Project Icon

ultravox-v0_3

集成语音和文本输入的多模态AI模型

Ultravox-v0_3是Fixie.ai开发的多模态语音大语言模型,结合Llama3.1-8B-Instruct和Whisper-small技术。该模型可同时处理语音和文本输入,适用于语音助手、翻译和分析等场景。通过知识蒸馏方法,仅训练多模态适配器,保持基础模型不变。Ultravox在语音识别和翻译任务中展现出优秀性能,为语音交互应用提供了新的可能性。

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。
vicuna-7b-v1.5-16k - 高性能开源聊天助手模型 支持16K长文本输入
GithubHuggingfaceLlama 2Vicuna人工智能大语言模型开源项目机器学习模型
vicuna-7b-v1.5-16k是LMSYS开发的开源聊天模型,通过ShareGPT收集的12.5万条对话数据对Llama 2进行微调。模型支持16K上下文长度,采用线性RoPE缩放技术,主要应用于语言模型和聊天机器人研究。该项目提供完整的命令行界面和API接口,方便研究人员和开发者快速部署使用。
vicuna-7b-v1.3 - 开源对话AI助手 基于LLaMA高性能微调
FastChatGithubHuggingfaceLLaMAVicuna大语言模型开源项目模型聊天助手
Vicuna-7b-v1.3是LMSYS开发的开源对话AI助手,基于LLaMA模型微调。该项目利用约125K条ShareGPT用户对话数据进行监督式指令微调训练,主要用于大型语言模型和聊天机器人研究。Vicuna提供命令行界面和API接口,便于研究人员和爱好者在自然语言处理、机器学习和人工智能领域进行实验。模型在标准基准测试、人类偏好和LLM评判方面表现优异,详细评估结果可在其论文和在线排行榜中查看,是AI对话研究的有力工具。
ul2 - 融合多种预训练范式的通用语言模型
GithubHuggingfaceUL2开源项目模型模式切换混合去噪自然语言处理预训练模型
UL2是一个创新的语言模型框架,采用混合去噪器(MoD)预训练目标,融合多种预训练范式并引入模式切换机制。该模型在C4语料库上进行200亿参数规模的预训练,并在多个数据集上微调后,在50个涵盖语言生成、理解和推理等领域的NLP任务中达到了领先水平。UL2在少样本学习方面表现突出,零样本SuperGLUE任务上超越了更大规模的GPT-3模型。
Idefics3-8B-Llama3 - 提升视觉文本处理能力的多模态模型
GithubHuggingfaceIdefics3多模态开源项目文档理解模型模型优化视觉文本处理
Idefics3-8B是由Hugging Face开发的开放性多模态模型,支持处理任意图像和文本序列进行文本生成。该模型在OCR、文档理解和视觉推理方面有显著增强,适用于图像描述和视觉问答任务。Idefics3-8B主要通过监督微调进行训练,可能需要多次提示以获得完整回答。与Idefics2相比,Idefics3在文档理解能力上表现更为出色,并增加了视觉标记编码的多项改进和丰富的数据集支持。
ollama-voice - 离线语音交互AI助手 集成语音识别对话和合成功能
Githubollama-voice大型语言模型开源项目文字转语音离线模式语音识别
ollama-voice是一个集成Whisper语音识别、Ollama大语言模型和pyttsx3文本转语音技术的开源项目。它创建了一个完全离线的语音交互AI助手,支持本地语音识别、自然语言处理和语音合成。用户通过按住空格键即可与AI对话,适用于需要隐私保护或离线环境的语音交互场景。
Awesome-Multimodal-LLM - 大语言模型(LLM)在多模态学习中的最新研究趋势
GithubLLM多模态学习开源开源项目模型微调神经网络
本页面介绍大语言模型(LLM)在多模态学习中的最新研究趋势,包括文本、视觉(图像和视频)、音频等多种模态。重点讨论如LLaMA、Alpaca和Bloom等开源且适合研究的LLM骨干模型及其学习方法,如全量微调、参数有效微调、上下文学习等。同时列举了具体的多模态LLM模型实例,如OpenFlamingo和MiniGPT-4,以及评估方法,如MultiInstruct和POPE,提供科研人员了解和研究LLM引导多模态学习的资源。
cogvlm2-llama3-chat-19B-int4 - 不同场景应用的高性能多语言文本生成模型
CogVLM2GPU内存需求GithubHuggingface中英文支持图像分辨率基准测试开源项目模型
CogVLM2是一种先进的多语言文本生成模型,在多项基准测试中表现优异,如TextVQA和DocVQA。支持高达8K的文本长度和1344x1344的图像分辨率,并能在ZhipuAI开放平台上进行体验。该模型拥有高效的设计,占用较低的GPU内存,需在Linux系统下的Nvidia显卡上运行,适用于多语言环境中的各种场景。
distil-large-v3 - 经过蒸馏的快速轻量级语音识别模型
Distil-WhisperGithubHuggingfacetransformers开源项目模型模型压缩自然语言处理语音识别
distil-large-v3是一个经过知识蒸馏的语音识别模型,模型大小比Whisper large-v3减少44%,推理速度提升6.3倍,同时保持相近的识别准确率。支持短语音和长语音转录,兼容多种主流语音识别框架,为用户提供快速、轻量且准确的语音识别功能。
faster-whisper-large-v3-turbo-ct2 - 基于Whisper large-v3的多语言语音识别模型
CTranslate2GithubHuggingfaceWhisperfaster-whisper多语言支持开源项目模型语音识别
这是一个基于OpenAI Whisper large-v3模型优化的CTranslate2版本,专注于高效的语音识别。该模型支持100多种语言的转录,兼具准确性和速度。通过faster-whisper库,可以便捷地进行音频转录。模型采用FP16格式存储,计算类型可灵活调整。这为语音识别应用的开发提供了一个强大的工具。
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