pyannote-audio

先进的开源语音说话人分离工具包

pyannote.audio 说话人分类开源工具包 PyTorch 语音处理 Github 开源项目

pyannote.audio是基于PyTorch的开源语音说话人分离工具包，提供先进预训练模型和管道。支持针对特定数据集微调，实现多GPU训练，采用Python优先API。在多项基准测试中表现优异，并提供全面文档和教程，包括模型应用、训练和自定义指南。适用于需要高性能说话人分离功能的音频处理项目。

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。

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。

pykaldi - Python 语音识别工具

GithubKaldiOpenFstPyKaldiPython开源项目语音识别

PyKaldi是一款Python脚本工具，为Kaldi语音识别工具包和OpenFst库提供了易用的Python包装器。它适用于语音识别研究人员和专业人士，可在Python中调用低级Kaldi函数、操作对象，并实现新工具。PyKaldi是对Kaldi的有力补充，其高层次的应用模块如ASR、对齐和分段，使大部分Python程序员都能上手。如果需要在Python中操控Kaldi和OpenFst对象，PyKaldi是一个理想的选择。

mms-300m-1130-forced-aligner - 多语言音频文本强制对齐Python工具包

CTC模型GithubHugging FaceHuggingface开源项目强制对齐模型语音识别音频处理

这是一个基于Hugging Face预训练模型的Python包，用于实现音频和文本的强制对齐。该工具采用了优化的实现方式，相比TorchAudio的强制对齐API，能显著降低内存使用。它支持超过100种语言，提供简便的安装和使用方法。该包可以生成精确的词级时间戳，适用于语音识别、字幕生成、语音合成等多种应用场景。此外，它还支持音频批处理和自定义设备选择，提高了处理效率。

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。

parler-tts - 轻量级开源TTS模型支持自定义语音特征

GithubParler-TTS开源模型开源项目文本转语音自然语言处理语音合成

Parler-TTS是一个轻量级开源文本转语音模型，通过文本提示控制语音特征如性别、语速和音调。项目提供完整训练和推理代码及预训练模型，便于用户定制TTS模型。最新版本引入SDPA和Flash Attention 2，显著提升生成速度。该模型支持随机声音生成和特定说话人复制，适用于多种TTS应用场景。

DeepPavlov - 跨平台多功能的开源对话AI库

DeepPavlovGithubNLPPyTorch对话系统开源开源项目

DeepPavlov是一个基于PyTorch的开源对话AI库，适用于生产级聊天机器人、复杂对话系统开发和自然语言处理研究。支持Linux、Windows和MacOS平台，兼容Python 3.6至3.11版本。提供丰富的预训练NLP模型，如命名实体识别、意图分类、文本问答和句子相似度等，支持CLI和Python接口，便于模型训练、评估和推断。通过REST API和Socket API实现与AWS等服务的无缝集成。

BS-RoFormer - 先进音乐源分离技术的开源实现

BS-RoFormerGithub人工智能开源项目深度学习音乐源分离音频处理

BS-RoFormer是一个开源的音乐源分离项目，实现了先进的注意力网络技术。该项目采用跨频率和时间的轴向注意力以及旋转位置编码，显著提高了分离效果。支持立体声训练和多声部输出，为音乐处理领域带来新的可能。项目提供了详细的使用说明和应用案例，适合研究者和开发者使用。

Qwen-Audio-Chat - 多模态音频语言模型支持多种音频类型和复杂场景分析

GithubHuggingfaceQwen-Audio多任务学习多模态开源项目模型语音识别音频语言模型

Qwen-Audio-Chat是一款大规模音频语言模型，支持多种音频输入和文本输出。该模型采用创新的多任务学习框架，可处理30多种音频任务，在多个基准测试中表现优异。它能够支持多轮对话、声音理解、音乐欣赏等复杂场景，为音频AI研究和应用提供了有力工具。Qwen-Audio-Chat已开源模型代码和权重，并允许商业使用，推动了音频AI技术的发展。

相关项目

推荐项目

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。

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。

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。

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。

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。

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。

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。

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。

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。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com