# エンドツーエンド音声処理

Llama-3.1-8B-Instructベースの多言語音声テキスト変換モデル、40以上の言語処理をサポート

Voilaは大規模な音声-言語基盤モデルファミリーで、人間と機械のインタラクション体験を向上させ、リアルタイムで低遅延の音声インタラクションと多言語処理をサポートします。

Voilaは人間と機械のインタラクション体験を向上させるために設計された大規模な音声-言語基盤モデルシリーズで、様々な音声タスクと言語をサポートします。

Speechlessはコンパクトなオープンソースのテキストからセマンティックへのモデル（10億パラメータ）で、従来のテキスト読み上げ（TTS）モデルに依存せず、オーディオを直接離散的なセマンティック表現タグに変換することを目的としています。

無言はコンパクトなオープンソースのテキストからセマンティックモデル（10億パラメータ）で、従来のテキスト読み上げ（TTS）モデルに依存せずに、オーディオを直接離散的なセマンティックタグに変換することを目的としています。

Facebookのwav2vec2モデルをファインチューニングしたネパール語音声認識モデル

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。

これはwav2vecアーキテクチャに基づく音声処理テストモデルで、具体的な用途とトレーニングデータは明記されていません。

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専用です。

このモデルはfacebook/wav2vec2-baseをファインチューニングしたペルシャ語音声認識モデルで、ペルシャ語音声からテキストへの変換タスクに適しています。

これはWav2Vec2アーキテクチャに基づくネパール語音声認識モデルで、ネパール語音声をテキストに変換できます。

Wav2Vec 2.0アーキテクチャに基づくオーディオ分類モデル、音楽ジャンル識別専用

このモデルはfacebook/wav2vec2-baseをロシア語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す

Transformerベースのエンドツーエンド音声翻訳モデルで、英語からイタリア語への音声翻訳タスク向けに設計されています。

Wav2Vec2 XLSRアーキテクチャに基づく韓国語自動音声認識(ASR)モデルで、Zeroth韓国語データセットで優れた性能を発揮

これはWav2Vec2アーキテクチャに基づくウルドゥー語音声認識モデルで、ウルドゥー語音声をテキストに変換できます。

Transformerベースのエンドツーエンド音声翻訳モデルで、英語からペルシャ語への音声翻訳タスク用

エンドツーエンドの英語からドイツ語への音声翻訳用に訓練された音声テキスト変換モデル

FacebookのWav2Vec2 XLS-Rモデルで、15言語の音声翻訳タスク向けにファインチューニングされており、英語の音声を複数の書き言葉に翻訳できます。

これはWav2Vec2アーキテクチャに基づく自動音声認識（ASR）モデルで、ドグリ語（Dogri）の音声内容を認識するために特別に設計されています。

microsoft/wavlm-baseをファインチューニングした英語自動音声認識(ASR)モデルで、english_ASR - CLEANデータセットでトレーニングされ、単語誤り率(WER)は0.0773です。

このモデルは、facebook/wav2vec2-xls-r-300mをcommon_voiceトルコ語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す。

FacebookのWav2Vec2 XLS-Rモデル、多言語音声から英語への翻訳タスク用

このモデルはトルコ語Common VoiceデータセットでファインチューニングされたXLSR-Wav2Vec2音声認識モデルで、主にトルコ語音声からテキストへの変換タスクに使用されます。