Project Icon

SpeechMOS

简化语音质量评估的开源工具

SpeechMOS是一款开源的语音质量评估工具,通过简单的代码即可预测主观语音得分。该项目支持多种MOS预测系统,包括UTMOS强模型,可用于评估语音自然度。SpeechMOS使用torch.hub加载模型,无需额外导入库,支持批量处理,适用于语音合成评估等多种场景。这个工具为研究人员和开发者提供了便捷的语音质量评估方法。

FunASR - 综合性开源语音识别与处理工具集
FunASRGithub多任务开源项目模型部署语音识别预训练模型
FunASR是一个全面的开源语音处理工具集,融合了学术研究和工业应用。它不仅支持语音识别模型的训练和微调,还提供了语音活动检测、标点恢复等多种功能。该项目提供大量预训练模型,便于快速构建高效准确的语音识别服务。FunASR以其广泛的功能、高性能和易部署特性,为语音识别技术的研究和应用提供了强大支持。
parrots - 支持多语言的语音识别与语音合成工具套件
GithubParrots多语言支持开源项目自动化语音合成语音识别
Parrots工具套件整合了先进的多语言语音识别与语音合成技术,提供中文、英文及日文支持。其功能强大的ASR与TTS模型旨在为开发者打造快速、高效的语音交互体验。安装简便,适合处理多种语言的语音数据。
voice-activity-detection - 基于pyannote.audio的开源语音活动检测模型
GithubHuggingfacepyannote声音分割开源项目模型语音活动检测说话人分类音频处理
该项目提供基于pyannote.audio 2.1的开源语音活动检测模型,可精确识别音频中的语音片段。支持AMI、DIHARD和VoxConverse等数据集,适用于多种应用场景。用户通过简单的Python代码即可调用预训练模型,实现高效的语音检测。这一工具为语音分析和处理提供了可靠基础,适用于学术研究及商业应用。
Bridge-TTS - 创新方法提升文本转语音合成效果
Bridge-TTSGithubSchrodinger Bridge开源项目文本转语音机器学习语音合成
Bridge-TTS是一个革新性的文本转语音(TTS)项目,利用人工智能和机器学习技术,通过创新的数据处理方法优化语音合成。无论在简单还是复杂的应用场景中,它都显著优于传统的扩散模型。这一突破不仅提升了TTS技术水平,还为语音合成和相关人工智能领域开辟了新的研究方向。项目详情、研究方法和结果可在官方网站查阅,完整源代码将在论文被学术界正式接受后公开发布。
ChatTTS - 高质量中英文对话场景文本转语音模型
AI工具ChatTTS多语言支持对话场景开源模型语音合成
ChatTTS是专注于对话场景的语音生成模型,支持中英双语。经过约10万小时的数据训练,该模型能生成高质量、自然的语音,适用于大型语言模型助手的对话任务和会话式音视频制作。项目团队计划开源基础模型,推动相关研究发展。ChatTTS具有多语言支持和易用性,为开发者和研究人员提供了便捷的文本转语音解决方案。
USLM - 语音信息分层建模与零样本文本转语音的统一框架
GithubLibriTTSSpeechTokenizerUSLM开源项目语音语言模型零样本TTS
USLM是基于SpeechTokenizer构建的统一语音语言模型,结合自回归和非自回归模型实现语音信息的分层建模。该开源项目提供完整的安装指南、预训练模型和零样本文本转语音推理流程。USLM在LibriTTS数据集上训练,展示了语音内容和副语言信息建模的能力,为语音处理研究提供新思路。
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。
stable-audio-open-1.0 - 开源文本转音频模型支持44.1kHz立体声和最长47秒音频生成
GithubHuggingfaceStable Audio Open 1.0人工智能开源项目机器学习模型音乐创作音频生成
Stable Audio Open 1.0是Stability AI推出的开源音频生成模型,通过自编码器、T5文本嵌入和DiT扩散模型架构,将文本转换为最长47秒的44.1kHz立体声音频。模型基于48万条音频数据训练,在音效和环境音生成方面表现突出,支持stable-audio-tools和diffusers两种调用方式。现阶段仅支持英文提示词输入,不具备人声生成能力。
AudioLCM - 基于潜在一致性模型的文本到音频生成系统
AudioLCMGithub开源实现开源项目文本生成音频潜在一致性模型高质量音频生成
AudioLCM是一个开源的文本到音频生成系统,基于潜在一致性模型。该项目提供完整实现代码和预训练模型,支持高效生成高质量音频内容。AudioLCM在ACM-MM'24会议被接受,并在GitHub和HuggingFace平台发布。研究人员可使用预训练模型进行推理,或按指南准备数据集训练自定义模型。项目还包含数据集处理、变分自编码器训练等功能。
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