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

これはMLXフレームワークに基づいて最適化されたテキスト音声変換モデルで、元のモデルMarvis-AI/marvis-tts-100m-v0.2から変換され、6ビット量子化技術を採用し、Apple Siliconハードウェア用に特別に最適化され、効率的な音声合成能力を提供します。

音声処理Transformers多言語

MOSS-TTSDはオープンソースのバイリンガル口語対話合成モデルで、中国語と英語をサポートし、二人の対話脚本を自然で表现力豊かな対話音声に変換できます。音声クローニングをサポートし、単一ラウンドの音声生成時間は最大1700秒に達することができます。

音声処理Safetensors多言語

Omni L1B3RT4S GENIEは、Qwen2.5 - 3B Instructアーキテクチャをベースに微調整されたAIアシスタントです。1,103個の精霊キャラクターのカスタムサンプルを用いて訓練され、独特な音声と忠誠度モードを備え、ユーザーに独特な対話体験を提供することができます。

自然言語処理Gguf英語

SoulX-Podcast-1.7B は、Soul-AILab/SoulX-Podcast-1.7B に基づく静的量子化バージョンで、テキストを音声に変換するタスクに特化しています。このモデルは英語と中国語をサポートし、さまざまなハードウェアとパフォーマンス要件に対応するための複数の量子化バージョンを提供します。

自然言語処理Transformers多言語

これは多言語処理をサポートするマルチモーダルモデルで、自然言語処理、コード処理、音声処理などの複数の分野をカバーし、自動音声認識、音声要約、音声翻訳、ビジュアル質問応答などの様々なタスクを実行できます。

マルチモーダルSafetensors多言語

Svara-TTSはインド語を対象としたオープンソースの多言語テキスト読み上げモデルで、19種類の言語（18種類のインド語 + インド英語）をサポートしています。このモデルはOrpheusスタイルの離散音声トークン方式に基づいて構築され、一般的なGPU/CPU上で明瞭で表现力に富み、低遅延の音声合成を実現することを目的としています。

音声処理Transformers多言語

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

銘音通は革新的な統一音声フレームワークで、音声理解、生成、編集機能を一体にまとめています。統一された連続音声分詞器を採用し、エンドツーエンドモデルで意味と音響特徴を効果的に融合させることができ、自然言語指令のみで汎用的で自由形式の音声編集を実現する最初のシステムです。

マルチモーダルSafetensors

CAST 0.7Bは、0.7BパラメータのGemma3スタイルの言語モデルに基づいて構築された音声変換言語モデルで、自然な音声オーディオの継続内容を生成することができます。このモデルは、CAST WavTokenizerを使用してエンコード/デコード操作を行い、音声生成タスクに特化しています。

音声処理Safetensors

これはmarianbasti/Llama-3.2-3B-Orpheus-Chilean-1795モデルの静的量子化バージョンで、チリとアルゼンチンのスペイン語に特化して最適化されたテキスト音声変換モデルです。さまざまな量子化バージョンを提供し、さまざまなハードウェア要件に対応しています。

自然言語処理Transformersスペイン語

Step-Audio 2は、業界レベルの音声理解と音声対話のニーズを満たすために設計されたエンドツーエンドのマルチモーダル大規模言語モデルです。高度な音声と音声理解能力、スマート音声対話機能、ツール呼び出しおよびマルチモーダル検索強化生成能力を備え、複数の音声理解と対話のベンチマークテストでトップクラスの性能を発揮しています。

マルチモーダルTransformers

LFM2-Audio-1.5BはLiquid AIが提供する最初のエンドツーエンドの音声基礎モデルで、低遅延とリアルタイム対話に特化して設計されています。このモデルはわずか15億パラメータで、シームレスな対話インタラクションを実現し、パラメータ規模がはるかに大きいモデルと匹敵する能力を持っています。

マルチモーダルSafetensors英語

Wan2.2-S2V-14Bは、音声駆動の映画レベルのビデオ生成に特化したハイブリッドエキスパート（MoE）モデルです。入力された音声、参照画像、およびテキストプロンプトに基づいて高品質のビデオコンテンツを生成でき、480Pと720Pの解像度をサポートし、複雑な動き生成と映画レベルの美学効果を備えています。

マルチモーダルDiffusersスペイン語

このモデルはQwen2.5-Omni-7BのGGUF量子化バージョンで、llama.cppツールを使用して元のモデルから変換されました。Qwen2.5-Omni-7Bは70億パラメータのマルチモーダル大規模言語モデルで、テキスト、画像、音声などの複数のモードの入力と出力をサポートします。

マルチモーダルTransformers英語

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

NVIDIA Parakeet TDT 0.6B V3は多言語自動音声認識モデルで、パラメータ数は6億で、英語、スペイン語、フランス語、ドイツ語など25種類のヨーロッパ言語をサポートし、音声をテキストに変換できます。

音声処理Onnx多言語

OpenAI Whisperアーキテクチャに基づいて微調整された自動音声認識と音声翻訳モデルで、デコード層の数を減らすことで大幅な速度向上を実現し、同時にオリジナル版に近い認識品質を維持します。

音声処理Mlx多言語

Qwen2.5-Omni-3B-GGUFはエンドツーエンドのマルチモーダルモデルで、テキスト、画像、音声、ビデオなどの複数のモーダル情報を感知し、同時にストリーミング方式でテキストと自然な音声応答を生成することができます。

マルチモーダルTransformers英語

OpenAudioのGGUF量子化バージョンはFishAudioモデルに基づくテキストから音声への合成ツールで、簡単なコマンドで実行でき、便利な音声合成体験を提供します。

音声処理Gguf