12 постов
Swiss German — 17,40% WER на диалектах
Это файнтюн nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B от Flurin17 для распознавания швейцарского немецкого. 30B параметров, около 4B активных на токен (MoE); обучен на 365 часах человеческих транскрипций: LoRA-адапте
LoRA-адаптер для речи на роми-конкани
Это LoRA-адаптер rank-64 от Reubencf для text-to-speech на базе unsloth/orpheus-3b-0.1-ft. Обучен на синтетической речи на роми-конкани; базовые веса отдельно и здесь не дублируются. Предназначен для одного синтетическог
турецкий экспериментальный LoRA-адаптер
ArdaOkan адаптировал NVIDIA Parakeet TDT 0.6B v3 для распознавания турецкой речи. В основе — rank-8 LoRA по вниманию во всех 24 слоях энкодера, при этом декодер, проекторы энкодер/декодер и joint-голова обучены полностью
Ngọc Huyền: компактный вьетнамский TTS
ViFastTts N0 — Ngọc Huyền — исследовательская TTS-модель для вьетнамского языка от dvchd. Это один женский голос, acoustic-модель small на 6,1 млн параметров и 24 kHz; в репозитории есть checkpoint, config, ONNX FP32 и б
крошечный TTS, которому не нужен GPU
Leokani-tts от Milliwatt Labs — английская text-to-speech модель всего на 7.0M параметров, которая работает на обычном CPU, Raspberry Pi и даже ESP32. Говорит одним женским американским голосом, обученным на синтетическо
компактный английский ASR с WER 7.12%
oruk-loop-153M от Oruk AI — английский распознаватель речи на 153 202 638 хранимых параметров, дистиллированный из Qwen3-ASR-1.7B. Архитектура учителя сохранена, но два transformer-стека собраны из одного общего блока: e
арабский TTS с голосом «Мурад»
Bayan от anwar-dev — арабская TTS-модель для современного литературного арабского (MSA) на базе nvidia/magpie_tts_multilingual_357m. Дообучена через LoRA и отдельный speaker-ряд под мужской голос «Мурад» на 71,6 минуты а
маленький английский TTS с эмоциями, звуками и клонированием голоса
Silencio-2 от BlueRoseLabs — компактная модель text-to-speech на английском. Это файнтюн Kyutai Pocket TTS 18M: 27,9 млн параметров в model.safetensors, из них 18,2 млн генерируют речь; все веса занимают один файл на 112
турецкий и английский ASR быстро на CPU
balbal-v2-manas — большая версия ASR-модели от erayyapagci для турецкого и английского языков. Это FastConformer-CTC на 313,3 млн параметров с looped refiner и product-key акустической памятью, декодирование — 6-gram tok
решения по тексту, картинкам и звуку за миллисекунды
d1-Omni-2B от LiquidAI — decision-модель на базе LFM3-Omni-2B: 2,17 млрд параметров и 128K контекста. Она возвращает калиброванные ответы за один forward pass, без генерации токенов, и принимает текст или JSON, изображен
азербайджанская речь на CPU
Модель распознавания азербайджанской речи от LocalDoc. Архитектура — FastConformer-CTC (18 слоёв, d512) с 3-pass loop refiner, product-key acoustic memory и 6-gram token KenLM; вход 16 kHz mono. Ориентирована на CPU и вы
два голоса в 1,4 млн параметров
PiVo — исследовательская TTS-модель от Empero Research с двумя английскими голосами, Pi и Vo. Это полный стек с 1 401 562 обучаемыми параметрами: акустическая модель на 584 965 параметров и FARGAN-производный вокодер на