Project Icon

FunASR

综合性开源语音识别与处理工具集

FunASR是一个全面的开源语音处理工具集,融合了学术研究和工业应用。它不仅支持语音识别模型的训练和微调,还提供了语音活动检测、标点恢复等多种功能。该项目提供大量预训练模型,便于快速构建高效准确的语音识别服务。FunASR以其广泛的功能、高性能和易部署特性,为语音识别技术的研究和应用提供了强大支持。

stt - 高效离线本地语音识别工具,基于fast-whisper模型,支持多种输出格式
CUDA加速Githubfast-whisper开源项目文本输出本地部署热门语音识别
这款语音识别工具可在本地离线运行,基于开源的fast-whisper模型,可将视频和音频中的人声快速转换为文字。支持输出json、srt及纯文本格式,无需联网,确保隐私安全,与openai语音识别接口准确率相当。用户可便捷下载预编译版本,或自行部署源码,支持多种操作系统。此外,还提供API接口,适合开发者使用。支持CUDA加速,优化处理速度。
tensorflow-speech-recognition - 开源TensorFlow中的语音识别示例
DeepSpeechGithubTensorflowWhisper开源项目深度学习语音识别
使用谷歌的TensorFlow框架进行语音识别,最初目标是为Linux系统创建独立的语音识别模型。尽管该项目现主要用于教学,开发者展示了使用开源数据和强大模型实现高效语音识别的潜力。推荐查看更新项目如Whisper和Mozilla的DeepSpeech,这两个项目在错误率方面的表现出色。该项目包含示例代码、依赖安装指导及功能扩展,如GPU上的WarpCTC和P2P学习模块。
naturalspeech3_facodec - FACodec语音编解码器实现属性分解和零样本语音合成
FACodecGithubNaturalSpeech 3属性分解开源项目语音合成语音编解码
FACodec作为NaturalSpeech 3的核心组件,将语音波形转换为表示内容、韵律、音色和声学细节的解耦子空间,并能重建高质量语音。该技术简化了语音表示建模,支持多种TTS模型开发,还可实现零样本声音转换。FACodec为语音合成研究提供了强大的处理工具。
Expressive-FastSpeech2 - 非自回归表情文本到语音合成技术
Expressive-FastSpeech2Github多语言支持对话TTS开源项目情感TTS非自回归TTS
Expressive-FastSpeech2是一个非自回归表情文本到语音(TTS)的研究项目,专注于emotional和conversational TTS。该项目使用AIHub多模态视频AI数据和IEMOCAP数据库进行韩语和英语的处理,并提供了不同语言适应和数据处理的指导。
ReazonSpeech - 多模型语音识别开源工具包 支持日语音频分析
GithubReazonSpeech开源项目深度学习自然语言处理语音识别
ReazonSpeech是一个开源语音识别项目,整合了多种高性能模型。它提供基于NeMo的FastConformer-RNNT模型、基于Kaldi的K2模型和基于ESPnet的Conformer-Transducer模型。此外,该项目还包含专用于日语电视节目分析的工具,有助于构建日语音频语料库。ReazonSpeech支持多个深度学习框架,为开发者提供了多样化的选择。
Whisper-Finetune - 语音识别模型的高效微调与加速
GithubWhisper中文识别加速推理开源项目模型微调语音识别
Whisper-Finetune项目致力于优化OpenAI的Whisper语音识别模型。该项目采用Lora技术进行微调,支持多种数据类型的训练,并通过CTranslate2和GGML实现加速推理。此外,项目提供了跨平台应用和服务器部署方案,为语音识别应用开发提供了全面支持。
awesome-whisper - 开源AI语音识别技术
AIGithubOpenAIWhisper开源项目语音识别音频转录
Whisper是OpenAI开发的开源AI语音识别系统,支持多种语言和平台,具备高精度和实时处理能力,并适用于开发者和企业进行高效集成。
TTS - 高性能文本到语音生成库,支持多语言
GithubMozillaTTSText-to-Speech多语言支持开源项目预训练模型
TTS库基于最新研究成果,提供高效的文本到语音生成技术,实现了训练便捷、速度快、质量高的最佳平衡。该库包括预训练模型和数据集质量评估工具,已被广泛应用于20多种语言的产品和研究项目。支持多说话人TTS、快速模型训练、多GPU训练,并兼容PyTorch、TensorFlow和TFLite等多种平台。
Amphion - Amphion开源工具集,支持音频、音乐、语音生成及多任务评估
AmphionGithub声码器开源项目文本到语音语音生成音乐生成
Amphion是一个开源的音频、音乐和语音生成工具集,旨在支持可重复的研究并帮助研究人员和工程师入门。提供TTS、SVS、VC、SVC、TTA等生成任务,集成高级语音编码器和评估指标,如F0建模、能量建模、语音相似度测评。功能包括模型可视化、数据集建设及文本到音频/音乐的实现,推动音频生成技术应用。
s2t-small-librispeech-asr - 小型LibriSpeech语音识别模型的高效自动化
GithubHuggingfaceLibriSpeechSpeech2Texts2t-small-librispeech-asr开源项目模型自动语音识别语音转换文本
s2t-small-librispeech-asr是一种小型端到端语音识别模型,使用LibriSpeech ASR语料库进行训练。该模型采用自回归的方式生成转录文本,并结合Pytorch及其工具如torchaudio和sentencepiece以提高准确性。在LibriSpeech“clean”和“other”测试集上的WER分别为4.3和9.0,可满足高性能语音识别应用的需求。
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