Logo
Project Icon

k2

高性能自动微分FSA/FST算法库 支持语音识别

k2有限状态自动机语音识别PyTorchCUDAGithub开源项目

k2是一个高性能的有限状态自动机(FSA)和有限状态转换器(FST)算法库，旨在与PyTorch和TensorFlow等自动微分工具包无缝集成。该库主要应用于语音识别领域，支持交叉熵、CTC和MMI等多种训练目标的融合，并能优化多阶段解码系统。k2基于C++和CUDA实现，提供高效并行计算，并与PyTorch深度集成，为语音识别技术的进一步发展提供了灵活而强大的框架。

访问官网访问官网GithubGithub文档文档
介绍相关项目
m2 - 子二次GEMM架构Monarch Mixer实现高效语言模型
GithubM2-BERTMonarch Mixer人工智能开源项目机器学习自然语言处理
Monarch Mixer是一种创新的子二次GEMM架构，用于训练序列长度和模型维度均为子二次的语言模型。该架构使用Monarch矩阵层替代Transformer中的注意力和MLP操作，提高了计算效率。基于此架构的M2-BERT模型在减少25%参数和计算量的同时，在GLUE基准测试中达到了与BERT相当的性能。项目开源了预训练模型权重以及预训练和微调代码，方便研究者进行further研究。
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。
kogpt2-base-v2 - 推动韩语自然语言处理的开源模型
GithubHuggingfaceKoGPT2人工智能开源项目模型自然语言处理韩语模型
KoGPT2（kogpt2-base-v2）是SKT-AI团队开发的韩语GPT-2模型，采用开源方式发布，使用cc-by-nc-sa-4.0许可证。该模型在文本生成、对话系统等多个韩语自然语言处理任务中表现优异。KoGPT2为韩语AI研究和应用提供了重要工具，推动了韩语NLP技术的发展。研究者和开发者可通过GitHub了解更多详情，探索KoGPT2在韩语处理领域的应用潜力。
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。
ASRT_SpeechRecognition - 中文语音识别系统，支持多平台和多种API接口
ASRTGithubPythonTensorFlow开源项目深度学习语音识别
ASRT是一款基于深度学习的中文语音识别系统，采用TensorFlow框架实现。支持数据集包括Thchs30、ST-CMDS、Primewords、aishell-1等，通过DCNN+CTC模型和最大熵隐马尔可夫模型实现汉字拼音识别。该系统跨平台兼容，提供多种API接口和SDK。适用于Linux和Windows系统，最低硬件要求为4核CPU、16GB RAM和NVIDIA GPU。提供详细的安装、训练、部署文档及Demo，适合开发者和研究人员使用。
mimi - 先进神经音频编解码器实现高效语音处理
GithubHuggingfaceKyutaiMimi开源项目模型神经网络语音处理音频编解码器
Mimi是Kyutai开发的先进音频神经编解码器，融合语义和声学信息，以12Hz速率和1.1kbps比特率处理音频。采用流式编码器-解码器架构和量化潜在空间，通过端到端训练。该模型适用于语音语言模型和文本到语音系统开发，提供高质量音频压缩和高效解码，支持实时语音信号处理。Mimi在语音处理领域展现出显著潜力，但应当避免用于不当目的。
MASR - 基于Pytorch的开源自动语音识别框架
GithubMASRPytorch开源项目流式识别语音识别预训练模型
MASR是基于Pytorch开发的自动语音识别框架，支持流式和非流式识别。框架集成了多种模型，如deepspeech2、conformer等，可用于短语音和长语音识别。MASR具备集束搜索和贪心解码功能，提供预训练模型，支持多设备部署。项目设计简洁实用，支持中英文识别，并配有完整文档。
fastllm - 纯C++实现的跨平台大语言模型推理库
GPU加速Githubc++实现fastllm多平台大模型推理开源项目
fastllm是一个纯C++实现的大语言模型推理库，无第三方依赖，支持多平台部署。这个开源项目具有快速的推理速度，支持多种模型格式，可实现多卡部署和流式输出。fastllm兼容ChatGLM、Qwen、LLAMA等多种模型，提供Python接口和自定义模型结构功能。该项目适用于需要高效、灵活部署大语言模型的场景。
ChineseTtsTflite - Kotlin与TensorFlow Lite构建的离线中文文本转语音引擎
FastSpeechGithubTFLite模型TensorFlowTTS开源项目文字转拼音离线使用
ChineseTtsTflite，一个结合了Kotlin、JetPack Compose与TensorFlow Lite技术的文本转语音引擎，实现了离线功能。包含FastSpeech和Tacotron两种模型以适应不同设备的性能需求。同时提供详细的自定义编译指引与TensorFlow Lite裁剪选项，可有效减少应用体积，适合多种开发场景。
Whisper-Finetune - 语音识别模型的高效微调与加速
GithubWhisper中文识别加速推理开源项目模型微调语音识别
Whisper-Finetune项目致力于优化OpenAI的Whisper语音识别模型。该项目采用Lora技术进行微调，支持多种数据类型的训练，并通过CTranslate2和GGML实现加速推理。此外，项目提供了跨平台应用和服务器部署方案，为语音识别应用开发提供了全面支持。
相关项目
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。

使用协议隐私政策广告服务
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