SpeechTokenizer

将语音标记化统一的开源工具

SpeechTokenizer 语音标记器语音语言模型 RVQ 语音信息处理 Github 开源项目

SpeechTokenizer 是一个开源的语音标记化工具，采用编码器-解码器架构和残差向量量化技术，统一了语义和声学标记。该项目能够分层分离语音信息的不同方面，为语音语言模型提供更精确的输入。它提供了在 LibriSpeech 和 Common Voice 数据集上训练的模型，支持 16kHz 单声道语音处理。项目开源了训练代码和预训练模型，可用于语音处理研究和应用开发。

访问官网

Github

Huggingface

介绍相关项目

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。

dc_tts - 基于深度卷积网络的高效文本到语音转换模型

DC-TTSGithubTensorFlow开源项目文本转语音训练模型语音样本

dc_tts，一个基于TensorFlow的文本到语音转换模型，使用深度卷积网络和引导注意力机制进行设计。项目不仅还原了相关学术论文，还对不同声音数据进行了深入研究，支持多种语言和数据集，提供完善的训练及预处理教程以及预训练模型，适用于学术研究和实际应用场景。

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。

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。

openWakeWord - 高效易用的开源语音唤醒词识别库

GithubopenWakeWord唤醒词开源库开源项目模型训练语音识别

openWakeWord是一个开源语音唤醒词库，用于开发语音交互应用和界面。它提供预训练模型，可识别常见词语，适应真实环境。该项目旨在平衡速度、准确性和易用性，采用简单架构，支持高效训练新模型，无需大量手动数据采集。

vosk-api - 离线开源多语言语音识别工具，支持多种设备

GithubVosk多语言支持开源工具包开源项目离线语音识别

Vosk是一款离线开源语音识别工具包，支持20多种语言和方言。其模型体积小（仅50MB），但能提供连续的大词汇量转录、零延迟响应和流媒体API。支持Python、Java、Node.JS、C#、C++、Rust、Go等多种编程语言。适用于聊天机器人、智能家居设备、虚拟助手，也能为电影创建字幕、为讲座和采访生成转录。Vosk从Raspberry Pi等小型设备到大型集群均可扩展。访问Vosk官网获取安装指南、示例和文档。

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。

VoiceCraft - 实现零样本语音编辑和实时文本转语音的革命性技术

GithubVoiceCraft开源项目文本转语音神经编解码语言模型语音编辑零样本学习

VoiceCraft是一个开源的语音技术项目，专注于零样本语音编辑和实时文本转语音。该项目仅需几秒钟的参考音频即可克隆或编辑未知声音，在有声书、网络视频和播客等真实场景中表现出色。VoiceCraft提供多种运行方式，包括Google Colab、Docker和本地环境，方便研究人员和开发者使用。项目在语音编辑和零样本TTS领域达到了先进水平，为语音技术的发展开辟了新方向。

FunASR - 综合性开源语音识别与处理工具集

FunASRGithub多任务开源项目模型部署语音识别预训练模型

FunASR是一个全面的开源语音处理工具集，融合了学术研究和工业应用。它不仅支持语音识别模型的训练和微调，还提供了语音活动检测、标点恢复等多种功能。该项目提供大量预训练模型，便于快速构建高效准确的语音识别服务。FunASR以其广泛的功能、高性能和易部署特性，为语音识别技术的研究和应用提供了强大支持。

tokencost - 实时追踪智能语言模型成本的精确工具

API成本计算GithubTokenCost代币计数大型语言模型开源项目集成

TokenCost为大型语言模型（LLM）API的使用成本提供精确计算，支持指令和完成计算的费用评估。此工具提供基本的成本计算并能实时监控主要LLM供应商的价格和模型更新，助力开发者和数据科学家轻松集成最新数据并进行成本管理。

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