# 複数データセット訓練

ChunkFormerアーキテクチャに基づく大規模ベトナム語自動音声認識モデルで、約3000時間のベトナム語公開音声データで微調整され、優れた性能を発揮します。

ベトナム語音声認識タスク向けに最適化されたWhisper-mediumモデル、1308時間のベトナム語データでファインチューニング済み

このモデルは生の音声信号を入力として、年齢予測値および性別確率（子供/女性/男性）を出力し、同時に最終層transformerのプール状態を出力します。

このモデルはWav2Vec2-Large-Robustを微調整することで、生の音声から話者の年齢と性別を予測できます。

Silver Retrieverはポーランド語向けのニューラル検索モデルで、文の類似性や段落検索タスクに特化しています。

これはMiniLMアーキテクチャに基づく文埋め込みモデルで、テキストを384次元のベクトル空間にマッピングでき、意味検索やテキスト類似度タスクに適しています。

このモデルはopenai/whisper-smallをファインチューニングした日本語音声認識モデルで、日本語音声からテキストへの変換タスクをサポートします。

これはFastConformerアーキテクチャに基づくドイツ語自動音声認識モデルで、トランスフォーマーとCTCのハイブリッド訓練方式を採用し、パラメータ規模は約115Mです。

T5アーキテクチャに基づく韓国語テキスト要約モデルで、韓国語テキストに特化して最適化されており、簡潔で正確な要約を生成できます。

この報酬モデルは、与えられた質問に対して、人間の評価者がどの生成された回答をより良いと判断するかを予測できるように訓練されています。

これはT5アーキテクチャに基づく韓国語テキスト要約モデルで、韓国語テキスト要約タスク用に設計され、paust/pko-t5-baseモデルを微調整して複数の韓国語データセットで訓練されました。

これはMiniLMアーキテクチャに基づく文埋め込みモデルで、テキストを384次元のベクトル空間にマッピングし、意味検索や文類似度計算などのタスクに適しています。

OpenAIのwhisper-large-v2モデルをモンゴ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、モンゴル語の自動音声認識タスクをサポートします。

BERTimbau大規模モデルをファインチューニングしたポルトガル語意味的テキスト類似性モデルで、文を1024次元ベクトル空間にマッピング可能

sentence-transformersベースのONNXモデルで、テキストを384次元ベクトル空間にマッピング可能。意味検索やクラスタリングタスクに適しています。

DenseNet121アーキテクチャの事前学習済みモデルで、胸部X線画像分類タスク専用に設計されており、18の出力目標を持ちます。

これはNVIDIAが開発した自動音声認識(ASR)モデルで、Conformer-Transducerアーキテクチャに基づき、約6億のパラメータを持ち、英語音声の転写専用に設計されています。

このモデルはCommonVoice V8データセットで訓練されたタイ語自動音声認識モデルで、deepcut分かち書きと言語モデルを組み合わせて認識精度を向上させています。

DeBERTa-v3-largeをファインチューニングしたNLIモデルで、複数のNLIデータセットで最先端の性能を達成

これはsentence-transformersベースの文埋め込みモデルで、テキストを384次元のベクトル空間にマッピングでき、意味検索やクラスタリングタスクに適しています。

ガリシア語向けに最適化された自動音声認識モデル、wav2vec2-large-xlsr-53を基にファインチューニング、WER指標7.12

これはConformerアーキテクチャに基づく大規模な自動音声認識(ASR)モデルで、英語音声の文字起こしをサポートし、CTC損失関数を使用して訓練されています。

facebook/wav2vec2-xls-r-300mをファインチューニングしたルーマニア語音声認識モデルで、Common Voice 8.0とルーマニア語音声合成データセットで訓練され、HuggingFace Robust Speech Challengeでルーマニア語音声認識1位を獲得しました。

facebook/wav2vec2-large-xlsr-53モデルをベースに微調整されたギリシャ語音声認識モデルで、16kHzサンプリングレートの音声入力に対応しています。

これはMPNetアーキテクチャに基づく文埋め込みモデルで、テキストを768次元ベクトル空間にマッピングでき、意味検索や文類似度タスクに適しています。

ビジュアルトランスフォーマー(ViT)に基づく単眼深度推定モデルで、140万枚の画像で訓練され、ゼロショット深度予測タスクに適しています。

facebook/wav2vec2-large-xlsr-53モデルをベースに、Common VoiceとJSUTデータセットを使用して日本語にファインチューニングした自動音声認識モデルです。

facebook/wav2vec2-xls-r-300mを基にトルコ語でファインチューニングした自動音声認識モデル

このモデルはCamemBERT-baseをファインチューニングしたもので、フランス語テキストからの回答抽出タスク専用に設計されており、SquadFR、FQuAD、PIAFデータセットで訓練されています。

RoBERTa-largeベースの文変換モデルで、文の類似性タスク向けに設計され、ANLI、MNLI、SNLIデータセットで訓練

t5-baseに基づく質問生成モデルで、答えとコンテキストを入力すると、対応する質問を出力します。

これはXLS-R 10億パラメータモデルを微調整したポーランド語自動音声認識(ASR)モデルで、Common Voice 8.0などのデータセットで訓練され、16kHzサンプリングレートの音声入力をサポートします。

これはfacebook/wav2vec2-xls-r-300mをチェコ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、16kHzサンプリングレートの音声入力をサポートします。

XLSR - 53大規模モデルを基に微調整されたスワヒリ語自動音声認識モデルで、16kHzサンプリングレートの音声入力をサポートします。