# 多言語音声認識

Whisperは事前学習済みの自動音声認識(ASR)および音声翻訳モデルで、68万時間の注釈付きデータで訓練されており、強力な汎化能力を持っています。

WhisperはOpenAIが開発した最先端の自動音声認識(ASR)および音声翻訳モデルで、500万時間以上のラベル付きデータでトレーニングされ、強力なゼロショット汎化能力を備えています。Turboバージョンはオリジナルのプルーニングおよび微調整バージョンで、デコード層を32層から4層に削減し、速度が大幅に向上していますが、品質はわずかに低下しています。

WhisperはOpenAIが開発した最先端の自動音声認識(ASR)および音声翻訳モデルで、複数言語をサポート

Whisper-baseをファインチューニングした多言語音声認識モデルで、国際音声記号(IPA)出力をサポート

Quantum_STT は、大規模な弱教師あり学習に基づく先進的な自動音声認識（ASR）および音声翻訳モデルで、複数の言語とタスクをサポートしています。

Whisper large-v3-turboはWhisper large-v3を基にしたプルーニングと微調整バージョンで、デコード層数を32から4に削減し、速度が大幅に向上しましたが、品質はわずかに低下しています。

NVIDIA NeMo Canary Flash は、英語、ドイツ語、フランス語、スペイン語の自動音声認識と翻訳タスクをサポートする多言語多機能音声モデルです。

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。

これはopenai/whisper-large-v3の量子化バージョンで、INT4重み量子化とFP16活性化量子化を採用し、vLLM推論に適しています。

OWLSはWhisperスタイルのモデルスイートで、研究者が音声モデルのスケーリング特性を理解するのを助けることを目的としており、多言語音声認識と翻訳をサポートします。

これはOpenAI Whisper-large-v3-turboモデルのCTranslate2変換バージョンで、INT8量子化技術を採用しており、主に効率的な音声認識タスクに使用されます。

自己教師付き学習に基づく事前学習Conformerエンコーダモデルで、インドの22種類の指定言語の自動音声認識タスクをサポートします。

これは多言語蒸留版のWhisperモデルで、2つのデコーダー層を持ち、4つのヨーロッパ言語（英語、フランス語、スペイン語、ドイツ語）をサポートしています。

7つのヨーロッパ言語をサポートする多言語蒸留版Whisperモデルで、コードスイッチング機能を備えています

このモデルはopenai/whisper-large-v3を微調整した音声クローンモデルで、主に音声認識タスクに使用され、評価データセットでの単語誤り率は15.3572です。

Whisper large-v3-turboはOpenAI Whisper large-v3の蒸留版で、デコード層を32層から4層に削減し、速度が大幅に向上しましたが品質はわずかに低下しています。

これはWhisper large-v3 turboモデルをCTranslate2形式に変換したバージョンで、効率的な自動音声認識タスクに使用されます。

WhisperはOpenAIが開発した最先端の自動音声認識(ASR)および音声翻訳モデルで、500万時間以上のラベル付きデータでトレーニングされ、ゼロショット設定において強力な汎化能力を発揮します。

Whisperは、音声認識と翻訳タスクに使用されるTransformerベースのエンコーダ-デコーダモデルで、多言語処理に対応しています。

Whisperは多言語自動音声認識（ASR）システムで、複数の言語の音声をテキストに変換するタスクをサポートしています。

Whisper-smallを微調整した多言語音声分類モデルで、ウズベク語、英語、ロシア語の音声認識と分類をサポートします。

OWSM-CTCは、階層型マルチタスク自己条件付きCTCに基づく純粋なエンコーダー音声基盤モデルで、多言語音声認識、音声翻訳、言語識別をサポートします。

これはOpenAI Whisper large-v3モデルのCTranslate2変換バージョンで、特に日本語に対して4000ステップの追加トレーニングを行い、多言語音声認識をサポートしています。

OpenAI Whisper large-v3をベースにした日本語最適化バージョン、多言語音声認識をサポート

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。

Common Voice 16.0データセットで微調整されたOpenAI Whisper Large V3モデルに基づく音声認識モデル

whisper-smallモデルをベースに改良した多言語自動音声認識モデル。CLSRモジュールと知識蒸留により対象言語の性能を向上

OpenAI Whisperミニモデルに基づくCTranslate2変換バージョンで、効率的な音声認識に使用されます。

これはOpenAI WhisperベースモデルのCTranslate2変換バージョンで、効率的な音声認識タスクに使用されます。

これはOpenAI Whisperの中規模モデルのCTranslate2変換バージョンで、効率的な音声認識タスクに使用されます。

Whisper large-v3はOpenAIが開発した大規模多言語自動音声認識(ASR)モデルで、複数言語の音声からテキストへの変換タスクをサポートしています。

WhisperはOpenAIが提案した先進的な自動音声認識(ASR)および音声翻訳モデルで、500万時間以上の注釈付きデータで訓練されており、強力なデータセット間およびドメイン間の汎化能力を持っています。

VoxLingua107データセットでトレーニングされたECAPA-TDNNアーキテクチャの音声言語識別モデル、107言語の分類をサポート

MMS-1B-FL102はFacebookの大規模多言語音声プロジェクトの一部で、102言語をサポートする自動音声認識モデルです。10億パラメータのWav2Vec2アーキテクチャを基に、アダプター技術で多言語転写を実現しています。

Facebookの大規模多言語音声プロジェクトの一部で、1162言語の自動音声認識をサポート

これはOpenAI Whisper large-v1モデルのCTranslate2変換バージョンで、効率的な音声認識タスクに使用されます

これはOpenAI Whisper large-v2モデルのCTranslate2変換バージョンで、効率的な音声認識に使用されます

本プロジェクトはopenai/whisper-mediumモデルをCTranslate2モデル形式に変換し、高効率な音声認識に使用できます。

Transformerアーキテクチャに基づく自動音声認識（ASR）モデルで、多言語の文字起こしに対応しています。

Whisper基礎モデルはOpenAIが開発した自動音声認識（ASR）モデルで、複数の言語の音声を文字に変換するタスクをサポートしています。