Project Icon

stt_en_conformer_transducer_xlarge

Conformer-Transducer模型的超大规模语音识别能力

Conformer-Transducer超大模型拥有600M参数,专为英语自动语音识别设计,以较低的字错误率(WER)脱颖而出。通过NVIDIA NeMo工具包训练,涵盖LibriSpeech、Mozilla Common Voice等多个数据集。模型支持Python调用,具备细化调优和批量处理功能,适合多种语音识别应用。虽然暂未兼容NVIDIA Riva,但其在英语语音处理方面表现卓越。

distil-medium.en - 高效快速的英语语音识别模型
Distil-WhisperGithubHuggingfaceTransformers开源项目推理加速模型模型压缩语音识别
Distil-Whisper是OpenAI Whisper模型的压缩版,专为英语语音识别优化。该模型速度提升6倍,体积减少49%,性能仅下降1% WER。通过教师-学生蒸馏法在22,000小时多样化音频数据上训练,可直接替代Whisper用于短长音频转录,支持流式处理。
wav2vec2-large-960h-lv60-self - Wav2Vec2大规模语音识别模型实现低词错误率
GithubHuggingfaceLibriSpeechWav2Vec2开源项目模型模型评估自训练语音识别
Wav2Vec2-large-960h-lv60-self是一个基于Wav2Vec2技术的大规模语音识别模型。该模型在960小时的Libri-Light和Librispeech数据集上进行预训练和微调,采用自训练方法。在LibriSpeech清晰测试集上,模型实现1.9%的词错误率,其他测试集上为3.9%。模型可直接用于音频转录,特别适合标记数据有限的语音识别任务。
speech-trident - 语音大模型三大关键领域 表示学习 神经编解码 语言模型
GithubSpeech Trident大语言模型开源项目神经编解码器表示学习语音模型
Speech-trident项目调查语音大模型的三个核心领域:语音表示学习、神经编解码模型和语音语言模型。该项目涵盖语义标记学习、声学标记生成及基于标记的语言建模方法,旨在促进语音理解和生成技术的发展,为相关研究提供资源。
Comprehensive-Transformer-TTS - 基于非自回归 Transformer 的 TTS
GithubPyTorchTTS开源项目持续时间建模语音合成非自回归变换器
该项目采用非自回归Transformer技术,集成多种最新状态转换模型。Comprehensive-Transformer-TTS不仅提供监督与非监督持续时间建模, 也支持多种数据集和SOTA技术,如Fastformer和Long-Short Transformer,力求在文本到语音转换领域取得领先成果。
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。
wavlm-base-plus - Microsoft 全栈语音处理预训练模型
GithubHuggingfaceWavLM开源项目微软模型自监督学习语音处理预训练模型
WavLM-Base-Plus是Microsoft开发的预训练语音模型,致力于解决全栈语音处理任务。该模型在94,000小时的英语语音数据上进行自监督学习,采用改进的Transformer结构和话语混合训练策略。WavLM在SUPERB基准测试中表现优异,可应用于语音识别、音频分类等多种下游任务,为语音处理技术带来重要进展。这个预训练模型需要在特定任务上进行微调后才能使用,主要支持英语。值得注意的是,WavLM是基于音素而非字符预训练的,这一点在进行微调时需要特别注意。
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。
F5-TTS - 提高训练和推理速度的先进文本到语音转换系统
E2 TTSF5-TTSGithub开源项目推理数据集训练
项目F5-TTS利用Diffusion Transformer和ConvNeXt V2技术,显著提升了训练和推理速度。支持生成最长30秒的音频,并通过Sway Sampling技术优化推理性能。用户可以自定义数据集,并使用多GPU和fp16配置加速训练。提供单次推理、语音编辑和批量推理功能,并支持通过Gradio App进行操作。多种测试数据集和评估工具确保模型表现稳定高效。
Transformer-TTS - 神经语音合成系统
GithubPyTorchTacotronTransformer-TTS开源项目神经网络语音合成
Transformer-TTS,一个基于Pytorch的高效神经语音合成系统。它使用Transformer网络,且训练速度是传统seq2seq模型的3到4倍。不仅提供预训练模型,其合成语音质量经实验证明优异。同时,项目支持自定义学习模型及策略,包括Noam式预热衰减学习率及关键的梯度裁剪等,是语音合成研究的理想选择。
t5-large - 统一文本到文本格式的大规模多语言NLP模型
GithubHuggingfaceT5多任务学习开源项目文本生成模型自然语言处理迁移学习
T5-Large是一个基于Text-To-Text Transfer Transformer架构的NLP模型,拥有7.7亿参数。该模型采用统一的文本到文本格式,能够处理机器翻译、文档摘要、问答和分类等多种任务。T5-Large在C4语料库上进行预训练,支持英语、法语、罗马尼亚语和德语,并在24项NLP任务中展现出优秀性能。这个versatile模型为各种文本处理应用提供了强大的基础。
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

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。

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