Logo
Project Icon

stt_en_conformer_transducer_xlarge

Conformer-Transducer模型的超大规模语音识别能力

模型训练NVIDIA ConformerNVIDIA Riva自动语音识别模型Github开源项目语音转录Huggingface

Conformer-Transducer超大模型拥有600M参数，专为英语自动语音识别设计，以较低的字错误率（WER）脱颖而出。通过NVIDIA NeMo工具包训练，涵盖LibriSpeech、Mozilla Common Voice等多个数据集。模型支持Python调用，具备细化调优和批量处理功能，适合多种语音识别应用。虽然暂未兼容NVIDIA Riva，但其在英语语音处理方面表现卓越。

访问官网访问官网GithubGithubHuggingfaceHuggingface文档文档论文论文
介绍相关项目
silero-models - 提供预训练的企业级语音识别和合成模型
GithubONNXPyTorchSilero Models开源项目文本转语音语音识别
silero-models展示高质量预训练语音识别与合成模型，提供简化的企业级语音技术解决方案，性能匹敌谷歌STT。模型即用、支持多语言、语音合成自然，将企业和开发者的部署流程简化至极致。
Llama-3_1-Nemotron-51B-Instruct - NVIDIA开发的高效大语言模型
GithubHuggingfaceLlama-3人工智能大语言模型开源项目模型神经网络架构搜索蒸馏
Llama-3_1-Nemotron-51B-Instruct是NVIDIA开发的大语言模型，采用神经架构搜索方法平衡准确性和效率。该模型内存占用低，可在单个H100-80GB GPU上运行大型工作负载。模型在英语对话和编程方面表现出色，也支持非英语语言。经过安全评估和对抗性测试，适合商业应用。
Whisper-Finetune - 语音识别模型的高效微调与加速
GithubWhisper中文识别加速推理开源项目模型微调语音识别
Whisper-Finetune项目致力于优化OpenAI的Whisper语音识别模型。该项目采用Lora技术进行微调，支持多种数据类型的训练，并通过CTranslate2和GGML实现加速推理。此外，项目提供了跨平台应用和服务器部署方案，为语音识别应用开发提供了全面支持。
bert-large-cased - 大规模双向Transformer预训练英语语言模型
BERTGithubHuggingface开源项目文本分类模型深度学习自然语言处理预训练模型
bert-large-cased是一个在大规模英语语料库上预训练的Transformer模型，采用掩码语言建模和下一句预测任务。模型包含24层、1024隐藏维度、16个注意力头和3.36亿参数，适用于序列分类、标记分类和问答等下游NLP任务。在SQuAD和MultiNLI等基准测试中表现优异。
metavoice-src - 1.2B参数开源TTS模型，支持情感语音合成和跨语言声音克隆
GithubMetaVoice-1BTTS开源开源项目情感语音语音克隆
MetaVoice-1B是一个开源的1.2B参数TTS模型，经过10万小时的语音训练，支持英语情感语音合成和零样本的美式和英式语音克隆（仅需30秒参考音频）。该模型还支持跨语言声音克隆和任意长度文本的语音合成。可通过云端或本地部署使用，并提供Hugging Face和Google Colab的演示。
wav2vec2-xls-r-1b - 大规模多语言语音预训练模型支持128种语言处理
GithubHuggingfaceXLS-R多语言模型开源项目模型语音处理语音识别预训练
Wav2Vec2-XLS-R-1B是Facebook AI开发的大规模多语言语音预训练模型，拥有10亿参数。该模型在436K小时的公开语音数据上训练，涵盖128种语言。在CoVoST-2语音翻译基准测试中平均提升7.4 BLEU分，BABEL等语音识别任务错误率降低20%-33%。适用于语音识别、翻译和分类等任务，需要16kHz采样率的语音输入进行微调。
SmolLM-360M - 3.6亿参数的高效语言模型 专注常识推理和知识理解
GithubHuggingfaceSmolLM人工智能开源项目模型模型训练神经网络语言模型
SmolLM-360M是一款拥有3.6亿参数的高效语言模型，基于Cosmo-Corpus数据集训练而成。该模型利用Cosmopedia v2合成教材、Python-Edu教育样本和FineWeb-Edu网络教育资源等高质量数据，在常识推理和世界知识等多项基准测试中表现出色。SmolLM-360M支持CPU/GPU部署，并提供8位和4位量化版本以优化内存使用。这款模型主要面向英语内容生成和理解，可作为AI辅助工具在多种场景中应用。
whisper-small-fa - Whisper-small-fa模型在Common Voice数据集上的语音识别性能
GithubHuggingfaceTransformers开源项目数据集模型模型评估训练超参数语音识别
Whisper-small-fa是一个基于openai/whisper-small模型在common_voice_17_0数据集上微调的版本，旨在实现高效的自动语音识别。测试集结果显示，该模型的词错误率(WER)为35.4973，体现了其在语音识别中的良好表现。模型训练中应用了Adam优化器、线性学习率调度器及混合精度技术，从而提高了训练的效率和精确度。
Multilingual_Text_to_Speech - 多语言文本到语音合成技术
GithubMeta-learningTacotron 2多语言文本转语音开源项目神经网络模型语音合成
Multilingual_Text_to_Speech项目综合采用Tacotron 2模型与元学习技术，支持复杂的多语言语音合成实验，提供完善的编码器共享机制，并包含丰富的语言数据及互动示范，旨在推动学术研究及应用开发。
hf-seamless-m4t-medium - 多语言翻译与语音识别的统一模型
GithubHugging FaceHuggingfaceSeamlessM4T多语言翻译开源项目文本到语音模型语音识别
SeamlessM4T是一款多语言模型，支持101种语言的语音输入、196种语言的文本处理和35种语言的语音输出。它能进行语音到语音、语音到文本、文本到语音及文本到文本的翻译。最新的SeamlessM4T v2在翻译质量和生成速度上均有改善，为需要高效语音处理和文本翻译的场景提供了解决方案。
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。

使用协议隐私政策广告服务
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