I.9Аудио и музыка

BUD-E-Whisper V1.2 — модель LAION для подробного описания речи по аудиозаписи. Это дообученная версия BUD-E-Whisper V1.1 на датасете majestrino-unified-detailed-captions-temporal; в метаданных указаны архитектура Whisper и 153,1 млн параметров. Модель принимает аудиофрагменты длительностью до 30 секунд и генерирует текстовые описания голоса и речи с временными изменениями. Её можно использовать для разметки характеристик голоса, предполагаемого возраста и гендера говорящего, акцента, эмоционального состояния, манеры речи и качества записи. Модель ориентирована на английскую речь, но может обрабатывать некоторые другие языки, например немецкий. Лицензия — CC BY 4.0. Модель оптимизирована для речи: описания музыки и окружающих звуков могут быть менее содержательными. Она может ошибочно определять гендер говорящего или приписывать ему конкретные эмоции.

loom-ai-org/dia-1.6b-loom — это экспорт Dia-1.6B от Nari Labs в формате GGUF для запуска через loom.cpp и библиотеку loom-py-rt. Модель преобразует текст в девять потоков токенов нейронного аудиокодека; для получения звуковой волны их нужно декодировать отдельно кодеком dac-44khz-loom. Модель предназначена для синтеза диалоговой речи на английском языке. Метки говорящих [S1] и [S2] задаются непосредственно в тексте, также можно указывать невербальные реплики, например смех. Голос без аудиоподсказки выбирается моделью случайно; выборки высоковариативны, поэтому для подходящего результата может понадобиться несколько генераций. Экспорт сохраняет исходные веса без изменений и распространяется по лицензии Apache-2.0.

Это дообученный чекпойнт EAT-large, опубликованный пользователем worstchan и дополнительно обученный на наборе AS-2M. Модель на базе архитектуры Efficient Audio Transformer предназначена для извлечения представлений аудио, которые можно использовать в последующих задачах понимания звука, включая классификацию и создание аудиоописаний. Модель выдаёт кадровые представления с частотой около 50 Гц и представление всего аудиофрагмента через CLS-токен. Она распространяется в формате safetensors и загружается через Transformers. Лицензия — MIT. Карточка не сообщает размер модели и ограничений по длительности входного аудио.

Echo-TTS — диффузионная модель синтеза речи из текста. Оригинальная модель разработана Jordan Darefsky; данный репозиторий содержит GGUF-файлы для audio.cpp и включает веса кодека s1. Автор сборки не связан с оригинальным разработчиком и не представляет его интересы. Модель предназначена для преобразования текста в аудио, в том числе для исследовательских экспериментов и некоммерческих сценариев использования. Доступны варианты весов f16 и q8_0. Сведения о размере модели, поддерживаемых языках, максимальной длине контекста, дополнительных модальностях и конкретных требованиях к оборудованию в README не указаны. Веса распространяются по лицензии CC-BY-NC-SA-4.0 и предназначены только для исследований и некоммерческого использования. Запрещено применять модель для обмана, мошенничества, выдачи себя за другого человека или имитации голоса реального человека без его явного согласия, а также для дипфейков, травли, дискриминации, дезинформации и политических манипуляций. Использование должно соответствовать применимым законам и нормативным требованиям.

FreyaTTS-small (Leyla, extended-coverage fine-tune) — независимое сообщественное дообучение модели Freya-TTS, опубликованное mirzakarahan. Модель содержит 183,2 млн параметров и предназначена для синтеза турецкой речи голосом Leyla. Для расширения охвата текста и фонетики автор дообучил исходные веса Freya-TTS на примерно 19 979 клипах длительностью около 21,5 часа: записи турецкого Common Voice были преобразованы в тембр Leyla с помощью seed-vc, после чего применялось полнопараметрическое дообучение. Выбран шаг 3500 из 4000, чтобы сохранить голосовую идентичность базовой модели. Архитектура, код инференса и способ использования совпадают с базовой Freya-TTS; репозиторий заменяет веса. Для запуска требуется код инференса FreyaTTS. Модель распространяется по лицензии Apache-2.0. Качество ограничено узкополосным трактом AudioVAE2 с кодированием на 16 кГц; входы с большим количеством цифр требуют преобразования чисел в произносимую форму, а на длинных фрагментах возможен дрейф без разбиения по фразам. Модель не оценивалась на Freya-TR-Eval, и автор не приводит метрик разборчивости или качества звучания.

