I.9Аудио и музыка

Карточка модели erenyeager-1/OmniVoice на Hugging Face совпадает с карточкой k2-fsa/OmniVoice, поэтому описание составлено по ней. OmniVoice — многоязычная модель синтеза речи от команды k2-fsa, дообученная на базе Qwen/Qwen3-0.6B. Она использует архитектуру в стиле диффузионной языковой модели и предназначена для преобразования текста в речь, клонирования голоса по короткому аудиореференсу и создания голоса по заданным атрибутам. Модель заявлена для более чем 600 языков. Она поддерживает управление характеристиками голоса, включая пол, возраст, высоту тона, диалект и акцент, а также генерацию невербальных звуков по маркерам и коррекцию произношения с помощью пиньиня или фонем. В README заявлена скорость генерации до 40 раз выше реального времени. OmniVoice подходит для озвучивания текста, создания голосовых прототипов и генерации речи с заданным звучанием. Клонирование голоса допускается только при наличии соответствующих прав и согласия: разработчики запрещают несанкционированное подражание голосу, мошенничество и незаконное или неэтичное использование. Лицензия в предоставленных материалах не указана.

Карточка модели justmeeandy/OmniVoice на Hugging Face совпадает с карточкой k2-fsa/OmniVoice, поэтому описание составлено по ней. OmniVoice — многоязычная модель синтеза речи от команды k2-fsa, дообученная на базе Qwen/Qwen3-0.6B. Она использует архитектуру в стиле диффузионной языковой модели и предназначена для преобразования текста в речь, клонирования голоса по короткому аудиореференсу и создания голоса по заданным атрибутам. Модель заявлена для более чем 600 языков. Она поддерживает управление характеристиками голоса, включая пол, возраст, высоту тона, диалект и акцент, а также генерацию невербальных звуков по маркерам и коррекцию произношения с помощью пиньиня или фонем. В README заявлена скорость генерации до 40 раз выше реального времени. OmniVoice подходит для озвучивания текста, создания голосовых прототипов и генерации речи с заданным звучанием. Клонирование голоса допускается только при наличии соответствующих прав и согласия: разработчики запрещают несанкционированное подражание голосу, мошенничество и незаконное или неэтичное использование. Лицензия в предоставленных материалах не указана.

OmniVoice — многоязычная модель синтеза речи от команды k2-fsa, дообученная на базе Qwen/Qwen3-0.6B. Она использует архитектуру в стиле диффузионной языковой модели и предназначена для преобразования текста в речь, клонирования голоса по короткому аудиореференсу и создания голоса по заданным атрибутам. Модель заявлена для более чем 600 языков. Она поддерживает управление характеристиками голоса, включая пол, возраст, высоту тона, диалект и акцент, а также генерацию невербальных звуков по маркерам и коррекцию произношения с помощью пиньиня или фонем. В README заявлена скорость генерации до 40 раз выше реального времени. OmniVoice подходит для озвучивания текста, создания голосовых прототипов и генерации речи с заданным звучанием. Клонирование голоса допускается только при наличии соответствующих прав и согласия: разработчики запрещают несанкционированное подражание голосу, мошенничество и незаконное или неэтичное использование. Лицензия в предоставленных материалах не указана.

OmniVoice-bfloat16 — версия многоязычной модели синтеза речи OmniVoice, подготовленная сообществом mlx-community для Apple Silicon и библиотеки MLX. Это преобразование весов k2-fsa/OmniVoice в формат MLX с точностью bfloat16; конфигурация, токенизатор и необходимые компоненты аудиотокенизатора взяты из официального чекпойнта. Исходная модель поддерживает синтез речи с нуля по тексту и клонирование голоса. Модель предназначена для локального синтеза речи и создания озвучки на устройствах Apple Silicon. Версия bfloat16 описана как качественный вариант для такого применения. Для клонирования голоса нужен полный аудиотокенизатор: облегчённые ресурсы могут декодировать аудио, но не обеспечивают надёжное кодирование голоса говорящего. Используются лицензия Apache-2.0 и условия исходного репозитория k2-fsa/OmniVoice.

