Project Icon

embedding

开源说话人嵌入模型 改进x-vector架构提升语音识别效果

这是一个基于pyannote.audio的开源说话人嵌入模型,采用改进的x-vector TDNN架构和SincNet特征。模型在VoxCeleb 1测试集上达到2.8%的等错误率,无需额外的语音活动检测或PLDA。支持GPU加速、音频片段嵌入提取和滑动窗口嵌入等功能,可用于说话人识别、验证和分类等任务。

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。
WhisperSpeech - 多语言支持的开源文本转语音系统,功能强大并易于定制
GithubWhisperSpeech多语言支持开源模型开源项目文本转语音语音克隆
WhisperSpeech是基于开源Whisper框架开发的文本至语音系统,提供了商业级安全的语音合成解决方案。当前支持英语LibreLight数据集,并计划拓展到多语言支持。用户可通过在线Colab平台体验其高效的语音合成和声音克隆功能。
pyannote-whisper - 整合Whisper和pyannote.audio的语音识别与说话人分割工具
Githubpyannote-whisper开源项目数字化转型语音识别说话人分类采购流程
pyannote-whisper整合了Whisper的自动语音识别和pyannote.audio的说话人分割功能。该工具提供命令行和Python接口,支持多种音频格式的转录和分析。它能生成带时间戳和说话人标识的文本,适用于会议记录和多人访谈分析。pyannote-whisper还可与ChatGPT集成,实现会议总结和观点提取,为语音内容分析提供完整解决方案。
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。
AudioLCM - 基于潜在一致性模型的文本到音频生成系统
AudioLCMGithub开源实现开源项目文本生成音频潜在一致性模型高质量音频生成
AudioLCM是一个开源的文本到音频生成系统,基于潜在一致性模型。该项目提供完整实现代码和预训练模型,支持高效生成高质量音频内容。AudioLCM在ACM-MM'24会议被接受,并在GitHub和HuggingFace平台发布。研究人员可使用预训练模型进行推理,或按指南准备数据集训练自定义模型。项目还包含数据集处理、变分自编码器训练等功能。
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。
vall-e - 零样本文本到语音神经编解码器语言模型
GithubPyTorchVALL-E人工智能开源项目模型训练语音合成
VALL-E是一个基于PyTorch的开源项目,通过神经编解码器语言模型实现零样本文本到语音的转换。该模型可在单GPU上训练,能模拟特定说话者的语音,并采取了措施以防止技术的潜在滥用。然而,开发者没有提供完全训练的模型和服务。VALL-E提供了包括英语和中文在内的多语种语音技术支持,是语音技术研究的有益工具。
CosyVoice - 提升智能语音体验的创新技术和多语言支持
CosyVoiceGithub在线演示多语言支持开源项目语音模型跨语言推理
CosyVoice是一个先进的多语言语音生成技术,致力于提升语音交互的流畅性和实时反馈。该项目支持广泛的语言,提供灵活的下载和安装选项,包括跨语言和指令式语音合成,满足不同用户需求。通过预训练模型和定制选项,用户可以实现从简短语句到完整语音输出的自然转换,优化整体交互体验。
speech-to-text-benchmark - 开源语音识别基准测试框架对比多家主流引擎
Github基准测试开源项目模型大小计算效率识别准确率语音转文本
该项目提供了一个开源的语音识别基准测试框架,对比了Amazon、Azure、Google等主流云服务以及OpenAI Whisper、Picovoice等引擎的性能。框架使用LibriSpeech、TED-LIUM和Common Voice数据集,评估词错率、计算效率和模型大小等指标。测试结果客观展示了各引擎在准确度和资源消耗方面的表现,为选择语音识别解决方案提供了参考依据。
CoMoSpeech - 一步实现高质量语音和歌声合成的一致性模型
CoMoSpeechGithub一步采样一致性模型开源项目快速推理语音合成
CoMoSpeech是一种创新的语音合成方法,通过单步扩散采样实现高质量语音生成。该模型从扩散教师模型中提炼一致性模型,在保持音频质量的同时显著提高推理速度。在文本转语音和歌声合成任务中,CoMoSpeech展现出优异性能,推理速度超过实时150倍,大幅提升了基于扩散采样的语音合成的实用性。
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