Project Icon

DeepFilterNet

用于全频段音频(48kHz)的低复杂度语音增强框架

DeepFilterNet是一个低复杂度的全频段音频(48kHz)实时语音增强框架,支持Linux、MacOS和Windows。该项目包含用于数据加载和增强的Rust代码模块,以及Python接口和预训练模型。它还支持LADSPA插件,用于实时噪声抑制,并提供详细的安装和使用指南,适用于终端命令行、Python脚本和深度学习模型训练等多种应用场景。

data2vec-audio-base-960h - 利用自监督学习提升语音识别效率的开源框架
Data2VecGithubHuggingfaceTransformer开源项目模型自动语音识别自监督学习语言模型
Data2Vec是一种开源模型,基于Librispeech数据集进行960小时的16kHz语音音频的预训练和微调,在语音识别领域表现优异。利用自监督学习与自蒸馏手段,Data2Vec准确提取上下文信息,优化了自动语音识别的表现。在LibriSpeech的测试中,取得了“clean”任务2.77和“other”任务7.08的词错误率(WER),体现了其在业内的竞争力。
vampnet - 基于音频编解码器的先进音乐生成模型
Fine-tuningGithubGradio界面VampNet开源项目生成音乐模型预训练模型
VampNet是一个开源的音乐生成项目,基于音频编解码器技术开发。该项目提供了训练音乐生成模型的方法,包括预训练模型和交互式界面。VampNet支持模型训练、微调和多GPU训练,适用于音乐创作和研究。项目文档详细介绍了环境配置、模型使用和训练过程,便于用户快速上手和探索音乐生成技术。
vocos-encodec-24khz - 基于频域的高效神经声码器实现快速高质量音频合成
AI语音Fourier变换GithubHuggingfaceVocos开源项目模型神经声码器音频合成
Vocos是一种基于频域的神经声码器,利用生成对抗网络(GAN)训练,实现单次前向传递生成波形。通过在频域建模音频并使用逆傅里叶变换,Vocos能够快速重建高质量音频。项目提供简便的安装方法和使用示例,支持从EnCodec令牌重建音频和文件复制合成。这种创新方法在保证音频质量的同时大幅提升了处理效率,为音频合成技术开辟了新路径。
audio-preprocess - 开源音频处理工具集
Fish Audio PreprocessorGithubPython工具开源项目音频处理音频预处理
Fish Audio Preprocessor是一个开源音频处理工具集,提供视频/音频转wav、人声分离、自动切片和音量匹配等功能。它支持音频数据统计、重采样和转录,未来计划集成WhisperX技术。该项目在Ubuntu系统上测试通过,可通过pip安装,并提供命令行界面。适用于需要批量处理音频的开发者和研究人员。
Catch-A-Waveform - 单样本驱动的多样化AI音频生成技术突破
Catch-A-WaveformGithub开源项目深度学习神经网络音频处理音频生成
Catch-A-Waveform是一个开源的AI音频生成项目,通过单一短音频样本学习生成多样化音频。该项目支持无条件生成、带宽扩展、音频修复和降噪等功能,可用于音乐创作、语音处理和音频修复等领域。Catch-A-Waveform不仅能创造新的音频内容,还能提升现有音频质量,为音频处理技术开辟新的研究方向。
DiffGAN-TTS - 采用去噪扩散生成对抗网络技术的文本到语音转换技术
DiffGAN-TTSGithubPyTorch多说话者TTS开源项目文本到语音训练模型
DiffGAN-TTS采用去噪扩散生成对抗网络技术,通过激活浅层扩散机制,提供了一种高效且高保真的文本到语音转换方案。该技术支持多种发音特征和语种,实现了保持语音自然度的同时,进行灵活的语音控制,包括音调和语速的调整。此技术适用于多语言和多说话人场景,为深度学习语音合成领域提供了新的可能性。
VEnhancer - 提升文本到视频生成质量的时空增强框架
AI视频处理GithubVEnhancer开源项目扩散模型空间时间增强视频生成
VEnhancer是一个时空增强框架,旨在提高文本到视频(T2V)生成模型的输出质量。该框架基于ControlNet结构,整合了预训练视频扩散模型的多帧编码器和中间块,构建可训练的条件网络。VEnhancer接收低分辨率关键帧和完整噪声潜在帧作为输入,通过噪声增强和下采样因子进行网络调节,从而生成更高质量、更连贯的视频内容。
bigvgan_base_22khz_80band - 支持多采样率的通用神经声码器音频合成系统
BigVGANGithubHuggingfacePyTorch开源项目模型神经声码器语音合成音频生成
BigVGAN是一个基于PyTorch的神经声码器项目,通过大规模数据训练实现音频合成。该模型支持44kHz采样率和512倍上采样,集成CUDA推理加速,可处理语音、环境声音和乐器等音频。项目提供多种预训练模型,覆盖不同采样率和mel频带参数配置,适用于多样化的音频生成需求。
naturalspeech3_facodec - FACodec语音编解码器实现属性分解和零样本语音合成
FACodecGithubNaturalSpeech 3属性分解开源项目语音合成语音编解码
FACodec作为NaturalSpeech 3的核心组件,将语音波形转换为表示内容、韵律、音色和声学细节的解耦子空间,并能重建高质量语音。该技术简化了语音表示建模,支持多种TTS模型开发,还可实现零样本声音转换。FACodec为语音合成研究提供了强大的处理工具。
DeepSpeech - 开源的深度学习语音识别引擎
GithubProject DeepSpeechTensorFlow开源开源项目机器学习语音识别
DeepSpeech是一个开源语音转文字引擎,基于百度的Deep Speech研究,并利用Google TensorFlow实现。提供详细的安装、使用和训练模型文档。最新版本及预训练模型可在GitHub获取,支持和贡献指南请参阅相应文件。
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