OmniVoice BR-PT v1.5 — модель синтеза речи на бразильском португальском, созданная edwixx как дообучение k2-fsa/OmniVoice. Она предназначена для генерации речи по тексту, экспериментов с дизайном голоса и клонирования голоса с помощью OmniVoice. Модель использует архитектуру OmniVoice и формат весов safetensors; внутри базовой модели применяется языковой код `pt`, а бразильский вариант португальского поддержан тонкой настройкой на соответствующих данных. В README приведена оценка распознаваемости на наборе из 20 запросов; выбранный чекпойнт показал один из лучших результатов среди вариантов настройки. Модель выпущена по лицензии Apache-2.0.

Parler-TTS Mini v1.1 — компактная модель преобразования текста в речь, разработанная командой Parler-TTS при участии Stability AI и Эдинбургского университета. Модель обучена на 45 тысячах часов аудиоданных и предназначена для синтеза естественно звучащей речи по тексту. Характеристики голоса можно задавать текстовым описанием: управлять тембром и полом голоса, скоростью речи, высотой тона, реверберацией и уровнем фонового шума. Для более стабильного голоса можно выбрать одного из 34 описанных дикторов. Версия v1.1 использует улучшенный токенизатор текстовых описаний с расширенным словарём и поддержкой byte fallback; карточка указывает английский язык. Модель подходит для озвучивания текста с настройкой подачи и акустических условий, а также для приложений, которым нужны разные голоса. Она доступна в формате safetensors и использует библиотеку Transformers. Лицензия Apache-2.0 разрешает свободное использование и распространение.

Карточка модели amphion/TaDiCodec-TTS-AR-Qwen2.5-3B на Hugging Face совпадает с карточкой amphion/TaDiCodec-TTS-AR-Qwen2.5-0.5B, поэтому описание составлено по ней. TaDiCodec-TTS-AR-Qwen2.5-0.5B — авторегрессионная модель синтеза речи из текста, разработанная командой Amphion. Она использует Qwen2.5-0.5B-Instruct для генерации речевых токенов и кодек TaDiCodec для восстановления речи; модель предназначена для синтеза речи, в том числе в сценариях zero-shot TTS. TaDiCodec кодирует речь с частотой кадров 6,25 Гц и битрейтом 0,0875 кбит/с для аудио 24 кГц, применяя одноуровневый кодбук и диффузионный автоэнкодер с текстовым управлением декодером. Модель содержит около 508,4 млн параметров, использует архитектуру Qwen2 и библиотеку Transformers; контекст — до 32 768 токенов. В карточке заявлена поддержка английского, китайского, японского, французского, немецкого и корейского языков. Лицензия — Apache-2.0. Оценки качества и ограничения использования в предоставленных данных подробно не раскрыты.

VibeVoice-7B-GGUF — это конвертация модели VibeVoice-7B в формат GGUF для запуска через audio.cpp. Модель разработана авторами проекта VibeVoice; данный пакет адаптирован для экосистемы audio.cpp. Модель предназначена для синтеза речи по тексту, включая создание длинных аудиофрагментов и многодикторскую генерацию. Она поддерживает английскую и китайскую речь. Архитектура основана на модели VibeVoice с 7 млрд параметров; доступный файл использует квантование Q8_0 в формате GGUF. Пакет можно применять через CLI или сервер audio.cpp, а также выбирать через нативный WebUI после публикации пакета. К сильным сторонам относятся поддержка длинных форматов и нескольких дикторов, а также возможность локального запуска в audio.cpp. В README не указаны точные ограничения по длине контекста, перечень поддерживаемых голосов, требования к входным данным и качество синтеза. Приведённая проверка на RTX 5090 показала коэффициент реального времени около 0,18, длительность вывода около 52 секунд и пиковое потребление видеопамяти около 13,3 ГБ, однако эти значения зависят от реализации и оборудования и не являются полноценным бенчмарком. Распространение выполняется по лицензии MIT.

VieNeu-TTS v2 Turbo — ускоренная версия модели синтеза речи семейства VieNeu-TTS от pnnbao-ump. Она построена на трансформере-декодере Qwen3 с 111,6 млн параметров и использует двухэтапную схему: языковая модель предсказывает дискретные аудиотокены по тексту и данным о голосе, после чего нейрокодек VieNeu-Codec преобразует их в речь с частотой 24 кГц. Модель принимает текст и короткий образец голоса, поддерживает вьетнамский и английский языки, включая смешение языков в одной фразе; длина родного контекста — 4096 токенов. Модель предназначена для низколатентного синтеза речи на GPU, интерактивных помощников и создания аудиоконтента. По заявлению авторов, клонирование голоса работает в zero-shot-режиме по образцу длительностью 3–5 секунд без текста образца; аудиовыход содержит незаметный водяной знак для идентификации происхождения. В метаданных среди обучающих данных указаны VieNeu-TTS-1000h, Vietnamese Audio Corpus, Emilia и Multilingual LibriSpeech. Модель распространяется по лицензии Apache-2.0.

