Logo
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

语音转文本基准测试识别准确率计算效率模型大小Github开源项目

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。

访问官网访问官网GithubGithub
介绍相关项目
insanely-fast-whisper-api - 音频转文字的高速开源API，支持GPU云部署与并发处理
DockerGithubJigsawStackWhisper API开源开源项目转换音频
这是一款基于OpenAI Whisper Large v3的API，能够高速将音频转录为文字。此开源项目支持在任意支持GPU的云提供商上部署，内置说话人分离功能，提供易用的Fast API层、异步后台任务和Webhooks，优化了并发处理。支持任务管理、取消与状态查询，拥有安全的管理员认证访问。通过Docker可以轻松部署到包括Fly.io在内的多种VM环境，实现高效的生产用途。
stt - 高效离线本地语音识别工具，基于fast-whisper模型，支持多种输出格式
CUDA加速Githubfast-whisper开源项目文本输出本地部署热门语音识别
这款语音识别工具可在本地离线运行，基于开源的fast-whisper模型，可将视频和音频中的人声快速转换为文字。支持输出json、srt及纯文本格式，无需联网，确保隐私安全，与openai语音识别接口准确率相当。用户可便捷下载预编译版本，或自行部署源码，支持多种操作系统。此外，还提供API接口，适合开发者使用。支持CUDA加速，优化处理速度。
voice-builder - 开源文本转语音 （TTS） 工具
GithubGoogle Cloud PlatformVoice Builder合成声音开源项目文本到语音
Voice Builder是一个开源的文本到语音转换工具，旨在通过简化用户界面和增强工具灵活性，让用户轻松进行语音合成实验。它使得音声合成更加便捷，特别是支持低资源语言，有效促进技术研究与跨领域协作。
RealtimeTTS - 实时低延迟高质量文本转语音库
GithubRealtimeTTS低延迟多引擎支持多语言支持开源项目高质量音频
RealtimeTTS是一款低延迟、高质量的实时文本转语音库。支持OpenAI、Elevenlabs、Azure、Coqui、gTTS和系统TTS引擎，兼容多语言，适用于专业和关键场景。新增灵活定制安装选项，用户可以选择所需功能模块。通过回退机制确保持续运行，完美兼容大语言模型，实现即时文本流转换和清晰自然的语音输出。
tacotron - 开源文字到语音合成系统，采用TensorFlow实现
GithubTacotronTensorFlow开源开源项目训练模型语音合成
Tacotron是基于TensorFlow的开源语音合成系统，能够直接将文本转换为语音。本项目独立实现了Google的论文'Tacotron: Towards End-to-End Speech Synthesis'，虽然当前性能未及Google的演示，但已具备一定参考价值。支持包括LJ Speech和Blizzard 2012在内的多种语音数据集，并允许通过命令行调整和优化参数。项目还提供了预训练模型的下载与部署指南，便于用户快速开始使用及测试。
whisper-base-bungoma.en - 基于Whisper的英语语音识别模型优化Azure数据集处理
AzureGithubHuggingfaceOpenAI Whisper开源项目机器学习模型模型训练语音识别
该语音识别系统通过微调openai/whisper-base.en基础模型，针对Azure数据集进行优化。模型采用了先进的优化算法，经过精细训练后词错误率降至25.28%，实现了稳定的英语语音识别效果。
whisper-tiny.en - Whisper微调的英文语音识别模型
GithubHuggingfaceWhisper开源项目数据集模型模型训练深度学习语音识别
这是一个基于Whisper-tiny.en模型开发的轻量级语音识别工具，通过Azure数据集训练优化，主要用于英文语音转文本任务。模型采用线性学习率调度和Adam优化器，经过1000步训练后达到44.34%的词错误率。项目采用开源Apache 2.0许可，基于主流深度学习框架开发，便于开发者集成使用。
deepvoice3_pytorch - 基于卷积网络的文本到语音合成技术
DeepVoice3GithubPyTorch多说话者模型开源项目文本转语音预训练模型
DeepVoice3_pytorch是基于PyTorch的文本到语音深度学习平台，支持多语种和多数据集，包括英语、日语和韩语，适合多个说话者或单个说话者。项目提供预训练模型、音频样本、在线演示及详尽的训练指南，旨在简化用户的使用过程，并能灵活定制个性化的语音合成应用。
WhisperS2T - 高效多后端语音识别管道 实现快速精准转录
GithubWhisperS2T优化管道多后端支持开源项目语音转文本高速推理
WhisperS2T是一个为Whisper模型优化的开源语音识别管道，提供更快的转录速度。它支持OpenAI原始模型、HuggingFace模型和CTranslate2模型等多种推理引擎。该项目具有集成自定义VAD模型、智能处理音频文件、支持多语言和多任务批处理等特点，并能有效减少幻觉输出。WhisperS2T在保持高准确度的同时大幅提升转录速度，为用户提供高效的语音识别解决方案。
whisper - 多语种语音识别与翻译解决方案
GithubOpenAITransformer模型Whisper多语言处理开源项目热门语音识别
Whisper是一个通用语音识别模型，支持多种语言处理任务，如语音翻译和语言识别。该模型基于大规模多样化音频数据集进行训练，利用Transformer技术实现高效的序列到序列学习。用户可以通过简单的命令或Python代码实现快速准确的语音识别与翻译，是一个适用于多种应用场景的强大工具。支持多个模型大小和语言选项，用户可根据需求选择合适的模型。
相关项目
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

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
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号