# 高精度語音識別

針對庫爾德語庫爾曼吉方言的自動語音識別模型，基於Whisper架構微調

NextVoice是由Lamapi開發的開源語音轉文字解決方案，支持高質量轉錄和即時處理。

基於whisper-large-v3微調的醫療場景專用語音識別模型

基於OpenAI Whisper-small微調的醫療領域語音識別模型，支持醫療場景下的語音轉文本任務

Parakeet RNNT 1.1B是由NVIDIA NeMo和Suno.ai聯合開發的自動語音識別模型，基於FastConformer Transducer架構，參數約11億，支持英語語音轉錄。

NVIDIA FastConformer-Transducer 是一個用於英語自動語音識別(ASR)的高性能模型，採用優化的FastConformer架構和Transducer解碼器，參數規模約6.18億。

NVIDIA FastConformer-CTC XLarge是一個約6億參數的自動語音識別(ASR)模型，專為英語語音轉錄設計，採用FastConformer架構和CTC損失訓練。

這是一個基於FastConformer架構的大型自動語音識別(ASR)模型，專門用於將英語語音轉錄為文本。

這是一個基於FastConformer架構的大型自動語音識別(ASR)模型，專門用於將英語語音轉錄為文本。

基於OpenAI的whisper-large-v2模型在日語CommonVoice數據集上微調的語音識別模型，訓練5000步，詞錯誤率0.7449

基於TEDLIUM語料庫微調的Wav2Vec2大型語音識別模型，支持英語語音轉文本

這是一個由NVIDIA開發的自動語音識別(ASR)模型，基於Conformer-Transducer架構，擁有約6億參數，專門用於英語語音轉錄。

這是一個基於LibriSpeech數據集訓練的端到端自動語音識別系統，結合了wav2vec 2.0預訓練模型和CTC技術，在英語語音識別任務上表現出色。

基於Facebook的wav2vec2-large-960h-lv60-self模型，通過增強維基百科語言模型改進的自動語音識別(ASR)系統

基於Librispeech 100小時語音數據微調的Wav2Vec2 Conformer模型，採用旋轉位置嵌入技術

該模型整合了旋轉位置嵌入技術，基於16kHz採樣的語音音頻，在960小時的LibriSpeech數據上進行了預訓練和精細調優，適用於英語語音識別任務。

採用相對位置嵌入技術的Wav2Vec2-Conformer大型語音識別模型，基於Librispeech 100小時語音數據微調

基於16kHz採樣語音音頻的Wav2Vec2-Conformer模型，採用相對位置嵌入技術，在960小時Librispeech數據上預訓練和微調

基於Facebook Wav2Vec2-Large-960h-lv60-self模型，增加了英語4-gram語言模型以提升語音識別準確率

基於Facebook的Wav2Vec2-Base-960h模型，增加了英語4-gram語言模型，用於提高自動語音識別(ASR)的準確率。

這是一個基於Wav2Vec2架構的尼泊爾語語音識別模型，支持將尼泊爾語語音轉換為文本。

這是一個基於Conformer架構的大型自動語音識別(ASR)模型，支持英語語音轉錄，使用CTC損失函數進行訓練。

Data2Vec是一個通用自監督學習框架，適用於語音、視覺和語言任務。該音頻大模型基於LibriSpeech的960小時語音數據預訓練和微調，專為自動語音識別任務優化。

基於Wav2Vec2架構的大規模英語自動語音識別模型，在4500小時多源語音數據上微調，支持帶語言模型的解碼

這是一個基於Wav2Vec2架構的自動語音識別（ASR）模型，專門用於識別多格拉語（Dogri）的語音內容。

Facebook開發的Wav2Vec2大模型，基於960小時Libri-Light和Librispeech語音數據預訓練和微調，採用自訓練目標，在LibriSpeech測試集上達到SOTA效果。

基於microsoft/wavlm-base在LIBRISPEECH_ASR - CLEAN數據集上微調的自動語音識別模型

基於Librispeech 960小時語音數據微調的Hubert超大規模語音識別模型，在LibriSpeech測試集上WER僅為1.8

基於facebook/wav2vec2-large-robust-ft-swbd-300h模型微調的個人語音轉文字模型，針對特定口音優化。

HuBERT-Large是基於LibriSpeech 960小時語音數據微調的自監督語音表示學習模型，用於自動語音識別任務。

Wav2Vec2是Facebook開發的語音識別模型，通過自監督學習從原始音頻中學習語音表示，並在LibriSpeech數據集上微調，實現高精度語音轉錄。

這是一個基於Wav2Vec2架構的奧里亞語(Odia)語音識別模型，能夠將奧里亞語語音轉換為文本。

Wav2Vec2是一個強大的語音識別模型，通過自監督學習從原始音頻中提取特徵，並在有限標記數據下實現高性能語音識別。

基於microsoft/wavlm-large在LIBRISPEECH_ASR - CLEAN數據集上微調的自動語音識別模型

Data2Vec是一個通用的自監督學習框架，適用於語音、視覺和語言處理。該模型是基於LibriSpeech 960小時語音數據預訓練和微調的語音識別模型。

基於microsoft/wavlm-base-plus在LIBRISPEECH_ASR - CLEAN數據集上微調的自動語音識別模型

Wav2Vec2是一個基於自監督學習的語音識別模型，由Facebook開發，在LibriSpeech數據集上訓練，支持英語語音轉文本任務。

Facebook開發的Wav2Vec2基礎模型，在960小時的Librispeech語音音頻上進行了預訓練和微調，用於英語自動語音識別任務。

基於ESPnet框架訓練的自動語音識別(ASR)模型，使用Conformer架構和WavLM大型預訓練模型，在LibriSpeech數據集上訓練。