モデル選定

エンドツーエンド音声モデル

# エンドツーエンド音声モデル

Voilaは、人間と機械のインタラクション体験を新たなレベルに引き上げることを目的とした、まったく新しい大規模音声-言語基礎モデルシリーズです。

テキスト生成オーディオ

Transformers 複数言語対応

Llama3.1 Typhoon2 Audio 8b Instruct

タイフーン2-オーディオ版は、オーディオ、音声、テキスト入力を処理し、テキストと音声の両方を同時に生成できるエンドツーエンドの音声変換モデルアーキテクチャです。このモデルは特にタイ語に最適化されており、英語もサポートしています。

テキスト生成オーディオ

Transformers 複数言語対応

FlowMirrorは浙江省精準学AI研究所が開発したエンドツーエンド音声モデルで、音声対話、ASR、TTSなどのタスクをサポートし、教育シーンでの応用に特化しています

テキスト生成オーディオ

Meta社が開発したベトナム語テキスト音声変換モデル、VITSアーキテクチャに基づき、高品質な音声合成をサポート

Wav2vec2 Large 960h

Wav2Vec2はFacebookが開発した音声認識モデルで、自己教師あり学習により生の音声から音声表現を学習し、LibriSpeechデータセットで微調整され、高精度な音声転写を実現します。

Transformers 英語

W2v Timit Ft 4001

Wav2Vec 2.0アーキテクチャに基づく音声認識モデルで、TIMITデータセットで微調整されており、英語音声テキスト変換タスクに適しています

おすすめAIモデル

Llama 3 Typhoon V1.5x 8b Instruct

タイ語専用に設計された80億パラメータの命令モデルで、GPT-3.5-turboに匹敵する性能を持ち、アプリケーションシナリオ、検索拡張生成、制限付き生成、推論タスクを最適化

大規模言語モデル

Transformers 複数言語対応

Cadet-TinyはSODAデータセットでトレーニングされた超小型対話モデルで、エッジデバイス推論向けに設計されており、体積はCosmo-3Bモデルの約2％です。

対話システム

Transformers 英語

Roberta Base Chinese Extractive Qa

RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。

質問応答システム中国語

AIbase

未来を切り開く、あなたのAIソリューション知識ベース

English 简体中文繁體中文にほんご

© 2025AIbase