これはApplied Brain Research（ABR）によって開発された、状態空間モデル（SSM）に基づく英語の自動音声認識モデルです。約1900万のパラメータを持ち、英語の音声を効率的かつ正確にテキストに変換することができます。このモデルは複数のベンチマークデータセットで優れた性能を発揮し、平均単語誤り率はわずか10.61%です。リアルタイム音声認識をサポートし、低コストのハードウェアで動作することができます。

音声処理Transformers英語

このモデルは、OpenAIのWhisper-smallモデルをベースに、スワヒリ語に対して微調整された自動音声認識モデルです。FLEURS - SLUデータセットのスワヒリ語部分で訓練され、スワヒリ語の文字起こしの精度が大幅に向上し、単語誤り率がベースモデルに比べて68%低下しました。

音声処理Transformersその他

このモデルは、OpenAI Whisper-smallをCommon Voice 17.0データセットで微調整した自動音声認識モデルで、Twi言語に特化して最適化されており、音声内容を正確に認識できます。

音声処理Transformersその他

Ming-flash-omni プレビュー版は、Ling-Flash-2.0の疎なエキスパート混合（MoE）アーキテクチャに基づいて構築されたマルチモーダル大規模モデルで、総パラメータは100Bに達し、各トークンでは6Bのパラメータのみがアクティブ化されます。このモデルはMing-Omniをベースに全面的にアップグレードされ、マルチモーダル理解と生成能力において著しい向上が見られ、特に音声認識、画像生成、およびセグメンテーション編集において優れた性能を発揮します。

マルチモーダルDiffusers英語

このモデルはmicrosoft/speech-t5の微調整バージョンで、ラテン語に特化して最適化された訓練を行っています。Vox Classicaデータセットの67時間分のラテン語音声データを使用して訓練され、高品質なラテン語テキストを音声に変換する機能を実現できます。

音声処理Safetensorsその他

MedWhisper Large ITAは、OpenAI Whisper Large v3 Turboをベースにした分野適合型のバリエーションで、イタリア語の医療音声認識に特化して最適化されています。このモデルは、精心選択されたイタリア語の外来専門診察録音セットを使用してLoRA技術で微調整され、医学用語や臨床表現の認識精度が大幅に向上しています。

音声処理Transformersその他

NeuTTS Airは世界初の即時音声クローニング機能を備えた超リアルなデバイス端テキスト音声変換（TTS）言語モデルです。0.5Bの大規模言語モデルのバックボーンネットワークをベースに構築され、ローカルデバイスに自然な音声、リアルタイム性能、組み込みセキュリティ機能、話者クローニング機能をもたらします。

音声処理Safetensors

これはOpenAI Whisper Smallアーキテクチャに基づくロシア語の自動音声認識モデルで、Common Voice 17.0データセットで特別に訓練され、ロシア語の音声を正確にテキストに変換できます。

音声処理Transformersその他

OpenAI Whisper Large v2をCommon Voice 17.0 スワヒリ語データセットでファインチューニングした音声認識モデルで、タンザニアの子供向けヘルプラインのスワヒリ語音声認識タスクに特化して設計されています。基本モデルと比較して、スワヒリ語の認識精度が大幅に向上しています。

音声処理Transformersその他

Moonshine Tinyは、Moonshine AI（旧有用センサー会社）によって開発された軽量のベトナム語自動音声認識モデルで、たった27Mのパラメータしか持たず、リソース制限のあるプラットフォーム向けに設計されており、FleursとCommon Voice 17のデータセットで優れた性能を発揮します。

音声処理Transformersその他

parakeet-tdt-0.6b-v3は強力な多言語自動音声認識モデルで、英語、スペイン語、フランス語、ドイツ語などの多くの欧州言語をサポートしています。FastConformer-TDTアーキテクチャに基づき、公開データセットを使用して訓練され、言語を超えた音声認識に効率的な解決策を提供します。

音声処理Nemo多言語

Whisper-smallアーキテクチャに基づく音声方言分類モデルで、江淮方言、膠遼官話、冀魯官話、蘭銀官話、普通話、西南官話、中原官話、広東語を含む8種類の中国方言バリエーションを識別するために特別に設計されています。このモデルはCommon Voice 11.0データセットで学習され、重要な音声認識価値を持っています。

音声処理Transformers中国語

Whisper-Large V3を基にした音声感情認識モデルで、MSP-Podcastデータセットに最適化されており、9種類の感情分類をサポート

音声処理Safetensors英語

これはASTアーキテクチャに基づく音声検出モデルで、ドローン音声識別タスクに特化して微調整されています。評価セットで99.6%の正解率と99.74%のF1値を達成し、優れた性能を発揮しています。

音声処理Transformers

これはwav2vec2-large-xlsr-53アーキテクチャに基づいて微調整された自動音声認識モデルで、エジプトアラビア語、現代標準アラビア語、および湾岸/レバントアラビア語に特化して最適化されています。このモデルは複数のアラビア語音声データセットで訓練され、一般音声17.0アラビア語テストセットで27.20%の単語誤り率を達成し、複数の同類モデルを上回っています。

音声処理Transformers多言語

AuriStream-1Bは、生物に着想を得たGPTスタイルの自己回帰型Transformerモデルで、長い音声文脈で蝸牛マークを予測するために特別に設計されています。このモデルは約20秒（4096個のマーク）の長い文脈ウィンドウを使用し、LibriLightデータセット（約60000時間）で約500000ステップの訓練を行い、豊富な時間的に整列した表現を学習し、音声の続きを生成することができます。

音声処理Transformers英語

EAT-baseはEAT-largeの事前学習モデルをベースにした微調整バージョンで、AS-2Mデータセットでさらに学習を行い、強化された音声表現能力を提供します。このモデルは自己教師付き事前学習の効率的な音声Transformerアーキテクチャを採用しており、分類や字幕生成などの下流の音声理解タスクで優れた性能を発揮します。

音声処理Transformers

これはディヴィヒ語の音声合成に対して微調整されたVITSモデルで、タナ文字で書かれたディヴィヒ語のテキストを高品質の女性音声オーディオに変換することができます。MetaのMMS - TTSアーキテクチャに基づき、精心に企画された合成ディヴィヒ語音声データセットを使用して訓練されています。

音声処理Transformersその他

これはAST（Audio Spectrogram Transformer）モデルのONNXバージョンで、音声分類タスク用に設計され、AudioSetデータセットで微調整されています。

音声処理Transformers

これはWhisper large-v3-turboモデルをベースに、約1000時間のカザフ語音声データで微調整された自動音声認識モデルで、テストセットの文字誤り率は9.16%です。

音声処理Transformersその他