I.9Аудио и музыка

sulabhkatiyar выпустил NE-TTS — мультиязычную многоголосую модель синтеза речи для 16 языков Северо-Восточной Индии с 23 голосовыми вариантами. Это архитектура VITS, обученная с нуля на корпусе Vaani; базовая предобученная модель не использовалась. Модель напрямую преобразует текст в монофоническую аудиоволну с частотой 22 050 Гц. На вход подаётся текст в нижнем регистре, записанный латиницей и романизированный для соответствующего языка. Фронтенд посимвольный: он принимает символы из ограниченного набора, без знаков пунктуации; неподдерживаемые символы удаляются. Голос выбирается по имени из доступных языковых и региональных групп. Голоса основаны на записях нескольких дикторов одного пола и района, поэтому акцент внутри одного языка может меняться. Релизный чекпойнт содержит 86,5 млн параметров, включая дискриминатор, используемый при обучении; генератор для инференса содержит 39,8 млн параметров. Это первая версия модели, обученная на доступных данных для этих языков, поэтому качество и покрытие могут различаться. Лицензия модели — CC-BY-4.0; при использовании требуется сохранить атрибуцию проекта ARTPARK-IISc Vaani.

Masri Higgs v3 — Egyptian Arabic TTS — это 4-миллиардная модель синтеза речи на базе Higgs Multimodal Qwen3, разработанная ehabnegm. Она дообучена на 98 часах очищенной египетской арабской речи; применённый LoRA-адаптер объединён с весами, поэтому отдельно загружать его не требуется. Для синтеза модель использует текст и аудиообразец голоса продолжительностью 6–10 секунд, а выдаёт речь с голосом, заданным этим образцом. Модель предназначена прежде всего для озвучивания текстов на египетском арабском, в том числе повествовательных материалов о науке и истории. По оценке на 40 тестовых аудиофрагментах, показатель WER улучшился на 12% относительно базовой модели, тогда как средний CER практически не изменился. Проверка на 15 предложениях вне обучающей выборки показала устойчивую работу на длинных абзацах и интонационных конструкциях, но объём оценки ограничен. Обучающие тексты получены консенсусом трёх систем распознавания речи, поэтому модель могла усвоить остаточные ошибки. Это модель с одним основным диктором и узкой тематикой; сходство голоса отдельно не оценивалось, а клонирование других голосов после дообучения повторно не тестировалось. В README указано, что действуют ограничения лицензии Higgs Audio v3; метаданные обозначают лицензию как other. Голос основан на материалах реального человека: для публикации, коммерческого использования или имитации требуется его согласие, а синтетическую речь следует обозначать.

hadramibegnoug/mms-hassaniya-asr — модель распознавания речи на основе архитектуры wav2vec2, опубликованная пользователем hadramibegnoug на Hugging Face. Она предназначена для преобразования аудио на хассания в текст. Модель содержит около 1,3 млрд параметров и доступна в формате Safetensors; для запуска предусмотрена библиотека Transformers с классом Wav2Vec2ForCTC. Карточка модели автоматически создана и не содержит сведений о разработчике, обучающих данных, оценке качества, лицензии или ограничениях, поэтому эти характеристики нельзя подтвердить. Модель подходит для сценариев автоматической транскрипции речи на хассания; её точность в разных условиях записи по доступной информации оценить нельзя.

facebook/mms-tts-adx — модель синтеза речи на языке тибетский амдо (adx), разработанная Facebook в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка из семейства MMS-TTS; модель принимает текст и генерирует речевую аудиоволну. Она построена на архитектуре VITS — сквозной системе синтеза речи с вариационным автоэнкодером, flow-модулем и декодером в стиле HiFi-GAN. В метаданных указано 3,6 млн параметров; модель доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Модель предназначена для озвучивания текста на тибетском амдо, например для голосовых интерфейсов и создания аудиоверсий текстов. Стохастический предиктор длительности позволяет получать варианты с разным ритмом, поэтому генерация недетерминирована и для повторения результата требуется фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но не для коммерческих целей.