Higgs Audio v3 — дообученный адаптер для синтеза выразительной речи на телугу голосом одного диктора. Модель построена на базе Higgs Audio v3 с 4 млрд параметров и генерирует речь по тексту без референсного аудиофрагмента; заявлена поддержка переключения между телугу и английским. Для телугу требуется предварительно преобразовать текст в ISO-15919 латинскую транслитерацию с тем же frontend.py, который использовался при обучении: без этого токенизация может работать некорректно. Это первая исследовательская адаптация одного голоса. Лицензия указана как other, конкретные условия в доступных данных не раскрыты.

KhanhTTS — модель преобразования текста в речь, созданная на базе OmniVoice и дообученная разработчиком для синтеза на вьетнамском и английском языках. В карточке указаны около 1500 часов аудиоданных и примерно 500 000 шагов обучения. Модель предназначена для генерации речи с естественным произношением вьетнамского и английского текста, а также для клонирования голоса по короткому аудиообразцу. В репозитории указаны веса в формате safetensors; базовая модель — k2-fsa/OmniVoice. Лицензия — Apache-2.0. Автор рекомендует исследовательское и экспериментальное применение и предостерегает от коммерческого использования без предварительной оценки и проверки.

Malay Parler TTS Mini V1 — модель синтеза речи на малайском языке, дообученная Mesolitica на наборе данных для синтеза малайской речи. Она принимает текст и генерирует аудио, что подходит для озвучивания малайских текстов и создания голосовых ответов. Модель основана на архитектуре Parler TTS и опубликована в формате safetensors для использования с Transformers. Карточка не сообщает размер модели, длину контекста, характеристики голоса или лицензию, поэтому эти свойства нельзя уточнить. README также не приводит сведения о качестве синтеза и ограничениях по применению; перед использованием следует проверить лицензионные условия репозитория.

MeloTTS-English-v3-MLX — порт модели MeloTTS-English-v3 в формат MLX, подготовленный mlx-community. Это модель синтеза речи на основе семейства MeloTTS и архитектуры VITS; она преобразует английский текст в аудио. В репозитории указана одна голосовая версия EN-Newest с качеством v3. Модель предназначена для локального синтеза английской речи в экосистеме MLX; инструкция по использованию дана в карточке связанного репозитория mlx-community/MeloTTS-English-MLX. Лицензия — MIT. В метаданных указан базовый репозиторий myshell-ai/MeloTTS-English-v3.

MiDashengLM-7B-1021-BF16 — модель для создания текстовых описаний аудио общего назначения, опубликованная mispeech. Репозиторий содержит веса BF16; карточка рекомендует их для обычного инференса и дообучения и указывает, что они обеспечивают качество, сопоставимое с FP32, при более высокой скорости на современных GPU. Модель предназначена для преобразования аудио в текстовое описание. В основе — плотная архитектура MiDashengLMModel; базовые модели каталога указаны как mispeech/dasheng-0.6B и Qwen/Qwen2.5-Omni-7B, со связями merge. Метаданные также отмечают дообучение Qwen/Qwen2.5-Omni-7B. Карточка перечисляет английский, китайский, тайский, индонезийский и вьетнамский языки. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка позиционирует модель как captioner общего назначения и сообщает о сопоставимом с FP32 качестве BF16-варианта, но не приводит подробных результатов оценки. Для инференса с заявленным преимуществом скорости рекомендуются современные GPU; веса рассчитаны на использование через Transformers с trust_remote_code.

