I.9Аудио и музыка

facebook/mms-tts-mbj — модель синтеза речи на языке Nadëb (код mbj), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на Nadëb в речевую аудиоволну и предназначена для озвучивания текста в приложениях и сервисах. Для каждого языка проекта обучена отдельная модель. Модель построена на архитектуре VITS: это сквозная система синтеза речи с текстовым энкодером на основе Transformer, поточным модулем и декодером, похожим на HiFi-GAN. Предиктор длительности учитывает разные варианты ритма произнесения; поэтому генерация недетерминирована, и для повторения результата требуется фиксированный seed. Веса содержат 3,5 млн параметров, доступны в форматах PyTorch и Safetensors; модель поддерживается библиотекой Transformers версии 4.33 и новее. Модель предназначена для синтеза речи на Nadëb и не заявлена как многоязычная или универсальная система. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Карточка не приводит сведения о длине контекста или дополнительных возможностях управления голосом.

wren11ws/sunup — англоязычная причинно-следственная языковая модель, разработанная на основе distilgpt2 и дообученная на оригинальных текстах песен. Она предназначена для генерации ритмичных строк и текстов песен с учётом рифмы, стихотворного размера и последовательного построения лирики, в частности для работы с Suno Custom Mode. Модель построена на архитектуре GPT-2 и содержит около 81,9 млн параметров. Она принимает текст и генерирует текст, использует токенизатор GPT-2 и поддерживает контекст до 1024 токенов. В README сообщается о 3500 примерах и завершении 300 шагов обучения; отдельной оценки качества не приведено. Модель распространяется по лицензии Apache-2.0. Она специализирована на англоязычных песенных текстах и стихотворной ритмике; качество для других языков и общих задач не подтверждено.

LevonHakobyan выпустил модель распознавания речи на основе facebook/w2v-bert-2.0, дообученную на датасете Common Voice 17.0. Это архитектура Wav2Vec2-BERT с плотными весами и головой CTC; размер модели — 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст. Карточка не сообщает языки, на которых проводилось дообучение, или длину аудиозаписей, поэтому эти характеристики не уточняются. Лицензия — MIT. На приведённом в карточке наборе оценки модель получила WER 1,0 и CER 0,9653, что указывает на очень высокую долю ошибок и ограниченную пригодность для практического распознавания без дополнительной проверки и дообучения.

xmzhu/whisper-tiny-zh — дообученная модель распознавания речи на основе openai/whisper-tiny, созданная для китайского языка. Она преобразует аудио в текст и обучалась на китайской части датасета Common Voice 11.0 (zh-CN). Модель содержит 29,4 млн параметров и доступна в формате PyTorch. На оценочном наборе указаны loss 0,6121 и WER 91,0934; последнее значение указывает на очень высокий уровень ошибок распознавания. Модель может подойти для экспериментов с распознаванием китайской речи, однако её качество следует проверить на целевых аудиозаписях. Лицензия — Apache-2.0.

Карточка модели bezzam/xcodec2-hf на Hugging Face совпадает с карточкой HKUSTAudio/xcodec2-hf, поэтому описание составлено по ней. X-Codec2 — нейронный аудиокодек для представления речи и другого аудио в конвейерах синтеза речи и генерации аудио с большими языковыми моделями. Модель предложена в работе Llasa: Scaling Train-Time and Inference-Time Compute for Llama-based Speech Synthesis. Эту реализацию для Transformers внесли Eric Bezzam и Steven Zheng. Модель объединяет семантические и акустические признаки в последовательность токенов: семантическая часть может кодировать смысл и эмоции, а акустическая — тембр и другие свойства звучания. Однослойная квантизация Feature Scalar Quantization (FSQ) и одномерная структура токенов рассчитаны на совместимость с авторегрессионными LLM. Модель содержит 201,3 млн параметров; в карточке указаны библиотека Transformers и контекст 4096 токенов. Реализация поддерживает пакетную обработку аудио, а для ускорения инференса README описывает применение torch.compile. X-Codec2 предназначена для кодирования и декодирования аудио и для подготовки аудиопредставлений в системах генерации речи и аудио на базе LLM. Метаданные классифицируют её как feature-extraction. Лицензия CC BY-NC 4.0 разрешает использование на условиях Creative Commons Attribution-NonCommercial 4.0; коммерческое применение не разрешено условиями этой лицензии.

