Project Icon

snac_24khz

高效低比特率音频压缩的神经编解码器

SNAC是一种先进的多尺度神经音频编解码器,以0.98 kbps的超低比特率压缩24 kHz音频。它采用分层令牌方法,创新地降低了粗糙令牌的采样频率,扩大时间覆盖范围。该模型主要用于语音合成,但也提供适用于音乐和音效的高采样率版本。SNAC支持单声道音频处理,提供多个预训练模型以满足不同需求,是音频压缩和处理领域的重要工具。

Codec-SUPERB - 音频编解码模型性能评估基准平台
Codec-SUPERBGithub开源项目性能基准评估框架语音处理音频编解码
Codec-SUPERB是一个综合性音频编解码模型评估平台,提供标准化测试环境和统一数据集。平台特色包括直观的编解码接口、多角度评估和在线排行榜。它旨在促进语音处理领域的发展,为研究人员提供便捷的模型集成和测试环境,支持快速迭代和实验。
iSTFTNet-pytorch - 轻量级Mel频谱声码器
GithubMel-spectrogramVocoderiSTFTNet声音合成开源项目轻量级
iSTFTNet,一款结合逆短时傅里叶变换的Mel频谱声码器,训练速度较传统hifigan快30%,性能超前60%。以C8C8I模型为核心,优化声音质量和处理速度,适配快速高效的语音处理需求。虽主要为技术测试和验证,其音质和处理速度的优势已得到实证。
wav2lip_288x288 - 改进版Wav2Lip 高分辨率唇形同步与先进算法集成
GithubWav2Lip唇形同步开源项目模型优化深度学习视频处理
wav2lip_288x288是Wav2Lip项目的改进版本,致力于提升唇形同步的质量和分辨率。该项目支持288x288至512x512的模型尺寸,整合了PRelu、LeakyRelu等先进技术,并采用SAM-UNet架构。项目提供详细的训练流程,包括Syncnet和wav2lip-Sam的训练步骤。目前正在开发基于DINet的全流程训练功能,涵盖使用DeepSpeech的Syncnet训练和DINet帧训练。这些优化旨在实现更精确、更高质量的唇形同步效果。
BigVGAN - 大规模训练的通用神经网络声码器
BigVGANGithub开源项目深度学习神经声码器语音合成音频处理
BigVGAN是一个通过大规模训练实现的通用神经网络声码器。它可高质量合成多语言语音、环境声音和乐器声音等多种音频。项目提供多个预训练模型,支持44kHz采样率和512倍上采样比率。BigVGAN集成自定义CUDA内核,在单个A100 GPU上推理速度提升1.5-3倍。
UniCATS-CTX-vec2wav - 声学上下文感知的创新声码器
CTX-vec2wavGithubUniCATS上下文感知声码器开源项目语音合成
UniCATS-CTX-vec2wav是UniCATS框架中的声学上下文感知声码器。该项目利用上下文VQ-Diffusion和声码化技术进行语音合成,提供完整的训练和推理流程。支持多GPU训练,并提供16kHz和24kHz采样率的预训练模型参数。此开源项目为研究人员和开发者提供了探索先进语音合成技术的平台。
parakeet-rnnt-1.1b - 高性能英语语音识别模型实现优异音频转文本效果
FastConformerGithubHuggingfaceNeMoTransducer开源项目模型自动语音识别英语语音模型
parakeet-rnnt-1.1b是NVIDIA NeMo和Suno.ai联合开发的英语语音识别模型。基于FastConformer Transducer架构,该模型拥有11亿参数,在64000小时英语语音数据上训练。它能准确将语音转录为小写英文文本,并在多个标准数据集上表现出色。研究人员可通过NeMo工具包使用该模型进行推理或微调,适用于多种语音识别场景。
data2vec-audio-base-960h - 利用自监督学习提升语音识别效率的开源框架
Data2VecGithubHuggingfaceTransformer开源项目模型自动语音识别自监督学习语言模型
Data2Vec是一种开源模型,基于Librispeech数据集进行960小时的16kHz语音音频的预训练和微调,在语音识别领域表现优异。利用自监督学习与自蒸馏手段,Data2Vec准确提取上下文信息,优化了自动语音识别的表现。在LibriSpeech的测试中,取得了“clean”任务2.77和“other”任务7.08的词错误率(WER),体现了其在业内的竞争力。
versatile_audio_super_resolution - 开源音频超分辨率工具 适用多种类型和采样率
AudioSRGithub开源项目深度学习音频处理音频超分辨率
AudioSR是一个开源的音频超分辨率项目,旨在提高各类音频的质量。它可处理音乐、语音和环境声等多种音频类型,支持所有采样率。该工具提供Gradio演示界面和命令行操作,方便用户使用和批量处理音频。项目在GitHub上持续更新,为音频处理技术提供了新的解决方案。
RAVE - 高效的实时神经音频合成工具
GithubRAVE变分自编码器实时音频处理开源项目神经音频合成高质量音频
RAVE是一个高效的变分自动编码器,专为快速高质量的神经音频合成设计。支持Windows、Mac和Linux平台的RAVE VST版本,可应用于音乐表演和装置。提供详细教程和多种训练配置,包括数据增广选项。用户可以在Max/MSP或PureData中实时使用RAVE进行风格迁移和高层次操控。多个预训练模型可供下载,支持批量音频文件转换和实时嵌入式平台应用。
SpeechTokenizer - 将语音标记化统一的开源工具
GithubRVQSpeechTokenizer开源项目语音信息处理语音标记器语音语言模型
SpeechTokenizer 是一个开源的语音标记化工具,采用编码器-解码器架构和残差向量量化技术,统一了语义和声学标记。该项目能够分层分离语音信息的不同方面,为语音语言模型提供更精确的输入。它提供了在 LibriSpeech 和 Common Voice 数据集上训练的模型,支持 16kHz 单声道语音处理。项目开源了训练代码和预训练模型,可用于语音处理研究和应用开发。
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