MioCodec-25Hz-44.1kHz-v2 — дообученная версия нейронного аудиокодека MioCodec от Aratako для сжатия и реконструкции речи. Кодек преобразует аудио в поток дискретных токенов с частотой 25 Гц и восстанавливает звук с частотой дискретизации 44,1 кГц. Модель содержит около 133 млн параметров и использует энкодер WavLM-base+; декодер включает блок UpsamplerBlock и активации SnakeBeta для восстановления высокочастотных компонентов. При дообучении содержательная ветвь была заморожена, поэтому токены совместимы с MioCodec-25Hz-24kHz. Это позволяет использовать кодек для реконструкции речи, а также подключать его при инференсе к TTS-моделям, обученным на токенах версии 24 кГц, чтобы получать аудио 44,1 кГц. README также указывает сценарий zero-shot преобразования голоса с токенами содержания источника и глобальным вектором голоса-образца. Модель принимает аудио и выдаёт аудио. В метаданных перечислены языки en, ja, nl, fr, de, it, pl, pt, es, ko и zh. Репозиторий распространяется под лицензией MIT. Заявленные в карточке характеристики не включают результаты независимой оценки качества; совместимость с другими TTS-системами зависит от использования совместимого потока токенов.

MOSS Voice-Acting 4.55B — SFT — это полноразмерное дообучение модели LAION, выполненное Кристофом Шуманном и LAION на 3 147 802 размеченных примерах английской и немецкой речи. Модель семейства MOSS TTS Local с плотной архитектурой имеет 4,13 млрд обученных параметров и распространяется в формате Safetensors через Transformers. Лицензия — CC BY 4.0. Модель предназначена для синтеза выразительной речи с управлением голосом и подачей. На вход подаются текст, инструкция и параметры целевой длины; при голосовом обусловливании используется аудио-референс того же голоса, который требуется получить. Обучение охватывало профили голосов и записи реальной речи на английском и немецком языках. Ожидаемый формат промпта и частота целевых аудиокодовых кадров 12,5 кадра в секунду влияют на качество результата. Карточка сообщает о снижении функции потерь на валидации, но отдельные тесты прослушивания, MOS-оценка и проверка разборчивости не проводились. Поддерживаются только английский и немецкий; качество и сходство голоса после дообучения отдельно не измерялись. В обучающей смеси синтетические профили и реальные записи были сбалансированы по батчам, что может быть важно для применения на реальной речи. Модель предназначена для исследований выразительного и управляемого синтеза речи; не следует использовать её для имитации голоса реального человека без согласия или там, где синтетическую речь можно принять за голос конкретного человека.

BricksDisplay/MOSS-TTS-Realtime-GGUF — GGUF-конверсия модели MOSS-TTS-Realtime, разработанной OpenMOSS-Team. Это потоковая модель синтеза речи от текста, предназначенная для генерации аудио в реальном времени с использованием связки backbone, codec_lm и аудиокодека. Модель поддерживает английский и китайский языки и может запускаться через llama.cpp и codec.cpp. Архитектура включает языковую основу Qwen3-2B с 28 слоями, скрытым размером 2048 и словарём из 151 936 токенов, а также 4-слойный декодер MossTTSRealtimeLocalTransformer. Выход состоит из 17 каналов: один канал генерирует текстовые токены, остальные 16 представляют RVQ-аудиокодбуки по 1027 элементов каждый. Аудиочасть основана на MOSS-Audio-Tokenizer размером 1,6 млрд параметров и декодирует 24-кГц монофонический PCM-аудиосигнал. Доступны варианты backbone и codec с разными уровнями квантования GGUF. Сильными сторонами модели являются сквозная архитектура синтеза речи, потоковый авторегрессионный режим и совместимость со стандартными инструментами llama.cpp и codec.cpp. Для работы требуется раздельная языковая и аудиокодековая части, а качество и потребление ресурсов зависят от выбранного варианта квантования; конкретные показатели производительности и поддерживаемый размер контекста в README не указаны. Модель распространяется по лицензии Apache-2.0.

eugenehp/neutts — набор файлов для запуска NeuTTS и клонирования голоса в RLX. Репозиторий содержит преобразованный для RLX энкодер NeuCodec в формате safetensors, конфигурацию энкодера и файл модели neutts-air в формате GGUF Q4_0. Для использования предназначен фреймворк RLX, включая компонент rlx-neutts. Модель применяется в сценариях клонирования голоса и преобразования аудио в аудио. README описывает репозиторий как преобразованную раскладку весов из исходного чекпойнта, поэтому это конверсия, а не самостоятельная обученная модель. Лицензия — Apache-2.0. Подробности об архитектуре, поддерживаемых языках и ограничениях качества в карточке не приведены.