Модель facebook/mms-tts-azj-script_latin — система синтеза речи на северном азербайджанском языке в латинской письменности, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языковом варианте. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS, доступный через библиотеку Transformers. Стохастический предиктор длительности позволяет варьировать ритм речи; поэтому при повторной генерации результат может отличаться, а для воспроизводимости нужен фиксированный seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Она предназначена для синтеза северного азербайджанского текста латиницей; возможности для других языков не заявлены.

facebook/mms-tts-blt — модель синтеза речи на языке тай дам, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания текстов на тай даме. Модель использует архитектуру VITS и содержит 3,6 млн параметров. Это отдельный чекпойнт для одного языка; в MMS для каждого языка обучается собственная модель. Генерация недетерминирована: для повторения того же аудио требуется фиксировать seed. Модель распространяется в форматах PyTorch и Safetensors и доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Карточка не сообщает отдельные сведения о качестве синтеза или ограничениях произношения.

facebook/mms-tts-bts — модель синтеза речи на языке батак-сималунг, разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на батак-сималунг в речевую аудиоволну и предназначена для озвучивания текстов на этом языке. Модель использует архитектуру VITS и обучена как отдельный языковой чекпойнт MMS-TTS. Она объединяет текстовый энкодер, flow-модуль и декодер на основе HiFi-GAN; стохастический предиктор длительности позволяет варьировать ритм речи. Размер модели — 3,5 млн параметров. Для повторения той же генерации требуется фиксированный seed. Модель доступна через Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-eka — модель синтеза речи на языке эка из проекта Massively Multilingual Speech (MMS), разработанного Meta. Она преобразует текст на эка в речевую аудиоволну и подходит для озвучивания текстов и создания речевого вывода на этом языке. Модель использует архитектуру VITS: она объединяет вариационный автоэнкодер, flow-модуль с текстовым энкодером на основе Transformer, стохастический предсказатель длительности и декодер, построенный по принципу HiFi-GAN. Для MMS обучен отдельный чекпойнт на каждый язык. Размер модели — 3,5 млн параметров; для работы доступна через Transformers версии 4.33 и новее. Генерация недетерминирована: для повторения того же результата требуется фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-guq — модель синтеза речи на языке аче (Aché, код guq) из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует входной текст на аче в речевую аудиоволну и подходит для озвучивания текстов на этом языке. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный чекпойнт, обученный для одного языка; в архитектуре сочетаются текстовый энкодер, стохастический предиктор длительности и декодер, формирующий аудиосигнал. Для повторения результата генерации требуется фиксировать seed, поскольку предиктор длительности работает стохастически. Модель доступна через библиотеку Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией и ограничивает коммерческое применение.

