I.9Аудио и музыка

Карточка модели amandabenson/acestep-v15-sft-fork на Hugging Face совпадает с карточкой ACE-Step/acestep-5Hz-lm-0.6B, поэтому описание составлено по ней. ACE-Step v1.5 5Hz LM 0.6B — языковая модель для планирования и управления генерацией музыки в составе системы ACE-Step, разработанной проектом ACE-STEP. Она преобразует запросы пользователя в планы композиции, включая метаданные, тексты песен и описания, которые направляют отдельную диффузионную модель для создания музыки. Модель поддерживает генерацию композиций от коротких фрагментов до 10 минут, а также сценарии редактирования музыки в системе ACE-Step: создание каверов, перерисовку аудио и преобразование вокала в фоновую музыку. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 574,7 млн параметров. Она принимает текстовые запросы, а в рамках ACE-Step управляет созданием аудио; заявлена поддержка более 50 языков. Контекстное окно составляет 40 960 токенов. В карточке ACE-Step указаны возможности планирования композиции среднего уровня, понимания аудио среднего уровня и слабое копирование мелодии. Для генерации итогового музыкального аудио требуется взаимодействие с соответствующей DiT-моделью системы. Модель опубликована ACE-STEP под лицензией MIT. README заявляет коммерческую применимость сгенерированной музыки и запуск всей системы на потребительском оборудовании, однако скорость и требование менее 4 ГБ видеопамяти относятся к описанию системы ACE-Step в целом и могут зависеть от используемой DiT-модели и конфигурации.

datatab/aida-parla-16bit-v1 — сербская модель синтеза речи AiDA TTS, опубликованная пользователем datatab. Она принимает текст и предназначена для преобразования его в речь на сербском языке. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 3,3 млрд параметров; заявленный размер контекста — 131 072 токена. В карточке приведён код запуска через Google Colab с использованием Unsloth и SNAC, а также указано, что загрузка модели может занять не менее 10 минут. Файлы весов доступны в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает о качестве синтеза, поддержке других языков или ограничениях на использование.

Это модель синтеза речи Piper для озвучивания арабского текста женским голосом с эмиратским диалектом. Она обучена с использованием конвейера обучения Piper и распространяется в формате ONNX для запуска через Piper CLI или библиотеку piper-tts. Модель предназначена для преобразования текста на арабском языке в аудио. В карточке указана частота дискретизации 22 050 Гц. Репозиторий распространяется по лицензии MIT. Размер модели и длина контекста не указаны в доступных данных.

CN-MultiDialect-ASR — модель распознавания речи, разработанная группой Audio, Speech and Language Processing Group Северо-Западного политехнического университета совместно с WeNet Community и NEXDATA TECHNOLOGY INC. Она дообучена на основе Qwen/Qwen3-ASR-1.7B для транскрибации китайской речи, включая диалекты, с целью улучшить распознавание диалектов при сохранении качества для мандаринского китайского. Модель использует плотную архитектуру Qwen3-ASR и принимает аудио, выдавая текстовую транскрипцию. Авторы описывают трёхэтапную адаптацию: дополнительное предобучение на китайской речи, дообучение с акцентом на диалекты и on-policy self-distillation. В демонстрации представлены мандаринский китайский, английский и китайские диалекты; для английского поддержка указана только как язык демонстрации. Для вывода модель совместима с пакетом qwen-asr. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Карточка описывает улучшение распознавания диалектов, но численные результаты таблиц в предоставленном тексте опущены.

CosyVoice3 Multi-Accent — модель синтеза китайской речи, созданная на основе Fun-CosyVoice3-0.5B и дообученная на 135 тысячах китайских транскрипций с инструкциями об акценте. Она позволяет управлять акцентом при генерации речи: поддерживаются северный, сычуаньский, гуандунский, южный, хэнаньский, шанхайский, уханьский, тяньцзиньский и сингапурский варианты китайского произношения. Репозиторий содержит компоненты для запуска CosyVoice, включая токенизатор, flow-модель, вокодер и компоненты ONNX; отдельная установка CosyVoice не требуется. Модель предназначена для озвучивания китайского текста с заданным акцентом. Качество акцента и сходство с голосом-образцом зависят от референсного голоса и объёма данных для соответствующего акцента; обучающая выборка несбалансирована, поэтому сгенерированную речь следует оценивать перед производственным использованием. Лицензия — Apache-2.0.

