Project Icon

bigvgan_v2_24khz_100band_256x

大规模训练的通用神经声码器

该项目通过大规模训练为神经声码器领域带来了新的发展。其自定义的CUDA内核实现了1.5至3倍的推理速度提升,满足高效应用需求。利用多尺度的子频段判别器和梅尔谱损失进行训练,适应多种音频环境,涵盖多语言语音和环境音等。项目还集成至Hugging Face Hub,提供预训练模型和交互式演示,支持最高24 kHz的采样率和多种频段配置,为语音合成领域的研究者和开发者提供便利。

megatts2 - Megatts2 的非官方实现,多语种语音合成训练
GithubMegatts2Pytorch-lightningVQ-GAN开源项目数据集准备文本到语音
megatts2为Megatts2的非官方实现,支持中英文混合的深度学习语音合成训练。该项目涵盖数据处理、模型训练及语音推理,使用Pytorch-lightning框架优化训练流程,目标训练1000小时语音数据。
whisper-large-v3-turbo - 精简版Whisper语音识别系统的突破性进展
GithubHuggingfaceWhisper多语言开源项目模型模型蒸馏自动语音识别语音识别
Whisper large-v3-turbo通过模型蒸馏技术对原版Whisper进行优化,将解码层从32减少到4层,在仅造成轻微性能损失的情况下显著提升了处理速度。该模型继承了Whisper优秀的多语言处理能力,支持超过100种语言的语音识别和翻译任务,能够适应不同场景的音频输入。基于高效的架构设计,此模型在降低计算资源需求的同时保持了稳定的识别准确率。
Diff-HierVC - 分层扩散模型实现高质量零样本语音转换
Diff-HierVCGithub开源项目扩散模型语音转换零样本说话人适应音高生成
Diff-HierVC是一种分层语音转换系统,采用DiffPitch和DiffVoice两个扩散模型。DiffPitch生成目标音高,DiffVoice转换语音风格。系统还使用源滤波器编码器和掩蔽先验技术,提高语音风格迁移和说话人适应能力。在零样本语音转换中,Diff-HierVC实现0.83%字错率和3.29%等错率,展现出色的音高生成和语音风格迁移性能。
TensorVox - 用 C++ 编写的神经语音合成桌面应用程序
Coqui-TTSGithubTensorFlowTTSTensorVoxVITS开源项目神经语音合成
TensorVox是为提高神经语音合成技术普及度而设计的桌面应用。支持多语言,不需庞大Python库,该工具通过TensorFlow C API和LibTorch实现轻量级操作。提供清晰易懂的模型训练和导出指南,是语音技术爱好者的顶级选择。
wav2vec2-btb-cv-ft-btb-cy - 基于微调的语音识别模型,提升准确度与适用性
GithubHuggingfacewav2vec2开源项目损失率模型模型优化自动语音识别训练参数
此AI模型基于DewiBrynJones的wav2vec2-xlsr-53-ft-btb-cv-cy微调而成,专注提升自动语音识别精确度。评估词错误率为0.3402,表现出明显改善。使用Adam优化器,学习率为0.0003,训练批次为4。适用于高精度需求的语音识别场景,但因缺乏训练数据和用途的细节说明,适用性需谨慎评估。
phaseaug - 创新差分增强技术优化语音合成
GithubPhaseAug一对多映射开源项目相位旋转神经声码器语音合成
PhaseAug是一种新型差分增强技术,通过旋转频率区间相位来模拟语音合成的一对多映射关系。这种方法有效缓解了传统GAN语音合成器的过拟合问题,提高了生成音频质量。PhaseAug无需修改模型架构即可超越基准性能,为语音合成领域提供了新的研究方向,有助于提升合成语音的自然度和多样性。
gigagan-pytorch - 最新生成对抗网络GigaGAN的实现,优化训练收敛和模型稳定性
AdobeGigaGANGithubLAIONPyTorchStabilityAI开源项目
gigagan-pytorch项目实现了Adobe最新的生成对抗网络GigaGAN,优化了跳层激励和辅助重建损失,以提升训练收敛速度和模型稳定性。项目支持高分辨率上采样器,具备混合精度和多GPU训练功能。适合寻求高效稳定GAN训练的开发者和研究人员。可加入Discord社区,与LAION合作获取更多支持。
wav2vec2-base-vietnamese-250h - wav2vec2提升越南语音识别精度
CTCGithubHuggingfacewav2vec2开源项目模型自动语音识别语音识别越南语
项目应用wav2vec2技术实现越南语的自动语音识别。模型在13000小时的未标注YouTube音频上预训练,并在250小时的VLSP ASR数据集上进行微调,支持16kHz采样音频。结合4-grams语言模型,显著提高了语音识别的准确性,降低了VIVOS数据集的词错误率,从10.77降至6.15。项目使用CC BY-NC 4.0授权,适用于非商业用途。
wavlm-large - 微软WavLM:全栈语音处理的自监督预训练模型
GithubHuggingfaceSUPERB基准测试WavLM开源项目模型自监督学习语音处理预训练模型
WavLM-Large是微软开发的自监督语音预训练模型,针对全栈语音处理任务进行优化。模型基于HuBERT框架,引入混合话语训练策略和门控相对位置偏置,提升了语音内容建模和说话人身份识别能力。通过在94,000小时多样化语音数据上训练,WavLM-Large在SUPERB基准测试中展现出卓越性能,为多种语音处理任务带来显著改进。
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