I.9Аудио и музыка

Pravega-TTS v5 — модель синтеза речи на базе CosyVoice 3, дообученная разработчиком dheeyantra для индийских языков и индийского английского. Она преобразует текст в речь и поддерживает клонирование голоса по короткому аудиообразцу и его точной расшифровке: фиксированный идентификатор диктора не требуется. Выходное аудио — моно, 24 кГц. В репозитории используются форматы ONNX и Safetensors; библиотека — CosyVoice. Модель рассчитана на синтез речи на 11 индийских языках и индийском английском, а также на арабском и европейских языках, сохранённых от базовой модели. Дообучены языковая модель преобразования текста в токены и flow-matching-декодер; вокодер, речевой токенизатор, энкодер говорящего и текстовый энкодер оставлены от базы. Для клонирования нужен чистый монофонический клип длиной 4–12 секунд с точной текстовой расшифровкой. Опубликованные оценки CER показывают улучшение для проверенных индийских языков и сохранение качества на нескольких европейских языках, однако тесты включают лишь 1–4 клипа на язык. Автоматическая оценка ограничена возможностями Whisper, особенно для некоторых индийских языков; естественность речи, сходство голоса и длинные либо смешанные по языкам фрагменты формально не оценивались. Модель не валидирована для критически важных сценариев. Лицензия репозитория указана как other; лицензия Apache-2.0 относится к базовой модели, а не подтверждает условия использования Pravega-TTS.

DraculaFlow-TTS-mlx — версия модели синтеза речи DraculaFlow-TTS, преобразованная для быстрого инференса на компьютерах Apple Silicon. Модель разработана на архитектуре Qwen3 TTS и предназначена для генерации аудио по тексту через mlx-audio; в карточке указан голос dracula_flow. Репозиторий содержит веса в формате safetensors, а лицензия модели — Apache-2.0. Связь с базовой моделью указана как дообучение; README описывает конвертированную MLX-версию для запуска на Apple Silicon.

FireRedVAD-CoreML — конверсия модели FireRedVAD в формат CoreML от aufklarer для обнаружения участков речи в аудиозаписи. Модель предназначена для запуска на устройствах Apple с использованием Apple Neural Engine и применяется, например, через модуль SpeechVAD библиотеки speech-swift. Модель принимает аудиосигнал с частотой дискретизации 16 кГц и определяет речевые сегменты. В README заявлена поддержка более 100 языков и результат 99,1% F1 на наборе FLEURS. В репозитории находятся скомпилированная модель CoreML, пакет CoreML и статистика нормализации признаков. Лицензия — MIT. Модель выполняет обнаружение речи, а не распознавание или транскрибирование слов; заявленная метрика относится к FLEURS.

mlx-community опубликовала IndexTTS-2.5-fp16 — конвертированную для MLX версию IndexTeam/IndexTTS-2.5, предназначенную для запуска на Apple Silicon. Модель синтезирует речь по тексту и поддерживает клонирование голоса по образцу; базовая модель также позволяет управлять эмоцией и скоростью речи. В состав входят UnifiedVoice 2.5 GPT с проекцией голоса, языковыми эмбеддингами и эмоциональным кондиционированием, а также EnhancedCodec и S2Mel. Веса сохранены в safetensors и имеют точность fp16. README указывает на использование конверсии в приложениях на Swift-MLX и Python-MLX. Поддерживаются китайский, английский, японский, испанский и арабский языки. Лицензия указана как other; конкретные условия в доступных данных не раскрыты.

Japanese Parler-TTS Mini — модель синтеза речи на японском языке, созданная на основе Parler-TTS Mini v1 и дообученная для чтения японского текста. Она принимает текст и генерирует речь; голос можно задавать описанием, а также выбирать конкретного диктора. Для обучения использовался набор данных JSUT. Модель построена на архитектуре Parler-TTS и распространяется в формате PyTorch через Transformers. Модель предназначена для озвучивания японских текстов, например для голосовых интерфейсов и создания аудиоматериалов. Её токенизатор отличается от токенизатора исходной Parler-TTS и с ним несовместим. Лицензия указана как other; карточка разрешает исследовательское, образовательное и коммерческое использование результатов, но запрещает продавать веса или файлы самой модели.

