CLAP

音频与文本的对比学习预训练模型

CLAP是一个音频-文本对比学习预训练模型，可提取音频和文本的潜在表示。它基于CLIP架构设计，通过大规模预训练学习音频与文本的对应关系。该模型适用于音频分类、检索等多种下游任务。项目提供开源预训练模型、代码和PyPI库，支持从音频文件或数据中直接提取特征。

访问官网

文档

CLIP-ViT-B-16-DataComp.XL-s13B-b90K - 多模态模型CLIP ViT-B/16的零样本图像分类解析

CLIPGithubHuggingface图像生成开源项目数据集模型训练数据零样本图像分类

CLIP ViT-B/16模采用DataComp-1B数据集训练，并结合OpenCLIP工具，旨在促进研究者对零样本图像分类的理解。该模型在ImageNet-1k数据集上实现了73.5%的零样本准确率，展示了其在多领域研究中的潜力和挑战。由于数据集仍未完全筛选，建议仅限于学术研究使用。

bioclip - 生物分类视觉模型提升物种识别精度

BioCLIPGithubHuggingface开源项目模型濒危物种生物分类视觉模型进化生物学

BioCLIP是一个基于CLIP架构的生物学视觉模型，利用包含超过45万分类单元的数据集，在生物分类测试中表现超过基准16%-17%。它能学习与生命树一致的层次表示，支持生物学家进行新物种和相似生物的发现。

DFN5B-CLIP-ViT-H-14 - 高性能图像-文本对比学习模型

CLIPDFN-5BGithubHuggingface图像分类开源项目模型深度学习计算机视觉

DFN5B-CLIP-ViT-H-14是一个基于CLIP架构的图像-文本对比学习模型，通过DFN技术从430亿图像-文本对中筛选出50亿高质量样本进行训练。模型在39个图像分类基准测试中表现优异，平均准确率达69.8%。支持零样本图像分类和跨模态检索，可与OpenCLIP无缝集成。这一模型为计算机视觉和自然语言处理领域提供了有力支持，适用于多种研究和应用场景。

klio - 基于Apache Beam的音频处理数据管道生态系统

Apache BeamGithubKlioPython开源项目数据管道音频处理

Klio是基于Apache Beam构建的数据管道生态系统，专门用于处理音频和二进制文件。该系统支持批处理和流式处理，主要应用于大规模音频智能系统。Klio源自Spotify，用于开发和部署新一代音频算法。它为工程师和研究人员提供了一个简化音频处理任务的平台。

clip-flant5-xxl - 基于VQAScore论文的强大图像文本检索模型

CLIP-FlanT5-XXLFlan-T5GithubHuggingfaceVQAScore图像文本检索开源项目模型视觉语言生成模型

CLIP-FlanT5-XXL是一个基于google/flan-t5-xxl微调的图像文本检索模型，由Zhiqiu Lin等研究者开发。这个视觉语言生成模型专门针对VQAScore论文中的任务进行了优化。采用Apache-2.0许可证的CLIP-FlanT5-XXL能够高效处理图像和文本之间的关联。该模型在Hugging Face平台上提供了演示，技术细节可在GitHub仓库中查阅。

FunClip - 开源的视频剪辑工具

FunClipGithub人工智能开源软件开源项目视频剪辑工具语音识别

FunClip 是一个开源的自动化视频剪辑工具，使用阿里巴巴 TONGYI 语音实验室的 FunASR 模型系列进行语音识别。用户可以选择识别结果中的文本片段或发言人，一键获取对应的视频片段。支持 LLM AI 剪辑、多段剪辑和字幕生成等功能，操作简单，提供 Gradio 交互界面和命令行使用方式，可部署在服务器上，通过浏览器访问。现已支持中英文音频文件剪辑，提供智能剪辑和热词定制功能。

blip-vqa-base - BLIP视觉语言预训练模型实现理解与生成双重任务

BLIPGithubHuggingface图像描述图像文本检索开源项目模型视觉语言预训练视觉问答

BLIP是一种创新的视觉语言预训练框架，兼顾视觉语言理解和生成任务。它采用引导式方法处理网络噪声数据，在图像文本检索、图像描述和视觉问答等领域取得了领先成果。此外，BLIP具有优秀的泛化能力，可直接应用于视频语言任务。该模型为视觉语言的统一理解和生成奠定了坚实基础，推动了相关技术的发展。

AudioLDM2 - 多功能文本到音频生成开源项目

AudioLDM 2Github人工智能开源项目文本生成音频深度学习音频合成

AudioLDM2是一个开源的文本到音频生成项目，支持创建音效、音乐和语音。该模型能生成超过10秒的音频，输出高达48kHz的高保真音频，并与Hugging Face Diffusers库集成。AudioLDM2提供多个预训练检查点，适用于不同生成任务，支持CPU、CUDA和MPS设备。用户可通过命令行或Web应用程序使用，提供灵活的音频生成选项。项目还包括随机种子调整功能，可优化不同硬件上的性能表现。支持批量生成和自动质量控制，允许用户生成多个候选音频并选择最佳结果。此外，项目提供了详细的使用说明和参数设置选项，方便用户根据需求调整生成过程。

CLIPSelf - 视觉Transformer自蒸馏实现开放词汇密集预测

CLIPSelfCOCOGithub密集预测开放词汇开源项目视觉Transformer

CLIPSelf项目提出创新自蒸馏方法,使视觉Transformer能进行开放词汇密集预测。该方法利用模型自身知识蒸馏,无需标注数据,提升了目标检测和实例分割等任务性能。项目开源代码和模型,提供详细训练测试说明,为计算机视觉研究提供重要资源。

相关项目

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com