DuplexJev-B-Para-SenseVoice-Small-Qwen3-4B — аудиоязыковой коннектор для коротких вопросов о речи, разработанный adventists-ai. Он передаёт признаки замороженного энкодера SenseVoice-Small в замороженную языковую модель Qwen3-4B через обучаемый проектор SwiGLU с укладкой аудиокадров; обучено 11,5 млн параметров коннектора. Для вопросов с заранее заданными вариантами модель оценивает распределение вероятностей по вариантам за один проход без генерации токенов, что позволяет задавать несколько вопросов по одному аудиофрагменту. Модель предназначена для кратких решений по аудио, включая ответы на вопросы о произнесённом содержании и определение голосовых характеристик, например пола говорящего и эмоции. В README приведены результаты на задачах spoken QA и оценки задержки на GPU и CPU. Открытые вопросы на общие знания подходят хуже: даже Qwen3-4B, отвечая по транскрипту, показала лучший результат, чем аудиоконнектор. Модель не проверялась на потоковом аудио и на устройствах с NPU; требуется именно указанный в карточке энкодер и языковая модель. Модель объединяет компоненты SenseVoice-Small и Qwen3-4B, поэтому derivation — merge. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

GPT-2 Small Portuguese Lyrics — языковая модель на архитектуре GPT-2, дообученная автором rsmonteiro на датасете из примерно 66 000 текстов песен на португальском языке, охватывающих шесть музыкальных жанров. В качестве исходной модели использована GPorTuguese-2. Модель предназначена для генерации продолжений и новых текстов песен на португальском языке. Она принимает текстовый запрос и генерирует текст; длина контекста составляет 1024 токена. В карточке приведены значения loss 3,301 и perplexity 27,15, а веса доступны в форматах PyTorch и TensorFlow. Модель выпущена под лицензией MIT. Её специализация на текстах песен ограничивает применимость к другим жанрам и задачам; результаты оценки в карточке не сопровождаются описанием методики или независимым сравнением.

Lyrics_Qwen2.5-0.5B-Instruct — дообученная модель автора asigalov61 на базе Qwen2.5-0.5B-Instruct для генерации и преобразования текстов песен. Она предназначена для создания вариантов и морфинга текстов песен по шаблону lyrics; карточка также показывает диалоговый формат. Модель имеет плотную архитектуру Qwen2 с 494 млн параметров, принимает текст и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате safetensors по лицензии Apache-2.0. Карточка не приводит подробностей о качестве генерации или особенностях обучения, поэтому результаты стоит проверять на соответствие заданию и желаемому стилю.

facebook/mms-tts-iri — модель синтеза речи на языке ригве (Rigwe, iri) из проекта Massively Multilingual Speech компании Meta. Это отдельный чекпойнт для одного языка с архитектурой VITS: модель принимает текст и генерирует речевую аудиоволну. Вариативный предиктор длительности позволяет получать разные ритмические варианты произношения; для повторяемого результата требуется фиксировать seed. Модель содержит около 3,5 млн параметров и доступна в форматах PyTorch и Safetensors для использования через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Модель billingsmoore/tibetan-asr-nict-tib1-whisper-base разработана как полное дообучение OpenAI Whisper Base для автоматического распознавания речи на тибетском языке. Это энкодер-декодерный трансформер с 51,7 млн параметров, принимающий аудио и выдающий текстовую транскрипцию; веса сохранены в формате safetensors. Обучение проводилось на корпусе NICT-Tib1 с записями речи на центральном тибетском диалекте Лхаса от 20 дикторов. Модель предназначена для транскрибирования записанной речи, в частности новостных записей на лхасском тибетском. В README приведены результаты оценки на отложенной выборке корпуса и пример запуска через Transformers. Apache-2.0 разрешает использование модели на условиях этой лицензии. Результаты и область применимости ограничены чтением новостных текстов на современном диалекте Лхаса. Качество на диалектах Амдо и Кхам, классическом тибетском и спонтанной разговорной речи не оценивалось; тестовая выборка включала только трёх дикторов. Для оценки ошибок на тибетском авторы рекомендуют учитывать метрики на уровне слогов и сегментированных слов наряду с символьной метрикой.