Карточка модели fantaxy/neutts-air на Hugging Face совпадает с карточкой ginipick/neutts-air, поэтому описание составлено по ней. NeuTTS Air — модель синтеза речи компании Neuphonic, построенная на языковой модели Qwen 0.5B и нейронном аудиокодеке NeuCodec. Она принимает текст и короткую запись речи в формате WAV, а затем озвучивает текст голосом и манерой речи из образца. Модель предназначена для локального запуска на телефонах, компьютерах и встраиваемых устройствах; заявлены работа в реальном времени и клонирование голоса по образцу от трёх секунд. В репозитории доступны веса safetensors и GGUF; размер модели — около 552,8 млн параметров, контекст — 32 768 токенов. Модель подходит для озвучивания текста, голосовых помощников и приложений со своим голосом. Для лучшего результата рекомендуется чистая непрерывная речь в моно WAV длительностью 3–15 секунд с частотой дискретизации 16–44 кГц. Сгенерированное аудио содержит водяной знак Perth. Указана лицензия Apache-2.0.

NeuTTS Air — модель синтеза речи компании Neuphonic, построенная на языковой модели Qwen 0.5B и нейронном аудиокодеке NeuCodec. Она принимает текст и короткую запись речи в формате WAV, а затем озвучивает текст голосом и манерой речи из образца. Модель предназначена для локального запуска на телефонах, компьютерах и встраиваемых устройствах; заявлены работа в реальном времени и клонирование голоса по образцу от трёх секунд. В репозитории доступны веса safetensors и GGUF; размер модели — около 552,8 млн параметров, контекст — 32 768 токенов. Модель подходит для озвучивания текста, голосовых помощников и приложений со своим голосом. Для лучшего результата рекомендуется чистая непрерывная речь в моно WAV длительностью 3–15 секунд с частотой дискретизации 16–44 кГц. Сгенерированное аудио содержит водяной знак Perth. Указана лицензия Apache-2.0.

OmniVoice Amharic — модель синтеза речи, разработанная участниками инициативы Voices For All и дообученная на базе k2-fsa/OmniVoice. Она преобразует текст в естественную амхарскую речь и поддерживает клонирование голоса по аудиозаписи длительностью около 10 секунд. Модель использует нед autoregressive дискретную диффузионную архитектуру; заявленный размер — 612,6 млн параметров. Базовая OmniVoice также поддерживает английский и китайский, однако эта версия обучалась на амхарских аудиоданных и прежде всего предназначена для амхарского языка. Модель подходит для озвучивания текстов, создания речи голосом заданного говорящего и синтеза амхарской речи с учетом характерных согласных, геминации и интонации. В карточке перечислены данные из нескольких амхарских речевых корпусов и заявлена поддержка диалектных вариантов, хотя обучающие данные смещены в сторону аддис-абебского произношения. Лицензия — Apache 2.0. Известные ограничения: в обучающих данных преобладают мужские голоса, сельские акценты представлены слабее, а переключение между амхарским и английским, числительные и даты могут произноситься непредсказуемо. Эмоциональный диапазон ограничен нейтральной и новостной манерой; количественные результаты оценки в карточке пока не опубликованы.

