I.9Аудио и музыка

SPRINGLab/EZ-VC — модель для преобразования аудио, опубликованная SPRINGLab и распространяемая в библиотеке F5-TTS. В метаданных указаны задача audio-to-audio и возможность принимать аудио; README сообщает о наличии Jupyter-ноутбука для запуска инференса. Модель предназначена для сценариев преобразования аудио. Репозиторий содержит веса в формате safetensors и распространяется по лицензии CC BY-NC 4.0, которая требует указания авторства и запрещает коммерческое использование. README не описывает конкретный тип преобразования, поддерживаемые языки, архитектуру, размер модели или длину контекста, поэтому эти характеристики нельзя уточнить.

ntxcong/hubert-base-common-voice-vi-demo — модель распознавания речи, дообученная на базе facebook/hubert-base-ls960 на наборе Common Voice 16.1. Она использует архитектуру HuBERT с CTC-декодером и содержит 113,3 млн параметров. Модель предназначена для преобразования речи в текст; в оценке на тестовой выборке указаны loss 0,5121 и WER 0,3678. Модель принимает аудио и выдаёт текст. По названию репозитория она предназначена для распознавания вьетнамской речи, однако README не раскрывает подробности языкового охвата, условий оценки и рекомендуемых сценариев. Распространяется под лицензией Apache-2.0.

Richasy/IndexTTS-2.5-GGUF — производная GGUF-версия модели IndexTTS 2.5, разработанной IndexTeam при bilibili. Репозиторий подготовлен неофициально для использования с audio.cpp 0.6 и Rodel.Inference. Модель предназначена для синтеза речи по тексту, клонирования голоса по эталонному WAV-файлу и управления эмоциями через текстовые инструкции. Модель поддерживает китайский, английский, японский, испанский и арабский языки. Для работы требуются явное указание языка и аудиозапись голоса-образца; транскрипция эталонной записи не нужна. Опубликован один файл GGUF в исходном формате данных размером около 7,89 ГБ, содержащий 3 790 тензоров. Квантованная версия не предоставляется. Модель рассчитана на локальный запуск через CPU или CUDA-совместимую инфраструктуру audio.cpp и формирует монофонический WAV с частотой 22,05 кГц. К сильным сторонам относятся мультиязычность, поддержка клонирования голоса, управление эмоциональной окраской и проверенная интеграция с Rodel.Inference. Ограничения реализации включают неполную поддержку нормализации текста WeText и японской нормализации: числа, проценты, дроби и даты требуют предварительной обработки. Потоковая генерация, управление длительностью, эталонное аудио эмоций и восьмимерные векторы эмоций в начальной интеграции отсутствуют. README также предупреждает о возможном ухудшении тембра, эмоций и просодии по сравнению с IndexTTS 2.0; приведённые измерения подтверждают работоспособность и разборчивость, но не качество сходства голоса или эмоций. Модель распространяется по bilibili Model Use License. Для использования необходимо принять лицензию; при распространении требуется сохранять китайский оригинал лицензии, английский перевод, уведомление о производном характере и сторонние лицензии, а также передавать downstream-получателям те же условия. При аудитории свыше 100 миллионов активных пользователей в месяц или выручке более 100 миллионов RMB в год требуется отдельное разрешение по китайским условиям лицензии.

Это квантованная версия IndexTTS-2.5 в формате GGUF, подготовленная автором репозитория xxliam для запуска через audio.cpp. Квантование не сопровождалось переобучением; в описании указана смешанная схема Q5_K и Q8_0 для разных частей модели. Модель предназначена для синтеза речи с клонированием голоса по образцу. В README приведены локальные замеры для японских фраз и смешанного японско-английского текста на одной видеокарте RTX 5070 Ti; автор рекомендует CUDA и около 8 ГиБ свободной видеопамяти. На этой конфигурации GGUF синтезировала быстрее исходного варианта FP16, но оценки MOS были немного ниже. Эти результаты относятся к конкретному оборудованию и тестовым наборам, а не являются официальными показателями качества. Метаданные указывают поддержку китайского, английского, японского, испанского и арабского языков. Для коротких латинских вставок японский фронтенд может ошибочно выбрать японское произношение; README предлагает разделять английские фрагменты на этапе подготовки текста. Репозиторий помечен лицензией other; условия лицензии исходной модели и производной версии следует сверять с карточками правообладателя и репозитория.

milanakdj/indic-parler-tts-nepali-finetuned-dgx-v2.1-cosine — дообученная версия Indic Parler-TTS для синтеза речи на непальском языке. Модель использует архитектуру ParlerTTSForConditionalGeneration и библиотеку parler-tts; веса опубликованы в формате safetensors. Модель предназначена для преобразования текста в речь на непальском. В карточке приведены результаты обучения: 3120 шагов и наилучшая валидационная ошибка 6,7056. Эти сведения сами по себе не позволяют оценить качество звучания или пригодность для конкретного применения. Лицензия в предоставленных данных не указана.

