Logo
Project Icon

speech-separation-ami-1.0

基于pyannote.audio的多说话人语音分离与分类系统

模型开源项目说话人分离Github音频处理语音识别pyannote.audioHuggingface语音分离

这是一个基于pyannote.audio的开源项目，实现了同步的说话人分类和语音分离功能。系统接收16kHz采样率的单声道音频，输出说话人分类结果和分离后的语音。该项目由Joonas Kalda基于AMI数据集开发，适用于实际多说话人场景。项目提供简洁的Python接口，支持GPU加速和内存处理，为语音分析提供了实用解决方案。

GithubGithubHuggingfaceHuggingface论文论文
介绍相关项目
Awesome-Talking-Head-Synthesis - 最新音频驱动和神经辐射场技术在数字人头像生成中的应用
3DGithubNeRFTalking Head Synthesis开源项目数据集音频驱动
这个项目收集了生成对抗网络(GANs)和神经辐射场(NeRF)在说话头合成领域的相关研究。内容包括图像和音频驱动的说话头生成技术、数据集、研究综述和代表性工作。从2D到3D、单模态到多模态,项目全面展示了说话头生成的技术发展,为相关研究提供参考资料。
vits2_pytorch - 单阶段文本到语音转换的效率与质量提升
GithubVITS2单阶段模型对抗学习开源项目文本转语音架构设计
VITS2_pytorch是一款先进的单阶段文本到语音转换模型，采用对抗学习和架构设计改进前代产品。这一最新的非官方实现版本，旨在通过增强模型结构和训练机制，有效提升语音自然度和特征相似性，同时显著降低对音素转换的依赖，从而提高训练和推断的效率。该项目还为专业人士提供了预训练模型和多种语言的样本音频，支持开箱即用的转换学习。
Make-An-Audio - 将文本转换为高保真音频的开源扩散模型
GithubMake-An-Audio人工智能开源项目扩散模型文本转音频音频生成
Make-An-Audio是一个开源的文本到音频生成项目，基于条件扩散概率模型。该项目能够从文本等多种模态生成高保真音频，支持文本到音频、音频到音频等多种任务。项目提供了预训练模型和简单的命令行操作，方便用户生成自定义音频。此外，项目还包含了详细的训练和评估流程，以及与其他模型的性能比较。
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。
voice-safety-classifier - 语音聊天毒性检测的高精度分类工具
GithubHuggingfacetoxicity detection多标签分类开源项目模型模型评估语音安全音频分类
该项目提供了一个新的语音聊天毒性检测基准模型，基于大规模数据集开发。模型使用WavLM base plus权重，经过2,374小时语音多标签微调，输出标签包括Profanity、DatingAndSexting、Racist、Bullying等。评估显示模型在二元分类任务中的精度达到94.48%。使用者可通过特定命令运行模型权重进行应用。
talk-llama-fast - 开源AI语音对话系统 支持多语言实时交互及视频生成
AI对话Githubtalk-llama-fast开源项目视频生成语音合成语音识别
talk-llama-fast是一个开源的AI语音对话系统,支持实时语音识别、自然语言生成和语音合成,可进行多语言交互。系统集成了视频生成功能,能创建与音频同步的唇形动画。采用流式处理和激进VAD等优化技术,实现低延迟响应。提供多种语音命令和中断机制,增强交互体验。适用于开发AI助手、虚拟角色等应用。
MVSEP-MDX23-Colab_v2 - 多模型集成的音乐分离工具 支持灵活配置和批量处理
AI模型ColabGithubMVSep-MDX23开源项目音乐分离音频处理
MVSEP-MDX23-Colab_v2是一个开源的音乐分离工具，集成了多种先进模型，如MelBand-Roformer、BS-Roformer和MDX-InstHQ4。支持单文件和文件夹批量处理，提供FLAC和16位输出等选项。采用BigShifts算法和改进的分块处理提高了分离质量和效率。工具适合需要高质量音轨分离的音频处理人员使用。
voicesmith - 实现个性化语音合成的强大工具
DelightfulTTSGithubUnivNetVoiceSmith多说话者模型开源项目文本转语音
VoiceSmith是一个允许用户训练和应用单语者及多语者模型的平台。该项目基于改良的DelightfulTTS和UnivNet模型，能在个人数据集上进行微调，带来高度自然的语音输出。VoiceSmith还包括数据预处理工具，如自动文本规范化功能，适合在Windows或Linux系统上使用，推荐配置NVIDIA GPU以优化训练效率。
Qwen2-Audio - 大规模音频语言模型 支持语音交互和音频理解
GithubQwen2-Audio多语言支持开源项目语音翻译语音识别音频分析
Qwen2-Audio是一款先进的音频语言模型，可处理多种音频输入并执行分析或生成文本响应。该模型提供语音交互和音频分析两种功能，在13项基准测试中展现出色性能，包括语音识别、翻译和情感分析等任务。目前已发布Qwen2-Audio-7B和Qwen2-Audio-7B-Instruct两个版本。
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

稿定AI

稿定设计 是一个多功能的在线设计和创意平台，提供广泛的设计工具和资源，以满足不同用户的需求。从专业的图形设计师到普通用户，无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑，稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合，帮助用户轻松实现创意设计。

使用协议隐私政策广告服务
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