OmniVoice Badini — дообученная модель преобразования текста в речь на базе k2-fsa/OmniVoice, подготовленная для курдского диалекта бадини (центральный/северный курдский, kmr). Модель использует архитектуру OmniVoice с языковой основой Qwen3 и обучалась на речевых данных бадини в течение 10 000 шагов. Модель предназначена для синтеза речи с клонированием голоса без отдельного обучения под диктора: на вход подаются текст и короткий аудиофрагмент с транскриптом, а на выходе генерируется речь с голосом говорящего из образца. Подходит для озвучивания текстов на бадини и создания речи с заданным голосом. Лицензия — Apache-2.0. README подтверждает работоспособность загрузки и генерации через библиотеку OmniVoice. Данные README не приводят объём обучающего корпуса, поэтому качество и покрытие разных вариантов произношения бадини оценить по карточке нельзя.

Orpheus 3B 0.1 Finetuned — модель синтеза речи на основе Llama, выпущенная Canopy Labs в марте 2025 года. Она предназначена для преобразования текста в естественную речь и поддерживает потоковую генерацию с низкой задержкой: в карточке заявлены около 200 мс, а при потоковой подаче текста — около 100 мс. Модель рассчитана на выразительную речь с естественной интонацией, эмоциями и ритмом. README также заявляет клонирование голоса без предварительного дообучения и управление эмоциями и интонацией с помощью тегов. Репозиторий использует Transformers и содержит веса PyTorch в формате Safetensors; размер модели — 3 млрд параметров. Базовые модели, указанные в метаданных, — canopylabs/orpheus-3b-0.1-pretrained и meta-llama/Llama-3.2-3B-Instruct. В метаданных указан английский язык и лицензия Apache-2.0. README предупреждает не использовать модель для имитации голоса без согласия, обмана или незаконной деятельности. Заявления о качестве и задержке приведены авторами и не подтверждены в предоставленных данных независимой оценкой.

Mungert/orpheus-finetuned-3b-GGUF — это GGUF-квантизированная версия дообученной модели Orpheus 3B 0.1 для синтеза речи. Исходная модель разработана CanopyAI/Canopy Labs на базе Llama, с использованием Meta Llama 3.2 3B Instruct и canopylabs/orpheus-3b-0.1-pretrained; GGUF-версию подготовил Mungert с помощью llama.cpp. В карточке указана поддержка английского языка и конвейер text-to-speech. Модель предназначена для генерации естественной, выразительной речи в реальном времени, включая сценарии голосовых интерфейсов и потокового синтеза. Заявлены человеческая интонация, эмоциональность и ритм, клонирование голоса без предварительного дообучения, а также управление эмоциями и интонацией с помощью специальных тегов. Заявленная задержка потоковой генерации составляет около 200 мс и может снижаться примерно до 100 мс при потоковой подаче входных данных. Ключевые характеристики — архитектура на основе Llama, размер базовой модели около 3 млрд параметров и формат GGUF, ориентированный на запуск через llama.cpp. Автор GGUF-версии применяет выборочное повышение точности отдельных слоёв при квантовании, что, по его заявлению, улучшает точность на низких разрядностях, но увеличивает размер файлов. Конкретные варианты квантования, требования к памяти, максимальный контекст и полный набор поддерживаемых языков в README не указаны, поэтому качество и производительность могут зависеть от выбранного файла GGUF и оборудования. Лицензия указана как Apache-2.0. Авторы отдельно запрещают использование модели для имитации личности без согласия, дезинформации, мошеннических звонков и другой незаконной или вредоносной деятельности.

Trelis подготовила и разместила модель синтеза речи Piper zhCN-huayan-medium — женский голос, говорящий на путунхуа. Это сквозная модель VITS среднего размера, поставляемая в формате ONNX; она преобразует текст в аудио с частотой дискретизации 22,05 кГц. Модель обучена на данных HuaYan TTS и дообучена на основе lessac medium. Модель предназначена для озвучивания китайского текста в приложениях и других сценариях синтеза речи. Для запуска можно использовать piper-tts либо ONNX отдельно; во втором случае требуется espeak-ng. Репозиторий переиздан из rhasspy/piper-voices. Лицензия модели указана как other; README отдельно указывает GPL для piper-tts и MIT для варианта с ONNX без зависимости от piper-tts, поэтому условия распространения и использования самих весов следует сверять с источником.