Карточка модели da1353/kokoro-ru на Hugging Face совпадает с карточкой zaakirio/kokoro-ru, поэтому описание составлено по ней. zaakirio/kokoro-ru — русскоязычная модель синтеза речи, разработанная как порт Kokoro-82M. Это плотная модель семейства StyleTTS2 с 81,81 млн параметров; доступны три голоса, включая Sveta и Masha, использующие общий чекпойнт с разными voicepack. Модель принимает фонемные идентификаторы, а преобразование русского текста в фонемы выполняется внешним фронтендом. Для локального запуска доступны ONNX-экспорты, совместимые с kokoro, transformers.js, kokoro-js и ONNX Runtime. Модель предназначена для озвучивания русского текста на CPU и, по данным карточки, работает примерно в 9,8 раза быстрее реального времени на ноутбуке без GPU. В описанной оценке она показала 2,50% WER при обратном распознавании Whisper на коротком тестовом наборе; проверка фонетических особенностей дала 15 правильных результатов из 16. Эти измерения оценивают разборчивость, а не естественность речи. Ограничения включают более тёмный тембр по сравнению с исходными записями, узкополосные артефакты у некоторых шипящих и свистящих звуков, ошибки в омографах и детерминированную просодию. Качество ударений зависит от фронтенда: README сообщает о худших результатах Node.js-варианта на словах с трудным ударением по сравнению с Python-фронтендом. Веса распространяются по лицензии OpenRAIL, код — Apache-2.0.

Kokoro TTS Kazakh (kmm1) — односпикерная модель синтеза казахской речи, созданная Nuraidar Mambetaly, Anuar Sultanbekov и Altair Balakhazy. Это дообучение Kokoro-82M на корпусе ISSAI KazakhTTS2 с обучающим конвейером на основе StyleTTS2; модель использует голос km_m1 — мужской голос одного диктора. В README указано, что архитектура содержит 82 млн параметров и работает с частотой дискретизации 24 кГц. Модель преобразует текст на казахском языке в речь и рассчитана на локальный запуск, в том числе на CPU без GPU. Авторы сообщают о быстродействии выше реального времени на AMD Ryzen 5 5500U и приводят оценку WER 16,4% на отложенном наборе из 20 предложений; это результаты конкретной внутренней проверки, а не универсальная гарантия качества. Модель распространяется по лицензии Apache-2.0. Она предназначена для казахского языка и одного мужского голоса; результаты оценки и производительности могут отличаться на других текстах и устройствах.

kotoba-whisper-v2.2 CoreML — конвертированная версия модели kotoba-tech/kotoba-whisper-v2.2, подготовленная пользователем yslinear для работы с WhisperKit. Базовая модель разработана Kotoba Technologies на основе архитектуры OpenAI Whisper с использованием подходов Distil-Whisper и данных японской речевой выборки ReazonSpeech. Модель предназначена для автоматического распознавания японской речи и локальной транскрибации аудиофайлов на устройствах Apple. Она поставляется в формате CoreML (.mlmodelc) и оптимизирована для Apple Silicon и Apple Neural Engine. В комплект входят аудиоэнкодер, текстовый декодер и преобразователь Mel-спектрограммы; заявленная поддержка ANE составляет соответственно 100%, 98% и 72%. Это дистиллированная модель с двумя слоями декодера вместо 32 слоёв в оригинальной Whisper large, что ориентировано на более эффективное выполнение при сохранении возможностей распознавания японской речи. Точные сведения о размере модели, длине контекста и поддержке других языков в README не указаны. Токенные временные метки отключены из-за несовместимости конфигурации alignment heads с дистиллированной архитектурой. Модель распространяется по лицензии Apache License 2.0, как и исходная модель. Для использования требуется WhisperKit; формат и оптимизация ориентированы прежде всего на экосистему Apple.

