懂AI
dla

dla

深度学习音频处理综合课程

此课程详细介绍了音频深度学习的各个方面，包括数字信号处理、语音识别、源分离、文本转语音、语音转换、语音生物识别及音频生成扩散模型。每周更新课程材料，涵盖从理论讲解到实操的全面学习。提供全面的作业和丰富的学习资源，适合深入了解音频处理技术的人士。

Deep Learning for AudioHSE语音识别声源分离语音生成Github开源项目
访问官网GitHub

深度学习音频项目介绍

Deep Learning for Audio（以下简称DLA）项目是一个专注于音频处理和深度学习技术结合的课程。这门课程由来自HSE大学计算机科学系的教授们在2024年秋季开授，旨在为学生提供全面而深入的音频信号处理和相关深度学习技术的学习与实践。

课程大纲

课程内容分为多个模块，每个模块在一个周内进行，包括每周的讲座和实践研讨会。

  • 第一周：课程介绍

    • 讲座介绍课程概况。
    • 研讨会涵盖实验追踪工具如Hydra、Git、VS Code的使用。
    • 自主学习模块介绍PyTorch。

  • 第二周：数字信号处理入门

    • 讲座内容涉及信号、傅里叶变换、声谱图、MelScale及MFCC。
    • 研讨会实践数字信号处理，创建声谱图，执行频率滤波。

  • 第三周：语音识别I

    • 讲授指标、数据集、连接时序分类(CTC)、经典模型、波束搜索、语言模型。
    • 研讨会包括音频增强和波束搜索技术。
    • 问答环节讨论作业及研发编码技巧。

  • 第四周：语音识别II

    • 讲座主题为LAS、RNN-T及其语言模型。
    • 研讨会讨论混合型RNN-T和CTC模型的训练与推断。

  • 第五周：嘉宾讲座. 语音识别III和自监督音频学习

    • 探讨音频自监督模型和音频大语言模型。

  • 第六周：音源分离I

    • 内容包括音源分离及消噪技术、编码解码分离架构、Demucs系列、DCCRN、FullSubNet+、BandSplitRNN。
    • 研讨会评估不同分离技术的性能指标。

  • 第七周：音源分离II

    • 探讨语音分离、盲分离及目标分离技术，如TasNet、DPRNN、VoiceFilter，以及CNN技术如ConvTasNet、SpEx+。
    • 研讨会探讨WienerFilter、SincFilter及DEMUCS；并讨论流媒体处理及性能指标。

  • 第八周：音频-视觉深度学习

    • 讲座探讨音频视觉融合、音源分离、语音识别以及自监督模型，讨论如Wav2Lip和SadTalker等应用。
    • 另附研讨会指导创建智能语音助手。

作业与项目

  • 学生将通过训练语音识别模型及音视频语音分离模型等作业来应用所学知识。

资源与教学团队

  • 课程提供了YouTube上的讲座录像（部分俄语），一些周次提供英文影片。
  • 教学团队包括多位知名教授，如Maxim Kaledin、Petr Grinberg、Grigory Fedorov等。

DLA课程旨在通过系统化的教学与实践经验，帮助学生深入理解音频信号处理及其在深度学习中的应用，为音频技术领域的研究和开发奠定坚实基础。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多