Project Icon

speech-to-text-benchmark

开源语音识别基准测试框架对比多家主流引擎

该项目提供了一个开源的语音识别基准测试框架,对比了Amazon、Azure、Google等主流云服务以及OpenAI Whisper、Picovoice等引擎的性能。框架使用LibriSpeech、TED-LIUM和Common Voice数据集,评估词错率、计算效率和模型大小等指标。测试结果客观展示了各引擎在准确度和资源消耗方面的表现,为选择语音识别解决方案提供了参考依据。

Bridge-TTS - 创新方法提升文本转语音合成效果
Bridge-TTSGithubSchrodinger Bridge开源项目文本转语音机器学习语音合成
Bridge-TTS是一个革新性的文本转语音(TTS)项目,利用人工智能和机器学习技术,通过创新的数据处理方法优化语音合成。无论在简单还是复杂的应用场景中,它都显著优于传统的扩散模型。这一突破不仅提升了TTS技术水平,还为语音合成和相关人工智能领域开辟了新的研究方向。项目详情、研究方法和结果可在官方网站查阅,完整源代码将在论文被学术界正式接受后公开发布。
open-speech-corpora - 开放语料库整理助力语音技术研究与发展
CC-0许可Common VoiceGithub多语言开放语音语料库开源项目语音技术
open-speech-corpora项目为语音技术研究和开发提供了一个丰富的开放语料库清单。这些语料库多为免费并在创意共享许可证或社区数据许可协议下发布,方便研究和商业使用。它覆盖多种语言和超过2万小时的验证语音数据,是学者和开发者理想的数据资源。项目鼓励社区成员提出资源增补,以进一步完善数据库。
awesome-whisper - 开源AI语音识别技术
AIGithubOpenAIWhisper开源项目语音识别音频转录
Whisper是OpenAI开发的开源AI语音识别系统,支持多种语言和平台,具备高精度和实时处理能力,并适用于开发者和企业进行高效集成。
openai-whisper-api - 多功能开源语音转文字API,支持多语言和多任务
DockerGithubNode.jsOpenAI Whisper APITypescript开源项目语音识别
OpenAI Whisper API是一种开源AI模型微服务,采用OpenAI先进的语音识别技术,支持多语言识别、语言识别和语音翻译。该服务基于Node.js、Bun.sh和Typescript构建,可在无依赖的Docker环境中运行,适用于语音和语言相关的应用。无论是转录语音消息、改进系统性能,还是探索Whisper API的功能,这都是一个强大的工具,且采用MIT许可证,开发者可以轻松使用。
deep-text-recognition-benchmark - 基于深度学习方法的文本识别
GithubPyTorch场景文本识别开源项目数据集模型分析深度学习
该项目是一个开源的场景文本识别框架,通过四阶段的官方PyTorch实现,支持现有大多数STR模型。它允许在统一的数据集上,评估各个模块的性能表现,包括准确性、速度和内存需求,并已被多个国际竞赛验证。用户可使用预训练模型进行测试,或进行更深入研究。
whisper-asr-webservice - 基于Whisper的开源语音识别Web服务
DockerGPU支持GithubWhisper ASR开源项目语音识别
whisper-asr-webservice是一个开源的语音识别Web服务,基于OpenAI Whisper模型。它支持OpenAI Whisper和Faster Whisper引擎,提供多语言语音识别、翻译和语言识别功能。项目提供Docker镜像,支持CPU和GPU部署。这个服务具有高性能和易用性,适合各种语音识别应用场景。
botium-speech-processing - 提供一站式免费开源语音识别与合成解决方案
Botium Speech ProcessingDockerGithub开源开源项目语音合成语音识别
Botium Speech Processing 提供统一的开发者友好型API,集成了免费的语音识别和语音合成服务。使用 Kaldi 进行语音识别,MaryTTS 实现语音合成,SoX 处理音频文件。适用于创建视频教程音轨、构建语音聊天机器人、音频转录分类及自动化语音服务测试。易于通过 Docker 部署,并支持多种云服务,确保高性能和安全性。
Multilingual_Text_to_Speech - 多语言文本到语音合成技术
GithubMeta-learningTacotron 2多语言文本转语音开源项目神经网络模型语音合成
Multilingual_Text_to_Speech项目综合采用Tacotron 2模型与元学习技术,支持复杂的多语言语音合成实验,提供完善的编码器共享机制,并包含丰富的语言数据及互动示范,旨在推动学术研究及应用开发。
whisper-timestamped - 多语言语音识别工具,支持单词时间戳和置信度评分
GithubOpenAIwhisper-timestamped信心评分开源项目时间戳语音识别
whisper-timestamped 是一个增强型多语言语音识别工具,基于 OpenAI 的 Whisper 模型,通过动态时间规整(DTW)技术预测单词时间戳,并附带置信度评分。该扩展兼容所有 Whisper 版本,优化内存使用,适用于处理长音频文件。此外,还支持在运行 Whisper 模型前进行语音活动检测(VAD),有效降低训练数据中的误差。whisper-timestamped 可提高识别准确度,尤其适用于包含语音卡顿或填充词的情景。
dataspeech - 简化语音数据集标注与处理的实用工具
Data-SpeechGithub开源项目数据标注语音AI语音数据集音频转换
Data-Speech是一套用于语音数据集标注的实用脚本工具。它提供简洁代码库,支持音频转换和注释,有助于语音AI模型开发。该工具能重现研究论文中的注释方法,使用自然语言描述标注说话者特征。Data-Speech可处理LibriTTS-R和MLS等数据集,并为Parler-TTS库提供支持。它提供从数据集注释、特征映射到自然语言描述生成的完整工作流程。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

稿定AI

稿定设计 是一个多功能的在线设计和创意平台,提供广泛的设计工具和资源,以满足不同用户的需求。从专业的图形设计师到普通用户,无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑,稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合,帮助用户轻松实现创意设计。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号