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。

lang-segment-anything - 基于文本提示的开源图像分割工具

GithubLanguage Segment-Anything图像分割对象检测开源项目深度学习计算机视觉

Lang-segment-anything是一个开源项目，结合实例分割和文本提示功能，用于生成图像中特定对象的掩码。该工具基于Meta的segment-anything模型和GroundingDINO检测模型，实现了零样本文本到边界框的对象检测。项目支持自定义文本提示进行精确对象分割，并可在Lightning AI应用平台上部署。这一工具为图像分析和对象识别提供了新的解决方案。

Segment-Any-Anomaly - 基于混合提示正则化的零样本异常分割方法

GithubSAA+图像处理开源项目异常分割计算机视觉零样本学习

Segment-Any-Anomaly项目提出了一种基于混合提示正则化的零样本异常分割方法。该方法通过适配Grounding DINO和Segment Anything等基础模型，实现了对多种异常检测数据集的高效分割。项目在MVTec-AD、VisA等公开数据集上展现出优秀性能，并在VAND工作坊竞赛中取得佳绩。仓库包含完整代码实现、演示和使用说明，便于研究者复现和应用。

segment-anything-2 - 新一代图像和视频分割基础模型

AI模型GithubSAM 2图像分割开源项目视频分割计算机视觉

SAM 2是Meta AI研发的图像和视频分割基础模型,扩展了SAM的功能。它采用transformer架构和流式内存,实现实时视频处理。通过模型循环数据引擎,研究团队构建了大规模视频分割数据集SA-V。SAM 2在多种视觉任务中展现出卓越性能,为计算机视觉领域带来新的可能。

conformer - 结合卷积神经网络和Transformers的语音识别模型

ConformerGithubPyTorchTransformer卷积神经网络开源项目语音识别

Conformer模型结合卷积神经网络和Transformers，能同时捕捉音频的局部和全局依赖关系，提高语音识别精度并节省参数。本项目提供该模型的PyTorch实现，包含详细的安装和使用指南，适用于Python 3.7及更高版本。

speech-driven-animation - 语音驱动的端到端面部动画合成模型

GithubSpeech-Driven Animation人脸合成开源项目深度学习视频动画语音驱动

Speech-Driven Animation是一个开源项目，实现语音驱动的端到端面部合成模型。该项目根据输入图像和音频生成面部动画视频，支持GRID、TIMIT和CREMA等预训练模型。通过API可输入自定义音频和图像，输出同步动画视频。项目还提供音频和视频编码器，可用于特征提取和分类任务。

spleeter - 音乐源分离工具

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。

speech-emotion-recognition - 开源多模型语音情感识别系统

Emo-db数据集Github开源项目机器学习模型深度学习模型特征提取语音情感识别

speech-emotion-recognition是一个开源的语音情感识别系统，基于Emo-db数据集开发。该项目支持SVM、随机森林、神经网络、CNN和LSTM等多种机器学习和深度学习模型。系统使用Python实现，提供完整的数据预处理、特征提取和模型训练工作流程。项目设计简单易用，适合研究人员和开发者进行语音情感分析的研究和应用开发。该系统可应用于客户服务、情感计算、人机交互等领域，具有模型多样化、使用灵活、易于扩展等优点。

speech-dataset-generator - 多语言语音数据集生成与处理工具

GithubSpeech Dataset Generator多语言支持开源项目数据集生成语音识别音频处理

speech-dataset-generator是一款开源的多语言语音数据集处理工具。它支持从多种来源获取音频，包括YouTube、LibriVox和TED Talks等。该工具提供音频转录、质量增强、静音移除、性别识别、多说话者检测等功能，还能计算语速指标。通过集成多种音频增强器，speech-dataset-generator为文本转语音和语音转文本模型的训练提供了全面的数据准备解决方案。

open-tts-tracker - 全面追踪开放源代码语音合成模型的信息平台

AI语音GithubTTS模型多语言开源开源项目语音合成

Open TTS Tracker 是一个综合性的开源语音合成模型跟踪平台。该项目汇集了最新TTS模型的详细信息,包括名称、代码库、权重、许可证、微调能力、支持语言等多个方面。通过提供这些资源,Open TTS Tracker 旨在提升开源TTS模型的可见度,推动语音合成技术的进步。研究人员、开发者和爱好者可以在此找到丰富的模型信息和相关资源。

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。

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