EMA-TTS — модель синтеза речи на турецком языке, содержащая 65 млн параметров. Она преобразует текст непосредственно из символов в аудио с частотой 48 кГц, используя трансформер conditional flow matching с архитектурой DiT и замороженный AudioVAE2 для декодирования латентных представлений. Модель разработана для синтеза турецкой речи; в заявленном тесте Freya-TR-Eval она показала WER 3,0% и CER 0,8%.

Это дообученная на итальянской речи модель F5-TTS, созданная автором alien79 на базе SWivid/F5-TTS. Она преобразует итальянский текст в речь и предназначена для синтеза аудио на итальянском языке. Модель обучалась на более чем 247 часах обучающей части датасета facebook/multilingual_librispeech. В карточке приведён чекпойнт примерно после 70 эпох; доступны также более ранние веса и обучающие чекпойнты для продолжения обучения. Модель распространяется по лицензии CC BY 4.0. Автор отмечает, что во время обучения модель утратила способность корректно говорить по-английски, а итальянское произношение остаётся несовершенным. Для английского синтеза она не подходит; качество просодии и произношения может требовать проверки.

MamreTTS — дообученная модель синтеза речи на основе notmax123/Zonos-Hebrew, предназначенная для генерации выразительной речи на иврите. В карточке проекта система описана как решение для синтеза речи и преобразования голоса; заявлена архитектура DiffMamba с компонентами на основе Zonos. Модель рассчитана на синтез речи с естественной просодией и ритмом и на преобразование голоса с сохранением его индивидуальности. Обработка текста включает нормализацию и расстановку огласовок иврита (ниkkуд) с помощью Phonikud. Заявлена работа в реальном времени на современных GPU Nvidia и поддержка длинного контекста, однако численные показатели скорости и длины контекста не приведены. Модель ориентирована на иврит и обучена с использованием наборов данных SASpeech и ILSpeech. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

MioCodec-25Hz-44.1kHz — нейронный аудиокодек Aratako для представления и восстановления речи, рассчитанный на spoken language modeling. Он основан на реализации Kanade-Tokenizer и использует ветвь дискретных токенов содержания речи с частотой 25 Гц и глобальное непрерывное embedding-представление акустических характеристик, включая голос говорящего и условия записи. Модель принимает и восстанавливает аудио с частотой дискретизации 44,1 кГц; заявленный битрейт составляет 341 бит/с, словарь содержит 12 800 токенов, размер модели — 118 млн параметров без вокодера. Кодек и MioVocoder совместно дообучены сквозным образом для повышения качества реконструкции и уменьшения артефактов. Разделение содержания речи и глобальных акустических характеристик позволяет использовать модель для кодирования и декодирования речи, а также для преобразования голоса без предварительного обучения на голосе целевого говорящего. Метаданные указывают поддержку английского, японского, нидерландского, французского, немецкого, итальянского, польского, португальского и испанского языков; README подробно описывает обучение на японских и английских данных. Лицензия — MIT.

facebook/mms-tts-cat — модель синтеза речи на каталонском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания каталонских текстов. Это отдельный языковой чекпойнт семейства VITS: модель использует сквозную архитектуру с вариационным автоэнкодером, flow-модулем, Transformer-энкодером текста, декодером на основе свёрточных слоёв и стохастическим предсказателем длительности. В репозитории указано 3,5 млн параметров; модель доступна через Transformers версии 4.33 и выше. Стохастический предсказатель позволяет получать разные ритмические варианты одной и той же фразы, поэтому генерация недетерминирована: для повторения того же результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-dnw — модель синтеза речи на западном дани, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну; чекпойнт предназначен для озвучивания текста и других сценариев локального синтеза речи. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. VITS объединяет вариационный автоэнкодер, Transformer-кодировщик текста, flow-модуль и декодер, формирующий аудиоволну; стохастический предиктор длительности позволяет варьировать ритм произношения. Чекпойнт доступен в Transformers и распространяется в форматах PyTorch и Safetensors. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Модель специализирована на западном дани; фиксированный seed нужен для воспроизводимой генерации, поскольку предиктор длительности стохастический.

Модель MohammedEhab20/Model-At-checkPoint-20000 — независимая объединённая версия акустической модели VibeVoice, дообученной на египетском арабском языке на шаге 20 000. Репозиторий содержит веса safetensors, конфигурации токенизатора Qwen и примеры эталонной речи; модель предназначена для синтеза речи по тексту на египетском арабском с использованием VibeVoice или совместимых средств Hugging Face. Параметр Classifier-Free Guidance настраивается во время инференса и не зафиксирован в весах: более высокое значение усиливает соответствие тексту, а более низкое может дать более естественную и свободную речь. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает размер модели, длину контекста или количественные оценки качества.

