自社のASR、TTS、または音声翻訳サービスが必要なほとんどのチームは、同じ厄介な選択に直面しています。ESPnet、NeMo、k2、HuggingFaceの断片を接ぎ合わせるか、すべてをクラウドAPIに任せて永遠に1分ごとに支払うかです。Tychoはその決定を短縮するために構築されたツールキットです。最先端の事前学習済み音声モデルの微調整とカスタマイズ、ベンチマークの虚栄心よりもROIに目を向けた評価とデプロイの単一スタック。

この概要は、Tychoがエンドツーエンドでカバーするものを示しています。キュレーションされたデータセットで最先端の基盤モデルを微調整し、新しい機能とアダプタでカスタマイズし、正直な評価を実行し、本番トラフィックを耐え抜くような方法でそれらをデプロイします。また、スキャフォールディングとしての参照レシピと論文の要約を使用して、ゼロからあなた自身の大規模な音声モデルをトレーニングする研究志向のパスについても説明しています。音声製品の構築対購入を比較検討している場合、または4つの半分維持されたリポジトリを接ぎ合わせてASRエンドポイントを出荷することに疲れている場合、このウォークスルーは、現代の自社音声スタックが実際にどのように見えるかの有用なマップです。