X-Codec2 — нейронный аудиокодек для представления речи и другого аудио в конвейерах синтеза речи и генерации аудио с большими языковыми моделями. Модель предложена в работе Llasa: Scaling Train-Time and Inference-Time Compute for Llama-based Speech Synthesis. Эту реализацию для Transformers внесли Eric Bezzam и Steven Zheng. Модель объединяет семантические и акустические признаки в последовательность токенов: семантическая часть может кодировать смысл и эмоции, а акустическая — тембр и другие свойства звучания. Однослойная квантизация Feature Scalar Quantization (FSQ) и одномерная структура токенов рассчитаны на совместимость с авторегрессионными LLM. Модель содержит 201,3 млн параметров; в карточке указаны библиотека Transformers и контекст 4096 токенов. Реализация поддерживает пакетную обработку аудио, а для ускорения инференса README описывает применение torch.compile. X-Codec2 предназначена для кодирования и декодирования аудио и для подготовки аудиопредставлений в системах генерации речи и аудио на базе LLM. Метаданные классифицируют её как feature-extraction. Лицензия CC BY-NC 4.0 разрешает использование на условиях Creative Commons Attribution-NonCommercial 4.0; коммерческое применение не разрешено условиями этой лицензии.

YUNSUN7/xg-lyrics-generator — генеративная текстовая модель, дообученная разработчиком на базе GPT-2 для создания текстов песен. Она использует архитектуру GPT-2 и библиотеку Transformers, принимает текстовый контекст и продолжает его сгенерированными словами; доступная длина контекста — 1024 токена. Репозиторий содержит веса в формате safetensors. Карточка не описывает обучающие данные, языки генерации, качество или конкретные режимы использования, поэтому результаты могут быть непредсказуемыми и требовать проверки и редактирования. Модель распространяется по лицензии MIT.

NandemoGHS разработала Anime-XCodec2-44.1kHz-v2 — дообученную версию нейронного речевого кодека Anime-XCodec2 на базе XCodec2. Модель принимает речевые токены XCodec2 и декодирует их в аудио с частотой дискретизации 44,1 кГц. Кодер и кодовая книга заморожены, поэтому токены совместимы с исходным XCodec2 и системами на его основе, например Llasa; изменён только декодер, в который добавлены слои повышающей дискретизации и настроена функция потерь RMS. Модель предназначена для восстановления японской речи, в том числе голосов в стиле аниме и игр, и для замены декодера в существующих конвейерах XCodec2, чтобы получать аудио 44,1 кГц вместо 16 кГц. Обучение декодера проводилось примерно на 22 тысячах часов японской речи. Репозиторий содержит веса safetensors; лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение. Для работы требуется специальная версия библиотеки xcodec2 v0.1.7 с исправлением ошибки RoPE; исходная библиотека и прежние сторонние версии несовместимы. Модель оптимизирована для японской речи, а применение для повышения частоты дискретизации обычного аудио не оценивалось.

facebook/mms-tts-acu — модель синтеза речи на языке ачuar-шиwiar (Achuar-Shiwiar), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания фраз на этом языке. Для языка обучена отдельная модель семейства VITS с архитектурой условного вариационного автоэнкодера: текстовый энкодер, потоковый модуль и декодер на основе свёрточных слоёв работают совместно для генерации речи. Модель содержит около 3,5 млн параметров и доступна в форматах PyTorch и Safetensors; использовать её можно через Transformers версии 4.33 и новее. Стохастический предсказатель длительности позволяет получать разные ритмические варианты одной фразы, поэтому при одинаковом тексте результат может различаться; фиксированный seed нужен для воспроизводимого аудио. Модель предназначена для одного языка, а качество и применимость за пределами ачuar-шиwiar не подтверждены карточкой. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Это подготовленный к дообучению контрольный чекпойнт WAXAL MMS-TTS для синтеза речи на языке луо. Его описывает rnjema-unima; модель основана на VITS и использует facebook/mms-tts-ach как акустический донор, поскольку готового чекпойнта MMS-TTS для луо нет. В репозитории находятся конфигурационные файлы, а веса не хранятся: при запуске обучения скрипт загружает их из базовой модели. Чекпойнт предназначен для независимого дообучения на конфигурации luo_tts набора google/WaxalNLP и последующего преобразования текста на луо в речь. Архитектура VITS выполняет синтез сквозным способом, без отдельного вокодера; в метаданных указано 3,5 млн параметров. Донор ачоли служит начальной акустической и просодической основой, которую требуется адаптировать к луо. Лицензия модели — CC-BY-NC-4.0; данные WAXAL в README указаны под CC-BY-SA-4.0. Чекпойнт не предназначен для непосредственного вывода без загрузки донорских весов и дообучения на целевом языке.

