Word Error Rate (WER): 7.2
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.
논문
Word Error Rate (WER): 0.9
Word Error Rate (WER): 2.3
Word Error Rate (WER): 0.76
Test WER: 5.9
Word Error Rate (WER): 1.3
Top-1 Accuracy: 98.76
Top-1 Accuracy: 98.81
Test WER: 7.0
Word Error Rate (WER): 6.8
Word Error Rate (WER): 11.0
Word Error Rate (WER): 1.4
Word Error Rate (WER): 0.77
Test WER: 2.6
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): 4.5
Word Error Rate (WER): 1.4
0-shot MRR: mio
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: /
Word Error Rate (WER): 1.5