Project Icon

kaldi

多平台支持的开源语音识别工具包

Kaldi是一款先进的开源ASR(自动语音识别)工具包,适用于UNIX、Linux等多种系统。它为语音处理研究和应用开发提供了全面的工具和资源,包括详细文档和示例系统。Kaldi支持多种平台,包括PowerPC、Android和Web Assembly,并拥有活跃的开发者社区,为语音技术的创新和应用提供了强大支持。

awesome-russian-speech - 全面汇总俄语语音技术资源与开发工具
Github俄语开源项目语音合成语音技术语音模型语音识别
项目整理了俄语语音技术的全面资源,包括识别、合成和转换等领域的数据集、模型和开发工具。内容覆盖从预处理到后处理的各个环节,如重音标注和标点恢复。此外还收录了相关词典、语言学资源和行业历史,为俄语语音技术的研究与开发提供了宝贵参考。
mandarin-tts - 模块化的中文文本到语音合成框架
AI绘图Githubgithubmandarin-ttsvocoder开源项目语音合成
mandarin-tts是一个模块化的中文文本到语音合成框架,适用于加速科研和产品开发。它的主要特点包括模块化配置、多样的声码器支持以及丰富的嵌入选项,如说话人、韵律和文本嵌入。此外,该框架还支持预测语音的持续时间、音调和能量变化,通过开源合作进一步拓展其功能。框架提供多数据集的音频样本和预训练模型,方便用户使用和进一步开发。此外通过正确使用专有名词,如YAML配置文件,并加入客观描述,提供高效的开发工具给研究人员和开发者。
PPASR - 基于PaddlePaddle的开源流式与非流式语音识别框架
GithubPPASRPaddlePaddle开源项目流式识别深度学习语音识别
PPASR是一个开源的中文语音识别框架,基于PaddlePaddle深度学习平台开发。该框架支持流式和非流式识别,集成了conformer、deepspeech2等多种先进模型,并提供集束搜索和贪心解码功能。PPASR可部署于服务器和Nvidia Jetson设备,提供预训练模型和详细文档,旨在实现简单实用的语音识别应用。
sound_dataset_tools2 - 多功能语音数据集制作工具
GUI界面GithubVITSsound_dataset_tools2开源项目语音数据集音频处理
sound_dataset_tools2是一款语音数据集制作工具。它具有GUI界面,支持音频+字幕和纯音频自动切割两种数据导入方式。该工具优化音频切割效果,减少断音问题,可导出符合VITS等项目要求的数据集格式。它还包含语音评测功能,有助于从大量数据中筛选出高质量数据集。此工具适用于需要创建语音数据集的研究人员和爱好者。
TensorVox - 用 C++ 编写的神经语音合成桌面应用程序
Coqui-TTSGithubTensorFlowTTSTensorVoxVITS开源项目神经语音合成
TensorVox是为提高神经语音合成技术普及度而设计的桌面应用。支持多语言,不需庞大Python库,该工具通过TensorFlow C API和LibTorch实现轻量级操作。提供清晰易懂的模型训练和导出指南,是语音技术爱好者的顶级选择。
Crystal - 跨平台多语言文字转语音合成引擎
Crystal TTSGithubSSML规范动态模块加载多语言开源项目跨平台
Crystal TTS Engine通过C++开发,支持多语言合成,以SSML标准方便模块间交互。此外,该引擎支持动态模块加载及跨平台功能,适合开发需支援多语言环境的开发者。
speech-emotion-recognition - 开源多模型语音情感识别系统
Emo-db数据集Github开源项目机器学习模型深度学习模型特征提取语音情感识别
speech-emotion-recognition是一个开源的语音情感识别系统,基于Emo-db数据集开发。该项目支持SVM、随机森林、神经网络、CNN和LSTM等多种机器学习和深度学习模型。系统使用Python实现,提供完整的数据预处理、特征提取和模型训练工作流程。项目设计简单易用,适合研究人员和开发者进行语音情感分析的研究和应用开发。该系统可应用于客户服务、情感计算、人机交互等领域,具有模型多样化、使用灵活、易于扩展等优点。
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。
RuntimeSpeechRecognizer - 基于OpenAI的Whisper的语音识别项目
GithubOpenAI's WhisperRuntime Speech RecognizerUnreal Engine开源项目语音识别高性能
RuntimeSpeechRecognizer是一个高效的语音识别项目,基于OpenAI的Whisper技术,提供快速且准确的识别。支持英语和多语言(多达100种语言),提供从75 MB到2.9 GB多种模型尺寸。自动下载语言模型,支持将识别的语音翻译成英语,特性可定制,无需静态库或外部依赖,兼容多个平台(Windows、Mac、Linux、Android、iOS等)。
Vocode - 构建和部署高度真实的开源语音AI代理
AI工具Vocode人工智能开源语音AI代理语音交互
Vocode是一个开源语音AI代理平台,提供构建、部署和扩展语音助手的工具。支持全天候运行、多语言交互和自定义语言模型。具备电话菜单导航、知识库连接等功能。平台提供简单API,兼容多种语音识别和合成模型,方便开发者快速创建语音AI应用。
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