Project Icon

wav2vec2-xls-r-300m-ftspeech

基于XLS-R-300m的丹麦语语音识别模型 使用FTSpeech数据集微调

该丹麦语自动语音识别模型基于wav2vec2-xls-r-300m在FTSpeech数据集上微调。模型利用1,800小时丹麦议会演讲转录数据训练,在Danish Common Voice 8.0和Alvenir测试集上分别实现17.91%和13.84%的词错误率(WER)。这一性能表明,该模型为丹麦语语音识别任务提供了有效的解决方案。

RapidASR - 开源多模型语音识别框架
GithubONNXRuntimeRapid ASR开源项目模型转换语音识别
RapidASR是一个开源语音识别框架,集成多种模型如Paraformer、WeNet和PaddleSpeech。它支持Python和C++接口,兼容Linux、Windows和Mac系统。该项目结合了语音识别、语音活动检测和标点恢复功能,提供完整的语音转文本流程。RapidASR采用ONNXRuntime推理引擎,支持批量处理,性能稳定且持续更新。其核心代码已并入FunASR,具有良好的扩展性和兼容性。项目还提供详细的文档导航,适用于各种语音识别应用场景,便于开发者快速上手和使用。
klaam - 阿拉伯语多功能语音处理技术,识别、分类与转换
Githubfastspeech2klaamwav2vec开源项目文本转语音语音识别
klaam项目通过采用尖端技术模型如wave2vec和fastspeech2,提供全面的阿拉伯语语音识别、分类和文字转语音服务。支持多种方言和数据集,便于培训、预测与快速部署。
StyleTTS2 - 通过样式扩散与对抗训练实现的高质量的文本到语音合成模型
GithubStyleTTS 2大型语言模型对抗训练开源项目语音合成风格扩散
StyleTTS 2是一种创新的文本到语音模型,通过样式扩散和大规模语音语言模型的对抗训练,实现高质量的语音合成。该模型利用潜在随机变量生成最适合文本的语音风格,无需参考语音,提高了语音的自然度。StyleTTS 2在单说话人和多说话人数据集上的表现超越了现有模型,并在零样本说话人适应方面表现出色。
Adele__RVC_-_400_Epochs_ - 自动生成的RVC音频转换模型
AdeleGithubHuggingfaceRVC开源项目模型模型生成自动化音频转换
RVC模型由juuxnscrap自动生成,专为音频到音频的转换设计,优化后可用于rvc-runpod。项目展现了RVC技术在音频处理上的潜在应用。模型在Huggingface上生成,保证了其易于访问和持续更新的特性。
stt - 高效离线本地语音识别工具,基于fast-whisper模型,支持多种输出格式
CUDA加速Githubfast-whisper开源项目文本输出本地部署热门语音识别
这款语音识别工具可在本地离线运行,基于开源的fast-whisper模型,可将视频和音频中的人声快速转换为文字。支持输出json、srt及纯文本格式,无需联网,确保隐私安全,与openai语音识别接口准确率相当。用户可便捷下载预编译版本,或自行部署源码,支持多种操作系统。此外,还提供API接口,适合开发者使用。支持CUDA加速,优化处理速度。
megatts2 - Megatts2 的非官方实现,多语种语音合成训练
GithubMegatts2Pytorch-lightningVQ-GAN开源项目数据集准备文本到语音
megatts2为Megatts2的非官方实现,支持中英文混合的深度学习语音合成训练。该项目涵盖数据处理、模型训练及语音推理,使用Pytorch-lightning框架优化训练流程,目标训练1000小时语音数据。
TTS - 高性能文本到语音生成库,支持多语言
GithubMozillaTTSText-to-Speech多语言支持开源项目预训练模型
TTS库基于最新研究成果,提供高效的文本到语音生成技术,实现了训练便捷、速度快、质量高的最佳平衡。该库包括预训练模型和数据集质量评估工具,已被广泛应用于20多种语言的产品和研究项目。支持多说话人TTS、快速模型训练、多GPU训练,并兼容PyTorch、TensorFlow和TFLite等多种平台。
WaveRNN - 高效神经音频合成技术
GithubPytorchTTSTacotronWaveRNN开源项目语音合成
WaveRNN通过Pytorch实现了Deepmind的高效神经音频合成技术,并包含Tacotron训练支持, 提供两种预训练模型。项目向研究者和开发者开放,并附有详细使用指南与多样化的自定义功能,以便进行高质量的文本到语音转换。
awesome-diarization - 说话者分离和语音分割的数据集
FunASRGithubMiniVoxSIDEKITSpeaker DiarizationSpeechBrain开源项目
提供全面的说话者分离资源,包括最新的论文、软件工具、数据集和学习材料,旨在推进语音分割和说话者识别技术的发展。这些资源汇集了深度学习的最新进展及其实际应用,帮助研究人员和开发者找到最有效的解决方案。
whisper-timestamped - 多语言语音识别工具,支持单词时间戳和置信度评分
GithubOpenAIwhisper-timestamped信心评分开源项目时间戳语音识别
whisper-timestamped 是一个增强型多语言语音识别工具,基于 OpenAI 的 Whisper 模型,通过动态时间规整(DTW)技术预测单词时间戳,并附带置信度评分。该扩展兼容所有 Whisper 版本,优化内存使用,适用于处理长音频文件。此外,还支持在运行 Whisper 模型前进行语音活动检测(VAD),有效降低训练数据中的误差。whisper-timestamped 可提高识别准确度,尤其适用于包含语音卡顿或填充词的情景。
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。

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