Project Icon

MERT-v1-330M

先进音乐理解模型用于多任务音频特征提取和识别

MERT-v1-330M是一种基于MLM范式的音乐理解模型,采用24层Transformer架构,拥有330M参数。该模型经过16万小时音频数据训练,支持24kHz采样率输入,每秒生成75个特征向量。通过encodec的8个码本和批内噪声混合等技术,MERT-v1-330M在下游任务中表现出色。除了音乐特征提取,它还可用于音乐生成,是当前领先的音乐音频预训练模型之一。

seamless-m4t-v2-large - 跨语言跨模态机器翻译新里程碑
GithubHuggingfaceSeamlessM4T多语言翻译开源项目文本翻译模型自动语音识别语音翻译
SeamlessM4T v2是一款先进的多语言多模态机器翻译模型,支持近100种语言。它可实现语音与文本之间的多向转换,覆盖101种语音输入、96种文本处理和35种语音输出语言。新版本采用UnitY2架构,显著提升了翻译质量和语音生成效率,为跨语言交流提供了更优秀的技术支持。
mformer-care - 基于Transformers的多模态深度学习模型
GithubHuggingfacetransformers开源开源项目机器学习模型深度学习自然语言处理
mformer-care是一个基于Hugging Face Transformers库开发的开源项目,采用MIT许可证,支持英语语言处理。该项目利用Transformer架构实现多模态数据的处理与分析。
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。
SLAM-LLM - 专注语音语言音频音乐处理的多模态大模型训练工具
GithubSLAM-LLM多模态大语言模型开源项目语音处理音乐处理音频处理
SLAM-LLM是一款开源深度学习工具包,为多模态大语言模型(MLLM)训练而设计。它专注于语音、语言、音频和音乐处理,提供详细训练方案和高性能推理检查点。支持自动语音识别、文本转语音等多种任务,具备易扩展性、混合精度训练和多GPU训练等特点,适合研究人员和开发者使用。
deberta-v3-large - 微软DeBERTa-v3-large模型提升自然语言理解性能
DeBERTaGithubHuggingface人工智能开源项目机器学习模型自然语言处理预训练模型
DeBERTa-v3-large是微软基于DeBERTa架构开发的自然语言处理模型。它采用ELECTRA式预训练和梯度解耦嵌入共享技术,在SQuAD 2.0和MNLI等任务上表现优异。模型包含24层结构,1024隐藏层大小,共304M参数,可处理复杂的自然语言理解任务。相比前代模型,DeBERTa-v3-large在下游任务性能上有显著提升。
melgan - PyTorch实现的语音合成技术
GithubMelGANPyTorch人工智能语音合成开源项目音频处理预训练模型
MelGAN是一个在PyTorch上实现的声码器,用于转换NVIDIA tacotron2的输出成原始音频。项目提供了基于LJSpeech-1.1数据集的预训练模型,用户可通过PyTorch Hub访问和试听。适合音频合成领域的研究与开发。
bigvgan_base_22khz_80band - 支持多采样率的通用神经声码器音频合成系统
BigVGANGithubHuggingfacePyTorch开源项目模型神经声码器语音合成音频生成
BigVGAN是一个基于PyTorch的神经声码器项目,通过大规模数据训练实现音频合成。该模型支持44kHz采样率和512倍上采样,集成CUDA推理加速,可处理语音、环境声音和乐器等音频。项目提供多种预训练模型,覆盖不同采样率和mel频带参数配置,适用于多样化的音频生成需求。
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。
larger_clap_general - CLAP音频-文本预训练模型 实现零样本音频分类和特征提取
CLAPGithubHuggingface开源项目机器学习模型语音识别零样本分类音频处理
larger_clap_general是一个优化的CLAP(对比语言-音频预训练)模型,针对通用音频、音乐和语音进行训练。该模型结合SWINTransformer和RoBERTa分别处理音频和文本信息,适用于零样本音频分类和音频/文本特征提取。它能够在不针对特定任务优化的情况下,预测与给定音频最相关的文本描述,广泛应用于音频分类等多个领域。
MusicGen AI - AI音乐创作工具
AI工具AI音乐生成MetaMusicGen深度学习音频处理
MusicGen是Meta开发的开源AI音乐生成工具,采用单一语言模型技术。它可基于文本、旋律或音频输入创作多样化音乐。支持旋律调节、文本条件生成等多种模式,训练数据涵盖20,000小时授权音乐。用户可通过Web界面使用MusicGen,灵活调整参数控制音乐生成。该工具为音乐创作领域带来新的可能性,推动AI音乐技术的发展。
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