Project Icon

wav2vec2_tiny_random

轻量级语音识别模型测试入门

使用简洁的代码示例来测试轻量级语音识别模型,展示如何利用Wav2Vec2ForCTC结合torchaudio进行验证。通过示例演示音频数据的加载、处理以及模型输出与损失的计算过程。适用于librispeech_asr简化版数据集,是理解语音识别模型基本原理的理想入门材料。

Whisper-Finetune - 微调与加速Whisper模型
GithubOpenAIWhisper加速推理开源项目微调语音识别
本项目使用Lora技术微调了OpenAI的Whisper语音识别模型,并支持CTranslate2和GGML加速。模型能够进行无时间戳、有时间戳及无语音数据训练,并支持中文和98种其他语言的语音转文本及翻译。开源了多个适用于不同需求的模型,支持Windows、Android和服务器部署。提供详细的安装教程和使用说明,以及AIShell和WenetSpeech数据的评估和推理速度测试表,方便用户快速上手。
silero-models - 提供预训练的企业级语音识别和合成模型
GithubONNXPyTorchSilero Models开源项目文本转语音语音识别
silero-models展示高质量预训练语音识别与合成模型,提供简化的企业级语音技术解决方案,性能匹敌谷歌STT。模型即用、支持多语言、语音合成自然,将企业和开发者的部署流程简化至极致。
RealtimeSTT_LLM_TTS - 整合语音识别与AI对话的开源项目
GPU支持GithubRealtimeSTT唤醒词实时转录开源项目语音转文字
该项目集成语音识别、AI对话和语音合成,支持GPU加速以实现低延迟交互。具备语音检测、实时转录和唤醒词等功能,可用于开发语音助手和AI对话应用。Web界面支持个性化配置,适合快速构建语音交互系统。
TinyLLaVA_Factory - 模块化的开源小规模多模态模型库
GithubHuggingFacePyTorchTinyLLaVA Factory多模态模型开源代码库开源项目
TinyLLaVA Factory是一个开源的模块化代码库,专注于简化小规模多模态模型的开发和定制,使用PyTorch和HuggingFace实现。其设计旨在简化代码实现、提高扩展性和确保训练结果的可重复性。支持如OpenELM、TinyLlama、StableLM等语言模型和CLIP、SigLIP等视觉模型。通过TinyLLaVA Factory,可减少编码错误,快速定制多模态模型,提高性能,为研究和应用提供强大工具。
faster-whisper - 基于CTranslate2对OpenAI的Whisper模型的重新实现
CTranslate2GithubOpenAI Whisper模型faster-whisper开源项目性能比较热门音频转录
faster-whisper是对OpenAI的Whisper模型的重新实现,基于CTranslate2,这是一个针对Transformer模型的高速推理引擎。该实现在保持相同准确率的前提下,速度比openai/whisper快4倍,内存使用也更少。另外,通过在CPU和GPU上使用8位量化,可以进一步提高效率。该项目适用于需要快速、高效语音转写的场景,特别是处理大量语音数据时的实时应用。
rvc-tts-pipeline - TTS与RVC融合的开源语音合成流水线
AI语音GithubPyTorchRVC-TTS-Pipeline开源项目语音合成语音转换
RVC-TTS-Pipeline是一个开源语音合成项目,结合文本到语音(TTS)和RVC模型技术,旨在生成接近原始说话者声音的语音输出。该项目将TTS生成的音频转换为RVC模型的训练权重,提高了语音还原质量。项目提供简单的安装步骤和API,方便用户进行语音合成。目前仍处于开发阶段,存在一些问题待解决。
ParallelWaveGAN - 通过Pytorch实现多种高效声码器模型
GithubHiFi-GANMelGANParallelWaveGAN多扬声器模型实时语音合成开源项目
ParallelWaveGAN项目以非官方形式用Pytorch实现了多种声码器模型,如Parallel WaveGAN、MelGAN等,支持实时语音合成并兼容ESPnet-TTS、NVIDIA's Tacotron2等系统。可帮助用户搭建适应多种语言的声音合成器。
ttts - 创新多语言语音合成技术的突破性进展
AI模型GithubTTSVQVAE声音合成多语言支持开源项目
TTTS_v4是一个开源的多语言语音合成项目,通过创新的'细节'建模方法改进了传统VQ技术。该项目现已支持中文、英文、日语和韩语,并具有扩展性。TTTS_v4整合了tokenizer训练、VQVAE训练和GPT语音合成技术,旨在生成高质量的自然语音。此外,项目还提供模型微调功能,适用于多种语言场景和个性化需求。
StyleTTS2 - 通过样式扩散与对抗训练实现的高质量的文本到语音合成模型
GithubStyleTTS 2大型语言模型对抗训练开源项目语音合成风格扩散
StyleTTS 2是一种创新的文本到语音模型,通过样式扩散和大规模语音语言模型的对抗训练,实现高质量的语音合成。该模型利用潜在随机变量生成最适合文本的语音风格,无需参考语音,提高了语音的自然度。StyleTTS 2在单说话人和多说话人数据集上的表现超越了现有模型,并在零样本说话人适应方面表现出色。
AudioLDM2 - 多功能文本到音频生成开源项目
AudioLDM 2Github人工智能开源项目文本生成音频深度学习音频合成
AudioLDM2是一个开源的文本到音频生成项目,支持创建音效、音乐和语音。该模型能生成超过10秒的音频,输出高达48kHz的高保真音频,并与Hugging Face Diffusers库集成。AudioLDM2提供多个预训练检查点,适用于不同生成任务,支持CPU、CUDA和MPS设备。用户可通过命令行或Web应用程序使用,提供灵活的音频生成选项。项目还包括随机种子调整功能,可优化不同硬件上的性能表现。支持批量生成和自动质量控制,允许用户生成多个候选音频并选择最佳结果。此外,项目提供了详细的使用说明和参数设置选项,方便用户根据需求调整生成过程。
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