VieNeu-TTS v3 Turbo — вьетнамско-английская модель синтеза речи, разработанная Phạm Nguyễn Ngọc Bảo и обученная с нуля. Плотная архитектура VieNeuV3TurboForTTS насчитывает 103,8 млн параметров; модель рассчитана на контекст до 1024 токенов и выдаёт речь с частотой 48 кГц. Для запуска доступны веса Safetensors и экспорт ONNX. Модель предназначена для озвучивания текста на вьетнамском и английском языках, включая переключение между ними в одном тексте. Она поддерживает 20 встроенных голосов с региональными вариантами вьетнамского произношения, клонирование голоса по аудиофрагменту, потоковую генерацию и эмоциональные подсказки. В README также описан запуск через Python SDK: на CPU используется ONNX Runtime, а на CUDA — PyTorch. Модель подходит для озвучивания подкастов, диалогов и длинных текстов, а также для потоковой речи с быстрым началом воспроизведения. Для длинной генерации и пакетной обработки может быть полезен GPU; короткие запросы обычно эффективно выполняются на CPU. README отмечает, что параметр style в версии Turbo принимается интерфейсом, но не влияет на результат. Лицензия модели и включённых в репозиторий артефактов — Apache-2.0.

alphacep/vosk-vc-ru — базовая модель для преобразования голоса без обучения на конкретном целевом дикторе. Она обучена на базе VITS и ContentVec и предназначена для преобразования входной речи с сохранением содержания и изменением характеристик голоса. В README приведено сравнение сходства целевого голоса, рассчитанного с Resemblyzer: среднее значение 0,880, минимум 0,712; для исходной QuickVC указаны 0,667 и 0,477 соответственно. Модель принимает аудио и выдаёт аудио, ориентирована на русский язык. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

Карточка модели kkjipndy/VoxCPM2 на Hugging Face совпадает с карточкой Tha456/VoxCPM2, поэтому описание составлено по ней. VoxCPM2 — модель синтеза речи, представленная в карточке Tha456. Это авторегрессионная диффузионная модель без токенизатора с архитектурой LocEnc → TSLM → RALM → LocDiT, основанной на MiniCPM-4. Размер модели — 2 млрд параметров; она использует AudioVAE V2 и генерирует речь с частотой 48 кГц. Модель предназначена для многоязычного преобразования текста в речь, создания голоса по текстовому описанию и клонирования голоса по короткому аудиофрагменту, в том числе с управлением стилем. По README поддерживает 30 языков, включая русский, и заявляет потоковую генерацию в реальном времени. Репозиторий использует формат safetensors и библиотеку voxcpm. Лицензия Apache-2.0 разрешает коммерческое использование. Качество Voice Design и управления стилем может меняться между запусками; результаты зависят от языка, а очень длинный или выразительный ввод иногда вызывает нестабильность. README запрещает использовать модель для имитации личности, мошенничества и дезинформации и рекомендует маркировать сгенерированную речь.

Карточка модели YaWai23/VoxCPM2 на Hugging Face совпадает с карточкой Tha456/VoxCPM2, поэтому описание составлено по ней. VoxCPM2 — модель синтеза речи, представленная в карточке Tha456. Это авторегрессионная диффузионная модель без токенизатора с архитектурой LocEnc → TSLM → RALM → LocDiT, основанной на MiniCPM-4. Размер модели — 2 млрд параметров; она использует AudioVAE V2 и генерирует речь с частотой 48 кГц. Модель предназначена для многоязычного преобразования текста в речь, создания голоса по текстовому описанию и клонирования голоса по короткому аудиофрагменту, в том числе с управлением стилем. По README поддерживает 30 языков, включая русский, и заявляет потоковую генерацию в реальном времени. Репозиторий использует формат safetensors и библиотеку voxcpm. Лицензия Apache-2.0 разрешает коммерческое использование. Качество Voice Design и управления стилем может меняться между запусками; результаты зависят от языка, а очень длинный или выразительный ввод иногда вызывает нестабильность. README запрещает использовать модель для имитации личности, мошенничества и дезинформации и рекомендует маркировать сгенерированную речь.

