一款由西北工业大学 ASLP 实验室开发的开源语音理解模型——OSUM

110 ℃

OSUM是由西北工业大学 ASLP 实验室开发的开源语音理解模型,旨在探索在有限的学术资源下如何高效训练和利用语音理解模型,以推动相关技术的研究与创新。该模型结合了 Whisper 编码器和 Qwen2 语言模型,支持多种语音任务,并通过 ASR+X 训练策略优化多任务学习。

一款由西北工业大学 ASLP 实验室开发的开源语音理解模型——OSUM

OSUM功能特点:

1、多任务支持

OSUM 支持 8 种语音任务,包括语音识别(ASR)、带时间戳的语音识别(SRWT)、语音事件检测(VED)、语音情感识别(SER)、说话风格识别(SSR)、说话人性别分类(SGC)、说话人年龄预测(SAP)以及语音转文本聊天(STTC)。

2、高效多任务训练

采用 ASR+X 训练策略,同时优化模态对齐和目标任务,实现高效稳定的多任务训练。

3、数据透明性

训练方法和数据准备过程均已开放,为学术界提供参考。

4、性能提升

技术报告 v2.0 显示,训练数据量增至 50.5K 小时,模型性能显著提升。

5、开源许可

代码和权重在 Apache 2.0 许可下开放,可用于学术和商业目的。

进入OSUM项目网址入口

豆包语音大模型系列之AI说书

TIGER:一款由清华大学研发的轻量级语音分离模型

标签: 西北工业大学, 语音大模型

上面是“一款由西北工业大学 ASLP 实验室开发的开源语音理解模型——OSUM”的全面内容,想了解更多关于 IT知识 内容,请继续关注web建站教程。

当前网址:https://m.ipkd.cn/webs_17556.html

声明:本站提供的所有资源部分来自互联网,如果有侵犯您的版权或其他权益,请发送到邮箱:admin@ipkd.cn,我们会在看到邮件的第一时间内为您处理!

定时器setTimeout和vue函数$nextTick有什么区别
mysql如何批量替换数据(UPDATE语句)
js如何实现删除对象中的某个属性数据
js去掉多维数组中id相同的保留一个
es6有那些方法可以判断两个数组是否有相同项