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

DFN5B-CLIP-ViT-H-14-378 - 大规模数据筛选优化的视觉语言预训练系统

CLIPGithubHuggingface图像分类开源项目数据过滤网络机器学习模型计算机视觉

DFN5B-CLIP-ViT-H-14-378是一款基于CLIP架构的视觉语言模型，采用数据过滤网络（DFN）技术从43B未筛选的图像-文本对中提取5B高质量数据进行训练。该模型在多项视觉任务中表现优异，平均准确率达70.94%。支持零样本图像分类，可与OpenCLIP框架无缝集成，为计算机视觉和自然语言处理研究提供了高性能的预训练模型基础。

jina-clip-v1 - 集成文本图像检索与文本相似度分析的多模态嵌入模型

CLIPGithubHuggingfaceJina AI图像检索多模态嵌入开源项目文本检索模型

jina-clip-v1是Jina AI开发的英语多模态嵌入模型，支持高效文本-图像和文本-文本检索。它结合了传统文本嵌入和跨模态模型的优势，适用于多模态检索增强生成应用。该模型在Flickr和MSCOCO跨模态检索任务中表现出色，文本相似度评估能力也与专业文本嵌入模型相当。

Open-LLaVA-NeXT - 多模态大语言模型实现视觉语言对齐和指令微调的开源项目

AI模型评估GithubLLaVA-NeXT多模态模型开源实现开源项目视觉语言训练

Open-LLaVA-NeXT是一个复现LLaVA-NeXT系列模型的开源项目。它提供开源训练数据和检查点，基于LLaVA代码库进行修改。该项目支持CLIP-L-336视觉编码器以及Vicuna-7B和LLaMA3-8B等语言模型。通过特征对齐和视觉指令微调两个阶段的训练，Open-LLaVA-NeXT实现了多模态能力，在多项评估任务中表现优异。

clip-japanese-base - 日语CLIP模型，支持图像和文本的零样本分类与检索

BERTCLIPGithubHuggingface图像分类开源项目文本检索模型视觉任务

该日语CLIP模型由LY Corporation开发，通过大约10亿对图文数据进行训练，适用于图像和文本的零样本分类与检索。该模型采用Eva02-B作为图像编码器，并使用12层BERT作为文本编码器。模型在图像分类中的准确率达到0.89，检索召回率为0.30。在评估中，使用了STAIR Captions和ImageNet-1K等数据集，表现优秀。模型已开源，遵循Apache 2.0协议。

whisper-clip - 一键音频转文本，自动保存到剪贴板

GithubOpenAIWhisperClip剪贴板开源项目自动转录音频转录

WhisperClip是一款自动转录音频并将文本直接保存至剪贴板的工具。只需点击按钮即可将口语转换为书面文本。应用支持Python 3.8及以上版本，使用OpenAI的Whisper技术，无论GPU还是CPU都能选择合适的模型以确保最佳性能。用户可以提供反馈并参与改进项目。

Segment-Anything-CLIP - 整合Segment-Anything与CLIP的图像分析框架

CLIPGithubsegment-anything人工智能图像分割开源项目计算机视觉

项目通过结合Segment-Anything的分割能力和CLIP的识别功能，构建了一个高效的图像分析框架。系统可自动生成多个分割掩码，并对每个掩码区域进行分类。这种创新方法不仅提高了图像分析的精度，还为计算机视觉领域的研究和应用开辟了新途径。

japanese-clip-vit-b-16 - 日语CLIP模型实现跨模态文本图像语义匹配

CLIPGithubHuggingfaceViT-B/16japanese-clip图像识别开源项目模型深度学习

rinna公司开发的日语CLIP模型采用ViT-B/16 Transformer架构，通过CC12M数据集的日语翻译版本训练而成。该模型实现了日语文本与图像的跨模态理解和语义匹配，提供简洁的API接口，适用于图像检索和跨模态搜索等场景。作为Apache 2.0许可的开源项目，它为日语视觉语言处理领域提供了实用的基础工具。

CLIP-ViT-H-14-frozen-xlm-roberta-large-laion5B-s13B-b90k - CLIP架构多语言视觉语言模型实现高效零样本图像分类与检索

CLIPGithubHuggingfaceLAION-5B图像分类多语言模型开源项目模型零样本学习

这是一个基于CLIP架构的多语言视觉语言模型,在LAION-5B数据集上训练。模型结合了冻结的ViT-H/14视觉结构和XLM-RoBERTa大型文本模型,在多语言零样本图像分类和检索任务中表现优异。适用于零样本图像分类、图文检索等应用,也支持下游任务微调。该模型在英语及其他语言中均展现出强大性能,为跨语言视觉AI应用提供了有力支持。

Multi-Tacotron-Voice-Cloning - 实现俄语和英语语音克隆的多功能深度学习系统

GithubMulti-Tacotron Voice Cloning多语种开源项目文本转语音深度学习语音合成

Multi-Tacotron-Voice-Cloning 是基于Real-Time-Voice-Cloning开发的，支持俄语与英语的多语言语音克隆系统。该系统能够利用几秒钟的音频样本，生成声音的数值模型并应用于文本到语音的转换。提供预训练模型和广泛的数据集，同时支持在线Colab演示，适合需要进行英语或俄语语音合成的用户。

clip-video-encode - 视频帧CLIP嵌入向量计算工具

CLIPGithubPython库嵌入计算开源项目视频编码

clip-video-encode是一个Python工具，用于计算视频帧的CLIP嵌入向量。它可处理本地MP4文件、YouTube链接或包含多个视频源的文本文件。工具提供帧采样、多进程处理和自定义CLIP模型等配置选项。clip-video-encode支持大规模数据集处理，曾用于压缩Kinetics700和WebVid等大型视频数据集。这个工具为视频分析和机器学习任务提供了预处理解决方案。

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