SALMONN

通用听觉能力赋能大语言模型实现音频输入的多模态理解

SALMONN是清华大学和字节跳动共同开发的大语言模型，能处理语音、音频和音乐输入。通过结合Whisper和BEATs编码器，SALMONN实现了多语言语音识别、翻译和音频-语音推理等功能。该模型可理解多种音频输入并执行文本和语音指令，展现了跨模态能力，推动了具听觉能力的人工智能发展。

访问官网

LanguageBind_Audio - 语言驱动的多模态预训练解决方案

GithubHuggingfaceLanguageBind公开源码多模态开源项目数据集模型语义对齐

LanguageBind是一个语言驱动的多模态预训练工具，在五个数据集上表现出色。该项目采用VIDAL-10M数据集，将视频、红外、深度、音频和语言模态结合，实现了跨越视觉模态的扩展。通过多视图增强和ChatGPT的结合，它提高了语言的语义表达，并支持在线和本地运行，包括音频与语言、视频与语言的相似性计算。

Llama-2-70b-hf - Meta开发的70亿参数开源大语言模型支持多样化自然语言处理任务

GithubHuggingfaceLLAMA 2人工智能大语言模型开源开源项目模型自然语言处理

Llama-2-70b-hf是Meta开发的70亿参数大语言模型,基于优化的Transformer架构,支持4k上下文长度。模型在2万亿token公开数据上预训练,通过监督微调和人类反馈强化学习实现对话能力。在多项基准测试中表现优异,适用于对话、问答、推理等自然语言处理任务。作为开源发布的基础模型,为学术研究和商业应用提供了有力支持。

ollama-voice - 离线语音交互AI助手集成语音识别对话和合成功能

Githubollama-voice大型语言模型开源项目文字转语音离线模式语音识别

ollama-voice是一个集成Whisper语音识别、Ollama大语言模型和pyttsx3文本转语音技术的开源项目。它创建了一个完全离线的语音交互AI助手，支持本地语音识别、自然语言处理和语音合成。用户通过按住空格键即可与AI对话，适用于需要隐私保护或离线环境的语音交互场景。

faster-whisper-large-v3-turbo-ct2 - 基于Whisper large-v3的多语言语音识别模型

CTranslate2GithubHuggingfaceWhisperfaster-whisper多语言支持开源项目模型语音识别

这是一个基于OpenAI Whisper large-v3模型优化的CTranslate2版本，专注于高效的语音识别。该模型支持100多种语言的转录，兼具准确性和速度。通过faster-whisper库，可以便捷地进行音频转录。模型采用FP16格式存储，计算类型可灵活调整。这为语音识别应用的开发提供了一个强大的工具。

tensorflow-speech-recognition - 开源TensorFlow中的语音识别示例

DeepSpeechGithubTensorflowWhisper开源项目深度学习语音识别

使用谷歌的TensorFlow框架进行语音识别，最初目标是为Linux系统创建独立的语音识别模型。尽管该项目现主要用于教学，开发者展示了使用开源数据和强大模型实现高效语音识别的潜力。推荐查看更新项目如Whisper和Mozilla的DeepSpeech，这两个项目在错误率方面的表现出色。该项目包含示例代码、依赖安装指导及功能扩展，如GPU上的WarpCTC和P2P学习模块。

InternVL2-Llama3-76B - 融合视觉与语言的多模态AI模型

GithubHuggingfaceInternVL2Llama3NLP多模态大语言模型开源项目模型视觉语言模型

InternVL2-Llama3-76B是一款融合视觉和语言能力的多模态AI模型。它由InternViT-6B视觉模型和Hermes-2-Theta-Llama-3语言模型组成，在文档理解、图表分析和场景文字识别等任务中表现优异。该模型支持8k上下文窗口，可处理长文本、多图像和视频输入，为用户提供全面的多模态分析能力。

audio-ai-timeline - 音频AI领域2023年重大进展及模型概览

AI音频生成Github开源项目扩散模型文本转语音深度学习音乐生成

Audio AI Timeline项目追踪2023年音频生成领域AI模型进展。涵盖MusicLM、AudioLDM 2等重要模型，展示文本到音频、音乐生成和语音合成技术发展。项目记录模型发布日期、论文、代码和训练资源，为音频AI领域研究者和开发者提供参考。

whisper-plus - 全面音频处理工具集成语音识别与智能交互

AI模型GithubWhisperPlus开源项目自然语言处理语音转文字

WhisperPlus是一个集成多项功能的开源音频处理工具库。它支持语音转文字、文本摘要和说话人分离等核心功能，并提供YouTube音频下载、多种模型选择以及基于RAG技术的视频内容智能对话能力。此外，WhisperPlus还包含文本转语音和自动字幕生成功能，为开发者提供全面的音频处理解决方案。该项目安装简便，接口灵活，适用于广泛的语音处理应用场景。

StreamSpeech - 在线和实时翻译模型

GithubStreamSpeech多任务学习实时合成开源项目语音翻译语音识别

StreamSpeech通过一个整合的模型，在线和实时翻译中展现行业领先水平，支持多达8种包括语音识别和语音转换任务。提供Web GUI演示，允许用户在浏览器中直接体验。探索StreamSpeech的功能和实例。

Llama-3.2-3B - 利用优化技术实现提速和内存节省的开源语言模型项目

GithubHuggingfaceLlama 3.2多语言处理大语言模型开源项目模型模型微调算力优化

这是一个基于Unsloth技术的大型语言模型优化项目。支持8种官方语言，采用改进的transformer架构和GQA技术。训练速度提升2.4倍，内存使用减少58%。提供Google Colab环境，支持对话、文本补全等场景的模型微调，适合各级用户。该项目基于Meta的原始模型，遵循社区许可协议。

相关项目

推荐项目

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。

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。

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。

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。

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。

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。

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。

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。

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