Карточка модели zinooko/VoxCPM2 на Hugging Face совпадает с карточкой Tha456/VoxCPM2, поэтому описание составлено по ней. VoxCPM2 — модель синтеза речи, представленная в карточке Tha456. Это авторегрессионная диффузионная модель без токенизатора с архитектурой LocEnc → TSLM → RALM → LocDiT, основанной на MiniCPM-4. Размер модели — 2 млрд параметров; она использует AudioVAE V2 и генерирует речь с частотой 48 кГц. Модель предназначена для многоязычного преобразования текста в речь, создания голоса по текстовому описанию и клонирования голоса по короткому аудиофрагменту, в том числе с управлением стилем. По README поддерживает 30 языков, включая русский, и заявляет потоковую генерацию в реальном времени. Репозиторий использует формат safetensors и библиотеку voxcpm. Лицензия Apache-2.0 разрешает коммерческое использование. Качество Voice Design и управления стилем может меняться между запусками; результаты зависят от языка, а очень длинный или выразительный ввод иногда вызывает нестабильность. README запрещает использовать модель для имитации личности, мошенничества и дезинформации и рекомендует маркировать сгенерированную речь.

VoxCPM2 GGUF — это конвертированная в формат GGUF версия модели VoxCPM2, разработанной OpenBMB. Она предназначена для синтеза речи из текста (TTS) и работы с CrispASR, включая локальный инференс и генерацию аудио в формате моно PCM с частотой 48 кГц. Модель поддерживает zero-shot клонирование голоса по эталонной аудиозаписи. Архитектура включает TSLM на базе 28-слойного MiniCPM-4, RALM, LocEnc, LocDiT и AudioVAE; общий объём составляет около 2 млрд параметров. Модель напрямую генерирует аудиопатчи посредством диффузионного процесса без дискретных аудиотокенов, использует CFM с classifier-free guidance и поддерживает 30 языков, включая русский, а также 9 китайских диалектов. Доступны варианты F16, Q8_0 и Q4_K: квантованные версии требуют меньше памяти и могут работать быстрее, но Q4_K несколько уступает по качеству F16. Репозиторий содержит только преобразование и квантование исходных весов без дообучения, слияния или изменения архитектуры и возможностей. Численная валидация заявлена для всех основных стадий инференса. Модель распространяется по лицензии Apache 2.0; права на исходную модель принадлежат OpenBMB.

Карточка модели m-a-p/YuE-s1-7B-anneal-jp-kr-cot на Hugging Face совпадает с карточкой m-a-p/YuE-s1-7B-anneal-en-cot, поэтому описание составлено по ней. YuE-s1-7B-anneal-en-cot — англоязычная версия модели серии YuE, разработанной HKUST/M-A-P для генерации музыки по тексту песни. Модель относится к семейству Llama, использует плотную архитектуру LlamaForCausalLM и содержит около 5,9 млрд параметров; заявленный контекст — 16 384 токена. В репозитории указаны веса Safetensors. Модель предназначена для создания полноценных песен длительностью в несколько минут: она превращает текст песни в вокальную партию и инструментальное сопровождение. Для серии YuE также описаны генерация в разных жанрах, продолжение музыки и создание песни по аудиореференсу в режиме ICL; доступность этих режимов именно в данной англоязычной версии README отдельно не уточняет. Модель распространяется по лицензии Apache 2.0. Авторы рекомендуют указывать авторство YuE by HKUST/M-A-P при использовании сгенерированных материалов. Модель ориентирована на генерацию музыки, поэтому качество и соответствие результата тексту, жанру и вокальным пожеланиям могут различаться.

