ears_dataset

全频带语音资源推动语音处理技术进步

EARS Dataset 语音数据集语音增强去混响高质量录音 Github 开源项目

EARS数据集提供100小时48kHz全频带语音数据，涵盖107位不同背景发言人。数据包括无回声室录音、全动态范围语音和多种情绪朗读样本。此外，还附有说话人统计和文本转录，为语音增强和去混响研究提供全面资源。

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。

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。

mimic-recording-studio - 提升TTS音质的专业录音与数据训练工具

DockerGithubMimic Recording StudioMycroftText-to-Speech开源项目音频记录

Mimic Recording Studio是一个全面的软件解决方案，旨在提升Text-to-Speech（TTS）技术的音质。它支持多种语言的语料库开发，并通过先进的录音与数据处理技术，提高TTS语音模型的清晰度和标准化。该平台的用户友好录音系统和强大的后端处理功能，使其成为语音合成研究和开发的首选工具。

echogarden - 多功能语音处理工具集支持跨平台使用

EchogardenGithub开源项目文本转语音语音处理语音工具集语音转文本

Echogarden 是一个功能全面的开源语音处理工具集，提供文本转语音、语音识别、语音对齐和翻译等多项功能。该工具集适用于 Windows、macOS 和 Linux 平台，安装和使用简便。Echogarden 采用 TypeScript 开发，通过 WebAssembly 和 ONNX 运行时实现跨平台兼容，无需复杂依赖。目前主要提供命令行界面，支持批量处理，未来计划开发图形界面和交互式工具。

audiomentations - 使用于深度学习的高级音频数据增强库

AudiomentationsGithubPyPIPython开源项目深度学习音频数据增强

Audiomentations是一个用于音频数据增强的Python库，专为提升深度学习模型性能而设计。该库支持单声道和多声道音频，能够集成到Tensorflow/Keras或Pytorch等训练管道中。它已在Kaggle竞赛中帮助用户取得了出色的成绩，并被多家开发下一代音频产品的公司采用。Audiomentations提供了丰富的音频变换功能，如加噪声、时间拉伸、音调变化和移位等，在CPU上运行，同时推荐使用torch-audiomentations以获得GPU支持。

stable-audio-metrics - 音频生成模型评估指标集合

GPU支持Githubstable-audio-metrics开源项目数据结构音频指标音频生成模型评估

stable-audio-metrics是一个评估音乐和音频生成模型的开源指标集合。它包含基于Openl3的Fréchet距离、基于PaSST的Kullback-Leibler散度和基于CLAP-LAION的CLAP分数。该项目针对长形式全频带立体声生成进行了优化，支持可变长度输入，并提供了详细文档和示例。适用于评估MusicCaps、AudioCaps和Song Describer等数据集的音频生成质量。

speech-to-text-benchmark - 开源语音识别基准测试框架对比多家主流引擎

Github基准测试开源项目模型大小计算效率识别准确率语音转文本

该项目提供了一个开源的语音识别基准测试框架，对比了Amazon、Azure、Google等主流云服务以及OpenAI Whisper、Picovoice等引擎的性能。框架使用LibriSpeech、TED-LIUM和Common Voice数据集，评估词错率、计算效率和模型大小等指标。测试结果客观展示了各引擎在准确度和资源消耗方面的表现，为选择语音识别解决方案提供了参考依据。

friendly-stable-audio-tools - 改进后的Stable Audio Tools开源框架支持音频生成模型训练和推理

AI音频生成GithubStable Audio开源项目模型训练深度学习音乐生成

该项目是对Stability AI的stable-audio-tools的重构和增强，提供了音频和音乐生成模型的开源代码。重构后的代码提高了可读性和易用性，并新增了评估和使用自训练模型的脚本。项目详细说明了如何训练Stable Audio 2.0等模型，并提供了Stable Audio Open 1.0的使用文档和便捷脚本。此外，项目支持多GPU/节点生成，并集成了Gradio界面用于测试模型。

huggingsound - 基于HuggingFace的语音处理开源工具库

GithubHuggingFaceHuggingSound开源项目模型训练自然语言处理语音识别

HuggingSound是基于HuggingFace工具开发的语音处理工具库。该项目为语音识别、模型微调和评估提供了简洁的接口。适用于Python 3.8+环境，支持pip安装。HuggingSound能够利用预训练CTC模型进行推理，并通过语言模型增强识别准确度。此外，它还包含模型评估和微调功能，便于研究人员根据特定数据集优化模型表现。

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