Это дообученная версия Indic Parler-TTS для синтеза речи на непальском языке. Модель принимает текст и генерирует речь; в метаданных указаны архитектура ParlerTTSForConditionalGeneration и библиотека parler-tts, а веса представлены в формате safetensors. В карточке приведены результаты обучения: лучшая ошибка на валидации составила 6,2510 после 2224 шагов обучения. Модель предназначена для преобразования непальского текста в речь. Сведения о размере, длительности контекста и лицензии в доступных данных отсутствуют.

Japanese Parler-TTS Large (β版) — японская модель синтеза речи, опубликованная автором репозитория 2121-8 и созданная на основе Parler-TTS Large v1 с объединением компонентов, включая retrieva-jp/t5-base-long. Она преобразует японский текст в речь и предназначена для озвучивания текстов с возможностью управлять голосовыми и акустическими характеристиками текстовым описанием. Модель использует архитектуру Parler-TTS и библиотеку Transformers; токенизатор несовместим с исходным Parler-TTS и разработан специально для этой модели. Автор заявляет о выразительной и качественной генерации речи, однако модель находится в бета-версии и из-за недостаточного обучения может работать нестабильно. В обучающих данных мало мужских голосов, поэтому их генерация и настройка интонации могут быть неудовлетворительными. README разрешает исследовательское, образовательное и коммерческое использование с условием, что веса и файлы самой модели нельзя продавать; авторы не гарантируют точность, законность или уместность результатов.

Kani TTS Vie — модель преобразования текста в речь на вьетнамском языке, разработанная pnnbao-ump и дообученная на базе nineninesix/kani-tts-370m. В метаданных указаны архитектура LFM2 с плотной моделью Lfm2ForCausalLM и размер 460 млн параметров; в README приведена оценка 370 млн. Для обучения использованы VieNeu-TTS-140h, VieNeu-TTS-140h-nanocodec и VieNeu-TTS-500h-dialects. Модель предназначена для быстрого синтеза вьетнамской речи, включая потоковые и работающие в реальном времени приложения. Она поддерживает несколько голосов, в том числе мужские и женские голоса с северным и южным произношением; README также описывает использование голосов других языков для синтеза вьетнамской речи. Заявлены автоматическая нормализация чисел, символов и сокращений, частота дискретизации 22,05 кГц и около трёх секунд инференса для короткого текста. README называет проект бесплатным и открытым, а метаданные указывают лицензию Apache-2.0. README описывает планы по добавлению клонирования голоса и управления эмоциями и стилем, поэтому эти возможности не следует считать уже поддерживаемыми. Заявленные скорость и качество не сопровождаются независимыми результатами оценки.

Thorsten-Voice/Kokoro — это немецкая дообученная версия Kokoro-82M, созданная на датасете Thorsten-Voice с открытой лицензией CC0. Модель основана на архитектуре StyleTTS2 и синтезирует немецкую речь голосом Торстена. В репозитории есть чекпойнты обучения и голосовой пакет; по умолчанию используется чекпойнт эпохи 5. Модель предназначена для преобразования немецкого текста в речь. Благодаря компактному размеру базовой модели — 82 млн параметров — она рассчитана на локальный запуск на CPU в реальном времени или быстрее, в том числе офлайн. Для немецкой фонемизации нужны форки библиотек misaki и kokoro, а также espeak-ng. Известные ограничения: короткое немецкое ü может некорректно обрабатываться без специальной подстановки в G2P-фронтенде; дефисные сложные прилагательные иногда звучат неестественно. Очень длинные предложения могут обрезаться, поэтому рекомендуется разбивать текст по границам предложений. Модель распространяется по лицензии Apache-2.0.