ZONOS2 — мультиязычная модель синтеза речи компании Zyphra. Она преобразует текст в аудио и предназначена для естественного, выразительного озвучивания, включая клонирование голоса по образцу речи. По описанию разработчика, модель обучена на более чем 6 млн часов разнообразной многоязычной речи и использует MoE-архитектуру для генерации токенов DAC с низкой задержкой; при обработке применяются нормализация текста nemo TN и эмбеддинги ECAPA-TDNN. Модель поддерживает английский, китайский, японский, русский и ряд других языков с разными уровнями заявленной поддержки. Для локального запуска Zyphra предоставляет сервер инференса на Mini-SGLang; инструкция README указывает на Linux x86_64 и NVIDIA GPU с CUDA. Также доступна размещённая версия сервиса. Репозиторий распространяется по лицензии Apache-2.0. Заявления о качестве и естественности речи приведены разработчиком; сравнительные оценки README не сопровождаются результатами независимой проверки. Размер модели и длина контекста в доступных сведениях не приведены.

Audio8 TTS Preview 0.1B — компактная мультиязычная модель синтеза речи, разработанная Audio8. Она генерирует речь по тексту и поддерживает клонирование голоса без дополнительного обучения: для этого используются аудиозапись-образец и её текстовая расшифровка. Модель построена на архитектуре Audio8 Falcon H1 с медленной и быстрой авторегрессионными ветвями: первая предсказывает семантические токены, вторая — кодовые последовательности аудиокодека. В репозитории также находятся кодек, токенизатор и процессор. Метаданные указывают 79,7 млн параметров, тогда как карточка описывает основной генеративный компонент примерно как 170 млн параметров и отдельно указывает декодер кодека примерно на 120 млн; эти оценки могут учитывать компоненты по-разному. Контекст — 8192 токена. Основные языки — китайский и английский; немецкий, испанский, французский, итальянский, японский и корейский заявлены для экспериментальной многоязычной оценки, с более переменным качеством. Модель рассчитана на сравнительно компактный стек синтеза речи, а карточка приводит результаты оценки для перечисленных языков, подчёркивая, что межпроектные сравнения не являются строго сопоставимым рейтингом. Длинные, шумные или неверно расшифрованные образцы могут ухудшать стабильность генерации и сходство голоса. Для клонирования голоса следует получить согласие; синтетическую речь рекомендуется раскрывать. Указана лицензия «other», конкретные условия в карточке не уточнены.

AudioSeg — модель для автоматического определения тематических границ непосредственно по аудио. Она принимает подкаст, лекцию или видео и выдаёт вероятность границы темы для каждого 6-секундного интервала, которую можно порогово преобразовать в отметки глав. Модель представлена авторами исследования «Beyond Transcripts: A Renewed Perspective on Audio Chaptering». Архитектура использует замороженный аудиоэнкодер Whisper large-v3 для последовательных 30-секундных фрагментов и обученную голову примерно на 32 млн параметров. Голова объединяет признаки в представления 6-секундных сегментов, затем оценивает вероятность границы для каждого сегмента. Обучение проводилось на YTSeg с человеческими отметками глав из видео YouTube; энкодер Whisper оставался замороженным. Модель подходит для автоматического создания глав и тематического сегментирования длинных аудиозаписей. Для работы требуются Transformers, PyTorch, torchaudio и загрузка энкодера openai/whisper-large-v3 при первом использовании. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Модель chatterbox-fp16 — конвертированная в формат MLX версия Chatterbox от Resemble AI, подготовленная сообществом mlx-community для библиотеки mlx-audio. Она синтезирует речь по тексту и поддерживает клонирование голоса по аудиообразцу. Для генерации речи можно задавать код языка; заявлена поддержка 23 языков, включая русский, английский, арабский, немецкий, японский и китайский. Модель распространяется в формате safetensors и рассчитана на запуск через mlx-audio. Лицензия — Apache-2.0. Репозиторий создан 17 декабря 2025 года. Размер модели и длина контекста в предоставленных данных не приведены. Подробности о качестве синтеза и ограничениях клонирования отсылаются к карточке исходной модели.

CosyVoice2-0.5B — модель синтеза речи на основе LLM от команды FunAudioLLM. Она преобразует текст в речь и предназначена для многоязычной озвучки, включая сценарии клонирования голоса по образцу и потоковой генерации речи. В README для семейства CosyVoice описаны поддержка китайского, английского, японского, корейского, немецкого, испанского, французского, итальянского и русского языков, управление языком, эмоцией, темпом и громкостью с помощью инструкций, а также потоковый ввод текста и вывод аудио. Для версии 2.0 указана поддержка потокового вывода и доступность интеграции с vLLM; конкретные показатели задержки в README относятся к CosyVoice 3.0. В репозитории указаны форматы ONNX и safetensors; идентификатор модели и README указывают на вариант объёмом 0,5 млрд параметров. Модель подходит для озвучивания текста, создания многоязычных голосовых интерфейсов и потокового синтеза речи. Лицензия — Apache-2.0. README содержит общее описание нескольких поколений CosyVoice, поэтому заявленные в нём возможности CosyVoice 3.0, включая отдельные показатели качества и задержки, нельзя автоматически приписывать версии 2.0.

