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。

vall-e - 开源PyTorch框架下基于EnCodec Tokenizer的音频合成实现
GithubPyTorchVALL-E人工智能开源项目模型训练音频合成
VALL-E项目是EnCodec Tokenizer在开源PyTorch环境下的实施,提供高效音频合成技术。支持GPU加速,允许用户迅速搭建、训练个性化音频模型,并通过CLI完成音频合成。包括AR和NAR模型训练,模型配置与导出等功能,并持续优化以期未来提供预训练模型和更丰富的示例。
TensorflowASR - Tensorflow 2和Conformer结合的端到端语音识别解决方案
CTCConformerGithubONNXTensorflowASR开源项目语音识别
Tensorflow 2和Conformer结构打造的端到端语音识别模型,支持在线流式和离线识别,实时率约为0.1。该项目提供VAD、降噪、TTS数据增强等功能,并支持ONNX推理优化。训练结果在Aishell-1测试集上表现优异,适用于语音识别。最新更新的Chunk Conformer结构进一步提升了长时间语音识别的准确性和效率。
FastSpeech2 - 快速且高质量的端到端文本转语音
FastSpeech 2GithubMelGANNVIDIAPyTorch开源项目文本转语音
FastSpeech 2,面向精准快速的文本到语音转换,基于PyTorch与Espnet技术,配备Nvidia与MelGAN工具,极致优化语音生成效果,适合各类开发者利用和研究。
PersonaTalk - 个性化唇形同步配音方案,突出个性与面部细节
AI工具PersonaTalk同步精度视觉配音跨注意力层面部细节
PersonaTalk 提供一种通过注意力机制实现的可视化配音框架,重视保留说话者的个性和面部细节。此框架分为音频几何构建和面部渲染两阶段,确保唇形同步的高保真效果。通过独特的双重注意力机制,能够精确渲染唇部和面部细节,达到优异的视觉质量和个性保留效果。
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。
instructor-embedding - 指令微调的文本嵌入模型
GithubINSTRUCTOR定制化任务开源项目文本嵌入模型高性能
INSTRUCTOR是一种指令微调的文本嵌入模型,无需额外训练即可生成定制化的文本嵌入,支持多种任务和领域,覆盖70项不同的嵌入任务,表现卓越。最新更新包括优化的代码结构和硬负样本检查点。用户可以通过本地或Colab轻松安装和使用INSTRUCTOR进行文本分类、信息检索和聚类等任务,并提供详细的安装及使用指南。
GST-Tacotron - PyTorch实现的自动语音合成与风格控制模型
GST-TacotronGithubPyTorch中文支持多说话人数据集开源项目语音合成
GST-Tacotron是一个基于PyTorch的端到端语音合成系统实现,实现无监督风格建模、控制与转移技术。该项目已增加对Blizzard数据集的支持,同时提供了预训练模型,专门针对中文数据集进行训练。支持简单的命令行操作以训练模型和生成.wav格式的语音文件,方便研究人员和开发者在多说话人数据集上进行语音合成实验。
wav2vec2-large-xlsr-53-german - 优化德语自动语音识别的开源模型
Common VoiceGithubHuggingfaceWav2Vec2开源项目德语模型深度学习语音识别
本项目利用wav2vec2-large-xlsr-53-german模型对德语Common Voice数据集进行自动语音识别,得到WER为18.5%的结果。项目采用Torchaudio和Transformers库,并使用Resample进行音频预处理。该模型在语音转文字应用中具有广泛的研究价值。
tacotron - 开源文字到语音合成系统,采用TensorFlow实现
GithubTacotronTensorFlow开源开源项目训练模型语音合成
Tacotron是基于TensorFlow的开源语音合成系统,能够直接将文本转换为语音。本项目独立实现了Google的论文'Tacotron: Towards End-to-End Speech Synthesis',虽然当前性能未及Google的演示,但已具备一定参考价值。支持包括LJ Speech和Blizzard 2012在内的多种语音数据集,并允许通过命令行调整和优化参数。项目还提供了预训练模型的下载与部署指南,便于用户快速开始使用及测试。
CVPR2022-DaGAN - 基于深度感知的说话头像视频生成技术
DaGANGithub人工智能对抗生成网络开源项目深度感知视频生成
DaGAN是一种新型深度感知生成对抗网络,旨在生成高质量的说话头像视频。该方法利用面部深度信息提升生成效果,可适用于卡通和真人头像。在VoxCeleb1数据集上,DaGAN展现出优异性能。项目开源了预训练模型、在线演示和训练代码,便于研究复现。作为CVPR 2022的成果,DaGAN代表了说话头像生成领域的重要进展。
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