kristijonas/krapas-Regina — модель синтеза литовской речи, созданная разработчиком проекта krapas на основе OmniVoice от k2-fsa. Модель OmniVoice размером 0,6 млрд параметров дообучена на 3,05 часа студийной речи одной дикторки из набора LIEPA; используется архитектура OmniVoice, веса представлены в формате safetensors. Модель предназначена для преобразования литовского текста в речь голосом Регины Йокубаускайте и локально работает на Mac с MPS, NVIDIA GPU или CPU. Для корректного произношения модель ожидает текст с обозначенными ударениями. Перед синтезом рекомендуется нормализовать числа, даты, единицы измерения, сокращения и инициалы, а затем расставить ударения; без этого ударение выбирается ненадёжно. Голос спокойный, соответствует стилю прочитанной студийной речи. Лицензия модели CC BY-NC 4.0; исходный корпус LIEPA опубликован под CC BY 4.0 и требует атрибуции LIEPA и Вильнюсскому университету.

Malaysian-TTS-0.6B-v1 — модель преобразования текста в речь от mesolitica, созданная продолжением предобучения mesolitica/Malaysian-TTS-0.6B-v0.1 на более согласованном наборе данных. В основе — плотная архитектура Qwen3 с причинной языковой моделью; размер составляет 541,2 млн параметров, контекст — до 32 768 токенов. Для детокенизации речи используется DistilCodec, аудио выводится с частотой 24 кГц. Модель предназначена для синтеза речи на малайском и английском языках с переключением между ними в одном контексте. В карточке перечислены несколько голосов, включая малайские, сингапурские и Singlish варианты. Для генерации ожидается нормализованный текст: числа нужно предварительно записывать словами. В данных о повторяющихся произношениях паузы не всегда соответствуют запятым, поэтому пунктуация может не задавать ожидаемые паузы. Лицензия в предоставленных данных не указана.

MiniMax Music 3 for mlx-serve — это квантованная 8-битная версия модели MiniMax-Music3, разработанная для локального запуска на компьютерах Apple Silicon через движок mlx-serve на базе Zig и MLX. Модель предназначена для генерации полноценных музыкальных композиций с вокалом и заданными текстами песен по текстовому описанию стиля. На выходе формируется стереофонио WAV-аудио с частотой дискретизации 44,1 кГц. В состав входят глобальная языковая модель Qwen3 8B с 36 слоями и словарём на 200 тысяч токенов, локальная языковая модель объёмом 0,6 млрд параметров для декодирования семи остаточных кодовых книг, flow-matching DiT-трансформер объёмом 2,4 млрд параметров с 36 блоками, а также условный энкодер и вокодер Flow-VAE/DAC. Модель занимает около 13 ГБ на диске вместо 57 ГБ у исходного репозитория. Поддерживается генерация композиций длительностью от 1 до 360 секунд, однако модель может завершить песню раньше указанного предела. Тексты обязательны, а структурные метки вроде [verse] и [chorus] должны размещаться на отдельных строках. Язык вокала явно не указан. К сильным сторонам относятся локальная генерация на Apple Silicon, поддержка полноценных песен с вокалом, стереовыход 44,1 кГц и существенное уменьшение размера благодаря 8-битной аффинной квантизации при близком к исходному качеству вычислений. Ограничения включают зависимость от mlx-serve и оборудования Apple Silicon, обязательную передачу текста песни, отсутствие параметров ACE-Step для BPM, тональности, размера и языка вокала, а также ориентировочную скорость генерации около минуты времени LLM на минуту песни плюс диффузионный этап. Веса распространяются по MiniMax-Music3 Community License; в комплект входит политика допустимого использования.