Это пакет голосов Kokoro-82M, подготовленный Backpack для локального синтеза речи. Он содержит неизменённые артефакты модели hexgrad/Kokoro-82M в формате PyTorch и предназначен для использования с голосовым runtime Backpack; пакет не заменяет выбранную пользователем чат-модель и не является результатом обучения Backpack. Модель преобразует текст в аудио. В комплект входят четыре файла голосов: af_heart, am_michael, bf_emma и bm_george. В README указана поддержка нескольких языков, а метаданные описывают базовую модель как компактную многоязычную систему синтеза речи. Пакет прошёл проверку загрузки и детерминированного вывода аудио. Для запуска README рекомендует kokoro==0.9.4 и интерфейсы KModel и KPipeline. Лицензия — Apache-2.0. Ограничения качества синтеза для отдельных языков и акцентов могут различаться; в README также отмечено, что синтезированная речь может вводить в заблуждение.

Kokoro-82M-bf16 — преобразованная в формат MLX версия модели синтеза речи Kokoro-82M, подготовленная сообществом mlx-community. README указывает, что исходная модель — hexagrad/Kokoro-82M, а конверсия выполнена с помощью mlx-audio 0.0.1. Метаданные Hugging Face классифицируют модель как text-to-speech, указывают библиотеку MLX, лицензию Apache-2.0 и английский язык. Модель предназначена для преобразования английского текста в речь в приложениях, использующих MLX и mlx-audio. Размер в идентификаторе — 82M; карточка не сообщает дополнительные сведения об архитектуре, длине контекста или конкретных голосах. Ограничения и качество синтеза следует оценивать по карточке исходной модели. Репозиторий содержит веса safetensors. README описывает конверсию из hexagrad/Kokoro-82M, поэтому это преобразование формата, а не дообучение самой модели; лицензия указана как Apache-2.0.

FluidInference подготовила преобразованные версии модели синтеза речи Kokoro-82M и Kokoro-82M-v1.1-zh для Apple Core ML. Репозиторий содержит конверсии для английского, японского и китайского (мандаринского) языков и оптимизации выполнения; исходные модели и предобученные веса созданы hexgrad. Для запуска предлагается FluidAudio SDK, который принимает текст и голоса соответствующего языкового варианта. Конверсии рассчитаны на устройства Apple с macOS 15 или iOS 18 и новее; лицензия — Apache-2.0. Ключевая особенность репозитория — интеграция с Core ML и маршрутизация вычислений между CPU, Neural Engine и GPU. README приводит результаты локальных замеров на Apple M5 Pro, но они получены на отдельных выбранных примерах и не являются оценкой на корпусе или для разных устройств. Физический запуск на iOS не проверен; некоторые альтернативные политики вычислений завершались аварийно, поэтому опубликованные замеры следует считать исследовательскими наблюдениями, а не гарантией производительности.

Это экспорт модели синтеза речи Kokoro-82M от hexgrad в формате GGUF для движка loom.cpp. Экспорт упаковывает исходные неизменённые веса в один файл, который также содержит граф модели и драйвер; репозиторий включает 54 голосовых набора для восьми языков, а голос af_heart встроен как вариант по умолчанию. Модель принимает последовательность идентификаторов фонем, поэтому текст нужно предварительно преобразовать в фонемы подходящим для языка голоса средством. Модель предназначена для локального синтеза речи в приложениях и сервисах через loom-py-rt. Репозиторий распространяется по лицензии Apache-2.0. Для естественного звучания фонемы должны соответствовать языку выбранного голоса; README также отмечает, что смена голоса меняет длительность генерируемой речи. GGUF-экспорт сохраняет веса Kokoro-82M, а не дообучает их.

Это модель синтеза речи VITS с декодером iSTFT, разработанная на основе официального чекпойнта VITS и обученная на наборе LJ Speech. Она преобразует входной текст в речевую волну; модель рассчитана на один голос и подходит для синтеза речи в реальном времени и на периферийных устройствах. В README заявлены естественное звучание и коэффициент реального времени 0,066 на процессоре Intel Core i7 — примерно в 4,1 раза быстрее исходного VITS. Модель содержит 3,6 млн параметров, распространяется в формате safetensors и доступна по лицензии MIT. Данных о поддерживаемых языках в предоставленных источниках нет; обучающий набор LJ Speech обычно связан с англоязычной речью, но язык для этой конкретной карточки явно не подтверждён.

