# 低詞錯誤率(WER)

基於facebook/w2v-bert-2.0的烏克蘭語語音識別模型，在Yehor/openstt-uk數據集上微調

這是一個基於wav2vec2-FR-7K-large模型微調的法語自動語音識別(ASR)模型，在超過2200小時的法語語音數據上訓練而成。

基於wav2vec 2.0大型XLSR-53檢查點微調的盧森堡語語音識別模型，使用842小時未標註和14小時標註數據訓練，並集成5-gram語言模型

基於facebook/wav2vec2-large-xlsr-53微調的荷蘭語語音識別模型，在Common Voice和CSS10數據集上訓練，支持16kHz音頻輸入。

基於Facebook wav2vec2-xls-r-300m模型微調的芬蘭語自動語音識別(ASR)模型，使用275.6小時芬蘭語數據訓練，支持與KenLM語言模型配合解碼

這是一個基於XLS-R 10億參數模型微調的荷蘭語自動語音識別(ASR)模型，在Common Voice 8.0等多個數據集上訓練，支持16kHz採樣率的語音輸入。

基於facebook/wav2vec2-large-xlsr-53模型微調的加泰羅尼亞語語音識別模型，在通用語音庫和議會語音庫數據上訓練

該模型是基於facebook/wav2vec2-large-960h微調的語音識別模型，專門針對加密貨幣領域的播客內容進行了優化。

基於wav2vec 2.0架構的越南語自動語音識別模型，在13,000小時未標註音頻和250小時標註數據上訓練

基於wav2vec-large-xlsr-53框架微調的德語語音識別模型，在CommonVoice德語測試集上達到11.26%詞錯誤率

基於Facebook的wav2vec2-large-xlsr-53模型，使用公共語音數據集的葡萄牙語數據微調而成的語音識別模型

基於VoxRex大型模型微調的瑞典語自動語音識別模型，支持16kHz採樣率語音輸入

該模型是基於facebook/wav2vec2-xls-r-300m在羅曼什語-蘇塞爾瓦方言數據集上微調的自動語音識別模型，在Common Voice 8測試集上取得了24.09%的詞錯誤率(WER)。

基於facebook/wav2vec2-large-xlsr-53模型微調的西班牙語自動語音識別(ASR)模型，在Common Voice西班牙語數據集上訓練，支持16kHz採樣率的語音輸入。

基於VoxRex特徵提取器微調的300M參數語音識別模型，專為新挪威語(Nynorsk)優化，在NPSC測試集上WER達12.22%

這是一個針對印地語的自動語音識別(ASR)模型，在Common Voice等數據集上表現出色。