# エンドツーエンドモデル

YOLOv10は清華大学が提案したリアルタイムエンドツーエンド物体検出モデルで、速度と精度の両面で顕著な向上が見られます。

Paraformer は革新的な非自己回帰エンドツーエンド音声認識モデルで、従来の自己回帰モデルと比べて顕著な利点があり、全文のターゲットテキストを並列生成でき、特にGPUを利用した並列推論に適しています。

未知のデータセットでトレーニングされた自動音声認識モデルで、言語識別タスクをサポート

Transformerベースのエンドツーエンド多言語音声翻訳モデルで、英語から複数言語への音声翻訳をサポート

ESPnetフレームワークを基に訓練されたTacotron2テキスト音声変換モデルで、LJSpeechデータセットを使用しています。

pyannote.audioに基づく話者分割モデルで、音声中の話者の変化と音声活動を検出するために使用されます。

pyannote.audio 2.1バージョンに基づく音声活動検出モデルで、音声中の音声活動時間帯を識別するために使用されます

Transformerベースのエンドツーエンド音声翻訳モデルで、フランス語から英語への音声翻訳タスク用に設計されています。

音声中の重複音声を検出するための事前学習済みモデルで、2人以上の話者が同時に発話している時間帯を識別できます。

音声活動検出、重複音声検出、話者分割のための音声処理モデル

これはESPnet2フレームワークに基づいて訓練されたテキストを音声に変換する(TTS)モデルで、VITSアーキテクチャを使用し、中国語の普通話をサポートします。

これはESPnetフレームワークに基づいて訓練された日本語自動音声認識(ASR)モデルで、CSJデータセットを使用して訓練され、Transformerアーキテクチャを採用しています。