Это 4-битная MLX-версия многоязычной модели Magpie-TTS Multilingual 357M от NVIDIA, подготовленная для Apple Silicon. Модель использует авторегрессионную архитектуру с несколькими кодовыми книгами Nano-Codec: текстовый кодировщик, авторегрессионный декодер аудиокодов и декодер кодека, формирующий монофоническую речь с частотой 22,05 кГц. Всего в модели 357 млн параметров; веса основной модели квантизованы до INT4, тогда как декодер кодека остаётся в FP16. Модель преобразует текст в речь и рассчитана на локальный запуск на устройствах Apple. В карточке заявлена поддержка английского, испанского, немецкого, французского, итальянского, вьетнамского, китайского, хинди и японского языков. Проверка на отдельных предложениях показала хорошие результаты для большинства перечисленных языков, но это ограниченная проверка, а не широкая оценка качества. Для японского требуется предварительная токенизация текста; лицензия указана как other, а README сообщает, что исходные веса NVIDIA распространяются по NVIDIA Open Model License.

MioTTS-GGUF — набор GGUF-квантованных версий семейства моделей MioTTS, разработанного Aratako. Это лёгкие и высокоскоростные модели синтеза речи (TTS), предназначенные для генерации естественной речи на английском и японском языках. Модели подходят для локального запуска и интеграции в приложения, использующие преобразование текста в речь; инструкции по инференсу опубликованы в отдельном репозитории Aratako/MioTTS-Inference. В набор входят варианты размером от 0,1 до 2,6 млрд параметров, представленные в форматах BF16, Q8_0, Q6_K и Q4_K_M. Размер файлов зависит от конфигурации и составляет примерно от 79,6 МБ до 5,19 ГБ. README не содержит сведений об архитектуре, максимальной длине контекста, точных характеристиках голосов или поддержке других модальностей, поэтому эти параметры нельзя уточнить. К сильным сторонам относятся компактность, широкий выбор размеров и уровней квантования, а также ориентация на высокую скорость генерации речи. Ограничения включают зависимость качества от выбранной версии и квантования, поддержку преимущественно английского и японского языков и необходимость проверять совместимость с официальным inference-кодом. Лицензия зависит от размера исходной модели: для версий 0.1B указана Falcon-LLM License, для 0.4B, 1.2B и 2.6B — LFM Open License v1.0, а для 0.6B и 1.7B — Apache 2.0. Перед использованием необходимо ознакомиться с условиями лицензии соответствующей исходной модели.

facebook/mms-tts-rel — модель синтеза речи на языке рендилле, выпущенная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст в речевую аудиоволну и предназначена для озвучивания текстов на рендилле. Модель построена на архитектуре VITS; в репозитории указано 3,5 млн параметров, веса доступны в форматах PyTorch и safetensors. VITS объединяет текстовый энкодер на основе Transformer, вариационный автоэнкодер, потоки нормализации, предсказатель длительности и декодер, похожий на HiFi-GAN. Стохастический предсказатель длительности позволяет получать разные ритмические варианты произношения одного текста; для повторяемого результата требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

VIZINTZOR/MMS-TTS-THAI-FEMALEV2 — модель синтеза речи на основе архитектуры VITS, разработанная VIZINTZOR и дообученная для генерации женского голоса на тайском языке. Модель принимает текст и преобразует его в речь; карточка упоминает запуск на локальном компьютере и обучение через Google Colab. В репозитории указано 3,6 млн параметров, веса сохранены в формате safetensors. Модель предназначена для озвучивания тайских текстов женским голосом. Сведений о лицензии и качестве синтеза в доступных данных нет.

MOSS-Audio-Tokenizer — аудиотокенизатор команды OpenMOSS-Team, построенный на архитектуре Cat (Causal Audio Tokenizer with Transformer). Модель кодирует и восстанавливает аудио, представляя его дискретными токенами; она предназначена для работы как компактный аудиоинтерфейс для аудиомоделей и последующих задач понимания и генерации речи. Архитектура состоит из причинных Transformer-блоков без CNN; суммарный размер энкодера и декодера — 1,6 млрд параметров. Токенизатор обрабатывает аудио с частотой дискретизации 24 кГц и частотой кадров 12,5 Гц, использует 32-слойный RVQ и поддерживает битрейт от 0,125 до 4 кбит/с. Заявлена потоковая обработка чанками. Модель обучена с нуля на разнообразных аудиоданных и рассчитана на речь, звуковые эффекты и музыку. Карточка указывает Apache-2.0. Репозиторий содержит реализацию для Transformers с удалённым кодом, поэтому для загрузки README использует trust_remote_code=True. Токенизатор предназначен для кодирования и реконструкции аудио, а не для самостоятельного распознавания речи или синтеза речи; качество зависит от выбранного битрейта. Потоковая обработка ограничена batch_size=1 и требованиями к длительности чанка.

