Word Error Rate (WER): 1.3
Papers with Code · CC BY-SA 4.0
Audio-Visual Speech Recognition
Audio-visual speech recognition is the task of transcribing a paired audio and visual stream into text.
개요는 각 항목의 일부입니다. 위 탭에서 전체 기록을 페이지별로 탐색할 수 있습니다.
벤치마크
Papers with Code 아카이브의 데이터셋별 기록 예시입니다. 평가 조건과 지표 방향이 검증되지 않아 순위를 의미하지 않습니다.
Dataset기록된 모델 예시MetricPaperCode
Reply
0-shot MRR: شێوازی نووسینی خاڵبەندی بەدەنگ: سێخاڵ: ... خاڵ: . نیشانەی سەرسووڕمان: ! نیشانەی پرسیار: ؟ فاریزە: ، خاڵبۆر: ؛ جووتخاڵ: : تەقەڵ: - کردنەوەی کەوانە: ( داخستنی کەوانە: ) کردنەوەی کەوانەی گۆشەدا: [ داخستنی کەوانەی گۆشەدار: [ کردنەوەی جووتکەوانە: « داخستنی جووتکەوانە: » هێڵی لار: /
논문
코드
데이터셋
6개논문
Top-1 Accuracy: 98.76
Top-1 Accuracy: 98.81
Word Error Rate (WER): 0.9
Word Error Rate (WER): 11.0
Word Error Rate (WER): 1.4
Word Error Rate (WER): 0.77
MMS-LLaMA: Efficient LLM-based Audio-Visual Speech Recognition with Minimal Multimodal Speech Tokens
Word Error Rate (WER): 0.74
Top-1 Accuracy: 98.3
Word Error Rate (WER): 1.4
Word Error Rate (WER): 0.76
Word Error Rate (WER): 1.5
라이브러리
Papers with Code 리더보드 row에 연결된 구현 저장소입니다.