Project Icon

ultravox-v0_4

结合语音与文本处理的多模态模型

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。

xVA-Synth - 游戏MOD角色配音AI语音合成工具
GithubxVASynth人工智能开源项目模组开发游戏配音语音合成
xVA Synth是一个开源的机器学习语音合成应用,专为游戏MOD创作者设计。该工具支持多种游戏角色声音模型,通过简单的文本输入即可生成高质量的角色配音。xVA Synth在Steam平台提供,支持GPU加速以提高效率,为游戏MOD开发带来便捷的语音合成解决方案。
InternLM-XComposer - 多模态视觉语言模型实现超高分辨率理解与多场景交互
GithubInternLM-XComposer-2.5多回合多图对话多模态大语言模型开源项目网页制作高分辨率图像理解
InternLM-XComposer-2.5是一款高级多模态视觉语言模型,能处理高达96K的复杂图文背景。该模型优秀适用于超高清图像分析、多轮对话生成、网页创建等任务,并通过特殊算法优化输出质量,在多个基准测试中表现卓越。
internlm-xcomposer2d5-7b-4bit - 简化大型语言模型的文本与图像处理新纪元
4位量化模型GithubHuggingfaceInternLM-XComposer开源项目文本图像理解模型视频理解长上下文能力
InternLM-XComposer2.5在文本与图像理解领域展现非凡性能,其应用灵活性媲美GPT-4V,仅靠7B参数即可完成复杂任务。模型通过24K图文上下文训练与96K扩展能力,适用于大量输入输出任务。此外,项目提供了4-bit量化模型来有效降低内存消耗,并支持使用Transformers快速集成,涵盖从视频理解到多图对话的多种应用场景。
WhisperFusion - WhisperFusion 低延迟高性能的实时AI语音交互系统
GPU加速GithubTensorRT优化WhisperFusion大语言模型实时语音转文字开源项目
WhisperFusion是一个开源项目,结合WhisperLive和WhisperSpeech技术,集成Mistral大语言模型,实现实时语音转文本和智能对话。项目采用TensorRT引擎优化模型性能,使用torch.compile加速处理,在RTX 4090 GPU上实现低延迟对话。通过Docker Compose简化部署,方便开发者快速搭建AI语音交互系统。
VITS-fast-fine-tuning - 个性化多语言语音合成与转换工具
GithubVITS声音转换多语言开源项目文本转语音语音克隆
VITS-fast-fine-tuning是一个开源的语音合成项目,旨在快速实现个性化的多语言文本转语音和声音转换功能。该工具支持中英日三语合成,允许用户添加自定义声音,并实现角色间的声音转换。项目提供本地训练和Google Colab两种方式,适应不同用户需求。此外,它能从多种音频源(如短音频、长音频、视频和B站链接)克隆声音,为用户提供灵活的声音定制选项。VITS-fast-fine-tuning的微调过程通常只需1小时左右,大大提高了个性化语音模型的开发效率。
VideoLLaMA2 - 增强视频理解的多模态语言模型
AIGithubVideoLLaMA2多模态大语言模型开源项目视频理解
VideoLLaMA2是一款先进的视频语言模型,通过增强空间-时间建模和音频理解能力,提高了视频问答和描述任务的性能。该模型在零样本视频问答等多项基准测试中表现出色。VideoLLaMA2能处理长视频序列并理解复杂视听内容,为视频理解技术带来新进展。
VILA1.5-13b - 多图像推理与跨设备应用的视觉语言模型
GithubHuggingfaceTransformerVILA多图推理多模态开源项目模型视觉语言模型
此页面介绍VILA模型,一种用于多模态研究的视觉语言模型,通过大规模图文数据预训练,提升多重推理能力。VILA支持多图像推理、情境学习,并提供更丰富的知识表现。通过AWQ 4bit量化,模型适用于Jetson Orin等边缘设备,兼顾性能与兼容性。适合计算机视觉与自然语言处理结合的研究者,支持Linux系统,具备出色的指令跟随和视觉推理能力。
univnet - 具有多分辨率频谱图鉴别器的神经声码器
GANGithubUnivNet开源项目神经合成器音频样本高保真波形生成
UnivNet是一种利用多分辨率频谱鉴别器的神经声码器,旨在提供高保真波形生成。本项目包括一个非官方PyTorch实现,并可与原始研究的客观评分相匹敌。它在主观评测中胜过HiFi-GAN,推理速度也比HiFi-GAN快1.5倍。项目还提供预置的训练参数和预训练模型,支持高度自定义和不同的音频数据源。
ltu - 音频和语音理解大模型与技术突破
GithubLTULTU-AS大语言模型开源项目语音理解音频理解
LTU和LTU-AS是首个桥接音频和语音感知与理解的大型语言模型。这两个模型在多个封闭式音频和语音任务上达到最先进水平,同时能基于给定音频回答开放式问题。项目提供PyTorch实现、预训练模型和数据集,支持推理和微调。发布的OpenAQA和OpenASQA训练数据集为音频和语音理解研究提供了重要资源。
TensorVox - 用 C++ 编写的神经语音合成桌面应用程序
Coqui-TTSGithubTensorFlowTTSTensorVoxVITS开源项目神经语音合成
TensorVox是为提高神经语音合成技术普及度而设计的桌面应用。支持多语言,不需庞大Python库,该工具通过TensorFlow C API和LibTorch实现轻量级操作。提供清晰易懂的模型训练和导出指南,是语音技术爱好者的顶级选择。
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