Модель VoxSign преобразует английские предложения в текстовые глоссы, приблизительно представляющие угандийский жестовый язык, для исследований и разработки систем жестовой коммуникации.

Подходит для: Преобразование коротких английских предложений в глоссы USL · Создание текстовой основы для прототипа системы жестовой коммуникации · Исследование автоматического преобразования английского текста в глоссы USL

MLX-версия многоязычной модели NVIDIA Parakeet-TDT-0.6B-v3 для распознавания речи и транскрибации аудио.

Подходит для: транскрибация аудиозаписей на поддерживаемых языках · преобразование русской речи в текст · распознавание речи в диктовке

Vocos — быстрый нейросетевой вокодер, который восстанавливает аудиоволну из мел-спектрограммы за один проход.

Подходит для: восстановление речи из мел-спектрограммы · синтез аудио по акустическим признакам · вокодирование речи в конвейере синтеза речи

Мультиязычная модель Mistral AI для потоковой транскрипции речи с низкой задержкой.

Подходит для: транскрипция речи в прямом эфире · субтитры для потокового аудио · распознавание речи в веб-приложениях

Модель wav2vec2 для автоматического распознавания вьетнамской речи и преобразования аудио в текст.

Подходит для: транскрибация записей вьетнамской речи · распознавание вьетнамской речи в аудиозаписях с частотой 16 кГц · создание субтитров к вьетнамским видео

Дообученная на VoxCeleb1 модель WavLM для извлечения голосовых признаков и проверки личности говорящего по речи.

Подходит для: проверка, принадлежит ли запись заданному человеку · сопоставление голосов в двух аудиозаписях · извлечение голосовых эмбеддингов для идентификации говорящего

Дообученная модель wav2vec2-xls-r-300m для автоматического распознавания речи на иврите.

Подходит для: транскрибация записей на иврите · распознавание речи в аудиоматериалах на иврите · преобразование устной речи на иврите в текст

Модель Vakyansh на базе wav2vec 2.0 распознаёт санскритскую речь и преобразует её в текст.

Подходит для: транскрибация записей речи на санскрите · распознавание санскритской речи в аудиозаписях · создание текстовых расшифровок санскритских лекций

Ultravox — модель Fixie.ai, которая понимает речь и текст и генерирует текстовые ответы для голосовых агентов, анализа речи и речевого перевода.

Подходит для: создание голосового агента с текстовыми ответами · анализ содержания аудиосообщений · распознавание устной речи

Потоковая многоязычная ASR-модель Microsoft, которая транскрибирует речь, отмечает говорящих и учитывает пользовательские ключевые слова.

Подходит для: потоковая транскрибация разговоров с указанием говорящих · распознавание речи в реальном времени · расшифровка аудио с именами и специальными терминами

Ultravox v0.5 — речевая языковая модель Fixie.ai, которая понимает аудио и текст и генерирует текст для голосовых агентов, анализа речи и перевода.

Подходит для: создание голосового агента, отвечающего на голосовые сообщения · транскрибирование речи в текст · анализ содержания spoken audio

Акустическая модель Wav2Vec 2.0 для преобразования коротких записей вьетнамской речи в текст.

Подходит для: распознавание вьетнамской речи в коротких аудиозаписях · транскрибация записей с частотой дискретизации 16 кГц · создание акустической части системы ASR для вьетнамского языка

Компактная ONNX-модель для быстрого синтеза вьетнамской речи на слабых CPU и периферийных устройствах.

Подходит для: локальный синтез вьетнамской речи на Android · озвучивание текста на слабом CPU или ARM-плате · быстрая генерация речевых подсказок на устройстве

Потоковая модель Microsoft для многоязычной транскрибации речи с определением говорящих и поддержкой пользовательских ключевых слов.

Подходит для: потоковая расшифровка встреч с указанием говорящих · транскрибация аудио в реальном времени · распознавание имён и терминов с пользовательскими ключевыми словами

Модель VideoMAE классифицирует короткие видео жестов вьетнамского жестового языка и выдаёт соответствующие текстовые метки.

Подходит для: распознавание жестов вьетнамского жестового языка по коротким видео · классификация отдельных жестов по видеозаписи · преобразование видеоклипа с жестом в текстовую метку

Компактная мультиязычная модель FunAudioLLM для быстрого распознавания речи с дополнительными возможностями анализа эмоций и звуковых событий.

Подходит для: транскрибация аудиозаписей и голосовых сообщений · распознавание речи в потоковом режиме на периферийных устройствах · распознавание китайской, кантонской, английской, японской и корейской речи

Потоковая модель NVIDIA для разметки аудиозаписи по говорящим в разговорах с максимум четырьмя участниками.

Подходит для: диаризация речи в онлайн-разговорах · определение говорящих в записях встреч · разметка длинных аудиозаписей по участникам

Лёгкая потоковая модель для определения наличия речи в коротких аудиофрагментах, подготовленная для запуска через MLX на Apple Silicon.

Подходит для: определение речевых сегментов в аудиопотоке · обнаружение начала и конца речи для голосового интерфейса · отсечение тишины перед распознаванием речи

VoxCPM1.5 — модель OpenBMB для выразительного синтеза речи из текста и клонирования голоса по короткому аудиофрагменту.

Подходит для: озвучивание текста на китайском и английском · создание выразительной речи с интонацией по смыслу текста · клонирование голоса по короткому образцу речи

Модель Microsoft на основе WavLM формирует голосовые эмбеддинги для проверки личности говорящего по аудио с частотой 16 кГц.

Подходит для: сравнение голосов для проверки личности говорящего · верификация пользователя по голосу · извлечение голосовых эмбеддингов из речевых записей

Модель NVIDIA NeMo и Suno.ai для быстрого преобразования английской речи в текст.

Подходит для: транскрибирование англоязычных аудиозаписей · распознавание речи в телефонных разговорах · пакетная расшифровка WAV-файлов

Дообученная Whisper-small модель LAION, которая описывает текстом неречевые вокализации в коротких аудиофрагментах.

Подходит для: создание подписей к смеху и вздохам в аудиозаписях · описание криков, плача и кашля в звуковых клипах · разметка неречевых вокальных событий в аудиоархивах

Ultravox v0.2 — речевая LLM Fixie.ai, которая понимает аудио и текст и отвечает текстом.

Подходит для: создание голосового агента с текстовыми ответами · ответы на вопросы по голосовым сообщениям · анализ содержания устной речи

Модель Wav2Vec2, дообученная для распознавания вьетнамской речи и её преобразования в текст.

Подходит для: расшифровка записей вьетнамской речи · распознавание вьетнамской речи в приложениях · транскрибация аудио с частотой дискретизации 16 кГц