Project Icon

F5-TTS

提高训练和推理速度的先进文本到语音转换系统

项目F5-TTS利用Diffusion Transformer和ConvNeXt V2技术,显著提升了训练和推理速度。支持生成最长30秒的音频,并通过Sway Sampling技术优化推理性能。用户可以自定义数据集,并使用多GPU和fp16配置加速训练。提供单次推理、语音编辑和批量推理功能,并支持通过Gradio App进行操作。多种测试数据集和评估工具确保模型表现稳定高效。

Real-Time-Voice-Cloning - 实时语音克隆与多声源文本到语音转换技术
GithubSV2TTS多说话者文本转语音合成实时语音克隆开源项目深度学习热门语音合成
Real-Time Voice Cloning是一个基于深度学习的实时语音克隆工具,能够通过简短语音样本快速创建个性化语音模型。项目实现了从说话人验证到多说话人文本到语音合成的框架(SV2TTS),并配备了实时工作的声码器。适用于需要个性化语音合成的开发者和研究人员,支持多种数据集,提供预训练模型以简化使用和实验过程。
faster-whisper-large-v2 - 基于Whisper large-v2的高效多语言语音转文本模型
CTranslate2GithubHuggingfaceWhisper开源项目模型模型转换自然语言处理语音识别
该项目是OpenAI Whisper large-v2模型的CTranslate2转换版本,旨在提供高效的自动语音识别功能。支持超过100种语言,通过faster-whisper库实现简便调用。模型采用FP16格式存储,支持运行时计算类型调整,以优化性能。这一工具能够快速准确地完成语音到文本的转换,适用于多种应用场景,为开发者提供了强大的语音识别解决方案。
speech-to-text - 实时音频转录系统,兼容多种格式,具备高级配置
GithubNVIDIA GeForce RTX 3060PythonSilero VADfaster-whisper实时转录开源项目
该开源项目使用Silero VAD技术检测静音部分,并结合Faster-Whisper将音频数据转录为文本。支持多种音频格式(如wav、mp3、ogg)和高级设置,如重复惩罚和无重复ngram大小。其HTML界面允许进行详细配置,并能同步显示转录结果,支持CUDA环境运行,兼容最新的Faster-Whisper版本(1.0.3),提升转录速度和准确性。
Whisper-Finetune - 语音识别模型的高效微调与加速
GithubWhisper中文识别加速推理开源项目模型微调语音识别
Whisper-Finetune项目致力于优化OpenAI的Whisper语音识别模型。该项目采用Lora技术进行微调,支持多种数据类型的训练,并通过CTranslate2和GGML实现加速推理。此外,项目提供了跨平台应用和服务器部署方案,为语音识别应用开发提供了全面支持。
WhisperFusion - WhisperFusion 低延迟高性能的实时AI语音交互系统
GPU加速GithubTensorRT优化WhisperFusion大语言模型实时语音转文字开源项目
WhisperFusion是一个开源项目,结合WhisperLive和WhisperSpeech技术,集成Mistral大语言模型,实现实时语音转文本和智能对话。项目采用TensorRT引擎优化模型性能,使用torch.compile加速处理,在RTX 4090 GPU上实现低延迟对话。通过Docker Compose简化部署,方便开发者快速搭建AI语音交互系统。
FasterTransformer - 基于NVIDIA平台的高性能Transformer编解码器实现与调优
BERTFasterTransformerGPTGithubNVIDIATensorRT-LLM开源项目
FasterTransformer不仅支持多框架集成,还针对NVIDIA新一代GPU优化了编解码性能,极大提升了操作效率和处理速度。包含模型支持、性能对比及API演示的详细文档,有助于用户深入了解并有效使用FasterTransformer。
parler-tts-mini-v1 - 通过文本提示控制的轻量级语音合成模型
GithubHuggingfaceParler-TTS人工智能开源项目文本转语音模型自然语言处理语音合成
Parler-TTS Mini v1是一个经过45K小时音频数据训练的轻量级文本转语音模型。该模型能生成高质量、自然的语音,并通过简单的文本提示控制语音特征,包括性别、背景噪音、语速、音高和混响等。它支持随机语音和特定说话人语音生成,是开源Parler-TTS项目的组成部分,为社区提供TTS训练资源和数据集预处理工具。
e2-tts-pytorch - E2-TTS 简化的非自回归零样本文本转语音模型
E2 TTSGithubPytorch开源项目深度学习语音合成非自回归模型
E2-TTS-pytorch是一个开源项目,实现了基于PyTorch的E2-TTS(Embarrassingly Easy Fully Non-Autoregressive Zero-Shot TTS)模型。该项目提供了持续时间预测器和E2TTS模型的简洁实现,支持自定义模型参数如维度和深度。项目包含代码示例和采样功能,基于最新研究成果,为研究人员和开发者提供了一个灵活的TTS实验平台。
ChatTTS - 高质量中英文对话场景文本转语音模型
AI工具ChatTTS多语言支持对话场景开源模型语音合成
ChatTTS是专注于对话场景的语音生成模型,支持中英双语。经过约10万小时的数据训练,该模型能生成高质量、自然的语音,适用于大型语言模型助手的对话任务和会话式音视频制作。项目团队计划开源基础模型,推动相关研究发展。ChatTTS具有多语言支持和易用性,为开发者和研究人员提供了便捷的文本转语音解决方案。
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。
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。

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