# 即時語音處理

基於meta-llama/Llama-3.2-1B-Instruct權重預加載的多語言文本轉文本模型

Lite-Whisper 是 OpenAI Whisper 的壓縮版本，採用 LiteASR 技術，在保持高準確率的同時減小模型大小。

Ultravox是一個多語言音頻轉文本模型，基於LLaMA-3-2.1B架構優化，支持多種語言的語音識別和轉錄任務。

Ultravox是一個基於Llama3.2-1B和Whisper-large-v3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。

這是一個用於音頻分割的模型，能夠檢測說話人變化、語音活動及重疊語音，適用於多說話人場景的音頻分析。

基於Oyqiz/uzbek_stt微調的烏茲別克語語音識別模型，特別針對法律和軍事領域數據進行了優化

這是一個基於pyannote.audio的說話人分割模型，能檢測語音活動、說話人變更和重疊語音。

基於pyannote.audio 3.0.0訓練的說話人分割管道，支持自動語音活動檢測、說話人變化檢測和重疊語音檢測

基於facebook/wav2vec2-base在speech_commands數據集上微調的語音識別模型，準確率達97.35%

基於facebook/wav2vec2-base微調的語音命令分類模型，在superb數據集上訓練，準確率達98.09%

基於pyannote.audio 2.0版本的說話人分割模型，用於自動檢測和分割音頻中的不同說話人。

這是一個使用MetricGAN+方法訓練的語音增強模型，能夠有效提升語音質量。

基於S2T架構的端到端語音翻譯模型，專為英語到荷蘭語的語音翻譯任務設計

一個用於端到端英語到西班牙語語音翻譯的語音到文本轉換器模型

這是一個基於XLSR-Wav2Vec2架構的希臘語自動語音識別模型，由希臘軍事學院和克里特技術大學開發。

使用SepFormer模型進行語音增強（去噪）的工具集，在WHAM!數據集（8kHz採樣頻率版本）上預訓練，實現環境噪聲和混響的去除。

該模型通過SepFormer架構實現語音增強（去噪+去混響），在WHAMR!數據集（8kHz）上預訓練，測試集SI-SNR達10.59dB。

基於Asteroid框架訓練的ConvTasNet模型，用於從混合音頻中分離出3個獨立音源，特別針對8kHz採樣率的含噪聲語音數據優化。