NeuTTS Air — модель синтеза речи, разработанная Neuphonic для локального запуска на устройствах. Она принимает текст и короткий аудиозапись голоса-образца, а затем произносит текст в стиле этого голоса, обеспечивая клонирование голоса примерно по трём секундам речи. Модель построена на языковой основе Qwen 0.5B и использует аудиокодек NeuCodec; для репозитория доступны веса Safetensors и варианты GGUF, включая BF16. Модель предназначена для голосовых помощников, встроенных и мобильных приложений и других сценариев, где важны автономная генерация и работа без веб-API. Разработчик заявляет реалистичное звучание и генерацию в реальном времени на устройствах среднего класса. Для лучшего результата рекомендуются чистые WAV-записи длительностью 3–15 секунд, моно, с естественной непрерывной речью; каждый сгенерированный аудиофайл содержит водяной знак Perth. Для работы требуются зависимости, включая espeak-ng и соответствующий рантайм для выбранного формата. Лицензия — Apache-2.0.

BricksDisplay/NeuTTS-Air-GGUF — набор GGUF-конвертаций компактной модели синтеза речи NeuTTS Nano, разработанной Neuphonic. Модель предназначена для локального on-device преобразования текста в речь и мгновенного клонирования голоса по короткому аудиореференсу. Указанный язык — английский. Архитектура разделена на две части: LLM-компонент на архитектуре llama преобразует фонемизированный текст и коды референсного голоса в речевые токены, а NeuCodec преобразует эти токены в аудио PCM с частотой 24 кГц и обратно. Базовая модель содержит около 228 млн параметров, из которых примерно 117 млн активны. Для работы требуется предварительная фонемизация через espeak-ng, phonemizer или эквивалентный инструмент; исходные английские строки без фонемизации могут работать некорректно. Размер контекста и точные требования к ресурсам не указаны. К сильным сторонам относятся компактность, возможность локального запуска, поддержка квантованных вариантов от Q2 до Q8 и мгновенное клонирование голоса. Ограничения включают зависимость от отдельного codec.cpp или совместимого рантайма для NeuCodec, необходимость кодировать референсное аудио и выполнять фонемизацию на стороне хоста, а также отсутствие заявленной поддержки языков помимо английского. Репозиторий распространяется по лицензии, обозначенной как other; конкретные условия лицензии в README не приведены.

NeuTTS-Nano-Spanish — испанская версия акустической модели NeuTTS-Nano, опубликованная в формате GGUF BF16. Репозиторий содержит официальную сборку модели для эффективного локального запуска через llama.cpp и совместимые среды GGUF; размер файла — 446 МБ. Модель предназначена для синтеза речи на испанском языке в сценариях с низкой задержкой, включая генерацию голоса и речевые конвейеры на периферийных устройствах. Указанная задача Hugging Face — text-to-speech. Лицензия Apache-2.0. В карточке не приведены сведения о контекстном окне, голосовых профилях или результатах оценки качества.

OronTTS — модель синтеза речи по тексту для халха-монгольского языка с кириллическим письмом, разработанная btsee. Это дообученная версия F5-TTS на очищенной монгольской речи из трёх открытых корпусов. Модель создаёт речь двумя фиксированными голосами: мужским и женским. В README приведены результаты проверки на отложенных предложениях для обоих голосов: CER около 0,056–0,063 и сходство голоса с собственным образцом 0,717–0,741. Выходное аудио широкополосное, примерно 8 кГц. Для корректного произношения текст нужно нормализовать с помощью MongolianNormalizer; цифры, латинские буквы и знаки пунктуации без нормализации могут пропускаться. Для синтеза следует отключить EMA-веса (`use_ema=False`), поскольку они могут выдавать беглую, но бессмысленную речь. Модель распространяется по лицензии CC BY 4.0. Авторы отмечают, что прослушивание людьми не проводилось, UTMOS не валидирован для монгольского языка, а CER может быть завышенно оптимистичным из-за сходства обучающих данных и данных оценщика. В README также указано, что у аудио нет водяных знаков и что согласие участников Common Voice на клонирование их индивидуальных голосов не получено.

