausalLM и работает с аудиокодеком MioCodec-25Hz-24kHz. В метаданных указан контекст длиной 32 768 токенов. Модель поддерживает клонирование голоса без дополнительного обучения по короткому аудиофрагменту и рассчитана на низкую задержку и сравнительно небольшие требования к ресурсам. Авторы сообщают об обучении примерно на 100 000 часах англоязычных и японских данных. Указанный RTF составляет 0,055–0,065 при генерации примерно 15 секунд аудио на NVIDIA RTX 5090 с vLLM 0.15.1; эти показатели относятся к описанной конфигурации. Модель распространяется по лицензии Apache 2.0. Возможность клонирования голоса требует уважения к приватности и правам людей; авторы предостерегают от клонирования без согласия и от создания вводящих в заблуждение аудиодипфейков.

MLX-RVC Serena e70 — контрольная точка конвертации голоса RVC v2 для запуска в AI2Apps на MLX. Модель преобразует входную речь в синтетический голос Serena; голос обучен на корпусе, созданном пресетом Serena для Qwen3-TTS, и не заявлен как голос реального человека. В состав входят чекпойнт эпохи 70, соответствующий индекс retrieval, общие компоненты ContentVec и RMVPE, а также преобразованная инициализация генератора и дискриминатора RVC v2 с частотой 48 кГц. Файлы представлены в safetensors и JSON; для выполнения модели не требуются Torch, torchaudio, FAISS или pickle. Реализация основана на RVC, а выбранный вариант эпохи 70 определён сравнением при прослушивании. Модель предназначена для конвертации предоставленной пользователем речи в целевой синтетический голос и для использования как встроенный функциональный голос в AI2Apps. Лицензия репозитория — MIT. Пользователь должен иметь разрешение на обработку исходного аудио.

facebook/mms-tts-kaz — модель синтеза казахской речи из текста, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она предназначена для озвучивания казахских текстов и доступна через библиотеку Transformers версии 4.33 и новее. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS: текст преобразуется непосредственно в речевую аудиоволну. Стохастический предиктор длительности позволяет варьировать ритм произношения; из-за этого генерация недетерминирована, и для повторения результата требуется фиксировать seed. Модель подходит для создания казахской озвучки из текста. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Модель MuzaffarSharofitdinov/mms-tts-uzbek-girl-voice_cyrillic — дообученная Muzaffar модель синтеза речи на основе VITS из проекта Facebook MMS. Она преобразует узбекский текст, записанный кириллицей, в речь женским голосом; для латинского текста README предлагает предварительную транслитерацию. Модель обучена на 1461 примере с одним диктором, а частота дискретизации аудио составляет 16 кГц. В метаданных указано 3,5 млн параметров. Модель предназначена для озвучивания узбекских текстов, в том числе с корректным произношением буквосочетаний o' и g'. Обучение выполнено на датасете Beehzod/UzTTS_data методом полного GAN-дообучения VITS. Лицензия CC BY 4.0 разрешает использование при указании источника.

OpenMOSS-Team и MOSI.AI представляют MOSS-TTS-Local-Transformer как вариант семейства MOSS-TTS для синтеза речи. В репозитории указана архитектура MossTTSDelayModel и формат весов safetensors; README описывает MossTTSLocal как модель с синхронными по времени RVQ-блоками и depth transformer, рассчитанную на гибкие потоковые системы. Размер модели и длина контекста для этого варианта не приведены. Модель предназначена для преобразования текста в речь на 20 языках, включая китайский, английский, русский, японский, арабский и немецкий; поддерживается смешение языков внутри высказывания. В README семейства заявлены клонирование голоса по короткому аудиопримеру, управление произношением через фонемы и длительностью, а также потоковая и длинная генерация. Карточка описывает возможности семейства, поэтому их доступность именно в этом чекпойнте может отличаться. Модель распространяется по лицензии Apache-2.0. README рекомендует MOSS-TTSLocal-1.7B для оценки и исследований, но не уточняет, является ли этот репозиторий именно версией 1.7B.

