speech_dataset

多语言语音识别与合成数据集详细介绍及应用

语音识别语音合成数据集开源多人语音识别 Github 开源项目

此页面总结了多语言语音数据集，包括中文、英文、日语、韩语、俄语等。涵盖了语音识别、语音合成、说话人识别和分离等应用领域，详细描述了每个数据集的时长、下载地址及其具体用途，帮助用户快速找到符合科研或项目需求的语音数据。

文档

PaddlePaddle-DeepSpeech - 基于PaddlePaddle的开源中文语音识别系统

DeepSpeech2GithubPaddlePaddle开源项目深度学习端到端ASR语音识别

PaddlePaddle-DeepSpeech是一个基于PaddlePaddle框架的中文语音识别项目。该系统支持自定义数据集训练和多种数据增强方法，适用于多样化场景。项目提供预训练模型，兼容Windows和Linux平台，并支持Nvidia Jetson等开发板推理。系统集成了GUI界面、Web部署和长语音识别功能，为开发者提供完整的语音识别工具链。

dla - 深度学习音频处理综合课程

Deep Learning for AudioGithubHSE声源分离开源项目语音生成语音识别

此课程详细介绍了音频深度学习的各个方面，包括数字信号处理、语音识别、源分离、文本转语音、语音转换、语音生物识别及音频生成扩散模型。每周更新课程材料，涵盖从理论讲解到实操的全面学习。提供全面的作业和丰富的学习资源，适合深入了解音频处理技术的人士。

Thorsten-Voice - 开源德语TTS项目提供高质量免费离线语音数据集和模型

GithubThorsten-Voice开源开源项目德语TTS语音技术语音数据集

Thorsten-Voice项目由Thorsten Müller与Dominik Kreutz联合开发，提供多种开源德语文本到语音（TTS）数据集。这些数据集从中性到情感表达具备多样性，配合AI技术开发出多种TTS模型，适用于教育、研究和开源软件。该项目积极支持开源语音技术的进步，并在Thorsten-Voice YouTube频道提供相关教程，推广这些技术的应用。

ASRT_SpeechRecognition - 中文语音识别系统，支持多平台和多种API接口

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

ASRT是一款基于深度学习的中文语音识别系统，采用TensorFlow框架实现。支持数据集包括Thchs30、ST-CMDS、Primewords、aishell-1等，通过DCNN+CTC模型和最大熵隐马尔可夫模型实现汉字拼音识别。该系统跨平台兼容，提供多种API接口和SDK。适用于Linux和Windows系统，最低硬件要求为4核CPU、16GB RAM和NVIDIA GPU。提供详细的安装、训练、部署文档及Demo，适合开发者和研究人员使用。

DeepSpeech - 开源的深度学习语音识别引擎

GithubProject DeepSpeechTensorFlow开源开源项目机器学习语音识别

DeepSpeech是一个开源语音转文字引擎，基于百度的Deep Speech研究，并利用Google TensorFlow实现。提供详细的安装、使用和训练模型文档。最新版本及预训练模型可在GitHub获取，支持和贡献指南请参阅相应文件。

android-speech - 简化的Android语音识别和文字转语音功能

Android SpeechGithubGradleSpeech.init开源项目文本转语音语音识别

android-speech库，当前版本x.y.z，为Android开发者提供便捷、高效的语音识别与文字转语音解决方案。该库支持简单的初始化设置和API调用，提供多语言和多种声音选项，配备有自定义进度动画。

kaldi - 多平台支持的开源语音识别工具包

GitHubGithubKaldi开源工具包开源项目语音识别跨平台

Kaldi是一款先进的开源ASR（自动语音识别）工具包，适用于UNIX、Linux等多种系统。它为语音处理研究和应用开发提供了全面的工具和资源，包括详细文档和示例系统。Kaldi支持多种平台，包括PowerPC、Android和Web Assembly，并拥有活跃的开发者社区，为语音技术的创新和应用提供了强大支持。

speech-driven-animation - 语音驱动的端到端面部动画合成模型

GithubSpeech-Driven Animation人脸合成开源项目深度学习视频动画语音驱动

Speech-Driven Animation是一个开源项目，实现语音驱动的端到端面部合成模型。该项目根据输入图像和音频生成面部动画视频，支持GRID、TIMIT和CREMA等预训练模型。通过API可输入自定义音频和图像，输出同步动画视频。项目还提供音频和视频编码器，可用于特征提取和分类任务。

MAD - 大规模电影音频数据集用于视频语言定位研究

CVPRGithubMAD数据集开源项目电影音频描述视频语言定位计算机视觉

MAD是一个用于视频语言定位研究的大规模数据集，源自电影音频描述。它包含384K个句子，涵盖650部电影的1.2K小时视频内容。数据集横跨22个电影类型和90年电影史，提供多样化的动作、场景和语言素材。MAD的独特之处在于其长形式定位设置，具有庞大的语言词汇量，对准确性和效率提出了挑战。这一资源为研究人员开拓了视频语言理解的新领域。

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。

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。

稿定AI

稿定设计是一个多功能的在线设计和创意平台，提供广泛的设计工具和资源，以满足不同用户的需求。从专业的图形设计师到普通用户，无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑，稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合，帮助用户轻松实现创意设计。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com