mlx-community/orpheus-3b-0.1-ft-bf16 — версия модели Orpheus от Canopy Labs, преобразованная сообществом mlx-community из canopylabs/orpheus-3b-0.1-ft в формат MLX с помощью mlx-audio 0.0.3. Это плотная авторегрессионная модель семейства LlamaForCausalLM с 3,3 млрд параметров; она предназначена для синтеза речи по тексту на английском языке. В карточке показан пример генерации MP3 с голосом tara и настройкой температуры. Модель можно использовать для озвучивания текста в приложениях, где выполняется MLX, например для генерации голосовых сообщений или аудиоверсий текстов. Контекстная длина по метаданным — 131 072 токена. Репозиторий распространяется по лицензии Apache-2.0. Это преобразованная копия дообученной модели, а не самостоятельное дообучение MLX Community. Доступная карточка не описывает качество речи, полный набор голосов и языков или ограничения при использовании; поэтому эти свойства нельзя оценить по имеющимся сведениям.

ParaStyleTTS — модель синтеза речи, разработанная haoweilou и опубликованная в Hugging Face Hub. Она предназначена для преобразования текста в речь на китайском и английском языках; конкретные сценарии применения, поддерживаемые режимы управления стилем и особенности реализации в карточке модели не описаны. Из доступных данных известно, что модель распространяется через интеграцию PyTorchModelHubMixin и имеет исходный код в репозитории haoweilou/ParaStyleTTS. Название модели указывает на ориентацию на управление стилем речи, однако архитектура, количество параметров, используемые модальности, размер контекста, требования к ресурсам и ключевые преимущества не указаны, поэтому их нельзя достоверно оценить. Модель распространяется по лицензии MIT. Дополнительные ограничения использования, сведения о качестве синтеза, голосах, поддерживаемых функциях и известных ограничениях в README отсутствуют.

Это извлечённый из Qwen/Qwen3-TTS-12Hz-1.7B-Base отдельный аудиоэнкодер голоса, опубликованный marksverdhei. Модель использует архитектуру ECAPA-TDNN с блоками Res2Net, вниманием squeeze-excitation и внимательным статистическим pooling. Она преобразует аудио в 2048-мерный x-вектор — эмбеддинг, представляющий голос говорящего. Эмбеддинги предназначены для задач, связанных с голосом, включая передачу идентичности говорящего в синтез речи Qwen3-TTS и сохранение голосовых представлений для повторного использования. Модель принимает аудио и выдаёт вектор признаков; в README приведён пример обработки речи с частотой 24 кГц. Репозиторий распространяется в формате SafeTensors, лицензия — Apache-2.0. Эта версия извлечена только из варианта Base: варианты Qwen3-TTS CustomVoice и VoiceDesign не поддерживают такие эмбеддинги. Использование одного эмбеддинга без текста-расшифровки может немного снизить качество клонирования голоса по сравнению с полным режимом, использующим аудио и транскрипт.

rumik-oss 1 — мультиязычная модель синтеза речи от rumik ai. Это дообученная модель dense-архитектуры на 3,4 млрд параметров, построенная на rumik-oss-1-base и использующая дискретные речевые токены кодека Mimi в авторегрессионной последовательности. Для восстановления токенов в аудиоволну применяется декодер Mimi; выходное аудио имеет частоту 24 кГц. Модель принимает текст, в том числе в смешении языков, и генерирует речь на 22 индийских языках и английском. Доступны голоса Ira, Aisha, Siya и Zoya; можно задавать тон, акцент и темп, а также вставлять теги смеха, смешков и вздохов. Модель предназначена для озвучивания текстов и диалогов, где важны поддержка индийских языков, переключение языков, управляемая манера речи и невербальные вокализации. Карточка описывает обучение менее чем на 70 тысячах часов речи и собственные тесты выразительности, выполнения запросов на вокализации и ошибок распознавания; стандартных бенчмарков для ряда этих характеристик нет. Длина обучающих фрагментов ограничена 30 секундами, а генерацию длиннее 35 секунд разработчики не рекомендуют из-за неоценённой непрерывности голоса и просодии. В тестах на английском незапрошенные вокализации встречались в 2,9–5,4% выходов; точность управления тегами на других языках не установлена. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

Модель sapinsapin/speecht5_tts-pld-tsg — дообученная на наборе данных sapinsapin/pld версия SpeechT5 от Microsoft для синтеза речи из текста. Она построена на архитектуре SpeechT5 и предназначена для генерации речи по текстовой расшифровке; для озвучивания примеров использовались векторное условие голоса x-vector из SpeechBrain и вокодер microsoft/speecht5_hifigan. Модель обучалась 1000 шагов на 1520 аудиофрагментах, а в карточке приведено значение eval_loss 0,3910. Набор данных связан с филиппинскими языками, однако README не уточняет конкретный язык или языки синтеза. Модель распространяется в формате safetensors по лицензии MIT. Результаты обучения и небольшой объём данных указывают на ограниченный масштаб дообучения; качество речи может зависеть от языка, текста и доступного голосового условия.

