本文へスキップ

hertz-dev

全二重で音声だけを扱う公開の変換器モデル

公式サイトを見る

hertz-dev とは

本モデルは Standard Intelligence が公開した全二重・音声のみの変換器基盤モデルと紹介され、遅れの小さいリアルタイム音声対話を狙うと説明されている。

できること

  • モノラル音声を低い転送量の潜在表現に変える
  • 次に来る符号化音声の枠を予測する

導入の手順

  • プロジェクトのページからコードを取得する
  • 依存する部品を入れ符号化と復号を試す

長所と短所

✓ 良い点

  • モデルは公開され研究者が微調整しやすい
  • 畳み込みの音声自動符号化器が構成に含まれる

! 注意したい点

  • 説明される入力は単一チャンネルの音声に限られる
  • 課題ごとの微調整は研究者側の作業になる

よくある質問

パラメータはどれだけ?

資料は基盤モデルに 85 億個のパラメータを挙げる。

公開元はどこ?

資料は Standard Intelligence を公開元に挙げる。

最終評価日: 2026-11-15

その他 AIオーディオツール ツール

すべて見る →

評価方法