Project Icon

whisper-hindi-medium

客户端优化印地语ASR模型

该项目优化了Whisper模型,以提高印地语的语音识别准确性。经过多种公开ASR数据集的训练与评估,实现了最低WER为6.82的性能优化。相关代码库在GitHub上提供,支持模型重用和快速推理。

fine-tune-mistral - Mistral大语言模型全量微调开源项目
GithubHugging FaceMistral开源项目微调模型训练深度学习
fine-tune-mistral是一个专注于Mistral 7B大语言模型全量微调的开源项目。项目提供完整训练代码和使用说明,支持多GPU训练。其中包含多项训练技巧,如学习率调整和数据量建议等。项目还强调通过评估任务来衡量模型性能改进。该工具为研究者提供了一个进行Mistral模型定制化的便捷平台。
HierSpeechpp - 分层变分推理实现高质量零样本语音合成
AI模型GithubHierSpeech++变分推理开源项目语音合成零样本
HierSpeech++项目提出了一种基于分层变分推理的零样本语音合成技术。该技术通过文本到向量框架生成语音表示,显著提高了合成语音的自然度和表现力。项目还引入了语音超分辨率框架,可将音频从16 kHz提升至48 kHz。实验表明,HierSpeech++在零样本语音合成任务中优于现有的基于大语言模型和扩散模型的方法,首次实现了人类水平质量的零样本语音合成。
faster-whisper-GUI - 多功能GUI软件,支持语音识别与文件转录
GithubPySide6faster-whisper-GUIwhisperX开源项目模型下载音频转写
faster-whisper-GUI,一个带有PySide6技术的GUI软件,支持whisperX、Demucs等音频处理模型。用户可以从软件中下载、转换模型,设置VAD与whisper模型参数,支持多种文件格式转录。软件界面可多语言操作,并严格遵守法律法规。
wav2vec2-xls-r-300m-cv7-turkish - 基于Wav2vec2优化的土耳其语语音识别模型
Common VoiceGithubHuggingfacewav2vec2-xls-r-300m土耳其语开源项目机器学习模型模型语音识别
该模型是在wav2vec2-xls-r-300m基础上针对土耳其语优化的自动语音识别系统。通过Common Voice 7和MediaSpeech数据集训练,结合N-gram语言模型,在Common Voice 7测试集上实现8.62%词错误率和2.26%字符错误率。模型为土耳其语语音识别提供了高效可靠的开源解决方案,适用于多种语音识别场景。
whispering-ui - 多功能实时语音处理开源应用
AI模型GithubWhispering Tiger UI实时翻译开源工具开源项目语音转写
Whispering Tiger UI是一个开源项目,提供原生用户界面来控制Whispering Tiger应用。它能够处理实时音频流和游戏画面,进行转录和翻译,并通过WebSocket或OSC将结果输出到浏览器或VRChat。核心功能涵盖语音转文字、文本翻译、文字转语音和图像识别。该工具支持插件扩展,界面友好,适合不同经验水平的用户使用。
speech-to-text - 实时音频转录系统,兼容多种格式,具备高级配置
GithubNVIDIA GeForce RTX 3060PythonSilero VADfaster-whisper实时转录开源项目
该开源项目使用Silero VAD技术检测静音部分,并结合Faster-Whisper将音频数据转录为文本。支持多种音频格式(如wav、mp3、ogg)和高级设置,如重复惩罚和无重复ngram大小。其HTML界面允许进行详细配置,并能同步显示转录结果,支持CUDA环境运行,兼容最新的Faster-Whisper版本(1.0.3),提升转录速度和准确性。
speech-resynthesis - 基于离散解耦自监督表示的语音重合成技术
Github开源项目自监督学习表示学习语音合成语音编码语音重合成
该项目开发了一种新型语音重合成方法,采用自监督学习的离散表示技术,分别提取语音内容、韵律信息和说话人特征。这种方法实现了可控的语音合成,在重建质量和特征解耦方面表现优异。此外,该技术还可应用于超轻量级语音编解码,以365比特/秒的低比特率提供高质量语音输出。项目提供完整的训练和推理流程,兼容多种数据集和自监督学习方法。
auto-subs - Davinci Resolve用户的高精度字幕生成和翻译工具
Davinci ResolveGithubOpenAI WhisperStable-TS字幕生成开源项目跨平台
使用OpenAI Whisper和Stable-TS技术进行高精度转录,生成自定义风格的字幕。此工具完全免费并在Davinci Resolve中本地运行,兼容Mac、Linux和Windows系统,支持免费版和Studio版。通过字幕导航器可快速跳转时间线位置,新功能包括将任意语言翻译成英文。提供详细教程与手动设置指南,帮助用户轻松上手。
Whisper-WebUI - 多功能字幕生成和翻译工具,支持多种Whisper实现
GithubGradioWhisper-WebUI字幕生成器开源项目翻译语音转文字
Whisper-WebUI是基于Gradio的浏览器界面,支持从文件、YouTube和麦克风生成字幕,并提供多语言翻译。用户可以选择不同的Whisper实现,如openai/whisper、faster-whisper和insanely-fast-whisper,支持SRT、WebVTT、txt等多种字幕格式。功能包括语音转文字翻译、音频预处理(Silero VAD)和说话人分离(pyannote)。提供详细的安装指南与自动安装脚本,并且兼容Docker运行,提升VRAM利用率和转录速度。
hubert-xlarge-ls960-ft - 采用大规模LibriSpeech数据集微调的HuBERT模型,展示前沿语音识别性能
GithubHubertHuggingface开源项目模型聚类自动语音识别自监督学习语音表示学习
HuBERT模型通过LibriSpeech数据集上的960小时微调,提供准确的自动语音识别功能。解决大声单元处理、无词汇表和声单元长度可变等挑战,并在多项基准测试中与wav2vec 2.0性能相当或更优。通过自监督学习和离线聚类,得益于1B参数模型,显著降低了错误率,成为语音识别的关键突破方法。
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