# 多言語音声処理

Phi-4-multimodal-instructは、テキスト、画像、音声入力をサポートし、テキスト出力を生成する軽量オープンソースのマルチモーダル基盤モデルで、128Kトークンのコンテキスト長を備えています。

Whisper Baseをファインチューニングしたウズベク語音声認識モデル、Common Voiceデータセットでトレーニング済み

これは🤗 transformersモデルの説明カードで、音声テキストからテキストへのタスク用にHubプラットフォームにプッシュされています。

Qwen-Audio-nf4はQwen-Audioの量子化バージョンで、複数の音声入力とテキスト出力をサポートします

このモデルはfacebook/wav2vec2-large-xlsr-53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

このモデルはjonatasgrosman/wav2vec2-large-xlsr-53-englishをベースにフィリピン語音声データセットでファインチューニングしたバージョンで、英語からフィリピン語への音声認識タスクに主に使用されます。

このモデルはfacebook/wav2vec2-large-xlsr-53をネパール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。

これはfacebook/wav2vec2-xls-r-300mモデルをcommon_voiceアイルランド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、主にアイルランド語の自動音声認識タスクに使用されます。

これはfacebook/wav2vec2-xls-r-300mをウェールズ語データセットでファインチューニングした自動音声認識モデルで、Common Voice 7ウェールズ語テストセットで31.003%の単語誤り率と7.775%の文字誤り率を達成しました。

Facebook Wav2Vec2アーキテクチャに基づく音声認識モデルで、VoxPopuliコーパスで事前学習されクロアチア語データでファインチューニングされています

北ゲルマン語系VoxPopuliコーパスで事前学習された大規模音声モデル

このモデルは、facebook/wav2vec2 - xls - r - 1bをエストニア語データセットでファインチューニングした自動音声認識モデルです。

これはTransformerベースのエンドツーエンド音声翻訳モデルで、英語音声をカタルーニャ語テキストに翻訳するために特別に設計されています。

Transformerベースのエンドツーエンド音声翻訳モデルで、英語からトルコ語への音声テキスト変換タスク用

このモデルは、アブハズ語データセットでファインチューニングされた自動音声認識モデルで、XLS-Rアーキテクチャに基づいています

これはFacebookのwav2vec2-large-xlsr-53モデルを微調整したスロベニア語音声認識モデルで、Common Voiceデータセットを使用して訓練されています。

このモデルは、facebook/wav2vec2-xls-r-300mを一般的な音声データセットで微調整したトルコ語音声認識モデルです。

VoxPopuliコーパスを基に事前学習されたギリシャ語音声認識モデルで、17.7時間の未ラベル付きデータを使用しています。

FacebookのWav2Vec2大型モデルで、西ゲルマン語系のVoxPopuliコーパス66.3時間の未注釈データのみで事前学習されています。

これはfacebook/wav2vec2-large-xlsr-53モデルを基にファインチューニングした自動音声認識モデルで、ロマンシュ語のスルシルヴァ方言を識別するために特別に設計されています。

これはTransformerベースのエンドツーエンド音声翻訳モデルで、英語音声をエストニア語テキストに変換するために特別に設計されています。