SpeechT5: síntesis, reconocimiento y más con un modelo unificado de voz

Resumen del corpus

Hugging Face anunció la disponibilidad de SpeechT5 en su biblioteca Transformers, un modelo de Microsoft Research Asia que unifica síntesis de voz, reconocimiento automático del habla y conversión de voz en una sola arquitectura encoder-decoder. El modelo se preentrena con datos combinados de texto y voz, y luego se ajusta por tarea usando pre-nets y post-nets específicas. La publicación incluye ejemplos de código y demos interactivas para TTS, conversión de voz y ASR.