WeST とは
本モデルは約 300 行のコードで大規模言語モデルにより音声をテキストに変えるオープンソースの音声認識の仕組みと紹介される。言語モデル・音声エンコーダ・投影器から成り、訓練を受けるのは投影器のみ。
できること
- 言語モデルを LLaMA や QWen などへ差し替える
- Whisper などの音声エンコーダで信号を符号化する
- 訓練と試験のデータを JSONL 形式で用意する
活用場面
- 開発者が音声助手の試作品を組み立てる
- 研究者が認識の実験を回し論文にまとめる
- 教育の場で音声認識の仕組みを示す
長所と短所
✓ 良い点
- 学習率や重み減衰などの訓練パラメータを設定できる
- DeepSpeed の設定で訓練を最適化できる
! 注意したい点
- 訓練できるのは投影器の部分だけ
- 訓練・試験データは JSONL 形式に従う必要がある
よくある質問
訓練できる箇所は?
資料は投影器の部分だけが訓練可能と説明。
着想の元は?
資料は SLAM-ASR と LLaMA 3.1 を挙げる。
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 →-
Accent Guesser 声の録音からアクセントを判定する 無料ツール クリエイターツール オーディオ 音声からテキスト 教育ツール -
AccurateScribe.ai 音声と動画の書き起こし 無料ツール クリエイターツール 動画からテキスト オーディオ 音声からテキスト -
Adobe Podcast ブラウザで録音と音声クリーンアップ 無料ツール クリエイターツール オーディオ 音声からテキスト 音声編集 -
Agilotext フランス語中心の書き起こしと要約 オーディオ 音声からテキスト ポッドキャスト 会議文字起こし 議事録 -
AI Dubbing 登録不要の短い動画の吹き替え 無料ツール 動画翻訳 オーディオ ナレーション コンテンツローカライズ -
AI Mastering オンライン自動マスタリング 無料ツール フリーミアムツール オーディオ ポッドキャスト