Project Icon

wav2vec2-large-960h-lv60-self

Wav2Vec2大规模语音识别模型实现低词错误率

Wav2Vec2-large-960h-lv60-self是一个基于Wav2Vec2技术的大规模语音识别模型。该模型在960小时的Libri-Light和Librispeech数据集上进行预训练和微调,采用自训练方法。在LibriSpeech清晰测试集上,模型实现1.9%的词错误率,其他测试集上为3.9%。模型可直接用于音频转录,特别适合标记数据有限的语音识别任务。

YAYI2 - 中科闻歌研发的多语言开源大模型
GithubYAYI2-30B中文预训练多语言大语言模型开源开源项目性能提升
YAYI 2,由中科闻歌研发,30B参数的多语言开源大模型。采用超过2万亿Tokens的多语言语料进行预训练,通过百万级指令和人类反馈强化学习微调,极大提升其在多领域的应用效率。现开源YAYI2-30B,助力全球中文AI技术的创新与进步。
clap-htsat-fused - 对比语言与音频学习中的多任务性能提升
CLAPGithubHuggingface多模态表示学习对比学习开源项目模型零样本音频分类音频表示
CLAP项目使用对比语言-音频预训练模型结合音频编码器与文本编码器,提升多模态学习表现。该模型支持文本到音频检索、零样本音频分类及监督音频分类等多项任务。通过特征融合机制和关键词到字幕增强,CLAP能高效处理不同长度的音频输入。所发布的LAION-Audio-630K数据集及模型在文本到音频检索和零样本音频分类中表现优异,适用于零样本音频分类及音频、文本特征提取。
Lana_Del_Rey_e1000_s13000 - RVC模型应用于音频转换的关键特性
GithubHugging FaceHuggingfaceLana_Del_Rey_e1000_s13000RVC开源项目模型音频转换
该RVC模型通过自动程序生成,适用于特定平台的音频转换需求。在音频处理领域,该模型提供高效且可靠的转换体验,特别适合需要高精度音频转换的用户。
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。
e2-tts-pytorch - E2-TTS 简化的非自回归零样本文本转语音模型
E2 TTSGithubPytorch开源项目深度学习语音合成非自回归模型
E2-TTS-pytorch是一个开源项目,实现了基于PyTorch的E2-TTS(Embarrassingly Easy Fully Non-Autoregressive Zero-Shot TTS)模型。该项目提供了持续时间预测器和E2TTS模型的简洁实现,支持自定义模型参数如维度和深度。项目包含代码示例和采样功能,基于最新研究成果,为研究人员和开发者提供了一个灵活的TTS实验平台。
wespeaker - 深度学习声纹识别开源工具包 支持多模型和应用场景
GithubWeSpeaker开源项目深度学习语音处理说话人嵌入学习说话人验证
WeSpeaker是一个开源的说话人嵌入学习工具包,主要用于说话人验证。它支持在线特征提取和加载预提取的kaldi格式特征,提供ResNet和ECAPA-TDNN等多种预训练模型。WeSpeaker具有命令行和Python编程接口,在VoxCeleb和CNCeleb等数据集上表现出色。此外,它还提供说话人分割功能。这个工具包适用于研究和生产环境,为声纹识别领域提供了有力支持。
ultravox-v0_4 - 结合语音与文本处理的多模态模型
AI模型Fixie.aiGithubHuggingfaceUltravox多模态开源项目模型语音识别
Ultravox是一种多模态语言模型,结合了Llama3.1-8B和Whisper-medium技术,支持语音和文本的输入。通过特殊音频标记,该模型将音频转换为文本嵌入以生成输出。未来版本计划支持直接生成语音。Ultravox可以应用于语音代理、翻译和音频分析。模型使用多语种语音识别数据集进行训练,并在8x H100 GPU上运用BF16精度。最新版本在A100-40GB GPU上实现首次生成标记时间约为150毫秒。
WavJourney - AI多模态音频内容生成系统
AI音频生成GithubWavJourney多媒体叙事大语言模型开源项目音频创作
WavJourney是一个开源的音频内容生成系统,利用大型语言模型技术,将文本输入转化为包含故事情节、个性化语音、音乐和音效的完整音频作品。该项目整合了GPT-4、文本转语音和音频生成等技术,提供了全面的音频创作功能。WavJourney适用于研究和商业领域,并提供详细的使用文档和示例。
faster-whisper - 基于CTranslate2对OpenAI的Whisper模型的重新实现
CTranslate2GithubOpenAI Whisper模型faster-whisper开源项目性能比较热门音频转录
faster-whisper是对OpenAI的Whisper模型的重新实现,基于CTranslate2,这是一个针对Transformer模型的高速推理引擎。该实现在保持相同准确率的前提下,速度比openai/whisper快4倍,内存使用也更少。另外,通过在CPU和GPU上使用8位量化,可以进一步提高效率。该项目适用于需要快速、高效语音转写的场景,特别是处理大量语音数据时的实时应用。
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