StreamSpeech

在线和实时翻译模型

StreamSpeech 语音识别语音翻译多任务学习实时合成 Github 开源项目

StreamSpeech通过一个整合的模型，在线和实时翻译中展现行业领先水平，支持多达8种包括语音识别和语音转换任务。提供Web GUI演示，允许用户在浏览器中直接体验。探索StreamSpeech的功能和实例。

文档

StableTTS - 轻量级流匹配和DiT驱动的新一代TTS模型

GithubStableTTSTTS模型人工智能开源项目语音合成

StableTTS是一款开源的轻量级中英文语音合成模型，参数量仅为1000万。该项目创新性地结合了流匹配和扩散卷积Transformer技术，灵感源自Stable Diffusion 3。StableTTS提供预训练模型，支持推理、微调和WebUI应用。其独特的模型架构包含扩散卷积Transformer块和流匹配解码器，旨在提升语音合成质量。项目还提供了便捷的训练和推理工具，以及Hugging Face在线演示平台。

tensorflow-speech-recognition - 开源TensorFlow中的语音识别示例

DeepSpeechGithubTensorflowWhisper开源项目深度学习语音识别

使用谷歌的TensorFlow框架进行语音识别，最初目标是为Linux系统创建独立的语音识别模型。尽管该项目现主要用于教学，开发者展示了使用开源数据和强大模型实现高效语音识别的潜力。推荐查看更新项目如Whisper和Mozilla的DeepSpeech，这两个项目在错误率方面的表现出色。该项目包含示例代码、依赖安装指导及功能扩展，如GPU上的WarpCTC和P2P学习模块。

transcribe - 多语言实时转录和对话生成的开源工具

GithubOpenAITranscribe多语言支持安全功能实时转录开源项目

这个开源项目提供多语言实时转录，通过选择OpenAI GPT-4o、GPT-4、GPT-3.5等模型生成对话响应。软件具有最新的OpenAI库支持，无需Python依赖即可安装使用，并提供高安全性功能。支持麦克风和扬声器输入转换，用户可以定制提示、保存聊天记录，并可享受离线免费和在线付费的语音到文本转换服务。该工具在有GPU支持时性能最佳，并提供详细的安装指南和用户支持。

WhisperS2T - 高效多后端语音识别管道实现快速精准转录

GithubWhisperS2T优化管道多后端支持开源项目语音转文本高速推理

WhisperS2T是一个为Whisper模型优化的开源语音识别管道，提供更快的转录速度。它支持OpenAI原始模型、HuggingFace模型和CTranslate2模型等多种推理引擎。该项目具有集成自定义VAD模型、智能处理音频文件、支持多语言和多任务批处理等特点，并能有效减少幻觉输出。WhisperS2T在保持高准确度的同时大幅提升转录速度，为用户提供高效的语音识别解决方案。

TensorFlowTTS - TensorFlow 2驱动的多模型实时语音合成系统

GithubTensorFlowTTS多语言支持实时处理开源项目模型优化语音合成

探索TensorFlowTTS：快速、灵活的多语言语音合成平台，采用最新技术如Tacotron-2、MelGAN，可部署于移动设备，助力全球开发者创造多语种语音应用。

metahuman-stream - 实时交互音视频同步对话的开源数字人项目

AI模型Github交互流式开源项目数字人视频处理音视频同步

metahuman-stream是一个开源的实时交互数字人项目，支持音视频同步对话和多种数字人模型。项目具备声音克隆、说话打断和全身视频拼接等功能，支持rtmp和webrtc传输。系统集成了多种TTS模型和LLM对话功能，为数字人应用开发提供丰富选择。该项目适用于商业级数字人应用开发，支持视频编排等高级特性。

Speechson - 在线多语言文本转语音服务

AI工具AI语音生成SSML功能Speechson多语言支持文字转语音

Speechson是一个在线文本转语音平台，提供840多种AI语音和135多种语言方言。支持MP3、OGG、WAV和WEBM等音频格式输出。借助深度学习技术，生成高质量、自然的语音。平台支持SSML功能，方便调整语音特性。适用于教育培训、内容创作等多种场景，能够满足多样化的语音需求。

whisper-web - 浏览器端实时语音识别技术

GithubTransformers.jsWebGPUWhisper Web开源项目浏览器应用语音识别

Whisper Web是一个基于机器学习的浏览器端语音识别项目。它利用 Transformers.js 技术，在客户端实现实时语音处理，无需服务器支持。该项目提供在线演示和本地部署选项，并正在开发 WebGPU 支持以提高性能。Whisper Web 展示了 Web 技术在语音识别领域的应用潜力，为开发者提供了一个便捷的语音识别解决方案。

RealtimeTTS - 实时低延迟高质量文本转语音库

GithubRealtimeTTS低延迟多引擎支持多语言支持开源项目高质量音频

RealtimeTTS是一款低延迟、高质量的实时文本转语音库。支持OpenAI、Elevenlabs、Azure、Coqui、gTTS和系统TTS引擎，兼容多语言，适用于专业和关键场景。新增灵活定制安装选项，用户可以选择所需功能模块。通过回退机制确保持续运行，完美兼容大语言模型，实现即时文本流转换和清晰自然的语音输出。

videollm-online - 流式视频实时理解与交互的先进模型

GithubVideoLLM-online大语言模型实时交互开源项目流媒体视频视频处理

VideoLLM-online是一款针对流媒体视频的在线大语言模型。该模型支持视频流实时交互，可主动更新响应，如记录活动变化和提供实时指导。项目通过创新的数据合成方法将离线注释转化为流式对话数据，并采用并行化推理技术实现高速处理，在A100 GPU上处理速度可达10-15 FPS。VideoLLM-online在在线和离线环境中均表现出色，能高效处理长达10分钟的视频，为视频理解与交互领域带来新的可能性。

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