facebook/mms-tts-fin — модель синтеза финской речи из текста, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Это отдельный языковой чекпойнт семейства MMS-TTS, предназначенный для озвучивания текста на финском языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Она синтезирует речевую волну напрямую из текстовой последовательности; стохастический предсказатель длительности позволяет варьировать ритм речи. Для одинакового результата при повторной генерации требуется фиксировать seed. Модель доступна через библиотеку Transformers версии 4.33 и новее. Модель подходит для озвучивания финских текстов и создания речевого вывода в приложениях. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

moss-nano-ptbr-iasmin — дообученная модель MOSS-TTS-Nano на 100 млн параметров, созданная на основе OpenMOSS-Team/MOSS-TTS-Nano и настроенная на синтез речи голосом Iasmin на бразильском варианте португальского языка. Модель предназначена для преобразования текста в речь; режим continuation позволяет генерировать речь этим голосом без аудиообразца для голосового клонирования. При дообучении использовано 25 871 аудиоклип: 11 922 записи голоса Iasmin и 13 949 клипов с клонированным голосом Qwen3-TTS-1.7B; обучение проводилось в течение трёх эпох. Для отложенной выборки указана WER 0,049 по оценке Whisper-large-v3. Модель работает на CPU, использует архитектуру MOSS-TTS-Nano и распространяется под лицензией Apache-2.0.

NeuTTS Air Q4-GGUF — компактная модель синтеза речи, разработанная Neuphonic. Это квантованная версия NeuTTS Air в формате GGUF, предназначенная для локального запуска на устройствах пользователя, включая смартфоны, ноутбуки и Raspberry Pi. Модель создаёт речь на основе текста и короткого образца голоса, поддерживая мгновенное клонирование тембра по референсной записи длительностью от 3 секунд. Архитектура построена на языковой модели Qwen 0.5B и нейронном аудиокодеке NeuCodec с одним кодбуком, ориентированном на качественное кодирование при низком битрейте. Заявлены реалтайм-генерация на устройствах среднего класса, оптимизация энергопотребления и естественное звучание. Для работы требуются текст и монофонический WAV-файл с чистой непрерывной речью; рекомендуемая длительность записи составляет 3–15 секунд. README не указывает полный перечень поддерживаемых языков и размер контекстного окна. Сильные стороны модели — малый размер, возможность локального и автономного использования, реалтайм-инференс, клонирование голоса по короткому образцу и встроенная маркировка синтезированного аудио. Ограничения включают зависимость качества от чистоты и характеристик референсной записи, необходимость передавать текст референса, а также отсутствие в README подробных данных о языковом охвате, точности и совместимости с различными устройствами. Все сгенерированные аудиофайлы содержат Perth Watermarker. Модель распространяется по лицензии Apache 2.0.

NeuTTS Air Q8-GGUF — модель синтеза речи от Neuphonic, представленная в формате GGUF и основанная на NeuTTS Air с языковой моделью Qwen 0.5B. Она предназначена для локального преобразования текста в речь, голосовых агентов, ассистентов, встроенных устройств и приложений, где важны автономная работа и конфиденциальность. Модель поддерживает мгновенное клонирование голоса по короткому образцу аудио длительностью примерно от 3 секунд: на вход подаются текст и эталонная WAV-запись, после чего речь синтезируется в стиле говорящего. Архитектура сочетает лёгкую языковую модель с нейронным аудиокодеком NeuCodec, использующим один кодбук и рассчитанным на высокое качество при низком битрейте. Формат GGUF оптимизирован для эффективного запуска на CPU и локальных устройствах, включая телефоны, ноутбуки и Raspberry Pi; заявлена генерация в реальном времени на устройствах среднего уровня и сниженное энергопотребление. В README язык модели явно не указан, поэтому языковую поддержку нельзя определить достоверно. Выходные аудиофайлы содержат водяной знак Perth. К сильным сторонам относятся реалистичное звучание, малый размер базовой модели, локальный инференс, низкие требования к вычислительным ресурсам и быстрое клонирование голоса. Для наилучшего результата рекомендуется чистая монофоническая WAV-запись длительностью 3–15 секунд с частотой дискретизации 16–44 кГц и непрерывной естественной речью. Ограничения включают необходимость эталонного аудио и текста для клонирования, зависимость качества от записи, отсутствие в README точных сведений о размере GGUF-файла и языках, а также обязательную маркировку синтезированного аудио. Модель распространяется по лицензии Apache-2.0.

