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

fish-speech - 全新的TTS解决方案

Fish AudioGithub在线演示开源开源项目本地推断热门语音合成

faster-whisper-large-v3 - 多语言语音识别模型CTranslate2版Whisper large-v3

CTranslate2GithubHuggingfaceWhisper开源项目模型模型转换自然语言处理语音识别

项目提供了OpenAI Whisper large-v3模型的CTranslate2转换版本，为faster-whisper定制优化。支持100多种语言的自动语音识别，具备高效性能和可调节的量化选项。易于整合到Python项目中，能够实现迅速准确的音频转写。这一模型适合多语言场景，是处理语音识别任务的有力工具。

streaming-llm - 突破输入长度限制的流式语言模型框架

AI对话GithubStreamingLLM开源项目无限长度输入注意力机制语言模型

StreamingLLM是一个创新框架，使大型语言模型能处理超长输入序列。它通过注意力汇聚点技术解决了长文本处理的内存和性能问题，无需额外微调。在多轮对话等流式应用中，StreamingLLM比基线方法速度提升最高22.2倍。该技术已被多个知名项目采用，为语言模型的实际应用开辟了新途径。

LLaVA-NeXT - 大规模开源多模态模型提升视觉语言能力

AI助手GithubLLaVA-NeXT多模态模型大语言模型开源项目视觉语言模型

LLaVA-NeXT是一个开源的大规模多模态模型项目，致力于提升视觉语言交互能力。该项目支持多图像、视频和3D任务的统一处理，在多个基准测试中表现卓越。LLaVA-NeXT提供了多个模型变体，包括支持高分辨率输入和视频处理的版本，以及基于不同大语言模型的实现。此外，项目还开源了训练数据和代码，为研究人员和开发者提供了宝贵资源。

RealtimeSTT_LLM_TTS - 整合语音识别与AI对话的开源项目

GPU支持GithubRealtimeSTT唤醒词实时转录开源项目语音转文字

该项目集成语音识别、AI对话和语音合成,支持GPU加速以实现低延迟交互。具备语音检测、实时转录和唤醒词等功能,可用于开发语音助手和AI对话应用。Web界面支持个性化配置,适合快速构建语音交互系统。

speech-resynthesis - 基于离散解耦自监督表示的语音重合成技术

Github开源项目自监督学习表示学习语音合成语音编码语音重合成

该项目开发了一种新型语音重合成方法，采用自监督学习的离散表示技术，分别提取语音内容、韵律信息和说话人特征。这种方法实现了可控的语音合成，在重建质量和特征解耦方面表现优异。此外，该技术还可应用于超轻量级语音编解码，以365比特/秒的低比特率提供高质量语音输出。项目提供完整的训练和推理流程，兼容多种数据集和自监督学习方法。

SuperNova-Medius-GGUF - 跨架构蒸馏技术打造的14B参数高性能语言模型

GithubHuggingfaceSuperNova-Medius人工智能开源项目模型知识蒸馏自然语言处理语言模型

SuperNova-Medius-GGUF是一款14B参数的语言模型，采用跨架构蒸馏技术融合Qwen2.5-72B-Instruct和Llama-3.1-405B-Instruct的优势。该模型在指令遵循和复杂推理方面表现优异，适用于客户支持、内容创作和技术辅助等场景。经多项基准测试，SuperNova-Medius性能超越同类模型，在保持资源效率的同时提供强大功能，为组织提供高质量生成式AI应用解决方案。

Make-An-Audio - 将文本转换为高保真音频的开源扩散模型

GithubMake-An-Audio人工智能开源项目扩散模型文本转音频音频生成

Make-An-Audio是一个开源的文本到音频生成项目，基于条件扩散概率模型。该项目能够从文本等多种模态生成高保真音频，支持文本到音频、音频到音频等多种任务。项目提供了预训练模型和简单的命令行操作，方便用户生成自定义音频。此外，项目还包含了详细的训练和评估流程，以及与其他模型的性能比较。

Llama-3.2-11B-Vision-Instruct - 高效训练和部署具有多语言能力的大规模语言模型

GithubHuggingfaceLlama 3.2MetaUnsloth大语言模型开源项目模型模型微调

Llama-3.2-11B-Vision-Instruct是Meta开发的多语言大规模视觉语言模型,具备强大的对话和图像理解能力。该项目采用Unsloth技术,实现训练速度提升2.4倍,内存使用减少58%。模型支持英语、德语、法语等多种语言,适用于对话、检索、摘要等任务。项目提供简单易用的Colab笔记本,方便开发者进行模型微调和部署。Llama-3.2系列在多项行业基准测试中表现出色,超越了许多开源和闭源的对话模型。

OLMo-7B-0724-hf - OLMo开放式语言模型促进语言处理技术进步

AI2GithubHuggingfaceOLMo变形金刚开源语言模型开源项目模型自然语言处理

OLMo是由AI2开发的开源语言模型系列，旨在推动语言模型科学研究。该模型基于Dolma数据集训练，采用先进的Transformer结构，实现性能提升和多阶段优化。OLMo-7B-0724-hf具备强大的文本生成能力，适用于文本推理和生成任务。支持在HuggingFace平台上进行加载、微调和评估，且提供多种数据检查点，方便研究与开发。该项目得到多家机构支持，并在多个主要AI任务中表现优异。

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