Python
SGLang-Omniで音声・マルチモーダルモデルの高速推論を設定する方法
SGLang-Omniは、音声エンコーディングから音声合成までの複雑なパイプラインを処理する、音声・マルチモーダルモデルのマルチステージ推論に特化したランタイムを提供します。
#speech-recognition
4 プロジェクト Python
Whisperよりも正確にロシア語音声を認識するGigaAMの活用法
SberDevicesのオープンソース音響モデルファミリーGigaAMは、ロシア語音声認識でWhisperを上回ります。その機能と使い方を解説します。
HTML
How Not to Drown in a Sea of Neural Network Courses and Find Truly Worthwhile Lectures
Tired of drowning in neural network courses? Deep Learning Drizzle is a curated collection of university courses and lectures from top AI labs worldwide—your antidote to fragmented YouTube tutorials.
Python
MLX-Audio — Apple Silicon Macに声と耳を授ける
MLX-AudioがApple Silicon Macに超高速のTTS、STT、STS機能をもたらします。AppleのMLXフレームワーク 기반으로、Whisper、Kokoro、声のクローンなどに対応し、クラウドコストなしでローカル実行。