facebook/mms-tts-huv — модель синтеза речи для языка хуве, на котором говорят в Сан-Матео-дель-Мар. Она разработана Facebook в рамках проекта Massively Multilingual Speech (MMS), предоставляющего речевые модели для разных языков. Модель преобразует текст на хуве в речевую аудиоволну. Это отдельный чекпойнт VITS, обученный для одного языка. Архитектура VITS объединяет вариационный автоэнкодер, Transformer-энкодер текста, потоковый модуль и декодер, построенный по принципу HiFi-GAN; стохастический предсказатель длительности позволяет варьировать ритм речи. Модель содержит 3,5 млн параметров и доступна для работы через Transformers версии 4.33 и новее. Модель подходит для озвучивания текстов на хуве, например для аудиоматериалов и речевых интерфейсов. Из-за стохастического предсказателя одинаковый текст может звучать по-разному; для повторяемого результата требуется фиксированное случайное зерно. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-kac — модель синтеза речи на джингпхо (kac), созданная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на джингпхо. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров; чекпойнты MMS-TTS обучаются отдельно для каждого языка. Модель доступна через библиотеку Transformers версии 4.33 и выше. Стохастический предиктор длительности позволяет синтезировать текст с разным ритмом, поэтому для воспроизводимого результата требуется фиксировать seed. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-mlg — модель синтеза речи на малагасийском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на малагасийском языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS, доступный через библиотеку Transformers. Стохастический предиктор длительности позволяет получать варианты ритма речи для одного текста; для повторяемого результата требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-ory — модель синтеза речи на языке одия из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на одия. Модель построена на архитектуре VITS и содержит 3,6 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; для синтеза использует стохастический предиктор длительности, поэтому при одинаковом тексте может создавать речь с разным ритмом, а для воспроизводимого результата требуется фиксированное случайное зерно. Модель доступна через библиотеку Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/mms-tts-rah — модель синтеза речи на языке рабха, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую волну и предназначена для озвучивания текста на рабха. Модель построена на архитектуре VITS: она объединяет вариационный автоэнкодер, flow-based модуль, текстовый энкодер на основе Transformer и декодер, близкий по устройству к HiFi-GAN. Размер модели — 3,5 млн параметров; она доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Для одного и того же текста модель может генерировать речь с различным ритмом; из-за стохастического предсказателя длительности генерация недетерминирована, поэтому для повторяемого результата нужен фиксированный seed. Модель рассчитана на язык рабха, а не на многоязычный синтез в рамках одного чекпойнта. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-rmc-script_cyrillic — модель синтеза речи для карпатского романи с текстом на кириллической письменности, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Это отдельный языковой чекпойнт семейства VITS: энд-ту-энд архитектура использует вариационный автоэнкодер, Transformer-энкодер текста, потоковые слои, декодер на основе транспонированных свёрток и стохастический предсказатель длительности. Модель содержит 3,5 млн параметров и доступна в форматах PyTorch и safetensors; для работы с ней подходит Transformers версии 4.33 и новее. Стохастический предсказатель длительности делает генерацию недетерминированной, поэтому для воспроизводимого аудио нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/mms-tts-sri — модель синтеза речи на сирийском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель создана на архитектуре VITS, обучена отдельно для сирийского языка и содержит около 3,5 млн параметров. VITS объединяет текстовый энкодер на базе Transformer, вариационный автоэнкодер, модуль предсказания длительности и декодер HiFi-GAN-подобного типа. Стохастическое предсказание длительности позволяет получать разные ритмические варианты произношения одного текста; поэтому результат может меняться между запусками, и для повторяемого синтеза нужен фиксированный seed. Модель доступна через библиотеку Transformers версии 4.33 и выше. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-sza — модель синтеза речи на языке семелай (код ISO 639-3: sza), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на семелае. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. VITS синтезирует речь сквозным образом; стохастический предиктор длительности позволяет получать разные ритмические варианты произнесения. Модель доступна через библиотеку Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и safetensors. Для повторения одной и той же генерации требуется фиксировать seed, поскольку синтез недетерминированный. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства в рамках её условий, но некоммерческое использование ограничено.

facebook/mms-tts-tpm — модель синтеза речи на тампульма (tpm), выпущенная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на тампульма в речевой сигнал и предназначена для озвучивания текстов и создания синтетической речи для этого языка. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный чекпойнт для одного языка из семейства MMS-TTS; модель работает сквозным образом, предсказывая речевую волну из последовательности текста. Случайный предиктор длительности делает генерацию недетерминированной, поэтому для повторяемого результата требуется фиксированное начальное значение. Для работы доступна через библиотеку Transformers версии 4.33 и выше. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-urd-script_arabic — модель синтеза речи на урду, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на урду, записанный арабским письмом, в речевую аудиоволну и предназначена для озвучивания текста и создания речевого вывода в приложениях. Для каждого языка MMS обучен отдельный чекпойнт. Модель использует архитектуру VITS — сквозную систему синтеза речи на основе вариационного автоэнкодера, flow-модуля, текстового энкодера на базе Transformer и декодера в стиле HiFi-GAN. Размер модели — 3,6 млн параметров; доступны веса PyTorch и Safetensors. Она поддерживается библиотекой Transformers начиная с версии 4.33. Из-за стохастического предсказателя длительности результат может меняться между запусками; для воспроизводимой генерации нужно фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческим образом.