Модель tekyerema-tts-twi разработана Prince Nasamu Alhassan и предназначена для преобразования текста на языке тви в речь. Это компактная модель VITS с 3,6 млн параметров, дообученная на базе facebook/mms-tts-aka за 20 000 шагов; веса опубликованы в формате safetensors. Для синтеза используется символьный токенизатор и библиотека Transformers. Модель обучалась на Ghana Speech и связанных ганских корпусах. Перед подачей текст нужно привести к нижнему регистру и преобразовать числа в слова: символы вне словаря молча отбрасываются, а покрытие цифр неполное. В измерениях на командах агентов доля текстов с потерей хотя бы одного символа снизилась с 10,4% для исходного текста до 0,01% после приведения к нижнему регистру и вербализации чисел; эти результаты не гарантируют качество на других текстах. Проект описан как исследовательская работа хакатона, а не поддерживаемый продукт. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства и запрещает коммерческое применение.

X-Codec HuBERT LibriSpeech — аудиокодек из семейства X-Codec, обученный для речи на LibriSpeech. В качестве семантической модели использует facebook/hubert-base-ls960; реализация доступна в формате safetensors через Transformers. Кодек предназначен для извлечения признаков речи и её представления при разных битрейтах, включая 0,5, 1, 1,5, 2 и 4 кбит/с. Модель опубликована под лицензией CC BY 4.0. Модель ориентирована на английскую речь из LibriSpeech. Карточка показывает примеры кодирования с несколькими битрейтами, но не описывает конкретные ограничения качества или рекомендованные условия применения.

PhoneticXeus — многоязычная модель распознавания фонем в речи, разработанная ChangelingLab на основе речевого энкодера XEUS. Она преобразует аудио в последовательность фонетических символов IPA; для пользовательского декодирования модель также возвращает покадровые CTC-логиты по 428 классам. Модель построена на архитектуре PhoneticXeusModel и распространяется в формате safetensors для библиотеки Transformers. Модель обучена на данных IPAPack++ более чем для 70 языков и подходит для получения фонетической транскрипции речи, в том числе для фонетического анализа и создания IPA-разметки. Карточка предоставляет пример использования через метод transcribe и возможность обращаться к выходам модели напрямую. Лицензия — Apache-2.0. Карточка не приводит ограничений точности или конкретного списка поддерживаемых языков.

Модель pop-lyrics-generator-v1 разработана Скоттом Гриффином и дообучена на базе openai-community/gpt2 на наборе текстов современных поп-песен. Это плотная авторегрессионная языковая модель семейства GPT-2, предназначенная для генерации текстов песен в стиле конкретных поп-исполнителей по текстовому запросу. Она формирует структуру песни и стилизованные строки; заявлены английский и испанский языки. Контекст модели составляет 1024 токена. Модель может служить источником идей при написании песен, однако рифмовка часто получается слабой, а текст может повторяться. Генерации могут быть нелепыми или оскорбительными, особенно при запросах об отдельных исполнителях. Коммерческое использование не разрешено; автор карточки указывает, что содержимое принадлежит соответствующим исполнителям, и предназначает модель только для исследований.

Narrativa Spanish GPT-2 — языковая модель для генерации текста, обученная на испанских рэп-текстах. Она построена на архитектуре GPT-2 и предназначена для создания новых строк и текстов в стиле испанского рэпа, например по заданному началу. Модель принимает текст и генерирует текст; размер контекста составляет 1024 токена. Модель разработала Narrativa, компания, создающая решения для генерации естественного языка. Она распространяется в формате PyTorch по лицензии MIT. Обучение на текстах рэпа ориентирует генерацию на этот жанр, но качество и тематическая уместность могут зависеть от заданного промпта и не гарантируются.

