Project Icon

segmentation-3.0

多说话者分段和语音活动检测的开源模型

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。

SpeechTokenizer - 将语音标记化统一的开源工具
GithubRVQSpeechTokenizer开源项目语音信息处理语音标记器语音语言模型
SpeechTokenizer 是一个开源的语音标记化工具,采用编码器-解码器架构和残差向量量化技术,统一了语义和声学标记。该项目能够分层分离语音信息的不同方面,为语音语言模型提供更精确的输入。它提供了在 LibriSpeech 和 Common Voice 数据集上训练的模型,支持 16kHz 单声道语音处理。项目开源了训练代码和预训练模型,可用于语音处理研究和应用开发。
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。
whisper-diarization - 基于OpenAI Whisper的音频转录和说话人分离工具
GithubOpenAI WhisperSpeaker Diarization开源项目语音识别说话人分类音频处理
whisper-diarization项目整合了OpenAI Whisper的语音识别技术和先进的说话人分离方法。该工具首先进行人声提取,然后利用Whisper生成转录文本,并通过WhisperX优化时间戳。结合MarbleNet和TitaNet等技术,它能够准确识别多个说话人,最终输出包含说话人标识的精确转录结果。这一开源解决方案特别适合需要处理多人对话音频的场景,为音频转录和分析提供了强大支持。
awesome-large-audio-models - 音频AI模型前沿进展与资源汇总
Github大型音频模型开源项目语音合成语音识别跨模态AI音乐生成
本项目汇总了音频AI领域的精选资源,涵盖语音识别、合成、翻译等多个方向的前沿进展。定期更新最新论文和开源实现,为研究者和开发者提供全面了解音频AI发展的平台。内容包括主流大型音频模型、各应用领域技术及大规模数据集,是音频AI研究的重要参考资料。
segment-anything - 革命性AI模型实现高效图像分割
AI模型GithubSegment Anything图像分割开源项目深度学习计算机视觉
Segment Anything是Meta AI Research开发的图像分割模型,能通过简单输入生成高质量物体遮罩。该模型经过大规模数据训练,具备强大的零样本分割能力。它提供多种版本,支持ONNX导出,并附有示例和文档,便于集成应用。
semantic-segmentation - 提供丰富数据集和易于定制的语义分割模型
GithubPyTorchSOTASemantic Segmentation开源项目数据集模型库
该项目提供易于使用和定制的SOTA语义分割模型,支持多种任务和数据集。适合高精度和定制应用场景,涵盖场景解析、人类解析、人脸解析等任务。特点包括多种主干网络和分割模型,支持PyTorch、ONNX、TFLite等框架的推理和导出。即将迎来重大更新,包括新的训练流程、预训练模型、教程和分布式训练支持。用户可通过详细文档和示例轻松使用并配置定制数据集,实现高效的语义分割。
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。
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。
Whisper-transcription_and_diarization-speaker-identification- - 使用OpenAI Whisper进行音频转录和说话人识别的完整教程
GithubOpenAIWhisperdiarization人工智能开源项目音频转录
本教程详细介绍如何使用OpenAI Whisper进行音频转录和说话人识别,并结合pyannote-audio进行对话分析。学习如何准备音频、区分说话人,并将结果与转录文本匹配,实现智能音频分析。
DeepSpeech - 开源的深度学习语音识别引擎
GithubProject DeepSpeechTensorFlow开源开源项目机器学习语音识别
DeepSpeech是一个开源语音转文字引擎,基于百度的Deep Speech研究,并利用Google TensorFlow实现。提供详细的安装、使用和训练模型文档。最新版本及预训练模型可在GitHub获取,支持和贡献指南请参阅相应文件。
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