Common Voice
PulseAugur coverage of Common Voice — every cluster mentioning Common Voice across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新基准比较了尼泊尔ASR的多语言模型
一项新研究使用标准化的微调协议，对尼泊尔自动语音识别（ASR）的六个多语言预训练模型进行了基准测试。研究发现，Whisper-Large-v3-Turbo 和 IndicWav2Vec 的表现相当，表明预训练中的语系接近性对于尼泊尔ASR可以与单纯的规模一样有效。研究还强调，与Whisper等自回归模型相比，CTC解码器在相似的准确度水平下提供了显著更快的性能，因此对于有延迟限制的应用来说是更可取的。这项工作为尼泊尔ASR提供了第一个…
-
OpenAI为API推出新的上下文感知转录模型
OpenAI已推出两个新的API转录模型：GPT-Live-Transcribe用于实时、低延迟音频，GPT-Transcribe用于异步任务。这两个模型都旨在更好地理解上下文，从而提高在各种语言、口音和嘈杂环境中的准确性。开发者可以提供上下文信息、关键词和语言偏好，以进一步提高转录质量。
-
ai-sage 发布 GigaAM Multilingual 语音模型
ai-sage 发布了 GigaAM Multilingual，这是一系列基于 Conformer 的基础模型。这些模型有 2.2 亿和 6 亿参数的变体，已在超过 70 种语言的 200 万小时以上语音数据上进行了预训练。它们针对自动语音识别 (ASR) 进行了微调，在俄语、哈萨克语、吉尔吉斯语和乌兹别克语方面提供顶级开源性能，在英语方面性能中等。
-
新的ASR方法应对计算扩展和多语言评估
研究人员正在开发新的方法来改进自动语音识别（ASR）系统。一种名为LARM的方法使用深度条件循环Transformer，允许可调的测试时间计算，实现了与更深层模型相媲美的性能。另一个系统Murmur通过平衡低延迟的基于块的处理和准确性的长上下文模型，利用注意力稀疏性来处理长篇ASR。此外，还提出了一种名为脚本归一化WER（SN-WER）的新指标，通过对脚本差异进行归一化，以更准确地评估多语言环境下的ASR性能，特别是对于印度语言。
-
新的 SBPN 模型通过知识蒸馏提升尼日利亚语言 ASR 性能
研究人员开发了一个名为 Sometin Beta Pass Notin (SBPN) 的新多语言自动语音识别 (ASR) 框架，以提高尼日利亚语言的性能。该框架采用两阶段知识蒸馏过程，首先从单一语言模型进行蒸馏，然后通过伪标记数据的迭代自我改进。该方法在 Common Voice 和 Fleurs 等基准测试中，相对于基线平均降低了 29% 的词错误率，并且优于现有的最先进的多语言模型。SBPN 以两种尺寸发布为开放基础模型，旨在为该…
-
Coqui 和 Hugging Face 推进开源语音克隆（需获得同意）
Coqui 是一家语音技术初创公司，正在为开源语音技术和语音克隆做出重大贡献。该公司专注于开放访问的模型和数据，能够创建富有情感共鸣的克隆声音。创作者正在利用 Coqui 的工作来开发新的人工智能驱动的应用程序。