Project Icon

data2vec-audio-base-960h

利用自监督学习提升语音识别效率的开源框架

Data2Vec是一种开源模型,基于Librispeech数据集进行960小时的16kHz语音音频的预训练和微调,在语音识别领域表现优异。利用自监督学习与自蒸馏手段,Data2Vec准确提取上下文信息,优化了自动语音识别的表现。在LibriSpeech的测试中,取得了“clean”任务2.77和“other”任务7.08的词错误率(WER),体现了其在业内的竞争力。

TensorflowASR - Tensorflow 2和Conformer结合的端到端语音识别解决方案
CTCConformerGithubONNXTensorflowASR开源项目语音识别
Tensorflow 2和Conformer结构打造的端到端语音识别模型,支持在线流式和离线识别,实时率约为0.1。该项目提供VAD、降噪、TTS数据增强等功能,并支持ONNX推理优化。训练结果在Aishell-1测试集上表现优异,适用于语音识别。最新更新的Chunk Conformer结构进一步提升了长时间语音识别的准确性和效率。
DDSP-SVC - 低硬件需求语音转换工具,支持多音色训练
AI语音转换DDSP-SVCGithub声音转换开源项目数字声音信号处理深度学习
DDSP-SVC是一个开源AI语音转换项目,适用于普通个人电脑。相比SO-VITS-SVC,该项目具有较低的硬件资源消耗,训练速度接近RVC。项目包含新型Cascade Diffusion模型,支持多音色训练,提供多个预训练模型,满足多种语音转换需求。
wav2vec2-xls-r-300m-hebrew - XLS-R微调的希伯来语语音识别模型
GithubHebrewHuggingfaceWav2Vec2XLS-R开源项目微调模型语音识别
该开源项目提供了一个针对希伯来语优化的语音识别模型。基于wav2vec2-xls-r-300m架构,通过两阶段训练方法在私有数据集上进行微调。模型在测试集上实现23.18%的词错误率,展示了特定语言语音识别优化的有效途径。这一模型为希伯来语自动语音识别研究和应用提供了实用工具。
tacotron - 端到端文本转语音合成模型实现
GithubTacotronTensorFlow开源项目文本到语音训练数据集语音合成
基于TensorFlow的Tacotron模型,是一个全面的端对端文本转语音合成系统。该模型涵盖多种数据集,运用现代深度学习与注意力机制优化文本到语音的高质量转换,适用于学术研究与商业应用。
GigaSpeech - 多领域英语语音识别数据集提供10,000小时转录音频
GigaSpeechGithub开源项目数据集深度学习语音识别音频处理
GigaSpeech是一个开源的多领域英语语音识别数据集,包含33,000多小时音频数据,其中10,000小时有高质量人工转录。数据来源包括有声书、播客和YouTube等,并提供多个规模的训练和评估子集。项目提供多种语音识别工具包的数据准备脚本,由志愿者维护并欢迎社区贡献,旨在促进语音技术的研究和应用。
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。
AudioLCM - 基于潜在一致性模型的文本到音频生成系统
AudioLCMGithub开源实现开源项目文本生成音频潜在一致性模型高质量音频生成
AudioLCM是一个开源的文本到音频生成系统,基于潜在一致性模型。该项目提供完整实现代码和预训练模型,支持高效生成高质量音频内容。AudioLCM在ACM-MM'24会议被接受,并在GitHub和HuggingFace平台发布。研究人员可使用预训练模型进行推理,或按指南准备数据集训练自定义模型。项目还包含数据集处理、变分自编码器训练等功能。
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。
bigvgan_base_22khz_80band - 支持多采样率的通用神经声码器音频合成系统
BigVGANGithubHuggingfacePyTorch开源项目模型神经声码器语音合成音频生成
BigVGAN是一个基于PyTorch的神经声码器项目,通过大规模数据训练实现音频合成。该模型支持44kHz采样率和512倍上采样,集成CUDA推理加速,可处理语音、环境声音和乐器等音频。项目提供多种预训练模型,覆盖不同采样率和mel频带参数配置,适用于多样化的音频生成需求。
wav2vec2 - Wav2Vec2模型在Habana Gaudi处理器上的优化训练配置
GithubHuggingfaceOptimum HabanaWav2Vec2开源项目模型模型训练深度学习音频处理
该配置针对Wav2Vec2音频模型在Habana Gaudi处理器上的优化。它包含自定义AdamW实现、梯度裁剪和混合精度训练等功能,适用于单HPU和多HPU环境。通过Optimum Habana接口可进行模型加载、训练和推理,适合音频分类等任务。支持bf16混合精度训练,平衡性能和准确度。该配置文件不包含模型权重,仅提供GaudiConfig用于HPU上的运行设置。
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。

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