SWivid/E2-TTS — чекпойнт модели синтеза речи E2 TTS, связанный с проектом F5-TTS. Репозиторий содержит веса PyTorch в формате safetensors; в README указана версия E2TTS_Base с шагом обучения 1 200 000. Название исследовательской работы описывает подход как полностью неавторегрессионный zero-shot TTS. Модель предназначена для преобразования текста в речь, в том числе для zero-shot-сценариев. Метаданные указывают датасет Emilia, но карточка не сообщает поддерживаемые языки, размер модели, длину контекста или подробные условия запуска. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией и ограничивает коммерческое применение.

F5-TTS — модель синтеза речи из текста, представленная в репозитории SWivid/F5-TTS. Карточка связывает её с работой «F5-TTS: A Fairytaler that Fakes Fluent and Faithful Speech with Flow Matching»; метаданные указывают библиотеку f5-tts и веса в форматах PyTorch и Safetensors. Модель предназначена для преобразования текста в речь. В README перечислены варианты чекпойнтов F5TTS_v1_Base, F5TTS_Base и E2TTS_Base. В качестве датасета в метаданных указан Emilia. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка содержит мало сведений о поддерживаемых языках, параметрах модели и качестве синтеза, поэтому эти характеристики здесь не уточняются.

HeartMuLa-oss-3B — плотная аудиомодель семейства HeartMuLa, разработанная командой HeartMuLa. По метаданным она предназначена для преобразования текста в аудио; карточка указывает поддержку китайского, английского, японского, корейского и испанского языков. Модель распространяется в формате Safetensors. Модель можно применять для создания аудио по текстовому запросу. README отсылает к репозиторию проекта за инструкциями по запуску и локальному развертыванию. Лицензия Apache 2.0.

Карточка модели fairy322/higgs-audio-v3-tts-4b-transformers на Hugging Face совпадает с карточкой multimodalart/higgs-audio-v3-tts-4b-transformers, поэтому описание составлено по ней. Higgs Audio v3 TTS (4B) — это вариант модели bosonai/higgs-audio-v3-tts-4b, подготовленный multimodalart для загрузки через библиотеку Transformers без SGLang. Веса исходного чекпойнта скопированы без изменений; добавлены файлы конфигурации и модели для trust_remote_code. В основе — Qwen3-4B с объединёнными аудиоэмбеддингами и выходной головой для нескольких кодовых книг. Модель предназначена для синтеза речи по тексту и поддерживает генерацию с использованием эталонного аудио. На выходе возвращает монофоническую волну с частотой 24 кГц; обработка восьми кодовых книг и декодирование волны выполняются автоматически. Для кодирования эталонного аудио и декодирования используется токенизатор bosonai/higgs-audio-v2-tokenizer. Требуется Transformers версии 5.5 или выше. Чекпойнт рассчитан на некоммерческое исследовательское использование и наследует лицензию исходной модели. Основа LM может загружаться в выбранной точности, для неё рекомендуется bf16; аудиокодек работает в fp32, поскольку декодирование в bf16 нестабильно. README не описывает конкретный охват языков синтеза, поэтому язык из тега en нельзя уверенно считать единственным поддерживаемым языком.