Orpheus Australian-English TTS — это дообученная модель синтеза речи на базе canopylabs/orpheus-tts-0.1-pretrained, разработанная ablm​​ontazer. В основе — плотная Llama-архитектура с 3,3 млрд параметров и аудиокодеком SNAC с частотой 24 кГц; модель принимает текст на английском языке и генерирует монофоническую речь с австралийским акцентом. Поддерживаются восемь именованных голосов. Модель предназначена для озвучивания текста, например аудиокниг, диалогов, объявлений и демонстрационных голосовых интерфейсов. Обучение проводилось на аудиокнигах LibriVox и драматических чтениях из общественного достояния; в README приведены примеры генерации и рекомендации по температуре 0,5–0,7. Указанный авторами контекст — 131 072 токена. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Авторы отмечают, что у одного из голосов было меньше обучающих данных, поэтому его генерация менее стабильна; выборка обучения составляла около 22 часов суммарно для восьми голосов.

re-skill/orpheus-tj-early — ранний чекпойнт модели Orpheus TTS, дообученный на таджикской речи. Модель разработана на базе архитектуры Llama и предназначена для синтеза речи по тексту; карточка описывает её как ориентированную на ясную, выразительную и эмпатичную речь с потоковой генерацией. В метаданных указаны 3,3 млрд параметров, библиотека Transformers, формат Safetensors и контекстное окно 131 072 токена. Чекпойнт выпущен 25 июля 2025 года после обучения на 35 часах аудиоданных. В метаданных перечислены связи с canopylabs/orpheus-3b-0.1-pretrained и meta-llama/Llama-3.2-3B-Instruct; происхождение обозначено как слияние. Лицензия — Apache-2.0. Это ранняя версия, поэтому качество и устойчивость синтеза могут быть ограничены небольшим объёмом обучающих аудиоданных.

Parler-TTS Mini v0.1 Jenny — модель синтеза речи, созданная сообществом parler-tts на основе Parler-TTS Mini v0.1 и дообученная на 30 часах высококачественных записей одной дикторки Дженни с ирландским акцентом. Для генерации речи в описании голоса следует указать ключевое слово «Jenny». Модель предназначена для преобразования текста в речь с голосом, похожим на голос этой дикторки; карточка описывает её как подходящую для обучения TTS-моделей. Модель использует архитектуру Parler TTS и опубликована в формате safetensors для Transformers. Поддерживаемый язык — английский. Лицензия в предоставленных данных не указана.

Parler-TTS Mini v1 — компактная модель синтеза речи из текста, разработанная проектом Parler-TTS. Она построена на архитектуре ParlerTTSForConditionalGeneration и обучена на 45 тысячах часов аудиоданных. Модель генерирует естественно звучащую речь на английском языке; её характеристики можно задавать текстовым описанием голоса и звучания. Модель подходит для озвучивания текста и управляемой генерации речи: в описании можно указать голос, темп, высоту тона, пол говорящего, реверберацию и уровень фонового шума. Для согласованного голоса доступны 34 описанных диктора. Проект предоставляет веса и обучающие материалы; библиотека Transformers поддерживается для работы с моделью. Модель распространяется по лицензии Apache-2.0. В карточке описано управление параметрами звучания через подсказки, однако приведённых данных недостаточно для оценки качества на других языках или точных требований к оборудованию.

