TensorflowASR 是一个基于 Tensorflow 2 和 Conformer 结构的端到端语音识别模型,适用于 Python 3.6 及以上版本。其设计旨在提供高效且准确的实时语音识别功能,尤其在 CPU 环境下可实现大约 0.1 的实时率。当前的模型版本 V2 采用 CTC+translate 结构,并对中文语音识别进行了优化。
在 Aishell-1 数据集上进行的离线测试结果表明,TensorflowASR 的 Conformer 结构展示了较为竞争的性能,中文字符错误率(CER)为 6.8%。在流式测试中,StreamingConformerCTC 结构的 CER 达到 7.2%,表现优于许多传统方法。
为了让语音识别在缺少丰富数据的条件下仍能表现优异,项目提供了专门用于 ASR 的 TTS 系统。用户可以创建一个文本列表,通过提供的脚本生成合成语料,并选择音色和音色转换参数,以此生成丰富的训练数据。
项目通过 TF2 实现了 Mel 层以提取语音频谱特征,并提供了优化的 Python 和 Cpp 推理方案。推理方案基于 ONNX 实现,支持较为广泛的应用部署。特别是对于流式识别,项目支持 Block Conformer + Global CTC 和 Chunk Conformer + CTC Picker 两种架构,以适应不同场景的需求。
提供多种已经在 AISHELL 数据 集上评估的预训练模型,用户可以直接使用这些模型进行推理或进一步的训练,支持灵活的应用开发。
使用者需要准备好训练和测试数据列表,配置 am_data.yml 文件中的训练选项,并根据所需的模型结构更新相应的配置。通过简单的命令即可完成训练和测试。不仅限于 ASR,用户还可以根据相似的步骤训练 VAD 或标点恢复等模型。
TensorflowASR 目前支持多种模型结构,包括:
项目要求使用 Python 3.6 以上版本,以及 Tensorflow 2.8 以上版本。依赖库包括 librosa、keras-bert 和 onnxruntime 等。
项目参考了多个优秀的开源项目,如 PaddlePaddle 的 DeepSpeech 等。使用者可以自由地在学术研究和商业产品开发中利用此项目,但禁止将其作为商品交易。
TensorflowASR 是一个强大而灵活的工具,适合研究人员和开发者在语音识别领域进行探索与开发。通过不断更新和社区支持,该项目将持续提升其性能与应用能力。欢迎大家积极参与并贡献自己的想法与代码。
用于可扩展和多功能 3D 生成的结构化 3D 潜在表示
TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。
10 节课教你开启构建 AI 代理所需的一切知识
AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足 不同场景的需求,是文本生成图像视频领域的优质工具。
一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。
基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号