MOSS-Audio-Tokenizer-Nano — компактный аудиотокенизатор команды OpenMOSS-Team для MOSS-TTS-Nano и совместимых рабочих процессов семейства MOSS-TTS. Это модель на основе причинного Transformer по архитектуре Cat, которая кодирует стереозвук в дискретную последовательность токенов и восстанавливает его из неё. В чекпойнте около 22 млн параметров; модель принимает и выдаёт стереозвук с частотой 48 кГц, а частота потока кодов составляет 12,5 Гц. Остаточный квантователь использует 16 кодовых книг по 1024 элемента и поддерживает битрейт от 0,125 до 2 кбит/с. Модель предназначена для компактного представления и восстановления речи, музыки и других аудиосигналов, включая потоковые сценарии с низкой задержкой. Её можно применять как аудиотокенизатор в генерации речи и других рабочих процессах, которым нужна дискретная аудиорепрезентация. Для загрузки реализации может потребоваться Transformers с включённым trust_remote_code. Репозиторий распространяется по лицензии Apache-2.0. README приводит сравнительные оценки качества восстановления на английском LibriSpeech и китайском AISHELL-2, а также на наборах AudioSet и MUSDB. Интерфейс требует стереовход формы (2, T) или (B, 2, T); заявлена потоковая обработка чанками, но непрерывное пакетное декодирование имеет ограничения по состоянию и параллельности: одна активная потоковая сессия декодирования на экземпляр модели, без непрерывного пакетного кодирования и одновременной работы нескольких сессий на одном экземпляре.

Карточка модели maanka2/MOSS-TTS-Nano-100M на Hugging Face совпадает с карточкой OpenMOSS-Team/MOSS-TTS-Nano-100M, поэтому описание составлено по ней. MOSS-TTS-Nano — компактная мультиязычная модель синтеза речи от MOSI.AI и команды OpenMOSS. Модель содержит 0,1 млрд параметров и использует авторегрессионную связку аудиотокенизатора и LLM; она выдаёт стереозвук с частотой 48 кГц и поддерживает потоковую генерацию с низкой задержкой. Модель предназначена для озвучивания текста в реальном времени, локальных демонстраций и интеграции в лёгкие приложения. Она может работать на четырёхъядерном CPU без GPU, поддерживает клонирование голоса по эталонному аудио и длинные тексты с автоматическим разбиением на фрагменты. Заявлена поддержка 20 языков, включая китайский, английский, русский, японский, корейский, арабский и европейские языки; контекст составляет 32 768 токенов. Для работы с речью используется отдельный MOSS-Audio-Tokenizer-Nano. Модель распространяется по лицензии Apache-2.0. Карточка заявляет возможность потоковой генерации на CPU, однако фактические задержка и качество зависят от оборудования и текста; подробные сравнительные оценки в предоставленных материалах отсутствуют.

MOSS-TTS-Nano — компактная мультиязычная модель синтеза речи от MOSI.AI и команды OpenMOSS. Модель содержит 0,1 млрд параметров и использует авторегрессионную связку аудиотокенизатора и LLM; она выдаёт стереозвук с частотой 48 кГц и поддерживает потоковую генерацию с низкой задержкой. Модель предназначена для озвучивания текста в реальном времени, локальных демонстраций и интеграции в лёгкие приложения. Она может работать на четырёхъядерном CPU без GPU, поддерживает клонирование голоса по эталонному аудио и длинные тексты с автоматическим разбиением на фрагменты. Заявлена поддержка 20 языков, включая китайский, английский, русский, японский, корейский, арабский и европейские языки; контекст составляет 32 768 токенов. Для работы с речью используется отдельный MOSS-Audio-Tokenizer-Nano. Модель распространяется по лицензии Apache-2.0. Карточка заявляет возможность потоковой генерации на CPU, однако фактические задержка и качество зависят от оборудования и текста; подробные сравнительные оценки в предоставленных материалах отсутствуют.