Wav2Vec2 LJSpeech Gruut — модель автоматического распознавания речи, созданная Wilson Wongso на основе Wav2Vec2-Base и дообученная на фонемном датасете LJSpeech Phonemes. Вместо обычной записи слов она предсказывает последовательности фонем из словаря IPA, используемого в gruut. Модель построена на архитектуре wav2vec 2.0 с CTC-выходом, содержит 113,3 млн параметров и принимает аудио, выдавая последовательность фонем. В тесте на LJSpeech Phonemes указаны PER 0,99% без учёта ударения и CER 0,58% без учёта ударения. Она предназначена для английской речи и фонетических сценариев, а не для прямой транскрипции в обычный текст. Модель реализована на PyTorch и опубликована в форматах PyTorch и safetensors. Лицензия — Apache-2.0. В README отмечено, что унаследованные от предварительного обучения смещения могут влиять на результаты; приведённые метрики относятся к тестовой выборке LJSpeech Phonemes.

ChuckleNet-Ten — дообученная модель Hayasuki для обнаружения событий смеха в аудио стендап-комедии. Она использует замороженные речевые представления WavLM и просодические признаки; базовая модель — microsoft/wavlm-base. Модель предназначена для разметки моментов смеха и изучения того, как просодия помогает предсказывать реакцию аудитории без транскрипта. На отложенной выборке из 118 видео с комиками, не представленными в обучении, показатель IoU-F1@0.2 составляет 0,330, а Average Precision — 0,229. README предупреждает о заметном снижении качества при переносе на незнакомых комиков и указывает, что модель проверена только на англоязычном стендапе. Для загрузки требуется trust_remote_code=True, поскольку репозиторий содержит пользовательский код архитектуры ChuckleNetVerified. Лицензия — MIT.

Nefer — LoRA-адаптер для Qwen3-TTS-12Hz-0.6B-Base, созданный сообществом для синтеза английской речи голосом Нефер из Genshin Impact. Вариант с полным чекпойнтом из репозитория не требует референсного аудио: голосовой образ персонажа заложен в весах. При подключении папки adapter/ к базовой модели требуется аудиопример голоса. Модель предназначена для озвучивания английского текста и фанатских голосовых демонстраций персонажа. Архитектура — Qwen3-TTS с плотной моделью на 0,6 млрд параметров; базовая модель мультиязычная, но этот адаптер рассчитан только на английский. Лицензия репозитория — MIT. Это неофициальная фанатская работа, не связанная с HoYoverse и не одобренная компанией.

Cnam-LMSSC/wav2vec2-italian-phonemizer — модель распознавания итальянской речи, дообученная на базе facebook/wav2vec2-base-it-voxpopuli-v2 для преобразования речи в фонемы. Она принимает аудио с частотой дискретизации 16 кГц и выдаёт последовательность слов в кодировке IPA без пунктуации. Модель построена на архитектуре wav2vec2, содержит 113,3 млн параметров и обучалась на обучающей и валидационной выборках Multilingual Librispeech. Модель подходит для фонетической транскрипции итальянской речи и анализа произношения. В README указана ошибка фонемной транскрипции PER 4,34% на итальянской части тестового набора Multilingual Librispeech. Языковая модель при распознавании не используется. Лицензия — MIT.

Модель Mwau/waxal_swahili-tts-mms преобразует текст на суахили в синтетическую речь. Это дообученный чекпойнт Meta MMS-TTS на архитектуре VITS с одним голосом, созданный на данных google/WaxalNLP. Веса сохранены после 4 500 шагов из запланированных 20 200; размер модели — 3,5 млн параметров, частота дискретизации выходного аудио — 16 кГц. Модель предназначена для экспериментов с синтезом суахили и переносом технологий TTS на языки с ограниченными ресурсами. Короткий этап обучения и небольшой набор данных дают разборчивую, но грубую речь: возможны неестественная просодия, артефакты, непостоянный темп и ошибки произношения. Модель обучена на записях одного диктора и может плохо переноситься на другие диалекты и манеру речи; формальных метрик качества нет. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое.

