# マルチタスク音声処理

NVIDIA NeMo Canary Flashは多言語マルチタスクモデルファミリーで、複数の音声ベンチマークで最先端の性能を実現しています。4つの言語の自動音声認識と翻訳タスクをサポートします。

シンガポールの多言語多文化環境に特化した音声-テキスト大規模言語モデルで、Whisper-large-v2音声エンコーダーとSEA-LION V3テキストデコーダーを統合

Kotoba-Whisper-BilingualはWhisperモデルを蒸留して訓練されたモデルで、日本語と英語の音声認識および音声からテキストへの翻訳タスクのために設計されています。

OWSM-CTCは階層型マルチタスク自己条件付きCTCに基づくエンコーダ専用音声基礎モデルで、多言語音声認識、音声翻訳、言語識別をサポートします。

Canary-1BはNVIDIA NeMoが開発した多言語マルチタスクモデルで、英語、ドイツ語、フランス語、スペイン語の自動音声認識と音声翻訳タスクをサポートします。

FunASRは音声認識の学術研究と産業応用を結びつける基本ツールキットで、音声認識、音声活動検出、句読点回復など多機能をサポートします。