Дообученная EfficientNet-B0 классифицирует изображения статичных букв американского жестового языка ASL от A до Z.
Подходит для: распознавание статичных букв ASL на фотографиях · классификация букв ASL в кадре веб-камеры · создание демонстрационного приложения для распознавания алфавита ASL
Модель на основе Qwen3-ASR-1.7B для транскрибации мандаринского китайского и китайских диалектов с улучшенной диалектной адаптацией.
Подходит для: транскрибация речи на китайских диалектах · распознавание мандаринской китайской речи · сравнение качества распознавания разных китайских диалектов
MeanVC переносит тембр выбранного говорящего на исходную речь, сохраняя её содержание, и поддерживает потоковую конвертацию в реальном времени.
Подходит для: преобразование голоса в реальном времени с микрофона · перенос тембра по аудиообразцу целевого говорящего · пакетная конвертация записанных аудиофайлов
VoiceSculptor-VD — дообученная Llama-модель для генерации речи по тексту с настройкой характеристик голоса по инструкциям.
Подходит для: синтез речи из подготовленного текста · создание голоса по текстовой инструкции · генерация реплик с заданными характеристиками звучания
FM-Speech анализирует аудиозаписи речи и выдаёт структурированный JSON с атрибутами речи по 14 измерениям.
Подходит для: извлечение детальных атрибутов из аудиозаписи речи · формирование структурированной JSON-разметки речевых характеристик · анализ аудиозаписей для последующей разметки и исследования речи
APEX оценивает по аудио ожидаемую популярность и эстетическое качество музыки, созданной генеративными системами.
Подходит для: оценка потенциальной вовлечённости песни по прослушиваниям и лайкам · сравнение популярности вариантов AI-сгенерированной композиции · оценка музыкальности и связности структуры песни
Производная модели rmaser/aloe-siglip2-base. ALOE SigLIP2 Base — визуальный энкодер ViT-B/16 с B-cos-объяснимостью для извлечения признаков и переноса знаний в задачи компьютерного зрения.
Подходит для: извлечение визуальных признаков для downstream-задач · классификация изображений с линейным классификатором · zero-shot классификация изображений с текстовым энкодером SigLIP2
SoulX-Transcriber распознаёт речь в многосторонних диалогах, определяя говорящих и временные границы реплик.
Подходит для: расшифровка встреч с разделением реплик по участникам · диаризация интервью и групповых разговоров · создание стенограмм диалогов с временными отметками
Производная модели rmaser/aloe-siglip2-base. ALOE SigLIP2 Base — визуальный энкодер ViT-B/16 с B-cos-объяснимостью для извлечения признаков и переноса знаний в задачи компьютерного зрения.
Подходит для: извлечение визуальных признаков для downstream-задач · классификация изображений с линейным классификатором · zero-shot классификация изображений с текстовым энкодером SigLIP2
Производная модели rmaser/aloe-siglip2-base. ALOE SigLIP2 Base — визуальный энкодер ViT-B/16 с B-cos-объяснимостью для извлечения признаков и переноса знаний в задачи компьютерного зрения.
Подходит для: извлечение визуальных признаков для downstream-задач · классификация изображений с линейным классификатором · zero-shot классификация изображений с текстовым энкодером SigLIP2
Производная модели rmaser/aloe-siglip2-base. ALOE SigLIP2 Base — визуальный энкодер ViT-B/16 с B-cos-объяснимостью для извлечения признаков и переноса знаний в задачи компьютерного зрения.
Подходит для: извлечение визуальных признаков для downstream-задач · классификация изображений с линейным классификатором · zero-shot классификация изображений с текстовым энкодером SigLIP2
MeanVC2 — потоковая модель преобразования голоса с нулевым обучением на новом голосе и заявленной задержкой первого аудиопакета 110 мс.
Подходит для: потоковое преобразование голоса с низкой задержкой · перенос тембра говорящего на целевой голос · преобразование речи в приложениях реального времени
Производная модели ASLP-lab/MeanVC2. MeanVC2 — потоковая модель преобразования голоса с нулевым обучением на новом голосе и заявленной задержкой первого аудиопакета 110 мс.
Подходит для: потоковое преобразование голоса с низкой задержкой · перенос тембра говорящего на целевой голос · преобразование речи в приложениях реального времени
Производная модели ASLP-lab/MeanVC2. MeanVC2 — потоковая модель преобразования голоса с нулевым обучением на новом голосе и заявленной задержкой первого аудиопакета 110 мс.
Подходит для: потоковое преобразование голоса с низкой задержкой · перенос тембра говорящего на целевой голос · преобразование речи в приложениях реального времени
Производная модели ASLP-lab/MeanVC2. MeanVC2 — потоковая модель преобразования голоса с нулевым обучением на новом голосе и заявленной задержкой первого аудиопакета 110 мс.
Подходит для: потоковое преобразование голоса с низкой задержкой · перенос тембра говорящего на целевой голос · преобразование речи в приложениях реального времени
Переупакованный для OpenVox набор чекпойнтов MeanVC2 предназначен для качественного преобразования речи в другой голос.
Подходит для: преобразование голоса в аудиозаписи · конвертация речи в заданный голос без отдельного примера для каждого диктора · создание преобразованной речевой дорожки для медиаконтента
HEAR оценивает музыкальность и эстетические характеристики песен по аудио, предсказывая оценки и ранжируя композиции.
Подходит для: оценка музыкальности песни по аудиозаписи · оценка пяти эстетических характеристик композиции · ранжирование песен по эстетическим оценкам