Qwen3-1.7B-Multilingual-TTS — дообученная командой Malaysia AI языковая модель на базе Qwen/Qwen3-1.7B-Base, предназначенная для синтеза речи и преобразования голоса на нескольких языках. Модель генерирует аудиотокены, которые декодируются с помощью NeuCodec в речь с частотой дискретизации 24 кГц; заявленная скорость декодирования кодека — 50 токенов в секунду. В репозитории указано обучение на наборах для многоязычного TTS и преобразования голоса с несколькими дикторами. Модель построена на архитектуре Qwen3ForCausalLM и содержит 1,9 млрд параметров. В карточке описаны TTS и voice conversion, однако метаданные классифицируют её как text-generation; для использования приведён пример загрузки через Transformers вместе с NeuCodec. Указан контекст 32 768 токенов в метаданных, а в README — обучение с контекстом 10 000 токенов и multipacking. Автор оценивает качество TTS как приемлемое для версии после 0,35 эпохи, а преобразование голоса — как пока недостаточно хорошее: модель может генерировать длинные участки тишины, которые рекомендуется обрезать перед преобразованием. В README сообщается о более новой версии Scicom-intl/Multilingual-TTS-1.7B-Base. Лицензия в предоставленных данных не указана.

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.

Qwen3-TTS-12Hz-0.6B-Base-bf16 — модель синтеза речи, разработанная Qwen и преобразованная сообществом mlx-community в формат MLX с помощью mlx-audio 0.3.0. Это базовая версия модели Qwen3-TTS с размером 0,6 млрд параметров и точностью bf16, предназначенная для работы через библиотеку mlx-audio на совместимом оборудовании Apple MLX. Модель преобразует текст в аудио и поддерживает сценарии синтеза речи с использованием эталонной аудиозаписи, что указывает на возможность клонирования или адаптации голоса. В README приведены интерфейсы командной строки и Python API; в качестве входных данных используются текст и, при необходимости, путь к WAV-файлу с референсным голосом. Частота 12 Hz указана в названии модели, однако другие сведения о поддерживаемых языках, модальностях, максимальном контексте и архитектуре в README не приведены. К сильным сторонам относятся компактный размер, формат MLX для экосистемы Apple и поддержка генерации речи с референсным аудио. Ограничения и фактическое качество синтеза, перечень языков, требования к оборудованию и особенности лицензирования исходной модели в представленном README подробно не описаны. Для использования указана лицензия Apache-2.0.

Qwen3-TTS-12Hz-1.7B-Base-4bit — модель синтеза речи, разработанная сообществом mlx-community. Она конвертирована в формат MLX из исходной модели Qwen/Qwen3-TTS-12Hz-1.7B-Base с использованием mlx-audio версии 0.3.0. Модель предназначена для преобразования текста в речь и поддерживает сценарии генерации аудио с возможностью клонирования голоса по референсной аудиозаписи. В README указано, что модель имеет размер 1,7 млрд параметров, использует частоту дискретизации 12 Hz в названии и представлена в 4-битном формате. Конкретные сведения об архитектуре, поддерживаемых языках, модальностях и размере контекста в предоставленных данных отсутствуют. Для работы используется библиотека mlx-audio и формат MLX; модель можно запускать через командную строку или Python API. Лицензия — Apache-2.0. Ограничения, связанные с качеством синтеза, поддерживаемыми языками и безопасностью клонирования голоса, в README не описаны.

Qwen3-TTS-12Hz-1.7B-Base-bf16 — модель синтеза речи, преобразованная сообществом mlx-community из Qwen/Qwen3-TTS-12Hz-1.7B-Base в формат MLX с использованием mlx-audio 0.3.0. Модель предназначена для генерации речи по тексту и поддерживает сценарии клонирования голоса с использованием референсной аудиозаписи. Из доступных данных известны размер 1,7 млрд параметров, базовая версия Qwen3-TTS, частота 12 Hz в названии модели и формат bf16. Модель рассчитана на использование через библиотеку mlx-audio; README демонстрирует запуск из командной строки и Python API с передачей текста и, при необходимости, пути к референсному WAV-файлу. Поддерживаемые языки, точный набор модальностей, максимальная длина контекста и другие архитектурные характеристики не указаны. Модель распространяется по лицензии Apache-2.0. Сильными сторонами являются интеграция с MLX и наличие сценария клонирования голоса, однако по README нельзя достоверно оценить качество синтеза, языковое покрытие, ограничения производительности или требования к оборудованию.