Bedru/whisper-medium-amharic-smoke — модель автоматического распознавания речи, созданная дообучением Whisper Small от OpenAI. Она принимает аудио и предназначена для преобразования речи в текст. В README указана оценка на тестовой выборке: loss 1,7905 и WER 1,7508; описание модели и обучающих данных не приведено, а результат WER указывает на очень высокую долю ошибок распознавания. Модель использует архитектуру Whisper и опубликована в формате Safetensors для Transformers. Метаданные указывают лицензию Apache-2.0 и базовую модель openai/whisper-small. Название предполагает настройку для амхарского языка, однако сведения о языковой поддержке в метаданных отсутствуют, поэтому это назначение нельзя подтвердить по карточке.

jjnhuang/whisper-small-finetuned-iwslt-irish-synthetic — дообученная модель автоматического распознавания речи на базе OpenAI Whisper Small. Она предназначена для преобразования аудио в текст; в названии указана настройка на синтетических данных IWSLT для ирландского языка, однако README не описывает набор данных и не уточняет языки обучения. Модель содержит 153,1 млн параметров, построена на архитектуре Whisper и распространяется в формате Safetensors для Transformers. В оценке указаны WER 94,9404, BLEU 9,1198, chrF++ 29,5535 и COMET 0,5382; высокий WER указывает на слабое качество распознавания в приведённой оценке. Лицензия — Apache-2.0. Карточка не раскрывает дополнительные ограничения или подробности применения.

XCodec2 — модель-токенизатор речи, разработанная HKUST Audio. Она кодирует речевой сигнал в последовательность аудиотокенов и предназначена для использования в задачах моделирования и синтеза речи, включая обучение и инференс моделей семейства LLaSA. В карточке указана аудио-в-аудио задача; модель принимает аудио, а результатом её кодековой обработки служат аудиотокены. Модель относится к архитектуре XCodec2 и распространяется в форматах PyTorch и Safetensors. В README приведены инструкции по установке пакета xcodec2 и упомянуты варианты версии для инференса кодека и тонкой настройки LLaSA. Репозиторий опубликован под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

smgriffin/24thankyou-lyrics-generator — модель генерации текста на основе GPT-2, дообученная на текстах песен инди-группы Midwest 24thankyou. Она предназначена для создания и продолжения текстов песен по текстовой подсказке. Модель использует архитектуру GPT-2 и библиотеку Transformers, принимает текст и генерирует текст; максимальная длина контекста составляет 1024 токена. Основной язык — английский. Модель подходит для черновиков песенных строк и творческих экспериментов в стилистике корпуса, на котором она обучалась. Она может воспроизводить особенности и ограничения обучающих текстов; качество и фактическая точность не гарантированы. Лицензия в предоставленных данных не указана.

Antalia 1 — модель синтеза турецкой речи, разработанная Sezgin Saygili, Emre Kaplaner, Oncel Ozgul и Fikri San Koktas (Patientdesk.ai). Это дообучение Antalia 1 Foundation для генерации речи одним фиксированным голосом; клонирование голоса по образцу не поддерживается. Модель использует символьное представление текста и архитектуру rectified flow: текстовый энкодер ConvNeXt из четырёх блоков, 16 Transformer-блоков потока с размерностью 768 и отдельную голову длительности. Вес модели — около 304,6 млн параметров в формате fp32 safetensors; для синтеза используется вокодер BigVGAN v2, вывод — монофоническое аудио 24 кГц. Модель предназначена для турецких голосовых прототипов, одноголосых ассистентов и исследований синтеза речи с обязательным раскрытием факта генерации. В оценке на 120 турецких запросах отбор лучшего из восьми вариантов улучшил средние CER и WER, но требует нескольких генераций и дополнительного ранжирования. Разработка прекращена, модель не поддерживается как продукт. Она хуже воспроизводит тембр реального диктора, а длинный текст требует разбиения на фрагменты; числа, иностранные имена, аббревиатуры и текст со сложной нормализацией дают больше ошибок. Поддерживается только турецкий язык и один голос. Лицензия OpenRAIL-M запрещает, среди прочего, имитацию реальных людей, обманное или мошенническое применение и политические робозвонки; синтетическую речь необходимо обозначать, а модель, производные и использующие их продукты, услуги и публикации должны содержать атрибуцию Antalia 1 и ссылку на репозиторий.