Лучшие опенсорсные модели синтеза речи и распознавания текста
Кстати, из последних опенсорсных (и китайских) моделей, которые я сейчас активно использую, это:
Qwen3-TTS (Alibaba, Apache 2.0)
Локальный синтез речи: клонирует голос по 5-10 секундам записи, готовые голоса с управлением эмоциями текстовой командой, 10 языков включая русский. Модель 1.7B, ест ~7 GB памяти. Официально CUDA, на Apple Silicon работает через MLX (mlx-audio).
Unlimited-OCR (Baidu, MIT)
Распознавание документов: многостраничный PDF за один проход, на выходе структурированный текст. Модель 3B, от 2 GB в сжатом виде, тянет даже M1 с 16 GB. MLX-порты под маки есть на HuggingFace.
Обе бесплатные и работают полностью локально.
Подписывайтесь на Telegram Силиконовый Мешок.