Модель atul10/nepali_male_v1 — голосовая модель синтеза речи на основе VITS, разработанная ProcitBV и опубликованная на Hugging Face через ITH (Nepal). Она преобразует текст в речевую аудиоволну; карточка указывает непальский язык и также упоминает хинди. Архитектура VITS объединяет текстовый энкодер, вероятностные потоки, стохастический предсказатель длительности и декодер в стиле HiFi-GAN. Модель содержит 3,6 млн параметров и распространяется в формате safetensors. Подходит для озвучивания текста на непальском языке и создания речевого аудио из текстовых фраз. Из-за стохастического предсказателя длительности результаты могут различаться при повторной генерации; для воспроизводимого аудио нужен фиксированный seed. Метаданные указывают лицензию Apache-2.0.

Flova/omr_transformer — модель оптического распознавания музыкальной нотации, разработанная на основе Donut. Она принимает изображение нотной записи и преобразует его в простые ноты в формате LilyPond. Обучающие примеры включали искусственные изображения, рукописные записи и изображения с досок. Модель построена на архитектуре vision-encoder-decoder и распространяется в формате PyTorch. Карточка описывает англоязычную версию; для использования требуется библиотека Transformers. Лицензия — Apache-2.0.

OuteTTS-0.3-1B — модель синтеза речи от OuteAI на базе OLMo-1B с плотной архитектурой причинного языкового моделирования. Она расширяет языковую модель возможностью преобразовывать текст в речь; README также заявляет поддержку преобразования речи в речь. Модель содержит 1,2 млрд параметров, использует формат safetensors, рассчитана на контекст до 4096 токенов и интегрируется через библиотеку outetts. Модель обучена на примерно 20 000 часах речевых данных и поддерживает английский, японский, корейский, китайский, французский и немецкий языки. Версия 0.3 учитывает знаки пунктуации при синтезе, что улучшает связность и естественность речи. Управление голосом присутствует в экспериментальном виде и может работать непоследовательно. README указывает, что модель лучше всего работает с генерацией партиями около 30 секунд; доступное окно сокращается с учётом длины образца голоса. Базовая модель — OLMo-1B, лицензированная Apache-2.0, но сама OuteTTS-0.3-1B распространяется по CC-BY-NC-SA-4.0. Лицензия ограничивает коммерческое использование; при выборе сценария следует учитывать условия лицензии и происхождение обучающих данных.

Parakeet RNNT 1.1B — англоязычная модель автоматического распознавания речи, совместимая с transcribe.cpp и распространяемая в формате GGUF. Модель разработана совместно командами NVIDIA NeMo и Suno.ai, а данный репозиторий содержит её конвертированные и квантованные версии на основе nvidia/parakeet-rnnt-1.1b. Модель предназначена для офлайн-преобразования речи в текст с использованием жадного RNN-T-декодирования без внешней языковой модели. Она принимает монофонический WAV-аудиосигнал с частотой 16 кГц и возвращает текст на английском языке в нижнем регистре без пунктуации. Поддерживаются токены временных меток, но потоковый режим, перевод и автоматическое определение языка не поддерживаются. Архитектура включает энкодер FastConformer-XL примерно на 1,1 млрд параметров и декодер RNN-T. Доступны варианты F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 825 МБ до 4,28 ГБ. На наборе LibriSpeech test-clean опубликованная WER составляет около 1,41–1,46% в зависимости от квантования; для Fleurs English указана WER 4,45% для Q8_0. Ключевые ограничения — поддержка только английского языка, отсутствие пунктуации, перевода и потоковой обработки, а также необходимость запуска через transcribe.cpp. Лицензия — CC-BY-4.0, унаследованная от базовой модели.