erkamk разработал Qwen3 0.6B Turkish — турецкую адаптацию модели Qwen3-TTS-12Hz-0.6B-Base для синтеза речи по тексту с заданным голосом. Модель принимает текст на турецком и чистую эталонную запись речи длительностью 5–10 секунд, из которой извлекает характеристики говорящего. Она создаёт несегментированное аудио с частотой дискретизации 24 кГц; в состав поставки входят около 1,1 млрд параметров, включая 0,6 млрд параметров talker и речевой токенизатор. Модель дообучена на примерно 2 277 часах турецкой речи из датасета Kiraat. Она подходит для озвучивания предложений и абзацев с голосом, выбранным по аудиопримеру, без отдельного дообучения под каждого говорящего. Лицензия — Apache-2.0. Качество снижается при вводе чисел цифрами, дат, цен, английских слов и смешанных турецко-английских фраз; такие данные рекомендуется записывать словами по-турецки. Модель обучалась один проход, и обучение завершилось до стабилизации dev loss, поэтому она может допускать ошибки произношения. Режимы генерации, отличные от указанной конфигурации с эталонной записью и несегментированным выводом, не проверялись.

Это дообученная модель Qwen3-TTS-12Hz-0.6B-Base, опубликованная пользователем duarteocarmo. Она предназначена для клонирования голоса говорящего duarte и синтеза речи по тексту; при дообучении применено исправление из обсуждения Qwen3-TTS. В README указано 200 обучающих примеров. Модель использует архитектуру Qwen3-TTS с плотной конфигурацией и генерацией речи на основе дискретных многокодовых последовательностей. Семейство поддерживает китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки; базовая модель также поддерживает клонирование голоса по аудиопримеру. Карточка приводит результаты оценки: WER 0,0229, CER 0,0019 и среднюю разницу длительности +0,12 с. Модель подходит для персонализированной озвучки и создания речи голосом целевого говорящего. Она распространяется по лицензии Apache-2.0. Опубликованные метрики и малый объём обучающих данных не гарантируют качество для других голосов, текстов и условий; характеристики потоковой генерации из README относятся к семейству Qwen3-TTS и не подтверждены отдельно для этого чекпойнта.

Sayro TTS — модель синтеза речи на узбекском языке, разработанная командами Examy.me и Teamwork.uz и дообученная UzLM на основе Qwen/Qwen3-TTS-12Hz-1.7B-Base. Она преобразует текст в речь и предназначена для интеграции узбекской озвучки в приложения и для исследований в области речевых технологий. Архитектура относится к семейству Qwen3-TTS; размер базовой модели — 1,7 млрд параметров. Для дообучения использовались синтетические данные и публичные узбекские речевые датасеты, включая данные с узбекской речью и ташкентским диалектом. Модель ориентирована на узбекскую речь, однако в README не приведены подробные сведения о качестве, поддерживаемых стилях голоса или длине контекста. Доступ к весам предоставляется после ручного одобрения запроса; перед использованием требуется согласиться с условиями Sayro. Лицензия указана как other, поэтому точные условия распространения следует уточнять в карточке модели. README запрещает клонирование голосов без согласия, вводящую в заблуждение генерацию аудио и мошенническое использование.

senga-LUK-aligned-stoploss-speecht5 — дообученная модель SpeechT5 для синтеза речи из текста. Она основана на microsoft/speecht5_tts и использует архитектуру SpeechT5ForTextToSpeech; веса опубликованы в формате safetensors. В README приведён результат оценки Loss 0,1300, но не описаны набор данных и условия оценки. Модель предназначена для преобразования текстового ввода в речь. Репозиторий распространяется по лицензии MIT. В карточке нет сведений о поддерживаемых языках, голосах или ограничениях применения.

