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

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。

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。
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。
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。
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。
RealtimeSTT_LLM_TTS - 整合语音识别与AI对话的开源项目
GPU支持GithubRealtimeSTT唤醒词实时转录开源项目语音转文字
该项目集成语音识别、AI对话和语音合成,支持GPU加速以实现低延迟交互。具备语音检测、实时转录和唤醒词等功能,可用于开发语音助手和AI对话应用。Web界面支持个性化配置,适合快速构建语音交互系统。
deep-speaker - 深度学习语者嵌入系统,适用语者识别与验证
Deep SpeakerGithubKerasTensorflow开源项目神经网络说话人嵌入
本系统利用神经网络将语音映射到超球面,通过余弦相似度计算语音相似度,实现语者识别、验证与聚类。基于TensorFlow和Keras实现,支持多版本,提供可训练和预训练模型。适用于需大规模数据处理和高性能计算的用户,并提供详细的训练与测试指南。
LookOnceToHear - 视觉引导的智能目标语音提取系统
GithubLook Once to Hear开源项目智能听力系统目标说话人识别语音分离音频处理
Look Once to Hear 项目开发了一种新型智能听觉系统,通过短暂观察目标说话者即可实现选择性听取其声音。该技术结合计算机视觉和语音处理,能在嘈杂环境中准确提取目标语音。项目获得 CHI 2024 最佳论文荣誉提名,并公开了相关代码、数据集和评估方法,为智能听觉研究提供了重要参考。
Amphion - Amphion开源工具集,支持音频、音乐、语音生成及多任务评估
AmphionGithub声码器开源项目文本到语音语音生成音乐生成
Amphion是一个开源的音频、音乐和语音生成工具集,旨在支持可重复的研究并帮助研究人员和工程师入门。提供TTS、SVS、VC、SVC、TTA等生成任务,集成高级语音编码器和评估指标,如F0建模、能量建模、语音相似度测评。功能包括模型可视化、数据集建设及文本到音频/音乐的实现,推动音频生成技术应用。
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。
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。
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