# 16kHzオーディオ処理

焦点変調ネットワークに基づく低ビットレート音声コーデック、16 kHz音声符号化をサポート

Whisper-TinyはOpenAIが開発した小型の自動音声認識(ASR)モデルで、音声からテキストへの変換タスク向けに設計されており、Unity環境に適しています。

これはフランス語音声から音素への変換タスクに対して微調整されたモデルで、facebook/wav2vec2-base-fr-voxpopuli-v2モデルをベースに、Common Voice v13データセットを使用して訓練されました。

Librispeech 100時間の音声データでファインチューニングされたWav2Vec2 Conformerモデルで、回転位置埋め込み技術を採用

Data2Vecは音声、視覚、言語タスクに適用可能な汎用自己教師あり学習フレームワークです。この音声大規模モデルはLibrispeechの10分データで事前学習とファインチューニングされており、16kHzサンプリングの音声オーディオに適しています。

これはfacebook/wav2vec2-large-xlsr-53をベースにフィンランド語で微調整された自動音声認識モデルですが、旧モデルとしてマークされており、新しい代替モデルの使用をおすすめします。

facebook/wav2vec2-large-xlsr-53モデルを基に微調整されたウクライナ語自動音声認識(ASR)モデルで、Common Voiceデータセットを使用して訓練されています。

SEW（圧縮高効率版Wav2vec）は、ASAPP Researchによって開発された音声認識の事前学習モデルで、性能と効率の面でwav2vec 2.0より優れています。

facebook/wav2vec2-large-xlsr - 53をベースに微調整されたベンガル語自動音声認識モデルで、OpenSLRデータセットの約4万件の音声データで訓練されています。

これはXLSR - 53大規模モデルを微調整したフランス語音声認識モデルで、Common Voiceデータセットで訓練され、高い精度でフランス語の音声をテキストに変換できます。

Wav2Vec2の基礎モデルで、スペイン語の21.4kの無ラベルデータのみで事前学習され、音声認識タスクに適しています。

Facebook Wav2Vec2アーキテクチャに基づく音声モデルで、フィンランド語に特化して事前学習されており、音声認識タスクに適しています。

Facebookのwav2vec2-large-xlsr-53モデルをタタール語Common Voiceデータセットで微調整した音声認識モデル

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。

FacebookのWav2Vec2アーキテクチャに基づく音声認識の基礎モデルで、ラトビア語（lv）に特化して事前学習されており、VoxPopuliコーパスの13.1kの未ラベル付きデータを使用しています。

これはFacebookのwav2vec2-large-xlsr-53モデルをカンナダ語で微調整した自動音声認識(ASR)モデルで、OpenSLR SLR79データセットを使用して訓練されています。

facebook/wav2vec2-large-xlsr-53をベースにギリシャ語で微調整した自動音声認識モデル

これはWav2Vec2アーキテクチャに基づく話者検証モデルで、SUPERBベンチマークテストの話者検証タスク用に設計されています。

facebook/wav2vec2-large-xlsr-53モデルを微調整したロマンシュ語ヴァラディエル方言の音声認識モデルで、単語誤り率は32.89%です。

Hubertに基づく話者識別モデルで、SUPERBベンチマークタスクに対して最適化されています。

Facebookが開発したWav2Vec2の大規模モデルで、960時間のLibri-LightとLibrispeechの音声データを基に事前学習と微調整を行い、自己学習目標を採用し、LibriSpeechテストセットでSOTAの結果を達成しました。

SEW-D-tinyはASAPP Researchによって開発された高効率音声認識事前学習モデルで、性能と効率のバランスに重点を置いています。

このモデルはFacebookのWav2Vec2-Large-Robustの微調整バージョンで、電話音声認識タスクに特化して最適化されており、300時間のSwitchboard電話音声コーパスを使用して微調整されています。

facebook/wav2vec2-large-xlsr-53モデルをベースに微調整されたポルトガル語自動音声認識(ASR)モデルで、Common Voiceのポルトガル語データセットで17.22%の単語誤り率(WER)を達成しました。

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。

Facebookが開発したWav2Vec2の基礎モデルで、960時間のLibrispeech音声オーディオで事前学習と微調整を行い、英語の自動音声認識タスクに使用されます。

facebook/wav2vec2-large-xlsr-53をベースに、ヘブライ語音声データで微調整した自動音声認識モデル

VoxPopuliコーパスの42.5時間のウラル語族の無ラベルデータで事前学習されたWav2Vec2大型音声モデル

Wav2Vec2基礎版は、16kHzサンプリングのLibrispeech音声オーディオで100時間の事前学習と微調整を行った自動音声認識モデルです。

Data2Vecは音声、視覚、言語タスクに適用可能な汎用自己教師あり学習フレームワークです。このオーディオ基本モデルはLibrispeech音声データで100時間の事前学習とファインチューニングが行われています。

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。

ポルトガル語のVoxPopuliコーパスを使って事前学習されたWav2Vec2の基礎モデルで、音声認識タスクに適しています。

これはfacebook/wav2vec2-large-xlsr-53モデルを微調整したマラーティー語自動音声認識(ASR)モデルで、OpenSLRとInterSpeech 2021データセットを使用して訓練されています。

FacebookのWav2Vec2アーキテクチャに基づく大規模ドイツ語自動音声認識(ASR)モデルで、Common Voiceドイツ語データセットで微調整されています。

Asteroidフレームワークを基に訓練されたConvTasNetモデルで、雑音付き音声分離タスクに使用され、Libri2Mixデータセットで訓練されています。

Asteroidフレームワークを基に訓練されたオーディオ強化モデルで、単チャンネル音声強化タスクに特化し、Libri1Mixデータセットで訓練されました。

Asteroidフレームワークを基に訓練されたConvTasNetモデルで、混合オーディオからノイズと音声信号を分離するために使用されます。

Asteroidフレームワークを基に訓練されたDCCRN - CLアーキテクチャの音声強化モデルで、単チャンネル音声強化タスクに特化し、Libri1Mixデータセットで訓練されました。

Asteroidフレームワークを基に訓練されたConvTasNetモデルで、音声分離タスクに使用され、Libri3Mixデータセットで訓練され、16kHzのサンプリングレートのオーディオ入力をサポートします。

facebook/wav2vec2-large-xlsr-53モデルをベースに微調整されたスペイン語自動音声認識（ASR）モデルで、Common Voiceスペイン語データセットで訓練され、16kHzのサンプリングレートの音声入力をサポートします。