AIbase
TW
模型選型
標籤
多模態語音理解

# 多模態語音理解

Ultravox V0 6 Qwen 3 32b
MIT
Ultravox是一個多模態語音大語言模型，能夠理解和處理語音輸入，支持多種語言和噪聲環境。
音頻生成文本 Transformers 支持多種語言
U
fixie-ai
1,240
0
Ultravox V0 6 Gemma 3 27b
MIT
Ultravox是一個多模態語音大語言模型，能夠同時處理語音和文本輸入，為語音交互場景提供強大支持。
文本生成音頻 Transformers 支持多種語言
U
fixie-ai
641
2
Ultravox V0 6 Llama 3 3 70b
MIT
Ultravox是一個多模態語音大語言模型，結合了預訓練大語言模型和語音編碼器，能夠處理語音和文本輸入。
文本生成音頻 Transformers 支持多種語言
U
fixie-ai
196
0
Ultravox V0 5 Llama 3 3 70b Tempfix
MIT
Ultravox 是一個多模態語音大語言模型，能夠同時接收語音和文本作為輸入，支持多種語言和任務。
文本生成音頻 Transformers 支持多種語言
U
zhuexe
35
0
Ultravox V0 3
MIT
Ultravox 是一個基於 Llama3.1-8B-Instruct 和 Whisper-small 的多模態語音大語言模型，能夠同時處理語音和文本輸入。
音頻生成文本 Transformers 英語
U
FriendliAI
20
1
Ultravox V0 4 1 Llama 3 3 70b
MIT
Ultravox是一個基於Llama3.3-70B-Instruct和whisper-large-v3-turbo構建的多模態語音大語言模型，能夠同時處理語音和文本輸入。
音頻生成文本 Transformers 支持多種語言
U
fixie-ai
26
10
Ultravox V0 4 1 Mistral Nemo
MIT
Ultravox 是一個基於 Mistral-Nemo 和 Whisper 的多模態模型，可同時處理語音和文本輸入，適用於語音代理、語音翻譯等任務。
音頻生成文本 Transformers 支持多種語言
U
fixie-ai
1,285
25
Ultravox V0 4 1 Llama 3 1 70b
MIT
Ultravox 是一個多模態語音大語言模型，基於預訓練的 Llama3.1-70B-Instruct 和 whisper-large-v3-turbo 主幹構建，能夠同時接收語音和文本作為輸入。
文本生成音頻 Transformers 支持多種語言
U
fixie-ai
204
24
Ultravox V0 4 1 Llama 3 1 8b
MIT
Ultravox是基於Llama3.1-8B-Instruct和whisper-large-v3-turbo構建的多模態語音大語言模型，能夠同時處理語音和文本輸入。
音頻生成文本 Transformers 支持多種語言
U
fixie-ai
747
97
Ichigo Llama3.1 S Instruct V0.3 Phase 2
Apache-2.0
Ichigo-llama3s系列模型原生支持音頻和文本輸入理解，基於Llama-3架構，使用WhisperVQ作為音頻文件的tokenizer。
文本生成音頻 英語
I
homebrewltd
16
5
Speechllm 1.5B
Apache-2.0
SpeechLLM是一個多模態大型語言模型，用於預測對話中說話者輪次的元數據，包括語音活動、轉錄文本、性別、年齡、口音和情緒。
文本生成音頻 Transformers 英語
S
skit-ai
40
7
Speechllm 2B
Apache-2.0
SpeechLLM是一個多模態大型語言模型，訓練用於預測對話中說話者輪次的元數據，包括語音活動、轉錄文本、說話者性別、年齡、口音和情緒。
文本生成音頻 Transformers 英語
S
skit-ai
237
16
AIbase
智啟未來，您的人工智能解決方案智庫
English简体中文繁體中文にほんご
© 2025AIbase