DeepSpeech

开源的深度学习语音识别引擎

Project DeepSpeech TensorFlow 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。

Github

文档

论文

介绍相关项目

speechbrain - 加速对话AI开发的开源PyTorch工具包

GithubPyTorchSpeechBrain人工智能开源项目聊天机器人语音处理

SpeechBrain是一个基于PyTorch的开源框架，专注于对话AI技术的快速开发，涵盖语音助手、聊天机器人和大型语言模型。该项目包含超过200个训练配方，覆盖40个数据集进行20种语音和文本处理任务。支持从零开始构建模型或微调如Whisper、Wav2Vec2等预训练模型。此外，SpeechBrain通过30多个Google Colab教程促进教育和学习，帮助用户深入了解对话AI系统。

speech-resynthesis - 基于离散解耦自监督表示的语音重合成技术

Github开源项目自监督学习表示学习语音合成语音编码语音重合成

该项目开发了一种新型语音重合成方法，采用自监督学习的离散表示技术，分别提取语音内容、韵律信息和说话人特征。这种方法实现了可控的语音合成，在重建质量和特征解耦方面表现优异。此外，该技术还可应用于超轻量级语音编解码，以365比特/秒的低比特率提供高质量语音输出。项目提供完整的训练和推理流程，兼容多种数据集和自监督学习方法。

tessdoc - 多语言支持的开源文字识别引擎

GithubOCRTesseract开源软件开源项目文字识别机器学习

Tesseract是一款功能强大的开源OCR引擎，支持100多种语言和35种以上的文字。它提供命令行和API接口，可从图像中精确提取文本。Tesseract采用LSTM神经网络技术，具有高度可定制性，并配备完善的训练测试工具。该引擎可跨平台使用，包括移动设备，为开发者提供了灵活的文字识别解决方案。

distil-whisper - 快速高效的音频转录模型

Distil-WhisperGithub开源项目机器学习模型压缩自然语言处理语音识别

Distil-Whisper是OpenAI Whisper模型的蒸馏版本，速度提升6倍，模型规模缩小49%，同时保持了相近的准确性。该项目支持短语音和长语音转录，提供多个针对英语语音识别的高效模型。Distil-Whisper还可作为Whisper的辅助模型实现推测解码，在保证输出一致性的同时将速度提升2倍。

Deepgram - 全面的语音AI解决方案平台

AI工具Deepgram应用开发语音AI语音合成转录服务

Deepgram提供全面的语音AI技术服务，包括AI语音转文本、智能分析和文本转语音功能。平台支持预录音转录、实时音频转录、文本转语音及音频智能分析。开发者和企业可通过API密钥轻松集成这些功能，并享有200美元的免费额度，可用于750小时的转录或约200小时的文本转语音生成。Deepgram简化了语音AI的开发和应用流程，为各类项目提供高效、准确的语音处理解决方案。

insanely-fast-whisper-api - 音频转文字的高速开源API，支持GPU云部署与并发处理

DockerGithubJigsawStackWhisper API开源开源项目转换音频

这是一款基于OpenAI Whisper Large v3的API，能够高速将音频转录为文字。此开源项目支持在任意支持GPU的云提供商上部署，内置说话人分离功能，提供易用的Fast API层、异步后台任务和Webhooks，优化了并发处理。支持任务管理、取消与状态查询，拥有安全的管理员认证访问。通过Docker可以轻松部署到包括Fly.io在内的多种VM环境，实现高效的生产用途。

AutoSub - 开源视频自动字幕生成工具

AutoSubGithub字幕生成开源工具开源项目语音识别音频处理

AutoSub是一款开源命令行工具，能够为视频自动生成多种格式的字幕文件。它集成了Mozilla DeepSpeech和Coqui STT语音识别技术，结合pyAudioAnalysis音频分析库，实现了高效的音频分割和文字转换。该工具支持多语言处理，可满足不同类型视频的字幕需求。

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。

speecht5_tts - 基于统一模态预训练的高效语音合成模型

GithubHuggingfaceSpeechT5开源项目文本转语音模型语音合成语音处理预训练模型

SpeechT5是一个基于统一模态预训练框架的语音合成模型。它通过大规模未标记语音和文本数据学习统一表示，提升了语音和文本的建模能力。该模型在语音识别、合成、翻译等多项任务中表现优异。研究者可使用Hugging Face Transformers库轻松实现文本到语音转换，或针对特定需求进行模型微调。SpeechT5为语音处理领域提供了强大而灵活的解决方案。

StableTTS - 轻量级流匹配和DiT驱动的新一代TTS模型

GithubStableTTSTTS模型人工智能开源项目语音合成

StableTTS是一款开源的轻量级中英文语音合成模型，参数量仅为1000万。该项目创新性地结合了流匹配和扩散卷积Transformer技术，灵感源自Stable Diffusion 3。StableTTS提供预训练模型，支持推理、微调和WebUI应用。其独特的模型架构包含扩散卷积Transformer块和流匹配解码器，旨在提升语音合成质量。项目还提供了便捷的训练和推理工具，以及Hugging Face在线演示平台。

相关项目

推荐项目

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。

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。

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。

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。

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。

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。

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。

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。

稿定AI

稿定设计是一个多功能的在线设计和创意平台，提供广泛的设计工具和资源，以满足不同用户的需求。从专业的图形设计师到普通用户，无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑，稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合，帮助用户轻松实现创意设计。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com