Project Icon

parakeet-tdt_ctc-110m

流畅高效的FastConformer TDT-CTC语音识别解决方案

该模型融合FastConformer与TDT-CTC架构,专为英文语音识别而优化,支持转录标点和大写字母。以高效架构处理长达20分钟音频数据,通过NVIDIA NeMo和Suno团队训练,在多个基准数据集中表现优异。通过NeMo工具包,预训练检查点便于进行模型推理或微调。

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。
faster-whisper-small - 优化的Whisper小型模型实现快速多语言语音转文本
CTranslate2GithubHuggingfaceWhisper开源项目模型模型转换自然语言处理语音识别
faster-whisper-small是OpenAI Whisper小型模型的优化版本,适用于CTranslate2框架。这个模型支持90多种语言的自动语音识别,采用float16量化以提高效率。开发者可通过faster-whisper库轻松集成该模型,适用于多种语音转文本场景。模型具有快速处理能力和广泛的语言覆盖范围,为自动语音识别任务提供了实用的解决方案。
CTCWordBeamSearch - CTC解码器提升文本和语音识别的性能
CTCGithubPythonWord Beam Search开源项目文本识别语言模型
CTC Word Beam Search是一种基于词典和语言模型的连接时序分类(CTC)解码器,支持Python 3.11和3.12版本。项目提供详细的安装和使用指南,并通过示例代码展示其在文本识别模型中的应用。算法具有四大特点:使用词典约束词语、允许词间出现任意非词字符、可选用词级语言模型(LM)以及比token传递算法更快。文档中提供了主要参数的说明和更多的技术细节及使用案例,适用于手写文本识别和自动语音识别。
tacotron - 端到端文本转语音合成模型实现
GithubTacotronTensorFlow开源项目文本到语音训练数据集语音合成
基于TensorFlow的Tacotron模型,是一个全面的端对端文本转语音合成系统。该模型涵盖多种数据集,运用现代深度学习与注意力机制优化文本到语音的高质量转换,适用于学术研究与商业应用。
reverb-asr - 基于大规模人工标注数据的开源语音识别模型
GithubHuggingfaceReverb ASR人工智能开源项目模型自动语音转录语音处理语音识别
这是一个基于20万小时人工标注语音数据训练的开源语音识别系统。采用CTC/attention联合架构,同时支持CPU和GPU部署。系统的特色在于通过verbatimicity参数实现对转录详细程度的精确控制,可输出从简洁到完整逐字的多种转录风格。支持attention、CTC等多种解码方式,适合不同应用场景。
faster-whisper-base.en - 基于CTranslate2的Whisper英语语音识别模型
CTranslate2GithubHuggingfaceWhisperfaster-whisper开源项目模型模型转换语音识别
faster-whisper-base.en是OpenAI Whisper base.en模型的CTranslate2格式转换版本,专为英语语音识别优化。该模型利用CTranslate2框架提高处理速度,支持FP16量化以适应不同计算环境。开发者可通过faster-whisper等项目简单实现音频转录,为语音识别应用提供高效解决方案。模型采用MIT许可证,便于在各类项目中应用。该模型特别适用于需要实时处理或资源受限的环境,如移动设备或边缘计算设备上的语音识别应用。相比原始Whisper模型,faster-whisper-base.en在保持识别准确度的同时,显著提高了处理速度和资源利用效率。
whisper-tiny.en - 支持时间戳转录的轻量级英语语音识别模型
GithubHuggingfaceONNXTransformers.jsWhisper开源项目时间戳模型自动语音识别
基于transformers.js开发的轻量级英语语音识别模型,集成ONNX格式权重实现Web端部署。模型支持基础文本转录、时间戳转录及单词级时间戳标记等功能,通过JavaScript可快速实现音频转文本识别。
hf-seamless-m4t-medium - 多语言翻译与语音识别的统一模型
GithubHugging FaceHuggingfaceSeamlessM4T多语言翻译开源项目文本到语音模型语音识别
SeamlessM4T是一款多语言模型,支持101种语言的语音输入、196种语言的文本处理和35种语言的语音输出。它能进行语音到语音、语音到文本、文本到语音及文本到文本的翻译。最新的SeamlessM4T v2在翻译质量和生成速度上均有改善,为需要高效语音处理和文本翻译的场景提供了解决方案。
sew-d-tiny-100k-ft-ls100h - SEW-D架构语音识别模型实现性能与效率的优化平衡
GithubHuggingfaceLibriSpeechSEW-D开源项目模型深度学习自然语言处理语音识别
sew-d-tiny-100k-ft-ls100h是基于SEW-D架构的预训练语音识别模型,在LibriSpeech数据集上经过微调。模型在clean测试集和other测试集上分别达到10.47%和22.73%的词错误率,同时推理速度比wav2vec 2.0提升1.9倍。这一模型在保持识别准确率的基础上大幅提高了效率,可应用于自动语音识别、说话人识别等多种语音处理任务,为相关领域提供了性能与效率兼具的解决方案。
ParroT - 利用人工翻译和反馈优化的大语言模型对话翻译框架
GithubParroT人工反馈大语言模型开源项目指令微调翻译
ParroT是一个开源对话翻译框架,融合大语言模型与人工翻译数据,提升翻译质量。该框架将翻译任务转化为指令跟随形式,并通过'提示'字段引入额外要求,实现更精准的翻译控制。项目包含预训练模型、指令数据集和训练脚本,并采用闪存注意力机制和LoRA等优化技术,以提高模型效率。这一创新方法为改进机器翻译和对话系统提供了新思路。
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