# 英語音声認識

NVIDIA Parakeet TDT 0.6B V2 は自動音声認識（ASR）タスクに基づくモデルで、英語音声からテキストへの変換タスクに適しています。

軽量級オーディオモデル、音声認識、オーディオ理解及びオーディオ命令実行などの多様なタスクに優れる

OpenAI Whisper アーキテクチャに基づく小型音声認識モデルで、英語音声からテキストへの変換タスクに特化しています。

チェス座標認識に最適化された音声認識モデル。約2,500の英語チェス座標音声ファイルで微調整

MoonshineはUseful Sensorsが開発した自動音声認識(ASR)モデルシリーズで、英語音声の文字起こしに特化しており、リソースが制限されたプラットフォームで優れた性能を発揮します。

WhisperはOpenAIが訓練した汎用音声認識モデルです。大規模な弱教師あり学習に基づいており、複数言語の音声転写をサポートします。

facebook/wav2vec2-baseをファインチューニングしたディープフェイク音声検出モデルで、評価セットでの精度は95.45%

Parakeet TDT-CTC 1.1Bは、句読点と大文字小文字を含む英語音声を文字起こしできる自動音声認識モデルで、NVIDIA NeMoとSuno.aiが共同開発しました。

Distil-WhisperはWhisper large-v3の知識蒸留バージョンで、英語音声認識に特化し、より高速な推論速度を提供しながら、元のモデルに近い精度を維持します。

w2v-bert-2.0をベースに、Common Voice 16.0の英語データセットで微調整された自動音声認識(ASR)モデル

Distil-WhisperはWhisperモデルの蒸留バージョンで、速度が6倍速く、サイズが49%縮小され、非分布評価セットで1% WERに近い性能を発揮します。

OpenAI Whisper small.enモデルのCTranslate2変換版で、効率的な音声認識に使用

Distil-WhisperはWhisperモデルの蒸留バージョンで、オリジナルより6倍速く、サイズが49%縮小され、英語音声認識タスクでオリジナルに近い性能を維持しています。

Distil-WhisperはWhisperモデルの蒸留版で、速度が6倍向上し、サイズが49%縮小され、非分布評価セットでの性能はWERでわずか1%の差しかありません。

Facebookのwav2vec2-base-960hモデルをONNX形式に変換したバージョンで、Transformers.js向けに設計されており、ブラウザ上での音声認識をサポート

wav2vec 2.0アーキテクチャに基づく大規模音声認識モデルで、英語音声をテキストに変換可能

英語の自動音声認識(ASR)をサポートするシーケンス・ツー・シーケンスモデルで、正規化されたテキスト、タイムスタンプ注釈、複数話者セグメンテーションを出力可能です。

WhisperはOpenAIが開発した自動音声認識（ASR）モデルで、68万時間のラベル付き音声データで訓練され、強力な汎化能力を持っています。

Whisperは事前学習された自動音声認識（ASR）モデルで、68万時間のラベル付きデータで学習され、強力な汎化能力を示します。

Whisperは強力な自動音声認識モデルで、68万時間のデータで訓練され、優れた汎化能力を持っています。

Whisperは、68万時間のアノテーション付きデータで学習された事前学習済みの自動音声認識（ASR）モデルで、強力な汎化能力を持っています。

マイクロソフトのUniSpeech-SAT-Largeモデルをファインチューニングした英語音声認識モデルで、16kHzサンプリングレートの音声入力をサポートします。

facebook/wav2vec2-large-nl-voxpopuliモデルを基に微調整した英語音声認識モデルで、Common Voice 7.0トレーニングセットを使用して学習されています。

これは英語音声認識タスク向けのモデルで、ランダム初期化されたwav2vec2アーキテクチャを基に、Common Voice 7.0データセットでファインチューニングされています。

このモデルはjonatasgrosman/wav2vec2-large-xlsr-53-englishをascend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。

Wav2Vec2は自己教師あり学習に基づく音声認識モデルで、LibriSpeechの960時間の音声データで事前学習と微調整が行われ、英語音声の書き起こしをサポートします。

このモデルは、facebook/wav2vec2-xls-r-300mをGOOGLE/XTREME_S - VOXPOPULI.EN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、英語音声からテキストへの変換タスクをサポートします。

timit_asrデータセットを使用してascendモデルをファインチューニングした英語音声認識モデル

これはLibriSpeechデータセットで訓練された自動音声認識(ASR)モデルで、英語音声をテキストに変換できます。

このモデルはLibriSpeech ASRデータセットで訓練された自動音声認識(ASR)モデルで、英語音声をテキストに変換できます。

facebook/wav2vec2-large-xlsr-53を英語の汎用音声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、16kHzサンプリングレートの英語音声入力をサポートしています。

LibriSpeech ASR データセットでトレーニングされた自動音声認識モデルで、英語音声をテキストに変換します。

facebook/wav2vec2-largeモデルをベースに、Common Voiceデータセットを使用して英語向けにファインチューニングされた音声認識モデルで、16kHzサンプリングレートの音声入力をサポートしています。

LibriSpeechデータセットでトレーニングされた自動音声認識(ASR)モデルで、英語音声をテキストに変換します

このモデルはmicrosoft/unispeech-sat-baseをTIMIT_ASR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、評価セットで41.01%の単語誤り率を達成しました。

これはCommonVoice英語データセットを使って訓練されたエンドツーエンドの自動音声認識システムで、wav2vec 2.0の事前学習モデルとCTCデコーダを組み合わせています。

これはXLS - R 1Bアーキテクチャに基づく英語音声認識モデルで、複数の英語音声データセットで微調整されています。

microsoft/unispeech - sat - base - plusをベースに、TIMIT_ASR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(ASR)モデル

LibriSpeechデータセットで訓練された自動音声認識(ASR)モデルで、英語音声をテキストに変換します

facebook/wav2vec2-large-lv60モデルをTIMIT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、16kHzサンプリングレートの音声入力をサポートします。