# 音声テキスト変換

Google Gemma-3n-E2Bモデルの静的量子化バージョンで、モデルサイズとパフォーマンスのバランスを取るための複数の量子化タイプを提供します。

Qwen2-Audio-7B-Instructの重み/行列量子化モデルで、英語音声テキスト変換タスクをサポート

Qwen2-Audio-7B-Instructモデルの静的量子化バージョンで、英語音声テキスト変換タスクをサポート

Qwen2-AudioはQwen大規模音声言語モデルシリーズの最新バージョンで、複数の音声信号入力を処理し、音声指示に基づいて音声分析を実行したり、直接テキスト応答を生成したりできます。

これはMenlo/Speechless-llama3.2-v0.1モデルを重み付け/重要度マトリックス量子化した結果で、複数の量子化バージョンを提供します

DeepSeek-R1はdeepseek-aiのベースモデルを改良したバージョンで、音声テキスト変換タスクに特化しており、英語言語処理をサポートしています。

openai/whisper-smallをベースにファインチューニングしたアムハラ語音声認識モデルで、評価データセットにおける単語誤り率は2.0538%

このモデルはfacebook/wav2vec2-xls-r-300mをcommon_voice_17_0データセットでファインチューニングしたロシア語自動音声認識(ASR)モデルで、単語誤り率(WER)は0.195です。

Whisperアーキテクチャを基に最適化されたヒンディー語-ヒンディー英語混合音声認識モデル、インド訛りとノイズ環境向けに特別設計

MoonshineベースモデルのONNX形式自動音声認識モデル、効率的な推論をサポート

Pathumma-llm-audio-1.0.0は80億パラメータのタイ語大規模言語モデルで、音声理解タスク向けに設計されており、音声、汎用音声、音楽など様々な音声入力を処理できます。

ONNX形式で最適化されたWhisper大規模音声認識モデル、ウェブ展開向けに設計

WhisperはOpenAIが訓練した自動音声認識(ASR)システムで、多言語音声の文字起こしをサポートしています。

Whisper Large v3の蒸留版、効率的な自動音声認識(ASR)用

openai/whisper-smallをファインチューニングした言語検出モデルで、評価データセットでの精度は96.47%

これはTransformersベースの自動音声認識(ASR)モデルで、音声ファイルをテキストに転写するために使用されます。

このモデルはopenai/whisper-smallをファインチューニングした音声認識モデルで、複数の言語をサポートし、自動音声認識タスクに適しています。

Whisper MediumはOpenAIが開発した中規模の音声認識モデルで、多言語の自動音声認識（ASR）タスクをサポートしています。

WhisperはOpenAIが訓練した自動音声認識(ASR)システムで、多言語の音声テキスト変換タスクをサポートします。

LibriSpeechデータセットでファインチューニングされたSpeechT5自動音声認識モデルで、音声をテキストに変換する機能をサポートしています。

このモデルはfacebook/wav2vec2-large-960h-lv60-selfをuob_singlish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、シンガポール英語の認識をサポートします。

このモデルは、facebook/wav2vec2-xls-r-300mをcommon_voice_9_0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、ベンガル語をサポートしています。

このモデルはfacebook/wav2vec2-large-xlsr-53をcommon_voice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、主にロシア語音声認識タスクに使用されます。

これはwav2vec2アーキテクチャに基づくトルコ語音声認識モデルで、common_voice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、Siyam/SKYLyがcommon_voiceデータセットでファインチューニングしたデンマーク語音声認識モデルです

facebook/wav2vec2-base-960hをファインチューニングしたドイツ語方言音声認識モデル、オーストリア・フォアアールベルク地方の方言認識に対応

このモデルはfacebook/wav2vec2-xls-r-300m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、評価セットで30.95%の単語誤り率を達成しました。

これはブラジルポルトガル語に最適化されたWav2vec2モデルで、複数のオープンデータセットでトレーニングされ、自動音声認識タスクに使用されます。

facebook/wav2vec2-xls-r-300m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

facebook/wav2vec2-xls-r-300m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

facebook/wav2vec2-xls-r-300mをcommon_voiceアラビア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

CETUCデータセットを使用してブラジルポルトガル語向けにファインチューニングされたWav2vec2モデル。約145時間のブラジルポルトガル語音声データでトレーニング

これはクメール語の自動音声認識（ASR）のためのベースラインモデルで、クメール語音声認識タスクの基礎サポートを提供することを目的としています。

このモデルはfacebook/wav2vec2-xls-r-300mを汎用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、グアラニー語音声認識をサポートしています。

facebook/wav2vec2-large-lv60をベースにLIBRISPEECH_ASR-CLEAN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

これはwav2vec2アーキテクチャに基づくウルドゥー語自動音声認識モデルで、Common Voice 8.0ウルドゥー語データセットでファインチューニングされています