MOSS-TTS-Local-Transformer-v1.5-GGUF — версия модели синтеза речи MOSS-TTS, преобразованная в формат GGUF командой LocalAI на основе MOSS-TTS-Local-Transformer-v1.5 от OpenMOSS-Team. Модель предназначена для локального преобразования текста в речь и запускается через moss-tts.cpp — реализацию инференса на C++17 и ggml без Python, ONNX и PyTorch во время выполнения. Архитектура включает 36-слойный Qwen3-трансформер с размерностью скрытого состояния 2560 в качестве глобальной основы, однослойный локальный GPT-J-блок для обработки кодбуков и бинарную голову принятия решения о продолжении или завершении аудио. Для генерации используются 12 RVQ-кодбуков, декодируемых MOSS-Audio-Tokenizer-v2 в стереозвук с частотой 48 кГц. Поддерживаемые языки и максимальная длина контекста в README не указаны. Доступны варианты f16 размером около 9,4 ГБ и q8_0 размером около 6,0 ГБ; q8_0 заявлен как рекомендуемый вариант, близкий к исходному качеству. Порт численно проверен относительно реализации на PyTorch, а на CPU заявлена примерно двукратная скорость обработки каждого кадра при той же точности f32. Для работы требуются отдельные GGUF-файлы кодека и токенизатора, а также собранный moss-tts.cpp. Модель распространяется по лицензии Apache-2.0.

OmniVoice-8bit — восьмибитная версия многоязычной модели синтеза речи OmniVoice, подготовленная сообществом в формате MLX для компьютеров Apple Silicon. Она основана на k2-fsa/OmniVoice и предназначена для преобразования текста в речь, в том числе для zero-shot синтеза и клонирования голоса. Сжатие до 8 бит позволяет использовать более компактный чекпойнт. Для запуска README указывает runtime ailuntx/OmniVoice-MLX; конфигурация, токенизатор и необходимые аудиотокенизаторные ресурсы включены для совместимости. Проверка конверсии включала локальные smoke-тесты; для клонирования голоса нужен полный аудиотокенизатор, поскольку облегчённые ресурсы не обеспечивают надёжное кодирование голоса говорящего. Модель предназначена для синтеза речи на разных языках и клонирования голоса по образцу. Репозиторий распространяется по лицензии Apache-2.0; для исходной модели и использования вне MLX автор README отсылает к условиям upstream-репозитория k2-fsa/OmniVoice.

OmniVoice-bf16 — модель синтеза речи, преобразованная в формат MLX из оригинальной модели k2-fsa/OmniVoice с помощью библиотеки mlx-audio. Модель предназначена для локальной генерации речи по тексту; пример использования также показывает поддержку клонирования голоса на основе эталонного аудиофайла. Модель ориентирована на сценарии text-to-speech и voice cloning и может запускаться через mlx-audio, включая CLI и Python API. Известно, что она совместима с OpenVox — сторонним настольным приложением для локального запуска голосовых и TTS-моделей, а также с его API и MCP-интеграциями. Архитектура, размер, поддерживаемые языки, модальности, максимальная длина контекста и другие технические характеристики в предоставленном README не указаны. Модель распространяется по лицензии Apache-2.0. Для работы требуется окружение MLX и библиотека mlx-audio; фактические возможности, включая параметры генерации и клонирования голоса, зависят от исходной модели OmniVoice. Ограничения по качеству, языкам и условиям использования эталонных голосов в карточке не описаны.

vongocanhthi/omnivoice-vietnamese — дообученная на вьетнамской речи модель синтеза речи на основе OmniVoice от k2-fsa. Она предназначена для преобразования вьетнамского текста в речь и клонирования голоса по короткому аудиопримеру. Архитектура OmniVoice использует диффузионную языковую модель с основой Qwen3-0.6B; обучение выполнено на корпусе Dolly-Audio объёмом около 1 000 часов с записями 152 дикторов и региональными вариантами произношения. Модель подходит для озвучивания вьетнамских текстов, создания голосовых интерфейсов и синтеза речи с заданным тембром по референсной записи. В README приведены замеры на GPU NVIDIA L4: коэффициент реального времени около 0,07 и задержка первого фрагмента около 210 мс для короткого предложения при указанной конфигурации. Лицензия модели — Apache 2.0; лицензия обучающего набора — CC-BY-NC-SA-4.0.