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。

DeezerGithubPythonSpleeterTensorflow开源项目音频分离

Spleeter是Deezer开发的音乐源分离库，提供预训练模型，支持多种分离模式。适用于个人和专业音频处理，包括2声部、4声部及5声部模型。通过命令行或作为Python库使用，支持快速安装。此外，Spleeter还可通过Docker使用，兼容多种操作系统，为处理音频文件提供多种高效方案。

AudioSep - 自然语言驱动的多功能音频分离基础模型

AudioSepGithub开放域声音分离开源项目自然语言查询语音增强音频分离

AudioSep是一个创新的音频分离基础模型，可通过自然语言描述执行多种音频分离任务。该模型在音频事件分离、乐器分离和语音增强等领域展现出卓越的性能和泛化能力。AudioSep支持用户通过文本描述精确分离所需音频内容，为音频处理技术开辟了新的应用方向。

dataspeech - 简化语音数据集标注与处理的实用工具

Data-SpeechGithub开源项目数据标注语音AI语音数据集音频转换

Data-Speech是一套用于语音数据集标注的实用脚本工具。它提供简洁代码库，支持音频转换和注释，有助于语音AI模型开发。该工具能重现研究论文中的注释方法，使用自然语言描述标注说话者特征。Data-Speech可处理LibriTTS-R和MLS等数据集，并为Parler-TTS库提供支持。它提供从数据集注释、特征映射到自然语言描述生成的完整工作流程。

awesome-diarization - 说话者分离和语音分割的数据集

FunASRGithubMiniVoxSIDEKITSpeaker DiarizationSpeechBrain开源项目

diart - Python实时音频处理框架支持说话人分离和语音活动检测

AI模型GithubPythondiart实时音频处理开源项目说话人分类

diart是一个开源的Python实时音频处理框架，专注于AI驱动的音频应用开发。其核心功能包括实时说话人分离、语音活动检测和增量聚类。该框架集成了说话人分段和嵌入模型，支持自定义AI流程、基准测试和超参数优化。diart还提供WebSocket接口，方便进行Web服务部署。

embedding - 开源说话人嵌入模型改进x-vector架构提升语音识别效果

GithubHuggingfaceVoxCelebpyannote嵌入模型开源项目模型说话人识别音频处理

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。

3D-Speaker - 开源多模态说话人识别与验证工具包

3D-SpeakerGithubModelScope开源工具包开源项目说话人验证预训练模型

3D-Speaker是一个开源的单模态和多模态说话人验证、识别和分离工具包。它提供ERes2Net、CAM++等预训练模型，适用于多种说话人相关任务。该项目发布的大规模语音数据集3D-Speaker有助于语音表示解耦研究。3D-Speaker支持有监督和自监督训练，以及语言识别等多种实验设置，为研究人员提供全面的说话人技术解决方案。

PortaSpeech - 便携且高质量的PyTorch文本到语音生成工具

GithubPortaSpeechPyTorch实现开源项目文本转语音模型大小音频样本

基于PyTorch的PortaSpeech项目，提供一种高质量且便携的文本到语音转换实现方案。这个项目支持单声道和多声道TTS，包含快速启动指南、多种样本、预训练模型，适合研究和实际开发。它还为数据预处理和模型训练提供详细指南，帮助用户轻松使用并优化其TTS系统。

AudioGPT - 多功能音频生成与理解平台，支持语音、音乐、音效及虚拟人对话

AudioGPTGithub开源项目语音增强语音识别音乐生成音频合成

AudioGPT 是一个多功能音频生成与理解平台，具备语音合成、语音识别、语音分离、风格迁移、声音检测、声音提取、文本到音频转换等功能，还支持音乐生成与虚拟人对话。集成了 FastSpeech、whisper、GeneFace 等多个领先的基础模型，AudioGPT 为开发者提供强大的开源工具和预训练模型，支持多种音频相关任务，不断扩展其功能和应用场景。此平台适合音频处理、自然语言处理及多模态研究的需求。

audio - 适用于PyTorch音频处理的库，支持多种文件格式与音频数据集

API参考GithubPyTorchtorchaudio开源项目机器学习音频处理

torchaudio是为PyTorch设计的音频处理库，提供GPU加速和自动微分，支持加载和保存多种音频格式（如wav、mp3、ogg、flac等），并提供常见数据集的数据加载器及音频转换功能（如频谱图、Mel频谱图）。该库还提供兼容其他库的接口，适用于音频和语音处理方面的应用。

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