SR-CorrNet-SS — одноканальная модель разделения речи, дообученная на смеси AISHELL-1 Mix ver1 с чистыми и смешанными записями. Она принимает аудиозапись, в которой одновременно говорят от одного до пяти человек, и предназначена для выделения отдельных речевых источников. Модель основана на архитектуре SR-CorrNet-SS; исходная инициализация — вариант для английского WSJ0 с переменным числом от двух до пяти говорящих. В репозитории опубликованы веса PyTorch и конфигурация; карточка указывает библиотеку sr-corrnet и лицензию MIT. Модель подходит для разделения наложенной китайской речи в записях AISHELL-1, например для подготовки отдельных голосовых дорожек к дальнейшему анализу. Веса экспортированы из чекпойнта после второй эпохи обучения; README не приводит метрик качества. Практическая применимость к записям, существенно отличающимся от обучающих смесей AISHELL-1, не описана.

stable-twi-tts — модель синтеза речи от Ghana NLP Community, созданная на архитектуре Piper VITS. Это дообученная версия голоса en_US/libritts_r/medium, обученная на 327 часах аудио: примерно поровну на твийском и ганском варианте английского. Модель использует фонемы IPA, общие для обоих языков, и поддерживает переключение между ними внутри фразы. Доступны 12 голосовых профилей, выбранных по измерениям разборчивости; частота дискретизации выходного аудио — 22,05 кГц. Модель предназначена для озвучивания текста на твийском языке и смешанных твийско-английских фраз. Для переключения языков предусмотрен режим mixed, а профили twi-1 и twi-6 показали лучшие результаты соответственно для смешанной речи и текста только на твийском. По оценке на отложенных данных твийская речь заметно точнее английской; английское аудио звучит менее полно из-за исходной записи с частотой 16 кГц. Для работы с моделью требуется соответствующая карта фонем. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

VibeVoice-Realtime-0.5B-fp16 — конвертированная в формат MLX модель синтеза речи от mlx-community, созданная на основе microsoft/VibeVoice-Realtime-0.5B. Она принимает текст и генерирует речь в потоковом режиме; карточка также указывает поддержку генерации длинных речевых фрагментов. В метаданных указана архитектура VibeVoice Streaming, а базовая модель — Qwen/Qwen2.5-0.5B. Репозиторий содержит веса Safetensors и рассчитан на использование с библиотекой mlx-audio. Модель поддерживает английский язык. Лицензия — MIT. Это конверсия модели для MLX; README отсылает за подробностями о характеристиках и ограничениях к карточке исходной модели, поэтому дополнительные гарантии качества или сведения о голосах здесь не подтверждены.

VieNeu-TTS v3 Turbo CPP — пакет модели синтеза речи на вьетнамском языке, подготовленный сообществом lastudio-community для запуска в C++-среде VieNeu-TTS.cpp. Он основан на pnnbao-ump/VieNeu-TTS-v3-Turbo и включает семантическую основу GGUF, веса акустических компонентов, конфигурацию и токенизатор, голосовые пресеты, а также компоненты кодека MOSS в ONNX. Общий размер модели — 103,8 млн параметров; нативный контекст — 1024 токена. Пакет предназначен для преобразования текста в речь через конвейер vieneu-v3-native, в том числе с использованием голосовых пресетов и кодирования референсного аудио. Это комплект ресурсов для VieNeu-TTS.cpp, а не самостоятельный чекпойнт Transformers и не единый файл GGUF: для работы нужны все предусмотренные компоненты пакета и C++-среда. Модель лицензирована по Apache 2.0.

