Project Icon

wav2vec2-large-xlsr-bahasa-indonesia

wav2vec2架构的印尼语语音识别模型

这是一个开源的印尼语自动语音识别模型,基于wav2vec2-large-xlsr架构。模型使用Common Voice 6.1印尼语数据集训练,测试集词错误率为19.3%。项目提供训练代码仓库和联系方式。值得注意的是,作者已发布新版模型,具有更小体积和更低的5.9% WER。

wav2vec2-large-xlsr-53-chinese-zh-cn - 中文自动语音识别模型提供广泛应用支持
Common VoiceGithubHuggingSoundHuggingfaceXLSR Wav2Vec2开源项目模型语音识别语音转录
该模型基于Common Voice、CSS10和ST-CMDS数据集,对facebook的wav2vec2-large-xlsr-53进行了微调,以实现中文自动语音识别。模型能够处理16kHz采样率的语音输入,可通过HuggingSound库直接进行语音转录或使用定制推理脚本。评估结果显示,模型在Common Voice测试数据集上WER为82.37%,CER为19.03%。感谢OVHcloud提供的GPU支持,该模型适用于医药、教育等领域语音数据处理。
indobert-base-p1 - IndoBERT基于BERT架构的印尼语预训练模型
GithubHuggingfaceIndo4BIndoBERT印尼语开源项目模型自然语言处理预训练模型
indobert-base-p1是基于BERT架构的印尼语预训练模型,在23.43GB的Indo4B语料库上训练。该模型采用掩码语言建模和下一句预测目标,包含1.245亿参数,适用于多种印尼语自然语言处理任务。研究人员可通过Hugging Face加载模型和分词器,提取上下文表示,为印尼语NLP研究和应用奠定基础。
wav2vec2-large-xlsr-53-italian - XLSR-53微调的开源意大利语语音识别模型
Common VoiceGithubHuggingfaceWav2Vec2XLSR-53开源项目意大利语模型语音识别
这是一个基于Facebook的wav2vec2-large-xlsr-53模型,在Common Voice 6.1意大利语数据集上微调的语音识别模型。模型在测试集上达到9.41%的词错误率和2.29%的字符错误率。支持直接处理16kHz采样的语音输入,无需额外语言模型。项目提供了详细的使用说明和评估脚本,便于研究人员快速应用和测试。
wav2vec2-large-xlsr-53-spanish - Wav2Vec2模型在西班牙语语音识别中的表现
Common VoiceGithubHuggingfaceWav2Vec2开源项目模型自动语音识别西班牙语音频
项目在Common Voice ES测试集上测试了Wav2Vec2模型的性能,语音识别错误率为17.6%。此项目使用Facebook发布的模型,与Torchaudio结合进行数据预处理,实现了语音到文本的转化,展示了语音处理与自动语音识别领域的最新进展。
wav2vec2-large-xlsr-53-persian - 基于XLSR-53微调的开源波斯语语音识别模型
Common VoiceGithubHuggingfaceWav2Vec2XLSR-53开源项目模型波斯语语音识别
该开源项目提供了一个基于XLSR-53的波斯语语音识别模型。通过在Common Voice数据集上微调,模型达到30.12%词错误率和7.37%字符错误率,超越同类方案。模型支持16kHz采样率语音直接识别,无需额外语言模型。项目包含完整使用指南和评估脚本,方便研究与应用。
wav2vec2-large-xlsr-53-japanese - 基于Wav2Vec2的日语语音识别模型
Common VoiceGithubHuggingfaceWav2Vec2XLSR-53开源项目日语模型语音识别
该模型是在facebook/wav2vec2-large-xlsr-53基础上,使用日语语音数据集微调而来的语音识别模型。在Common Voice日语测试集上,其词错误率(WER)为81.80%,字符错误率(CER)为20.16%,优于同类模型。它可直接用于日语语音转文本,无需额外语言模型。模型要求输入音频采样率为16kHz。
indobert-base-p2 - IndoBERT:印尼语自然语言处理的先进模型
GithubHuggingfaceIndoBERT印尼语开源项目机器学习模型自然语言处理语言模型
IndoBERT是一个基于BERT的尖端模型,专为印度尼西亚语言设计。它通过遮蔽语言模型和句子预测进行预训练。使用Indo4B数据集,该模型在Base和Large架构中实现,参数从11.7M到335.2M不等,适用于多种自然语言处理任务。用户可以使用Transformers库轻松加载IndoBERT,提取上下文表示,增强印尼语处理的准确性和效率,广泛适用于研究和实践。
wav2vec2-hausa2-demo-colab - wav2vec2-large-xlsr-53 微调的 Hausa 语音识别模型
GithubHausa语Huggingfacewav2vec2开源项目模型深度学习自然语言处理语音识别
wav2vec2-large-xlsr-53 模型在 Common Voice 数据集上微调,专门用于 Hausa 语音识别。模型在评估集上达到 0.7237 的词错误率,为 Hausa 语音识别提供了基础解决方案。尽管训练细节有限,但采用了 Adam 优化器和混合精度训练等先进技术,为进一步改进奠定了基础。这个开源的 Hausa 语音识别模型可用于语音转文本、语言学研究或开发针对 Hausa 语言的语音应用。它展示了迁移学习在低资源语言处理中的潜力,为非洲语言技术的发展贡献力量。
wav2vec2-base-vi - 基于wav2vec2的越南语自监督学习模型提升语音识别性能
GithubHuggingfaceWav2Vec2开源项目模型自监督学习语音识别越南语预训练模型
该项目开发了基于wav2vec2架构的越南语自监督学习模型。模型使用13000小时的多样化越南语YouTube音频数据进行预训练,包括清晰音频、噪声音频和对话等。项目提供95M参数的基础版和317M参数的大型版预训练模型。在VLSP 2020 ASR数据集上,大型模型配合5-gram语言模型可将词错率降至5.32%。这些模型为越南语语音识别等下游任务提供了有力支持。
wav2vec2-large-xlsr-53-portuguese - XLSR-53微调的葡萄牙语语音识别模型
Common VoiceGithubHuggingfaceWav2Vec2XLSR-53开源项目模型葡萄牙语语音识别
此语音识别模型通过在Common Voice 6.1数据集上微调XLSR-53模型,专门针对葡萄牙语优化。在测试中,模型表现优异,词错误率为11.31%,字符错误率为3.74%。模型设计用于处理16kHz采样率的语音输入,可独立使用或与语言模型结合以提升性能。项目还包含详细的使用说明和评估工具,方便研究者和开发者快速应用和测试。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手,通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能,支持100+编程语言,与主流编辑器无缝集成,显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台,能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐,Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案,通过智能技术简化视频制作流程。无论是企业宣传还是个人分享,有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持,能够阅读和理解用户上传的文件内容,解析网页信息,并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题,Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术,为商家提供一键生成商品图和营销文案的服务,显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台,让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型,免费访问各种图像生成与AI训练工具,从Stable Diffusion等基础模型开始,轻松实现创新图像生成。体验前沿的AI技术,推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器,它将改变您观看视频的方式!SubCat结合了先进的人工智能技术,为您提供即时视频字幕翻译,无论是本地视频还是网络流媒体,让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台,利用前沿AI技术,为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图,再到文案生成,美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具,简化了选题、文献检索至论文撰写的整个过程。通过简单设定,平台可快速生成高质量论文大纲和全文,配合图表、参考文献等一应俱全,同时提供开题报告和答辩PPT等增值服务,保障数据安全,有效提升写作效率和论文质量。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号