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。

metavoice-src - 1.2B参数开源TTS模型,支持情感语音合成和跨语言声音克隆
GithubMetaVoice-1BTTS开源开源项目情感语音语音克隆
MetaVoice-1B是一个开源的1.2B参数TTS模型,经过10万小时的语音训练,支持英语情感语音合成和零样本的美式和英式语音克隆(仅需30秒参考音频)。该模型还支持跨语言声音克隆和任意长度文本的语音合成。可通过云端或本地部署使用,并提供Hugging Face和Google Colab的演示。
audiolm-pytorch - 基于Pytorch的音频生成模型AudioLM
AudioLMEnCodecGithubPytorchSoundStream开源项目音频生成
AudioLM是一个基于Pytorch的音频生成模型,具有T5引导的文本到音频转换功能。该项目还兼容SoundStream和Facebook的EnCodec,并提供了多个音频编码和解码模块。用户可以通过完整的训练和使用流程,包括SoundStream、分层Transformer和基于文本条件的音频合成,来进行音频生成技术的研究和开发。
stt_en_conformer_transducer_xlarge - Conformer-Transducer模型的超大规模语音识别能力
GithubHuggingfaceNVIDIA ConformerNVIDIA Riva开源项目模型模型训练自动语音识别语音转录
Conformer-Transducer超大模型拥有600M参数,专为英语自动语音识别设计,以较低的字错误率(WER)脱颖而出。通过NVIDIA NeMo工具包训练,涵盖LibriSpeech、Mozilla Common Voice等多个数据集。模型支持Python调用,具备细化调优和批量处理功能,适合多种语音识别应用。虽然暂未兼容NVIDIA Riva,但其在英语语音处理方面表现卓越。
mdeberta-v3-base - DeBERTa V3架构多语言模型助力跨语言NLU任务
DeBERTaGithubHuggingface多语言模型开源项目模型深度学习自然语言处理预训练模型
mdeberta-v3-base是基于DeBERTa V3架构的多语言预训练模型,使用2.5T CC100数据训练。在XNLI跨语言迁移任务中,其平均准确率达79.8%,显著超越XLM-R。模型采用梯度解耦嵌入共享和ELECTRA式预训练,增强下游任务表现。结构包含12层transformer,768维隐藏层,共2.76亿参数。适用于多语言自然语言理解任务,尤其在低资源语言中表现出色。
whisper-large-v3 - 突破性多语言语音识别与翻译模型
GithubHuggingfaceOpenAIWhisper多语言开源项目模型语音翻译语音识别
Whisper large-v3是OpenAI开发的新一代语音识别和翻译模型,支持100多种语言。相比前代模型,它采用128个梅尔频率通道并新增粤语语言标记,将各语言错误率降低10-20%。模型可用于语音转录和翻译任务,易于集成应用。Whisper large-v3展现出卓越的泛化能力,为语音识别技术带来重大进展。
hf-seamless-m4t-medium - 多语言翻译与语音识别的统一模型
GithubHugging FaceHuggingfaceSeamlessM4T多语言翻译开源项目文本到语音模型语音识别
SeamlessM4T是一款多语言模型,支持101种语言的语音输入、196种语言的文本处理和35种语言的语音输出。它能进行语音到语音、语音到文本、文本到语音及文本到文本的翻译。最新的SeamlessM4T v2在翻译质量和生成速度上均有改善,为需要高效语音处理和文本翻译的场景提供了解决方案。
mistral-ft-optimized-1227 - 多基础模型融合优化的Mistral模型用于下游任务微调
GithubHuggingfaceMistral-7B下游任务开源模型开源项目性能优化模型模型合并
该模型通过层级SLERP技术融合了OpenHermes、Neural Chat、MetaMath和OpenChat等基础模型,作为Mistral模型的优化版本,可用于多种下游任务的微调和开发
univnet - 具有多分辨率频谱图鉴别器的神经声码器
GANGithubUnivNet开源项目神经合成器音频样本高保真波形生成
UnivNet是一种利用多分辨率频谱鉴别器的神经声码器,旨在提供高保真波形生成。本项目包括一个非官方PyTorch实现,并可与原始研究的客观评分相匹敌。它在主观评测中胜过HiFi-GAN,推理速度也比HiFi-GAN快1.5倍。项目还提供预置的训练参数和预训练模型,支持高度自定义和不同的音频数据源。
wav2vec2-large-robust-12-ft-emotion-msp-dim - 基于Wav2vec 2.0的多维语音情感识别模型
GithubHuggingfaceMSP-PodcastWav2vec 2.0开源项目模型神经网络模型语音情感识别音频分类
该模型基于Wav2vec 2.0技术,通过在MSP-Podcast数据集上微调Wav2Vec2-Large-Robust模型实现。它能够处理原始音频信号,识别语音中的唤醒度、支配度和效价三个维度,输出0-1范围内的情感预测结果。此外,模型还提供最后一个transformer层的池化状态,为语音情感分析研究提供了有力支持。
Mixtral-8x22B-v0.1 - 多平台兼容的预训练大规模语言模型
GithubHugging FaceHuggingfaceMistral AIMixtral-8x22B开源项目模型生成模型语言模型
这是一款多语言兼容的预训练大型语言模型,支持生成性稀疏专家技术,兼容vLLM和Hugging Face transformers库,提供灵活的运行选项和优化内存管理的优势。然而,用户需注意,该模型没有内容审核功能。
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