Карточка модели oaattia/VoiceTut-TTS на Hugging Face совпадает с карточкой mohammedaly22/VoiceTut-TTS, поэтому описание составлено по ней. VoiceTut-TTS — модель преобразования текста в речь, созданная разработчиком репозитория на основе OmniVoice от k2-fsa и дообученная на примерно 380 часах египетской арабской речи из подкастов. Она предназначена для синтеза естественной египетской арабской речи, в том числе с переключением между арабским и английским языками. В основе — текстовый Qwen3-0.6B и аудиотокенизатор Higgs; модель использует библиотеку OmniVoice и распространяется в формате safetensors. Модель предлагает 17 встроенных голосов, клонирование голоса по короткому аудиопримеру, нормализацию чисел, дат, валют, телефонных номеров, адресов и сокращений, а также потоковую выдачу аудио частями для длинного текста. В README указаны результаты измерения скорости на NVIDIA T4: средний коэффициент реального времени 1,13 и время до первого аудио при потоковой генерации 1,68 секунды. Лицензия — Apache-2.0. Клонирование чужого голоса следует выполнять только с согласия его владельца; авторы также предостерегают от имитации людей и создания вводящего в заблуждение аудио. Данные о размере всей модели и максимальной длине текста не приведены.

VoxCPM-0.5B — модель синтеза речи OpenBMB на основе MiniCPM4-0.5B. Она использует безтокенизаторную сквозную диффузионно-авторегрессионную архитектуру, которая генерирует непрерывные представления речи из текста. Модель предназначена для выразительной озвучки с подбором просодии по содержанию и клонирования голоса по короткому аудиофрагменту. VoxCPM поддерживает потоковую генерацию и работает с английским и китайским языками. В режиме клонирования она воспроизводит тембр и особенности речи из аудио-примера; без примера сама выбирает подходящий стиль озвучивания. Распространяется по лицензии Apache-2.0. Ограничения включают возможные артефакты и нестабильность на длинных или выразительных текстах, ограниченный контроль над эмоциями и стилем речи, а также непредсказуемое качество на языках, отличных от английского и китайского. Авторы позиционируют модель для исследований и разработки и рекомендуют тщательно проверять её перед производственным или коммерческим использованием; реалистичное клонирование голоса может быть использовано для имитации личности.

cahya/wav2vec2-large-xlsr-javanese — модель автоматического распознавания яванской речи, дообученная на базе facebook/wav2vec2-large-xlsr-53 на высококачественных данных синтеза речи на яванском языке из OpenSLR. Она принимает аудио, дискретизированное с частотой 16 кГц, и преобразует речь в текст; архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. В карточке приведён результат тестирования 17,61 %, но метрика не уточнена. Модель распространяется по лицензии Apache-2.0.

Anime-Llasa-3B-Captions — японская модель синтеза речи, созданная NandemoGHS дополнительным дообучением NandemoGHS/Anime-Llasa-3B. Это плотная Llama-совместимая языковая модель с 3,4 млрд параметров и контекстом до 131 072 токенов; веса опубликованы в формате safetensors. Для обучения использованы аудиоданные с подробными описаниями, профилями говорящих и тегами эмоций, подготовленными с помощью Gemini 2.5 Pro. Модель преобразует текст в речь и позволяет задавать характеристики звучания: описание аудио, голосовой профиль, эмоцию, настроение, темп, просодию, тембр и стиль. Такие параметры можно передавать в системном запросе, а отдельные указания, например шёпот, добавлять прямо в японский текст в полноширинных скобках. Модель рассчитана на японский язык и сценарии выразительной, управляемой синтезации речи. Следование управляющим тегам неполное и зависит от объёма и качества обучающих данных. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства на условиях, запрещающих коммерческое применение.

Модель aufklarer/Chatterbox-Multilingual-hi-MLX-fp16 — экспорт в формате MLX fp16 мультиязычной модели синтеза речи Chatterbox с приоритетом хинди. Автор экспорта — aufklarer; исходные контрольные точки разработаны Resemble AI. В комплект входят веса T3, S3Gen и вокодера, энкодер голоса, токенизатор S3 и токенизатор графем хинди. Модель предназначена для преобразования текста в речь в приложениях на speech-swift и Speech Studio. Карточка описывает её как сборку для движка chatterbox-hi; также в составе есть энкодер голоса, но конкретные сценарии его использования здесь не описаны. Экспорт выполнен в safetensors для MLX с точностью fp16. Модель основана на контрольной точке Chatterbox Multilingual Hindi и распространяется по лицензии MIT. Карточка позиционирует её как вариант с приоритетом хинди; более широкий список поддерживаемых языков и сведения о длине контекста не приведены.