segmentation-3.0

多说话者分段和语音活动检测的开源模型

模型语音活动检测扬声器分割开源项目 Huggingface 开源模型重叠语音检测 Github pyannote.audio

Powerset编码为核心的开源模型，结合pyannote.audio 3.0，实现多说话者分段以及语音活动和重叠检测，适用于多种语音会议场景。

pyannote-audio - 先进的开源语音说话人分离工具包

GithubPyTorchpyannote.audio开源工具包开源项目语音处理说话人分类

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。

inaSpeechSegmenter - CNN音频分割工具包实现语音检测与性别识别

Github开源工具开源项目性别识别机器学习语音分割音频处理

inaSpeechSegmenter是一个基于CNN的开源音频分割工具包，主要用于语音活动检测和说话人性别分割。该工具能将音频分为语音、音乐和噪音区域，并对语音部分进行男女性别标注。在法语媒体测试中表现出色，已应用于多项性别代表性研究。兼容Python 3.7到3.12版本，提供命令行和API接口，支持pip安装和Docker部署。

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。

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。

voxcelebs12_rawnet3 - 多语言语者识别解决方案，提升音频处理能力

ESPnetGithubHuggingfaceVoxCeleb多语言开源项目模型演讲者识别语音识别

RawNet3模型基于ESPnet2框架和VoxCeleb数据集进行训练，专注于提升语者识别和音频处理的精度。该模型结合自监督式前端和现成工具，提供了创新的语者嵌入解决方案。用户可按照ESPnet的安装指南下载并应用此模型，配置选项包括Adam优化器和余弦退火调度器，充分保障模型训练过程的高效性与稳定性。适用于多语言语者识别应用场景，助力开发者增强音频处理的精度与便捷性。

deepvoice3_pytorch - 基于卷积网络的文本到语音合成技术

DeepVoice3GithubPyTorch多说话者模型开源项目文本转语音预训练模型

DeepVoice3_pytorch是基于PyTorch的文本到语音深度学习平台，支持多语种和多数据集，包括英语、日语和韩语，适合多个说话者或单个说话者。项目提供预训练模型、音频样本、在线演示及详尽的训练指南，旨在简化用户的使用过程，并能灵活定制个性化的语音合成应用。

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。

spear-tts-pytorch - Pytorch实现的多说话人文本转语音模型

GithubPyTorchSpear-TTS多说话人开源项目文本转语音注意力网络

Spear-TTS是一个基于Pytorch的多说话人文本转语音模型。该项目实现了高效的文本到语义转换，可用于SoundStorm项目的条件控制。Spear-TTS支持最小监督下的高保真语音合成，集成闪速注意力和推测性解码等技术，为TTS研究和开发提供了有力工具。

awesome-diarization - 说话者分离和语音分割的数据集

FunASRGithubMiniVoxSIDEKITSpeaker DiarizationSpeechBrain开源项目

wespeaker - 深度学习声纹识别开源工具包支持多模型和应用场景

GithubWeSpeaker开源项目深度学习语音处理说话人嵌入学习说话人验证

WeSpeaker是一个开源的说话人嵌入学习工具包，主要用于说话人验证。它支持在线特征提取和加载预提取的kaldi格式特征，提供ResNet和ECAPA-TDNN等多种预训练模型。WeSpeaker具有命令行和Python编程接口，在VoxCeleb和CNCeleb等数据集上表现出色。此外，它还提供说话人分割功能。这个工具包适用于研究和生产环境，为声纹识别领域提供了有力支持。

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