LookOnceToHear

视觉引导的智能目标语音提取系统

Look Once to Hear 语音分离智能听力系统目标说话人识别音频处理 Github 开源项目

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。

GithubHomebrewIchigo多模态模型实时语音AI开源项目语音理解

Ichigo是一个开放的研究项目，旨在为文本语言模型增加本地化的语音交互能力。使用早期融合技术与公开数据和权重，它可以在设备端运行，类似本地化的Siri。项目的近期进展包括提升模型在复杂交互中的语音指令跟随能力，并训练模型在背景噪音中拒绝非语音输入。项目还提供开放的合作机会，计划未来通过众包进行语音数据集扩展。更多技术细节及成果已在最新发布的研究论文中详述。

ai-devices - 智能语音助手现支持多语音模型和视觉推断技术

AI设备GPT-4GithubOpenAI开源项目语音输入镜像处理

本项目是AI驱动的智能语音助手，集成多种AI模型和服务。支持语音输入、文字转语音、图片处理及功能调用，提供高级视觉推断，保障用户获得全面的智能交互体验。主要支持最新的gpt-4o和gemini-1.5-flash-latest视觉模型，满足现代科技需求。

3D-Speaker - 开源多模态说话人识别与验证工具包

3D-SpeakerGithubModelScope开源工具包开源项目说话人验证预训练模型

3D-Speaker是一个开源的单模态和多模态说话人验证、识别和分离工具包。它提供ERes2Net、CAM++等预训练模型，适用于多种说话人相关任务。该项目发布的大规模语音数据集3D-Speaker有助于语音表示解耦研究。3D-Speaker支持有监督和自监督训练，以及语言识别等多种实验设置，为研究人员提供全面的说话人技术解决方案。

EchoMimic - 音频驱动的逼真人像动画系统支持关键点编辑

AI模型EchoMimicGithub关键点条件开源项目肖像动画音频驱动

EchoMimic是一个音频驱动的人像动画系统，通过编辑关键点来控制动画效果。系统支持英语和中文音频输入，可生成自然的口型、表情和头部动作。项目开源了推理代码和预训练模型，可用于生成高质量的说话头视频，适用于虚拟主播等应用场景。

FunAudioLLM-APP - 开源语音交互与实时翻译应用

FunAudioLLMGithub人工智能开源项目语音翻译语音聊天音频处理

FunAudioLLM-APP是一个开源项目，包含Voice Chat和Voice Translation两个应用。Voice Chat提供AI驱动的对话系统，实现自然的语音交互。Voice Translation提供实时语音翻译功能，帮助不同语言使用者进行沟通。项目整合了CosyVoice和SenseVoice技术，旨在提升语音交互和翻译体验。

awesome-speech-recognition-speech-synthesis-papers - 语音识别与合成技术研究关键论文集锦

Github开源项目深度学习神经网络自动语音识别语音合成语音识别

本项目汇聚了语音识别与语音合成领域的重要研究论文，涵盖多个子领域，包括自动语音识别（ASR）、说话人验证、声音转换和语音合成（TTS）等。提供广泛的研究成果和方法论参考，这些资源可以帮助研究人员和开发人员探索从文本到音频的转换技术和相关音乐建模应用。该资源适用于学术研究和实际开发中的技术革新和行业推动。

ChatTTS_Speaker - AI语音合成稳定性评估与特征标记工具

ChatTTSGithub声纹识别开源项目稳定性评估音色打标音色评分

ChatTTS_Speaker项目基于ChatTTS开发，专注于AI合成语音的稳定性评估和特征标记。项目利用ERes2NetV2模型对2600个音色进行评分，评估包括长句、多句和单句的稳定性，以及音色的性别、年龄和特征识别。提供音色下载功能和详细的评分参数解释，为AI语音合成研究和应用提供有价值的参考数据。

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。

hallo - 分层音频驱动人像动画合成框架

AI动画GithubHallo人像动画开源项目视频合成语音驱动

Hallo是一个分层音频驱动的视觉合成框架，用于生成人像图像动画。该框架可根据输入音频创建高质量的说话头像视频，支持重现多种经典电影场景。Hallo采用分层设计，整合多个先进模型，实现精细的面部表情和唇形同步。项目提供完整的训练和推理代码，适用于多种应用场景。

AbSViT - 创新视觉注意力模型实现自适应分析合成

AbSViTGithub图像分类开源项目视觉注意力计算机视觉语义分割

AbSViT是一个创新视觉注意力模型，采用分析合成方法实现自适应的自上而下注意力机制。该模型在ImageNet分类和语义分割任务中表现优异，尤其在鲁棒性测试中展现出色性能。AbSViT能够适应单目标和多目标场景，并根据不同问题动态调整注意力。这一模型为计算机视觉领域开辟了新的研究方向，有望在多种视觉任务中发挥重要作用。

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。

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。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com