Это репозиторий EryriLabs с GGUF-моделями синтеза речи Pocket TTS, подготовленными для запуска через llama.cpp. В README описаны языковые варианты Pocket TTS от Kyutai и отдельная валлийская модель EryriLabs, обученная с нуля по рецепту Pocket TTS на 173 часах открыто лицензированной валлийской речи. Для французского варианта используется контрольная точка Kyutai french_24l с 24 слоями; остальные описанные варианты имеют около 100 млн параметров и 16 слоёв. Модели преобразуют текст в речь и рассчитаны на локальный запуск на CPU; для синтеза требуется соответствующая пара файлов GGUF — модель и mmproj — и практически необходим файл с голосовым образцом. README сообщает о скорости около 5,5–6 раз быстрее реального времени для большинства вариантов, около 2,9 раза для французского и около четырёх раз для валлийского при восьми потоках. Валлийский вариант поддерживает перенос голоса по короткому образцу, но примерно 40% генераций не проходят проверку озвончения, особенно на длинных фразах; автор рекомендует разделять текст на предложения и выбирать удачный вариант. Репозиторий распространяется по лицензии CC-BY-4.0. Метаданные связывают модель с kyutai/pocket-tts и указывают GGUF, тогда как README описывает преобразование формата без квантования.

alkhrzmy дообучил мультиязычную Qwen3-TTS 12Hz 0.6B Base для синтеза речи на индонезийском языке. Это плотная модель архитектуры Qwen3TTSForConditionalGeneration с весами в формате safetensors; при генерации используется голос indonesian_speaker. Модель преобразует текст в речь и подходит для озвучивания индонезийских фраз, например голосовых сообщений или аудиоконтента. В карточке описано обучение в течение четырёх эпох на индонезийском наборе данных синтеза речи. Базовая модель также поддерживает клонирование голоса по аудиопримеру, но возможность такого сценария для этой доработанной версии отдельно не подтверждена. Модель распространяется по лицензии Apache-2.0. Данных о длине контекста и оценках качества в предоставленной карточке нет.

Qwen3-TTS-12Hz-1.7B-CustomVoice-bf16 — модель синтеза речи, конвертированная сообществом mlx-community из Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice в формат MLX с помощью mlx-audio версии 0.3.0. Модель предназначена для генерации речи по тексту и поддерживает сценарии настройки или клонирования голоса с использованием эталонной аудиозаписи. Модель рассчитана на работу через библиотеку mlx-audio, доступна для запуска из командной строки и Python. Известны размер 1,7 млрд параметров и формат bf16; в названии также указана частота 12 Hz, однако README не раскрывает подробности архитектуры, поддерживаемых языков, модальностей и размера контекстного окна. Для использования требуется установка mlx-audio и передача текста, а для сценариев с эталонным голосом — аудиофайла. К преимуществам относятся интеграция с MLX и поддержка генерации речи с пользовательским голосом. Ограничения, точный перечень языков, качество, требования к оборудованию и иные характеристики в README не указаны. Модель распространяется по лицензии Apache-2.0.

Qwen3-TTS-12Hz-1.7B-CustomVoice-GGUF — это квантованная GGUF-версия модели синтеза речи, разработанной на базе Qwen3-TTS-12Hz-1.7B-CustomVoice от QwenLM. Конвертацию в GGUF и интеграцию с ggml/CrispASR выполнили cstr и CrispStrobe. Модель преобразует текст в речь и предназначена для локального запуска через CrispASR. Модель использует talker на базе Qwen3 с 28 слоями, скрытым размером 2048, 16 головами внимания и 8 KV-головами. Она генерирует 16 кодовых потоков RVQ, которые отдельный кодек Qwen3-TTS-Tokenizer-12Hz преобразует в монофонический PCM-аудиосигнал с частотой 24 кГц. Доступны девять встроенных фиксированных голосов: англоязычные мужские и женские, англоязычный пожилой мужской, а также варианты с пекинским и сычуаньским диалектами китайского языка. Заявлены языки английский, китайский, немецкий, французский, итальянский, испанский, португальский, японский и корейский. Сильные стороны модели — более крупный размер 1.7B по сравнению с вариантом 0.6B, локальная работа, поддержка GGUF-квантизации и проверенная точность воспроизведения текста в ASR-оценке для вариантов Q8_0 и F16. Вариант Q8_0 рекомендован авторами и занимает около 2,04 ГБ, тогда как F16 занимает около 3,84 ГБ. Ограничение CustomVoice — использование только встроенных голосов: модель не поддерживает выбор голоса по reference WAV и клонирование голоса. Для работы требуется отдельная GGUF-версия кодека Qwen3-TTS-Tokenizer-12Hz и совместимый runtime CrispASR. Исходная модель, кодек и GGUF-конвертация распространяются по лицензии Apache 2.0.