sharjeel103/mms-tts-urdu-finetune — модель синтеза речи на основе архитектуры VITS, опубликованная пользователем sharjeel103 на Hugging Face. Она преобразует текст на урду в аудио и подходит для озвучивания фраз и коротких текстов на этом языке. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers; в метаданных указано около 3,6 млн параметров. Карточка автоматически сгенерирована и не сообщает сведения о разработчике исходной модели, обучающих данных, лицензии или оценке качества, поэтому эти характеристики нельзя подтвердить.

facebook/mms-tts-urt — модель синтеза речи на языке урат, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст на урате в речевую аудиоволну. Модель построена на архитектуре VITS: использует текстовый энкодер на основе Transformer, вариационный автоэнкодер, нормализующие потоки, стохастический предиктор длительности и декодер, похожий на HiFi-GAN. Число параметров — около 3,5 млн; модель доступна для PyTorch и Transformers. Чекпойнт предназначен для синтеза речи на одном языке; отдельные модели MMS-TTS обучались для каждого языка. Из-за стохастического предиктора одинаковый текст может давать разные варианты ритма и звучания, поэтому для воспроизводимого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

facebook/mms-tts-wal-script_ethiopic — модель синтеза речи на языке волайта, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на волайта в речевой аудиосигнал и подходит для озвучивания текста и создания голосовых сообщений на этом языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, потоковый модуль, стохастический предиктор длительности и декодер, формирующий речевую волну. Это отдельный чекпойнт для одного языка с 3,6 млн параметров; в репозитории представлены веса PyTorch и Safetensors. Для работы доступна библиотека Transformers версии 4.33 и новее. Из-за стохастического предиктора одинаковый текст может звучать по-разному; для воспроизводимого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства в рамках некоммерческих условий.

facebook/mms-tts-wmw — модель синтеза речи на языке мвани (Mwani, код wmw) из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на мвани. Модель построена на архитектуре VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт семейства MMS-TTS; для синтеза используются стохастический предиктор длительности и декодер аудиосигнала. Модель поддерживается библиотекой Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование на некоммерческих условиях с соблюдением требований лицензии. При одинаковом тексте результат может различаться из-за стохастического синтеза; фиксированный seed позволяет воспроизводить одну и ту же аудиоволну.

facebook/mms-tts-zza — модель синтеза речи на языке заза (код zza), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для заза из семейства VITS, доступный через библиотеку Transformers версии 4.33 и новее. Модель принимает текст и генерирует речевую аудиоволну; число параметров — около 3,5 млн. VITS работает сквозным образом: текстовый энкодер и flow-модуль формируют акустическое представление, декодер на основе свёрточных слоёв синтезирует волну, а стохастический предиктор длительности позволяет варьировать ритм произношения. Из-за стохастической генерации для повторения того же результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

moonshine-base-zh-gguf — это GGUF-конверсия модели UsefulSensors/moonshine-base-zh, подготовленная для работы с transcribe.cpp. Модель предназначена для автоматического распознавания речи и преобразования китайской, в частности мандаринской, речи в текст. Она подходит для локальной транскрипции 16 кГц монофонических аудиозаписей, но не поддерживает потоковую обработку, перевод, автоматическое определение языка или временные метки. Модель использует encoder-decoder Transformer с примерно 62 млн параметров. Она принимает необработанный PCM-аудиосигнал через трёхслойный Conv1d-стем без STFT и mel-фильтробанка и генерирует только текст транскрипции. Доступны варианты F32 размером 248 МБ, F16 размером 132 МБ и Q8_0 размером 77 МБ. На тесте FLEURS zh CER составила 16,65% для F32 и F16, а для Q8_0 — 17,00%; квантованный вариант немного уступает по точности, сохраняя меньший размер. Основные ограничения — поддержка только языка zh, отсутствие перевода, потокового режима, определения языка и временных меток, а также необходимость предварительно подготовить аудио в формате 16 кГц mono WAV. Модель распространяется по лицензии MIT, унаследованной от базовой модели.