ICE-012 Audio — мультиязычная модель синтеза речи, разработанная DarkPs, организацией FanuonAI. Она генерирует речь из текста, поддерживает потоковую выдачу аудио и клонирование голоса по образцу записи. Архитектура включает активный акустический адаптер: он обрабатывает эмбеддинги аудиокодека перед основной моделью и уточняет скрытые состояния после неё. Для управления синтезом доступны настройки пола и возраста голоса, высоты тона, акцента, стиля и скорости речи. Модель принимает название языка или его короткий код; карточка заявляет поддержку 590 названий и вариантов языков. Для клонирования требуется референсная WAV-запись. Репозиторий использует формат safetensors и библиотеку iceAudio. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Это сторонний пакет весов IndexTTS 2.5, собранный T8star-Aix для инференса в настольном приложении T8star-Aix и узле ComfyUI. Пакет включает основную модель, модель адаптации скорости речи, текстовую модель эмоций Qwen, многоязычные файлы токенизации и необходимые компоненты Wav2Vec2-BERT, CAMPPlus и BigVGAN. Файлы основаны на закреплённых версиях репозиториев IndexTeam и других авторов и, согласно README, сохранены без изменения содержимого. Модель предназначена для синтеза речи по тексту с поддержкой клонирования голоса и управления эмоциями; пакет объединяет нужные для инференса файлы и рассчитан также на работу офлайн после загрузки. Метаданные указывают поддержку китайского, английского, японского, испанского и арабского языков. Пакет распространяется под лицензией bilibili Model Use License Agreement и включает компоненты с отдельными лицензиями; перед использованием следует проверить LICENSE и THIRD_PARTY_NOTICES.md. Это не официальный канал распространения IndexTTS, и правообладатели не подтверждают и не гарантируют стороннюю упаковку.

mlx-community/IndexTTS-2-fp16 — конвертированная в формат MLX версия IndexTTS-2 в точности fp16, опубликованная сообществом mlx-community. Модель предназначена для zero-shot клонирования голоса и синтеза речи по тексту; она позволяет отдельно управлять эмоцией и целевой длительностью речи. Веса включают авторегрессионный компонент UnifiedVoice v2 GPT для преобразования текста в семантическое представление, кондиционеры conformer/perceiver, flow-matching-компонент S2Mel и вокодер BigVGAN v2. Выходная речь имеет частоту дискретизации 22,05 кГц. Репозиторий содержит веса safetensors для запуска через MLX; Swift-порт поддерживает также создание вариантов int8 и int4 в памяти. В README описаны проверки численного соответствия эталонной реализации, включая воспроизведение её аудиовыхода и управление эмоцией и длительностью. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с исходной моделью IndexTeam/IndexTTS-2 и её лицензией.

Indic Parler-TTS — мультиязычная модель синтеза речи, разработанная в сотрудничестве команды Hugging Face Audio и AI4Bharat. Это дообученная версия Indic Parler-TTS Pretrained на 1 806 часах данных на индийских языках и английском; архитектура Parler-TTS использует условную генерацию речи по тексту и текстовому описанию звучания. Модель принимает текст для озвучивания и описание голоса или манеры речи, позволяя задавать темп, высоту голоса, эмоциональную окраску, акцент, качество записи и фоновые шумы. Модель предназначена для создания речи на 21 языке: ассамском, бенгальском, бодо, догри, английском, гуджарати, хинди, каннада, конкани, майтхили, малаялам, манипури, маратхи, непали, одия, санскрите, сантали, синдхи, тамильском, телугу и урду. В карточке также заявлена неофициальная поддержка чхаттисгархи, кашмири и пенджаби. Доступны 69 голосов; эмоциональные подсказки официально поддерживаются для десяти языков, а возможность задавать иные акценты описана как настройка через style transfer. Модель подходит для озвучивания текстов и создания выразительной речи с управляемыми характеристиками. Карточка не приводит сведения о размере модели и длине контекста. Лицензия — Apache-2.0.

Irodori-TTS-v4-Small-fp16 — японская модель синтеза речи из текста, преобразованная проектом mlx-community в формат MLX из Aratako/Irodori-TTS-v4-Small. Она объединяет клонирование голоса по образцу речи, VoiceDesign по текстовому описанию голоса и автоматический прогноз длительности речи в одном чекпойнте. Модель предназначена для локального синтеза речи с библиотекой mlx-audio; в репозитории поставляются текстовый энкодер ModernBERT-ja-310m с токенизатором и японский аудиокодек Semantic-DACVAE-Japanese-32dim, поэтому для инференса не требуются дополнительные загрузки. Для клонирования можно подать референсную аудиозапись длительностью до 120 секунд; несколько аудиоклипов кодируются отдельно и объединяются. При генерации по описанию голоса без референсного аудио короткие тексты менее чем примерно из семи токенов могут озвучиваться дважды из-за прогноза длительности; это поведение соответствует исходной реализации PyTorch. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.