2025年最高の 347 個の音声分類ツール

Facebookの大規模多言語音声プロジェクトを基にファインチューニングした言語識別モデルで、126言語の音声分類をサポート

このモデルはfacebook/wav2vec2-baseをspeech_commandsデータセットでファインチューニングした音声コマンド認識モデルで、精度は97.59%です。

OpenAI Whisper-mediumをファインチューニングした音声言語識別モデルで、FLEURSデータセットで88.05%の精度を達成

このモデルはWav2Vec2-Large-Robustをファインチューニングして訓練され、音声感情認識に使用され、覚醒度、支配度、価値の3つの次元の予測値を出力します。

SpeechBrainフレームワークとECAPA-TDNNアーキテクチャに基づく音声言語識別モデルで、107言語の識別と音声埋め込みベクトル抽出をサポートします。

オーディオスペクトログラムトランスフォーマー（AST）はAudioSetでファインチューニングされたモデルで、オーディオをスペクトログラムに変換後、ビジョントランスフォーマーを適用してオーディオ分類を行います。

openai/whisper-smallをファインチューニングした汎用言語識別モデルで、評価データセットでの精度は88.6%

ファインチューニングされたwav2vec2モデルを使用した音声感情認識で、IEMOCAPデータセットでトレーニング

AudioSetデータセットでファインチューニングされたオーディオスペクトログラムトランスフォーマーで、音声をスペクトログラムに変換後、ビジョントランスフォーマーアーキテクチャで処理し、音声分類タスクで優れた性能を発揮します。

Librispeech-clean-100データセットで微調整された性別認識モデルで、テストセットでF1スコア0.9993を達成

Wav2Vec 2.0をファインチューニングした英語音声感情認識モデルで、7種類の異なる感情を識別可能

このモデルはHuBERTアーキテクチャを基にファインチューニングされたロシア語音声感情認識モデルで、DUSHAデータセットで訓練されており、中立、怒り、ポジティブ、悲しみなどの感情状態を識別できます。

MERT-v1-330M は MLM パラダイムに基づいてトレーニングされた高度な音楽理解モデルで、330M のパラメータを持ち、24K Hz のオーディオサンプリングレートと 75 Hz の特徴レートをサポートし、さまざまな音楽情報検索タスクに適しています。

音声、音楽、サウンドの統合的な自動品質評価モデル

これはWav2Vec2アーキテクチャに基づく音声言語識別モデルで、256言語を識別可能であり、Facebookの大規模多言語音声(MMS)プロジェクトの一部です。

このモデルは生の音声信号を入力として、年齢予測値および性別確率（子供/女性/男性）を出力し、同時に最終層transformerのプール状態を出力します。

Wav2Vec 2.0をファインチューニングした音声感情認識モデルで、8種類の英語感情を識別可能、RAVDESSデータセットで82.23%の精度を達成

これはWav2Vec2アーキテクチャに基づく音声感情認識モデルで、S3PRLプロジェクトから移植され、音声中の感情カテゴリを識別します。

WavLMアーキテクチャに基づく多属性音声感情認識ベースラインモデルで、活性度、支配度、価値の3つの感情次元を予測

このモデルはWav2Vec2-Large-Robustを微調整することで、生の音声から話者の年齢と性別を予測できます。

MERT-v1-330MはMLMパラダイムに基づいて訓練された高度な音楽理解モデルで、330Mのパラメータ規模を持ち、24K Hzの音声サンプリングレートをサポートし、様々な音楽情報検索タスクに適しています。

ECAPA-TDNNアーキテクチャに基づく事前学習モデルで、人間の音声から性別を分類する

WavLM base plusアーキテクチャに基づく音声コンテンツ安全検出モデルで、音声チャット内の有害コンテンツを識別

このモデルはHubertアーキテクチャに基づくキーワード認識モデルで、音声フラグメントを事前定義されたキーワード集合に分類するために使用されます。

Speech Commands v2データセットでファインチューニングされた音声スペクトログラムトランスフォーマーモデルで、音声分類タスクに使用され、精度は98.12%です。

Hubert-Large事前学習モデルをベースにした感情識別モデルで、音声の感情カテゴリを予測するために使用されます。

VoxLingua107データセットで訓練されたECAPA-TDNNアーキテクチャの音声言語識別モデルで、107言語の識別をサポート

MIT/ast-finetuned-audioset-10-10-0.4593を微調整した合成音声検出モデルで、VoxCelebSpoofデータセットで優れた性能を発揮

このモデルはHubert-Baseアーキテクチャに基づく感情識別モデルで、SUPERB感情識別タスクで訓練され、音声感情分類に使用されます。

本プロジェクトではWhisperモデルを利用して音声感情認識を実現し、音声を喜び、悲しみ、驚きなどの異なる感情カテゴリに分類することができます。

これはWav2Vec 2.0アーキテクチャに基づくペルシャ語音声感情認識モデルで、6つの基本感情状態を識別できます。

WavLMアーキテクチャに基づく多言語音声毒性検出モデル、8言語をサポート、6種類の違反コンテンツを識別可能

facebook/wav2vec2-xls-r-300mをファインチューニングしたボイスメール検出モデルで、ボイスメールの挨拶と実際の応答を区別するために特別に設計されています。

オーディオ中の20ミリ秒フレームを分類し、フィラー（'eee'、'errm'など）の存在を判定するモデル

facebook/wav2vec2-baseをcommon_languageデータセットでファインチューニングした音声言語識別モデル

このモデルはfacebook/wav2vec2-base-960hを基に訓練され、音楽ジャンル分類タスクに使用され、10種類のジャンル識別をサポートします。

AudioSetとLibrispeechで事前学習された音声分類モデル、視覚変換器アーキテクチャを用いて音声スペクトログラムを処理

このモデルはECAPA-TDNNアーキテクチャを使用して英語音声を16種類のアクセントに分類し、CommonAccentデータセットでトレーニングされ、テスト精度は87％に達しました。

音声フォルダデータセットでファインチューニングされたDeepfake音声検出モデル、精度99.73%

HuBERTアーキテクチャに基づくオーディオ表現学習モデルで、完全なAudioSetデータセットで事前学習済み

wav2vec 2.0アーキテクチャに基づく音声認識ベースモデル、960時間の英語音声データで事前学習済み

AudioSetデータセットでファインチューニングされたオーディオスペクトログラムトランスフォーマーで、オーディオをスペクトログラムに変換後、ビジョントランスフォーマーで処理し、オーディオ分類タスクで優れた性能を発揮します。