Logo
Project Icon

DeepSpeech

开源的深度学习语音识别引擎

Project DeepSpeechTensorFlow开源语音识别机器学习Github开源项目

DeepSpeech是一个开源语音转文字引擎，基于百度的Deep Speech研究，并利用Google TensorFlow实现。提供详细的安装、使用和训练模型文档。最新版本及预训练模型可在GitHub获取，支持和贡献指南请参阅相应文件。

GithubGithub文档文档论文论文
介绍相关项目
overlapped-speech-detection - 开源重叠语音检测工具实现多人同时发言识别
GithubHuggingfacepyannote声纹分割开源项目模型语音识别语音重叠检测音频处理
开源重叠语音检测工具overlapped-speech-detection专注于识别音频中的多人同时发言片段，通过Python API接口快速部署实现。该工具基于神经网络技术，支持多种数据集训练，可应用于会议记录、课堂互动、多人访谈等场景的语音分析。
Bridge-TTS - 创新方法提升文本转语音合成效果
Bridge-TTSGithubSchrodinger Bridge开源项目文本转语音机器学习语音合成
Bridge-TTS是一个革新性的文本转语音(TTS)项目，利用人工智能和机器学习技术，通过创新的数据处理方法优化语音合成。无论在简单还是复杂的应用场景中，它都显著优于传统的扩散模型。这一突破不仅提升了TTS技术水平，还为语音合成和相关人工智能领域开辟了新的研究方向。项目详情、研究方法和结果可在官方网站查阅，完整源代码将在论文被学术界正式接受后公开发布。
speech_recognition - Python多引擎语音识别库
API支持GithubPython库SpeechRecognition开源项目语音识别音频处理
SpeechRecognition是一个Python语音识别库，支持CMU Sphinx、Google Speech等多个引擎。它提供麦克风输入、音频文件转录等功能，可进行离线和在线识别。该库安装简单，适用于各类语音识别应用开发。
stable-audio-open-1.0 - 开源文本转音频模型支持44.1kHz立体声和最长47秒音频生成
GithubHuggingfaceStable Audio Open 1.0人工智能开源项目机器学习模型音乐创作音频生成
Stable Audio Open 1.0是Stability AI推出的开源音频生成模型，通过自编码器、T5文本嵌入和DiT扩散模型架构，将文本转换为最长47秒的44.1kHz立体声音频。模型基于48万条音频数据训练，在音效和环境音生成方面表现突出，支持stable-audio-tools和diffusers两种调用方式。现阶段仅支持英文提示词输入，不具备人声生成能力。
distil-large-v2 - 高效精简的Whisper语音识别模型
Distil-WhisperGithubHuggingfaceTransformers开源项目模型模型压缩自动语音识别语音识别
distil-large-v2是Whisper语音识别模型的蒸馏版本,推理速度提高6倍,模型体积减少49%,性能接近原始模型。采用编码器-解码器架构,通过精简解码器层数实现加速。支持英语短音频和长音频转录,可作为Whisper辅助模型进行推测解码。基于多个开源数据集训练,适用广泛语音识别场景。
lingvo - Tensorflow中高效的序列模型神经网络构建框架
GithubLingvoTensorflow开源项目机器翻译模型训练神经网络
Lingvo由Google维护的高质量框架，专用于在Tensorflow中构建神经网络，特别适用于序列模型的开发。此框架支持多种模型类型，包括自动语音识别、图片处理、语言建模和机器翻译等。Lingvo允许通过pip安装或源代码编译来灵活部署。借助详尽的文档和综合的模型库，用户可以轻松地构建、训练并评估自定义模型。此外，Lingvo还与最新版本的Tensorflow和Python兼容，确保与当前技术生态的同步。
speech-driven-animation - 语音驱动的端到端面部动画合成模型
GithubSpeech-Driven Animation人脸合成开源项目深度学习视频动画语音驱动
Speech-Driven Animation是一个开源项目，实现语音驱动的端到端面部合成模型。该项目根据输入图像和音频生成面部动画视频，支持GRID、TIMIT和CREMA等预训练模型。通过API可输入自定义音频和图像，输出同步动画视频。项目还提供音频和视频编码器，可用于特征提取和分类任务。
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。
huggingsound - 基于HuggingFace的语音处理开源工具库
GithubHuggingFaceHuggingSound开源项目模型训练自然语言处理语音识别
HuggingSound是基于HuggingFace工具开发的语音处理工具库。该项目为语音识别、模型微调和评估提供了简洁的接口。适用于Python 3.8+环境，支持pip安装。HuggingSound能够利用预训练CTC模型进行推理，并通过语言模型增强识别准确度。此外，它还包含模型评估和微调功能，便于研究人员根据特定数据集优化模型表现。
相关项目
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。

使用协议隐私政策广告服务
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