tareq052 разработал односпикерную модель синтеза речи на бенгальском языке на архитектуре VITS и дообучил её на базе контрольной точки VITS с помощью finetune-hf-vits. Модель преобразует текст в речевую аудиоволну за один проход и не требует отдельного вокодера. Она содержит 3,6 млн параметров, использует Transformers и PyTorch, а частота дискретизации выходного аудио составляет 16 кГц. Модель рассчитана на синтез речи одним голосом; лицензия — Apache-2.0. Подходит для озвучивания текстов на бенгальском языке, например коротких сообщений и материалов для приложений. Модель не поддерживает выбор голоса и управление эмоциями. Из-за ограниченного обучающего набора произношение редких слов, чисел и текста со смешанными языками может быть непоследовательным.

deepdml/output — модель распознавания речи на архитектуре Wav2Vec2ForCTC с 402,7 млн параметров. По README, это дообученная версия hf-test/xls-r-dummy, обученная на наборе MOZILLA-FOUNDATION/COMMON_VOICE_7_0 — AB. Модель предназначена для преобразования речи в текст. В карточке приведены результаты оценки на тестовой выборке: Loss 156,8789 и WER 1,3456. Описание сценариев применения и ограничений в README не раскрыто. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют.

Карточка модели UBC-NLP/Simba-TTS-sot на Hugging Face совпадает с карточкой UBC-NLP/Simba-TTS-afr, поэтому описание составлено по ней. Simba-TTS-afr — модель синтеза речи на африкаанс из семейства Simba, разработанного UBC-NLP. Она преобразует текст в естественно звучащую речь и предназначена для голосовых интерфейсов и других сценариев озвучивания на африкаанс. В README модель отнесена к серии Simba-TTS и названа MMS-TTS; метаданные указывают архитектуру VITS, библиотеку Transformers и размер 3,5 млн параметров. Модель обучалась с использованием SimbaBench, набора данных для африканских языков. Модель принимает текст и генерирует аудио. README указывает африкаанс как целевой язык этой версии; серия ориентирована на африканские языки и языки с ограниченными ресурсами. Лицензия — CC BY 4.0. Метаданные помечают модель как automatic speech recognition, тогда как README описывает её назначение как text-to-speech; поэтому классификация задачи в каталоге может расходиться с назначением, заявленным авторами.

Vekol Piper edge — модель синтеза речи на центральнокурдском языке (курманджи-сорани), разработанная Revge / Vekol. Она основана на архитектуре VITS и распространяется в формате ONNX для Piper; заявлена частота дискретизации 22,05 кГц и работа на CPU и периферийных устройствах. Модель предназначена для преобразования текста на сорани в речь голосом Vekol, в том числе в локальных приложениях и на устройствах с ограниченными ресурсами. Для обучения использованы центральнокурдские корпуса, записи голоса Vekol и аудио, дистиллированное от учителя; при обучении отдельно увеличивали представленность слабых букв. В README также указано исправление галлюцинаций в конце длинного текста при инференсе. Для запуска нужны файлы model.onnx и model.onnx.json с Piper runtime либо вспомогательный скрипт из репозитория. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

Это версия нейронного вокодера Vocos от автора patriotyk, предназначенная для восстановления речевой аудиоволны по мел-спектрограмме из 80 полос. Модель формирует спектральные коэффициенты и восстанавливает сигнал обратным преобразованием Фурье; карточка позиционирует её как быструю альтернативу HiFi-GAN, совместимую с акустическим выходом ряда моделей синтеза речи. Основной сценарий — преобразование мел-спектрограммы, полученной от TTS-модели, в речевой аудиосигнал. Модель обучена на более чем 800 часах украинских аудиокниг. Для других типов аудио качество может быть низким. Лицензия — MIT.