conformer

结合卷积神经网络和Transformers的语音识别模型

Conformer PyTorch 卷积神经网络 Transformer 语音识别 Github 开源项目

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。

transformers - 机器学习库，覆盖文本、视觉与音频处理

GithubHugging Face人工智能多模态开源项目机器学习自然语言处理

探索🤗 Transformers——一个功能全面的机器学习库，覆盖文本、视觉与音频处理。该库提供数千种可对接JAX、PyTorch或TensorFlow的预训练模型，适用于多种语言处理与多模态任务。主要功能包括： - 文本分类 - 信息提取 - 问答系统 - 摘要生成 - 翻译 - 文本生成此外，还能处理表格问答、OCR及视觉问答等多模态任务。Transformers库易于使用，支持模型间的快速切换与无缝整合。

tacotron - 端到端文本转语音合成模型实现

GithubTacotronTensorFlow开源项目文本到语音训练数据集语音合成

基于TensorFlow的Tacotron模型，是一个全面的端对端文本转语音合成系统。该模型涵盖多种数据集，运用现代深度学习与注意力机制优化文本到语音的高质量转换，适用于学术研究与商业应用。

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。

CrossFormer - 融合跨尺度注意力的高效视觉Transformer

CrossFormer++Github图像分类开源项目目标检测视觉Transformer跨尺度注意力

CrossFormer++是一种创新的视觉Transformer模型，通过跨尺度注意力机制解决了不同尺度对象特征间建立关联的问题。该模型引入跨尺度嵌入层和长短距离注意力等设计，并采用渐进式分组策略和激活冷却层来平衡性能与计算效率。在图像分类、目标检测和语义分割等视觉任务中表现优异，尤其在密集预测任务中效果显著。CrossFormer++为计算机视觉领域提供了一种灵活高效的新型架构。

parakeet-ctc-1.1b - 高效自动语音识别模型，快速完成语音转录

FastConformerGithubHuggingfaceNeMopytorch开源项目模型自动语音识别词错误率

parakeet-ctc-1.1b是由NVIDIA NeMo和Suno.ai团队开发的ASR模型，采用FastConformer架构，参数量约11亿。该模型适用于16kHz单声道音频，可以转录语音为小写英文。经过多数据集测试，字错率表现优异，如LibriSpeech clean数据集WER为1.83。利用NVIDIA NeMo工具包，该模型可用于推理或微调，适合多领域音频转录。

parakeet-rnnt-1.1b - 高性能英语语音识别模型实现优异音频转文本效果

FastConformerGithubHuggingfaceNeMoTransducer开源项目模型自动语音识别英语语音模型

parakeet-rnnt-1.1b是NVIDIA NeMo和Suno.ai联合开发的英语语音识别模型。基于FastConformer Transducer架构，该模型拥有11亿参数，在64000小时英语语音数据上训练。它能准确将语音转录为小写英文文本，并在多个标准数据集上表现出色。研究人员可通过NeMo工具包使用该模型进行推理或微调，适用于多种语音识别场景。

MASR - 基于Pytorch的开源自动语音识别框架

GithubMASRPytorch开源项目流式识别语音识别预训练模型

MASR是基于Pytorch开发的自动语音识别框架，支持流式和非流式识别。框架集成了多种模型，如deepspeech2、conformer等，可用于短语音和长语音识别。MASR具备集束搜索和贪心解码功能，提供预训练模型，支持多设备部署。项目设计简洁实用，支持中英文识别，并配有完整文档。

faster-whisper-large-v1 - CTranslate2模型转换助力高效语音识别

CTranslate2GithubHuggingfaceWhisper large-v1开源开源项目模型模型转换自动语音识别

项目展示如何将openai/whisper-large模型转换为高效的CTranslate2格式，支持多语种语音转录，适合高精度及快速处理场景。

soundstorm-pytorch - 基于PyTorch的高效并行音频生成模型

GithubPytorchSoundStorm人工智能开源项目深度学习音频生成

SoundStorm是Google DeepMind开发的高效并行音频生成模型，本项目提供其PyTorch实现。该模型将MaskGiT技术应用于Soundstream的残差向量量化编码，采用Conformer架构。项目包含完整的训练和生成代码，支持原始音频处理和文本到语音转换。此实现整合了多个相关模型，旨在促进前沿语音合成技术的应用与研究。

whisper - 多语种语音识别与翻译解决方案

GithubOpenAITransformer模型Whisper多语言处理开源项目热门语音识别

Whisper是一个通用语音识别模型，支持多种语言处理任务，如语音翻译和语言识别。该模型基于大规模多样化音频数据集进行训练，利用Transformer技术实现高效的序列到序列学习。用户可以通过简单的命令或Python代码实现快速准确的语音识别与翻译，是一个适用于多种应用场景的强大工具。支持多个模型大小和语言选项，用户可根据需求选择合适的模型。

相关项目

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。

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