MLX-версия модели Qwen3-TTS-12Hz-1.7B-VoiceDesign, разработанная сообществом mlx-community и конвертированная из оригинальной модели Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign с использованием mlx-audio версии 0.3.0. Модель предназначена для синтеза речи по тексту, а также поддерживает сценарии voice cloning с использованием эталонной аудиозаписи. Модель имеет размер 1,7 млрд параметров и поставляется в 4-битном формате квантования для MLX. Она ориентирована на работу через библиотеку mlx-audio и может применяться для генерации аудио из текстовых входов, включая локальный запуск на совместимом оборудовании Apple MLX. README не содержит подробностей о поддерживаемых языках, длине контекста, архитектуре и фактическом качестве генерации, поэтому эти характеристики нельзя надёжно оценить. Для использования требуется установка mlx-audio; лицензия — Apache-2.0.

senga-LUK-20k-l1-speecht5 — дообученная модель семейства SpeechT5 для синтеза речи из текста. Она основана на microsoft/speecht5_tts и реализует задачу text-to-audio; модель загружается через Transformers, веса опубликованы в формате safetensors. Карточка сообщает результат Loss 0,1543 на оценочном наборе, но не описывает набор данных, целевой язык, характеристики генерируемой речи или сценарии применения. Модель распространяется по лицензии MIT.

senga-nt-nse-tts — модель синтеза речи из текста, созданная дообучением SpeechT5 от Microsoft. В карточке Hugging Face указана архитектура SpeechT5ForTextToSpeech и формат весов safetensors. Модель предназначена для преобразования текста в аудио. В README приведён результат оценки: loss 0,0879; сведения о наборе данных, языках и сценариях применения отсутствуют. Модель распространяется по лицензии MIT.

Это модель синтеза речи xiankai123/speecht5_finetuned_fleurs_de_de, дообученная на наборе данных FLEURS на основе microsoft/speecht5_tts. Она предназначена для преобразования текста в речь; в метаданных указана архитектура SpeechT5ForTextToSpeech и форматы PyTorch и Safetensors. На оценочном наборе автор сообщает значение loss 0,3628. Модель распространяется по лицензии MIT. Карточка не приводит подробностей о голосе, качестве синтеза и ограничениях. По названию репозитория и суффиксу de_de модель ориентирована на немецкий язык; эта языковая специализация не подтверждена отдельным описанием в README.

1aurent/speecht5_finetuned_fleurs_fr — модель синтеза речи из текста, созданная дообучением SpeechT5 от Microsoft на французской части набора данных Google FLEURS. Она предназначена для преобразования французского текста в речь. В карточке указано значение loss 0,3627 на оценочной выборке. Модель использует архитектуру SpeechT5 и сохранена в формате safetensors. Базовая модель — microsoft/speecht5_tts. Репозиторий распространяется по лицензии MIT. Подробности о голосах, качестве звучания и ограничениях в карточке не приведены.

Avitas8485/speecht5_tts_commonvoice_en_06 — дообученная на датасете LJSpeech модель SpeechT5 для синтеза речи из текста. Она принимает текст на английском языке и генерирует аудио; в карточке указана оценка Loss 0,3607 на наборе для оценки. Модель построена на архитектуре SpeechT5 и опубликована в форматах PyTorch и Safetensors. Модель подходит для преобразования английского текста в речь. Она распространяется по лицензии MIT. В карточке нет подробностей о качестве и характеристиках генерируемого голоса; оценка Loss сама по себе не позволяет судить о разборчивости и естественности синтеза.