Project Icon

CTCWordBeamSearch

CTC解码器提升文本和语音识别的性能

CTC Word Beam Search是一种基于词典和语言模型的连接时序分类(CTC)解码器,支持Python 3.11和3.12版本。项目提供详细的安装和使用指南,并通过示例代码展示其在文本识别模型中的应用。算法具有四大特点:使用词典约束词语、允许词间出现任意非词字符、可选用词级语言模型(LM)以及比token传递算法更快。文档中提供了主要参数的说明和更多的技术细节及使用案例,适用于手写文本识别和自动语音识别。

whisper - 多语种语音识别与翻译解决方案
GithubOpenAITransformer模型Whisper多语言处理开源项目热门语音识别
Whisper是一个通用语音识别模型,支持多种语言处理任务,如语音翻译和语言识别。该模型基于大规模多样化音频数据集进行训练,利用Transformer技术实现高效的序列到序列学习。用户可以通过简单的命令或Python代码实现快速准确的语音识别与翻译,是一个适用于多种应用场景的强大工具。支持多个模型大小和语言选项,用户可根据需求选择合适的模型。
tacotron - 开源文字到语音合成系统,采用TensorFlow实现
GithubTacotronTensorFlow开源开源项目训练模型语音合成
Tacotron是基于TensorFlow的开源语音合成系统,能够直接将文本转换为语音。本项目独立实现了Google的论文'Tacotron: Towards End-to-End Speech Synthesis',虽然当前性能未及Google的演示,但已具备一定参考价值。支持包括LJ Speech和Blizzard 2012在内的多种语音数据集,并允许通过命令行调整和优化参数。项目还提供了预训练模型的下载与部署指南,便于用户快速开始使用及测试。
vits2_pytorch - 单阶段文本到语音转换的效率与质量提升
GithubVITS2单阶段模型对抗学习开源项目文本转语音架构设计
VITS2_pytorch是一款先进的单阶段文本到语音转换模型,采用对抗学习和架构设计改进前代产品。这一最新的非官方实现版本,旨在通过增强模型结构和训练机制,有效提升语音自然度和特征相似性,同时显著降低对音素转换的依赖,从而提高训练和推断的效率。该项目还为专业人士提供了预训练模型和多种语言的样本音频,支持开箱即用的转换学习。
contextualized-topic-models - 多语言支持的上下文话题模型工具,适用于零样本学习
BERTCombinedTMContextualized Topic ModelsGithubSBERTZeroShotTM开源项目
提供先进的上下文字话题模型工具,支持BERT等预训练语言模型,适用于多语言和零样本学习。CTM包含CombinedTM和ZeroShotTM两大主要模型,能适应不同任务需求。通过结合上下文嵌入和词袋模型,CTM能够生成更具连贯性的主题。项目还提供Kitty子模块用于人机交互文档分类,并附有详细教程和文档,帮助用户快速上手,提升话题建模效果。
Tacotron-pytorch - 端到端文本至语音合成技术的高效实现
GithubLJSpeechTacotron-pytorchpytorch开源项目文本转语音训练
Tacotron-pytorch是基于Pytorch框架开发的端到端文本至语音合成模型。该项目支持通过清晰的指南轻松部署和训练,使用LJSpeech数据集,并附带完整的预处理代码和网络训练文件。用户可以根据需要自定义超参数,非常适合进行科研和技术开发。项目提供了将成熟度逐渐提升的语音示例,欢迎进行下载和反馈。
torchchat - 使用Python和C/C++运行大型语言模型的轻量化实现
GithubPyTorchPythontorchchat大语言模型开源项目模型部署
torchchat可以通过Python和C/C++应用程序无缝运行大型语言模型(LLMs),支持桌面、服务器以及iOS和Android设备。该项目特点包括PyTorch原生执行、高效运行、支持多种硬件和操作系统、多种数据类型和量化方案。其安装步骤简便,并提供多种运行模式,如命令行、浏览器界面和REST API,适用于各类开发环境。
byt5 - 字节级预训练语言模型开启无词元化时代
ByT5GithubUTF-8字节开源项目自然语言处理语言模型预训练
ByT5作为mT5模型的无词元化版本,通过直接操作UTF-8字节实现了文本处理的简化。研究表明,ByT5在多种任务中与mT5旗鼓相当,并在处理噪声文本和对拼写发音敏感的任务中表现更为出色。该项目不仅开源了完整的模型训练、微调和评估代码,还提供了从小型到超大型的多个预训练模型检查点,为推动自然语言处理技术向无词元化方向发展做出了重要贡献。
faster-whisper-medium.en - 优化版Whisper语音识别模型集成CTranslate2框架
CTranslate2GithubHuggingfaceWhisperfaster-whisper开源项目模型模型转换语音识别
faster-whisper-medium.en是OpenAI Whisper-medium.en模型的CTranslate2移植版本,专注于英语音频转文本处理。通过CTranslate2框架优化,支持FP16计算类型,提供Python接口实现音频转录功能,输出包含时间戳的文本片段。项目采用MIT许可证开源,主要面向需要语音识别功能的开发场景。
SmallLanguageModel-project - 自主构建完整的语言模型,从数据采集到训练一步到位
GithubPythonSmallLanguageModel依赖安装开源项目数据处理模型训练
该项目提供全面的构建语言模型指南,包括数据收集、预处理及模型训练。项目涵盖从数据采集到训练多种模型(如BERT、GPT、Seq-2-Seq)的全部必要工具和步骤。适用于Python 3.8及以上版本,通过详细的教程和文档帮助开发者高效实现模型训练与应用。
stt - 高效离线本地语音识别工具,基于fast-whisper模型,支持多种输出格式
CUDA加速Githubfast-whisper开源项目文本输出本地部署热门语音识别
这款语音识别工具可在本地离线运行,基于开源的fast-whisper模型,可将视频和音频中的人声快速转换为文字。支持输出json、srt及纯文本格式,无需联网,确保隐私安全,与openai语音识别接口准确率相当。用户可便捷下载预编译版本,或自行部署源码,支持多种操作系统。此外,还提供API接口,适合开发者使用。支持CUDA加速,优化处理速度。
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

稿定AI

稿定设计 是一个多功能的在线设计和创意平台,提供广泛的设计工具和资源,以满足不同用户的需求。从专业的图形设计师到普通用户,无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑,稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合,帮助用户轻松实现创意设计。

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