モデル選定

音声分類

# 音声分類

Ast Finetuned Audioset 10 10 0.4593 ONNX

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。

Mms 300m Arabic Dialect Identifier

このモデルはMMS-300mをファインチューニングしたアラビア語方言音声認識モデルで、現代標準アラビア語および4つの主要なアラビア語方言を識別できます。

Transformers アラビア語

My Awesome Mind Model

facebook/wav2vec2-baseモデルをminds14データセットでファインチューニングした音声分類モデル

Hubert Base Ls960 2clsfinetuned Bmd V1 Epo10 20250201 141430 LOSO Section Out4

このモデルはfacebook/hubert-base-ls960をファインチューニングした音声分類モデルで、主に二値分類タスクに使用され、評価データセットで78.26%の精度を達成しました。

My Awesome Mind Model

facebook/wav2vec2-baseをminds14データセットでファインチューニングした音声分類モデル

Vietnamese Regional Accent Classification Model

これはベトナム語の方言を分類するための音声分類モデルで、評価セットでのF1スコアは0.8217に達します。

thangtrungnguyen

Baby Cry Classification Finetuned Babycry V4

wav2vec2-large-xlsr-53-englishをファインチューニングした赤ちゃんの泣き声分類モデルで、精度は81.5%

AST ASVspoof5 Synthetic Voice Detection

MIT/ast-finetuned-audioset-10-10-0.4593を微調整した合成音声検出モデルで、音声が合成音声かどうかを識別します。

Speech Accent Pt Br Classifier

音声ベースのアクセント分類器で、ポルトガル語（ブラジル）とその他のアクセントを区別します。

Transformers 複数言語対応

wav2vec事前学習モデルをsuperbデータセットでファインチューニングした5分類音声分類モデル

Wav2vec Base Crema Sentiment Analysis

facebook/wav2vec2-baseをファインチューニングした音声感情分析モデルで、評価データセットで70.87%の精度を達成

Violence Detect 44

facebook/wav2vec2-base-960hをファインチューニングした音声分類モデルで、暴力音を検出するために使用されます

Cat Dog Sounds Classification

wav2vec 2.0アーキテクチャに基づく音声認識の基本モデルで、960時間の英語音声データで事前学習済み

MERTは自己教師あり学習に基づく音響音楽理解モデルで、教師モデルが提供する擬似ラベルを用いて事前学習を行います。

このモデルは固定音源の到来方向（DOA）を推定するために使用され、SOFAデータセットでトレーニングされ、ASTモデルのファインチューニングによって実現されています。

Transformers 英語

Neunit Ks Kangyuan0601

このモデルはfacebook/wav2vec2-baseをsuperbデータセットでファインチューニングした音声分類モデルで、評価セットで99.87%の精度を達成しました。

facebook/wav2vec2-baseをSUPERBデータセットでファインチューニングした音声分類モデル、精度は99.98%

Audio Cls Unispeech Sat Base 100h Libri Ft Minds14 Finetune

microsoft/unispeech-sat-base-100h-libri-ftをベースにminds14データセットでファインチューニングした音声分類モデル

Audio Cls Wavlm Libri Clean 100h Base Plus Minds14 Finetune

このモデルは、WavLM事前学習モデルをMinds14データセットでファインチューニングした音声分類モデルで、主に音声意図認識タスクに使用されます。

facebook/wav2vec2-baseをファインチューニングした音声感情認識モデルで、評価データセットで73.22%の精度を達成

Bird Classification Model

facebook/wav2vec2-baseをファインチューニングした音声分類モデルで、鳥の鳴き声を識別するために使用されます

Wav2vec2 Base Finetuned Ks

facebook/wav2vec2-baseモデルをspeech_commands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、精度は97.8%を達成

MIT Ast Finetuned Speech Commands V2 Ov

これはMIT/ast-finetuned-speech-commands-v2を変換したOpenVINO最適化バージョンで、音声コマンド認識タスクの推論処理を高速化します。

Transformers 英語

Ser Model Fixed Label

facebook/wav2vec2-baseをファインチューニングした音声感情認識モデルで、評価データセットで83.67%の精度を達成

Wav2vec2 Base Finetuned Ks

wav2vec2-baseモデルをsuperb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、精度は98.15%

My Awesome Minds Model

facebook/wav2vec2-baseをminds14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

Wav2vec2 Base Sound2

facebook/wav2vec2-baseをファインチューニングした音声処理モデルで、評価セットで53.57%の精度を達成

Spkrec Xvect Voxceleb

これはSpeechBrainで事前学習されたTDNNモデルで、話者の埋め込みベクトルを抽出するために使用され、主に話者認証と認識タスクに適用されます。

話者の処理英語

Wav2vec2 Xls R 300m Adult Child Cls

facebook/wav2vec2-xls-r-300mをベースに微調整された成人と子供の音声分類モデルで、正解率は94.04%に達します。

Wav2vec2 Xlsr Japanese Speech Emotion Recognition

JTESデータセットに基づく日本語音声感情識別モデルで、音声の感情状態を分析するために使用されます。

Transformers 日本語

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