Avitas8485/speecht5_tts_commonvoice_en_05 — модель синтеза речи на базе SpeechT5, дообученная разработчиком Avitas8485 на датасете LJSpeech поверх Avitas8485/speecht5_tts_commonvoice_en_04. Она преобразует текст на английском языке в речь. В карточке указана оценка Loss 0,3664 на наборе для оценки; дополнительных сведений о характеристиках голоса и качестве синтеза нет. Модель предназначена для генерации английской речи из текста в системах озвучивания и прототипах речевых интерфейсов. Распространяется в форматах PyTorch и Safetensors по лицензии MIT. Карточка не описывает ограничения качества или условия оценки, кроме приведённого значения Loss.

Это модель синтеза речи из текста на основе SpeechT5, разработанная автором репозитория sapinsapin и дообученная на датасете sapinsapin/pld. Она предназначена для озвучивания текста на языке war. В README указаны обучение на 1745 аудиофрагментах в течение 1000 шагов и тестовые примеры синтеза с conditioning по x-вектору говорящего и вокодером microsoft/speecht5_hifigan. Модель использует архитектуру SpeechT5 и библиотеку Transformers; веса сохранены в формате safetensors. Базовая модель дообучалась Microsoft на LibriTTS. Лицензия — MIT.

SupertonicTTS-3 CoreML — это экспорт модели синтеза речи Supertone-3 в формате Core ML, подготовленный aufklarer на основе весов Supertone Inc. Модель предназначена для локального синтеза речи из текста на устройствах Apple, включая iOS, с использованием Apple Neural Engine. Она может применяться в мобильных приложениях, офлайн-ассистентах и других сценариях on-device text-to-speech, где важны автономность и отсутствие передачи текста на сервер. Модель состоит из четырёх неавторегрессионных графов flow matching: предиктора длительности, текстового энкодера, оценщика векторов, выполняющего роль ODE-денойзера, и вокодера. Экспорт выполнен через PyTorch и coremltools в формате mlprogram с вычислениями FP32 и поддержкой iOS 18+. Для текстового энкодера и предиктора длительности используется фиксированная длина T=128, а для вокодера и оценщика векторов поддерживается динамическая длина латентного представления. Текст обрабатывается без G2P с помощью таблиц токенизации. README не указывает размер модели, перечень поддерживаемых языков и точные параметры качества. Сильными сторонами являются неавторегрессионная архитектура, локальное выполнение и высокая близость результатов к ONNX Runtime по приведённым метрикам. Для работы требуется хост-логика, выполняющая цикл ODE flow matching; сами Core ML-графы не содержат управляющей логики. FP32-вариант служит эталоном точности, тогда как для эффективного размещения вычислений на Apple Neural Engine рекомендуется смешанный FP16-вариант. Распространение регулируется лицензией OpenRAIL-M; действуют ограничения, включая запрет на несогласованную имитацию голоса и создание дипфейков.

ThonburianTTS — тайская система синтеза речи от Looloo Technology и Biomedical and Data Lab Университета Махидол, созданная на основе F5-TTS. Модель преобразует текст на тайском языке в речь; доступны варианты для тайского письма и Thai IPA. Синтез основан на flow matching и диффузионных методах. Модель умеет имитировать голос по короткому аудиофрагменту, а также поддерживает настройку скорости речи и обрезку тишины. Репозиторий содержит веса в формате safetensors и отмечен как дообучение SWivid/F5-TTS. Для работы требуются компоненты экосистемы F5-TTS. Карточка указывает лицензию CC, но не уточняет её вариант; условия использования и распространения стоит сверить с лицензией репозитория.

viitor-voice-mix — компактная модель синтеза речи, разработанная проектом Viitor. Она построена на архитектуре Qwen2 и содержит около 498 млн параметров. Модель преобразует текст на китайском и английском языках в речь; заявлены потоковая генерация с низкой задержкой, более 300 вариантов голоса и настройка скорости речи. Также поддерживается клонирование голоса без предварительного обучения на образце, но эта возможность обозначена авторами как исследовательская. Модель предназначена для генерации речи в интерактивных приложениях, озвучивания презентаций и развлекательного контента, а также для развертывания на серверных и периферийных устройствах. В README заявлена задержка первого аудиокадра 200 мс на Tesla T4. Веса опубликованы в формате safetensors; лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование.