Project Icon

sherpa-ncnn

轻量级多平台实时语音识别工具

sherpa-ncnn 是一个开源的实时语音识别项目,支持 Linux、macOS、Windows 及嵌入式设备。基于 ncnn 框架开发,无需依赖 PyTorch,具有轻量化和高效性特点。项目提供详细文档、演示视频和 Android 应用开发指南。支持多语言识别和背景噪音处理,适用于各种语音识别应用场景。

faster-whisper-tiny.en - 轻量快速的OpenAI Whisper英语语音识别模型
CTranslate2GithubHuggingfaceWhisper开源项目模型模型转换自然语言处理语音识别
faster-whisper-tiny.en是OpenAI Whisper tiny.en模型的CTranslate2优化版本,专门用于英语语音识别。这个模型提供高效的音频转录功能,支持16位浮点量化,可通过faster-whisper库简单集成。它适合需要快速、精确的英语语音转文本解决方案的开发者,特别是在计算资源有限的场景中表现出色。该模型采用MIT许可证,支持音频处理和自动语音识别任务。
snac - 多尺度神经音频编解码器实现低比特率音频压缩
GithubSNAC低比特率分层令牌开源项目神经网络编解码器音频压缩
SNAC是一种多尺度神经音频编解码器,能将音频压缩为低比特率的离散编码。它使用分层令牌编码方法,通过降低粗糙令牌的采样频率来覆盖更长时间跨度,有效节省比特率并支持长时间音频建模。SNAC提供多个预训练模型,适用于语音和音乐等场景,采样率覆盖24kHz至44kHz。开发者可使用Python简单实现音频编码和解码。
silero-vad - 企业级预训练语音活动检测工具,适用于多种平台
GithubPyTorchSilero VAD声学模型开源项目语音活动检测音频处理
Silero VAD 是一种企业级预训练语音活动检测工具,具备高精确度和快速处理能力。支持多种采样率、体积小巧,适用于 IoT、移动设备和电信应用。通过 PyTorch 和 ONNX 实现高度便携,无需注册或密钥,易于集成和广泛使用。
whisper-timestamped - 多语言语音识别工具,支持单词时间戳和置信度评分
GithubOpenAIwhisper-timestamped信心评分开源项目时间戳语音识别
whisper-timestamped 是一个增强型多语言语音识别工具,基于 OpenAI 的 Whisper 模型,通过动态时间规整(DTW)技术预测单词时间戳,并附带置信度评分。该扩展兼容所有 Whisper 版本,优化内存使用,适用于处理长音频文件。此外,还支持在运行 Whisper 模型前进行语音活动检测(VAD),有效降低训练数据中的误差。whisper-timestamped 可提高识别准确度,尤其适用于包含语音卡顿或填充词的情景。
TensorflowASR - Tensorflow 2和Conformer结合的端到端语音识别解决方案
CTCConformerGithubONNXTensorflowASR开源项目语音识别
Tensorflow 2和Conformer结构打造的端到端语音识别模型,支持在线流式和离线识别,实时率约为0.1。该项目提供VAD、降噪、TTS数据增强等功能,并支持ONNX推理优化。训练结果在Aishell-1测试集上表现优异,适用于语音识别。最新更新的Chunk Conformer结构进一步提升了长时间语音识别的准确性和效率。
WhisperUI - 多语言支持的高效语音转文字工具
AI工具API密钥OpenAI Whisper多语言支持语音转文字转录
WhisperUI是一款基于先进语音识别技术的转文字工具。支持多种音频格式,可快速将语音转换为文本和SRT字幕。具备多语言转录功能,转录准确度高,抗干扰能力强。提供免费基础功能和付费高级特性。适用于多种场景的音频转文字需求,是一个便捷、经济的语音识别解决方案。
wespeaker - 深度学习声纹识别开源工具包 支持多模型和应用场景
GithubWeSpeaker开源项目深度学习语音处理说话人嵌入学习说话人验证
WeSpeaker是一个开源的说话人嵌入学习工具包,主要用于说话人验证。它支持在线特征提取和加载预提取的kaldi格式特征,提供ResNet和ECAPA-TDNN等多种预训练模型。WeSpeaker具有命令行和Python编程接口,在VoxCeleb和CNCeleb等数据集上表现出色。此外,它还提供说话人分割功能。这个工具包适用于研究和生产环境,为声纹识别领域提供了有力支持。
wespeaker-voxceleb-resnet34-LM - 采用预训练的Wespeaker嵌入模型优化音频说话人识别
GithubHuggingfacepyannote.audio声纹识别开源项目模型深度学习音频处理
这个开源项目集成了WeSpeaker的wespeaker-voxceleb-resnet34-LM预训练模型,适用于pyannote.audio,提升说话人识别和验证的效率。可执行基础和高级功能,如GPU加速、音频片段嵌入提取和滑动窗口特征识别。兼容pyannote.audio 3.1及更高版本,以提供更加快速和可靠的音频处理方案。
FunAudioLLM-APP - 开源语音交互与实时翻译应用
FunAudioLLMGithub人工智能开源项目语音翻译语音聊天音频处理
FunAudioLLM-APP是一个开源项目,包含Voice Chat和Voice Translation两个应用。Voice Chat提供AI驱动的对话系统,实现自然的语音交互。Voice Translation提供实时语音翻译功能,帮助不同语言使用者进行沟通。项目整合了CosyVoice和SenseVoice技术,旨在提升语音交互和翻译体验。
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