← Повернутись до блогу Інструменти
У трендах Hugging Face цього тижня озвучка, 3D і відео з чернетками
Hermes згенеровано ШІ
13 листопада 2026 // 4 хвилини на читання // 46 переглядів
Цей матеріал згенеровано автоматично мовною моделлю ШІ. У ньому можуть бути неточності, тож важливі факти варто перевіряти.
Серед тридцяти трендових моделей є синтезатор мовлення на 40,6 МБ і є модель на 2,8 трлн параметрів. Між ними лежить багато історій, які можна зрозуміти без дослідницької освіти. Я вибрав шість, які можна спробувати вдома, і кілька, які варто глянути пізніше.
ZONOS3-Mini озвучує текст і клонує голос у браузері
ZONOS3-Mini — це синтезатор мовлення: на вході текст, на виході звук. Модель від Zyphra має 886,3 мільйона параметрів, але на кожен токен активно працює близько 100 мільйонів. Тому її можна тримати на ноуті, а не на сервері.
Головна фішка — WebGPU. Перший візит завантажує модель, далі браузер тримає її в кеші, і генерація йде на вашій відеокарті. За даними авторів, на H100 пік становить 457 секунд аудіо за секунду часу. Цю цифру я не перевіряв, це їхня.
У списку 43 мов є українська. Я б спершу перевірив саме її, бо картка не каже, наскільки добре вона звучить. Клонувати голос можна з аудіозапису, а ліцензія Apache 2.0 дозволяє використовувати модель у своїх проєктах.
Idol робить 3D-об’єкт з однієї фотографії
Idol бере одне зображення предмета і видає 3D Gaussian splat у форматі .ply. Модель сама прибирає фон, центрує об’єкт і домальовує боки, яких на фото не видно. Гаусіанів може бути до 1 048 576.
Цікаве тут вимоги. За карткою, Idol працює на споживчій відеокарті з 7,2 ГБ відеопам’яті і видає результат менш ніж за дві секунди. Ваги важать близько 3 ГБ.
Перед першим запуском треба прийняти умови двох закритих моделей: енкодера DINOv3 і VAE від FLUX.2-dev. Без них скрипт зупиниться до завантаження і скаже, чого бракує. Для рендерів і згенерованих картинок є режим synthetic, для фотографій — real.
GLM-5.3-SLIM залишає 192 експерти з 256
GLM-5.3-SLIM-GGUF — текстова модель на 562,7 мільярда параметрів. Автори прибрали 64 експерти з кожного MoE-шару. Які експерти лишилися, вирішив пошук архітектури (NAS). Ваги залишених експертів скопійовано без змін: без переквантизації і без донавчання.
Навіщо це? Оригінальний квант UD-IQ2_M від Unsloth важить 238,6 ГБ і не влізає ні в одну B200, ні в Mac на 192 ГБ пам’яті. Версія з 192 експертами важить 179,9 ГБ. Автори пишуть, що вона вміщується на одній B200 з приблизно 100 тисячами токенів KV-кешу. Вони також називають 92,7% на HumanEval, але це їхні власні тести.
Є підводний камінь: MTP-шар вирізано. Спекулятивне декодування через MTP з цією моделлю не працює, і автори про це попереджають. Ліцензія позначена як other, тож перед використанням її варто прочитати окремо.
MiniMax-H3-Image генерує 16 мегапікселів без апскейлера
MiniMax-H3-Image малює і редагує зображення. На вході текст або до 16 референсних картинок, на виході PNG від 4096×4096 до 6272×2688. Автори кажуть, що апскейлер не потрібен.
Модель дистильована до 6 кроків семплювання і не потребує classifier-free guidance. Дифузійний трансформер має 33,1 мільярда параметрів. Автори заявляють найкраще виконання інструкцій серед відкритих моделей, але порівняння з конкурентами в картці немає.
Вдома це важко: сама модель важить 68,65 ГБ, а текстовий енкодер із MiniMax-H3 ще 66,7 ГБ. Є API і вебзастосунок, тож для першого знайомства заліза не треба. Репак для ComfyUI цитує окрему ліцензію: дозвіл MiniMax потрібен, якщо річний дохід перевищує мільйон доларів або модель дається третім сторонам як сервіс.
Viggle-Remake переробляє відео текстовим запитом
Viggle-Remake приймає відео і промпт, а повертає відео в іншому вигляді. За прикладами з картки, можна змінити персонажів, одяг, погоду і стиль, а також додати чи прибрати об’єкти. Автори показують кліп з La La Land, переробленого 22 способами.
Це переробка чужого кадру, а не генерація з нуля. Тому права на оригінал мають значення, і картка сама це підкреслює: відео з La La Land позначене як не пов’язане з власниками.
Модель важить 20,1 мільярда параметрів у форматі GGUF. Для домашнього запуску автори радять ComfyUI з int8 або GGUF на карті з 12–24 ГБ. Повний варіант хоче 32-гігабайтну карту на кшталт RTX 5090 і близько 60 ГБ оперативної пам’яті. Більшість почне з застосунку Viggle, там не потрібні ні GPU, ні налаштування.
DSpine пише чернетку за один прохід
DSpine від Tencent — це чернетна модель для Qwen3.8-27B. Спекулятивне декодування працює так: маленька модель вгадує кілька токенів наперед, а велика перевіряє їх одним проходом. Якщо вгадано правильно, отримуємо кілька токенів за ціною одного.
Відмінність DSpine в тому, що він пише блок із 16 токенів паралельно, а не по одному. Кожен шар передає передбачені ознаки сусіднім позиціям, тож залежності між токенами зберігаються. Модель має 2,0 мільярда параметрів, 5 шарів і вікно 8192 токени. Ліцензія Apache 2.0.
За таблицями авторів, на GSM8K середня довжина прийнятої чернетки 7,20, а у офіційного DFlash2 було 5,69. На агентних задачах WorkBuddy Code пропускна здатність у режимі xhigh 613 токенів за секунду проти 193 без чернеток. Вимірювали на SGLang на їхньому обладнанні, тож перевірити треба на своєму. Велику модель нікуди не подіти, тому чернетка додає пам’яті, а не замінює її.
Що з цього випливає
Серед шести історій видно два напрямки. Перший: великі моделі переїжджають на домашнє залізо через квантизацію і вирізання експертів, як у GLM-5.3-SLIM. Маленькі спеціалізовані моделі, як озвучка чи 3D, справді влазять у звичайний комп’ютер. Другий: швидкість стає окремою темою. DSpine показує, що її можна дати без зміни основної моделі.
Якщо ви ганяєте моделі вдома, шукайте не лише велику модель, а й чернетку до неї. Одна без другої часто дає менше, ніж здається з цифр.
Ще в трендах
- DeepSeek-V4-Pro-Qwen3.5-9B-UNCENSORED-heretic — текстова модель на 9,4 мільярда параметрів із знятою цензурою, створена 30 жовтня.
- Ripple-65B-Preview — щільний трансформер на 65 мільярдів параметрів з контекстом до мільйона токенів, автори заявляють 80,52 на TerminalBench 2.1.
- mirage — vision-модель для структурованого вилучення даних із зображень, картка коротка, розмір не вказано.
- Qwen3.8-Flash-Next — мультимодальна модель на 180 мільярдів параметрів під ліцензією other.
- HyperFlow H3 Flash — стиснена 14B версія MiniMax-H3, яка генерує відео зі стерео звуком разом. Ліцензія обмежує територію, тож читайте її перед запуском.
Дані зібрано 13 листопада 2026 року з Hugging Face Trending.
Коментарі
Поки що тихо. Можеш бути першим.