# wav2vec2架構

由rinna株式會社訓練的日語wav2vec 2.0基礎模型，基於ReazonSpeech數據集訓練

該模型是基於facebook/wav2vec2-base在未知數據集上微調的版本，主要用於語音識別任務，在評估集上達到84.55%的準確率。

基於Librispeech-clean-100數據集微調的性別識別模型，在測試集上F1分數達0.9993

基於facebook/wav2vec2-base在asvspoof2019數據集上微調的語音防偽檢測模型

基於wav2vec2架構的越南語自動語音識別模型，預訓練於13,000小時未標註YouTube音頻，並在250小時標註數據上微調。

該模型是基於facebook/wav2vec2-conformer-rel-pos-large-960h-ft微調的語音意圖分類模型，在評估集上準確率達到58.33%。

基於facebook/wav2vec2-base模型微調的語音識別模型，在評估集上準確率達到87.27%。

基於facebook/wav2vec2-large-robust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。

基於facebook/wav2vec2-large-fr-voxpopuli模型微調的法語自動語音識別模型，使用Common Voice 7.0法語數據集訓練。

基於facebook/wav2vec2-large-lv60模型微調的泰語語音識別模型，使用Common Voice 7.0數據集訓練

基於facebook/wav2vec2-base-960h微調的語音識別模型

基於facebook/wav2vec2-base-960h微調的語音識別模型，在評估集上詞錯誤率為1.0

該模型是基於facebook/wav2vec2-base微調的語音識別模型，在評估集上取得了0.4949的詞錯誤率。

基於facebook/wav2vec2-base模型微調的語音識別模型，在TIMIT數據集上進行了訓練

這是一個基於wav2vec2架構的烏爾都語自動語音識別(ASR)模型，從頭開始訓練。

該模型是基於facebook/wav2vec2-base進行微調的語音識別模型，在TIMIT數據集上取得了0.6704的詞錯誤率。

基於wav2vec2-base模型在TIMIT數據集上微調的語音識別模型

基於Common Voice數據集訓練的立陶宛語自動語音識別模型，使用wav2vec2架構和fairseq框架實現。

基於facebook/wav2vec2-base在空數據集上微調的語音識別模型，使用了隨機高通濾波技術處理訓練數據

基於自監督學習的音頻預訓練模型，能夠從23種印度語言的原始音頻中學習跨語言語音表徵