# 实时语音处理

基于meta-llama/Llama-3.2-1B-Instruct权重预加载的多语言文本转文本模型

Lite-Whisper 是 OpenAI Whisper 的压缩版本，采用 LiteASR 技术，在保持高准确率的同时减小模型大小。

Ultravox是一个多语言音频转文本模型，基于LLaMA-3-2.1B架构优化，支持多种语言的语音识别和转录任务。

Ultravox是一个基于Llama3.2-1B和Whisper-large-v3构建的多模态语音大语言模型，能够同时处理语音和文本输入。

这是一个用于音频分割的模型，能够检测说话人变化、语音活动及重叠语音，适用于多说话人场景的音频分析。

基于Oyqiz/uzbek_stt微调的乌兹别克语语音识别模型，特别针对法律和军事领域数据进行了优化

这是一个基于pyannote.audio的说话人分割模型，能检测语音活动、说话人变更和重叠语音。

基于pyannote.audio 3.0.0训练的说话人分割管道，支持自动语音活动检测、说话人变化检测和重叠语音检测

基于facebook/wav2vec2-base在speech_commands数据集上微调的语音识别模型，准确率达97.35%

基于facebook/wav2vec2-base微调的语音命令分类模型，在superb数据集上训练，准确率达98.09%

基于pyannote.audio 2.0版本的说话人分割模型，用于自动检测和分割音频中的不同说话人。

一个用于端到端英语到西班牙语语音翻译的语音到文本转换器模型

这是一个使用MetricGAN+方法训练的语音增强模型，能够有效提升语音质量。

基于S2T架构的端到端语音翻译模型，专为英语到荷兰语的语音翻译任务设计

这是一个基于XLSR-Wav2Vec2架构的希腊语自动语音识别模型，由希腊军事学院和克里特技术大学开发。

该模型通过SepFormer架构实现语音增强（去噪+去混响），在WHAMR!数据集（8kHz）上预训练，测试集SI-SNR达10.59dB。

使用SepFormer模型进行语音增强（去噪）的工具集，在WHAM!数据集（8kHz采样频率版本）上预训练，实现环境噪声和混响的去除。

基于Asteroid框架训练的ConvTasNet模型，用于从混合音频中分离出3个独立音源，特别针对8kHz采样率的含噪声语音数据优化。