LPCNet

低复杂度神经语音合成与压缩算法

LPCNet是一种基于WaveRNN的低复杂度语音合成算法实现。通过结合线性预测技术，该项目在普通CPU上实现高质量语音合成，并支持1.6 kb/s的超低比特率压缩。LPCNet提供开源代码用于语音合成和编码研究，包括模型训练、优化以及实时包损失隐藏等功能，为语音技术研究和应用奠定基础。

Github

论文

介绍相关项目

s2t-small-librispeech-asr - 小型LibriSpeech语音识别模型的高效自动化

GithubHuggingfaceLibriSpeechSpeech2Texts2t-small-librispeech-asr开源项目模型自动语音识别语音转换文本

s2t-small-librispeech-asr是一种小型端到端语音识别模型，使用LibriSpeech ASR语料库进行训练。该模型采用自回归的方式生成转录文本，并结合Pytorch及其工具如torchaudio和sentencepiece以提高准确性。在LibriSpeech“clean”和“other”测试集上的WER分别为4.3和9.0，可满足高性能语音识别应用的需求。

wav2lip_288x288 - 改进版Wav2Lip 高分辨率唇形同步与先进算法集成

GithubWav2Lip唇形同步开源项目模型优化深度学习视频处理

wav2lip_288x288是Wav2Lip项目的改进版本，致力于提升唇形同步的质量和分辨率。该项目支持288x288至512x512的模型尺寸，整合了PRelu、LeakyRelu等先进技术，并采用SAM-UNet架构。项目提供详细的训练流程，包括Syncnet和wav2lip-Sam的训练步骤。目前正在开发基于DINet的全流程训练功能，涵盖使用DeepSpeech的Syncnet训练和DINet帧训练。这些优化旨在实现更精确、更高质量的唇形同步效果。

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。

Whisper-Finetune - 微调与加速Whisper模型

GithubOpenAIWhisper加速推理开源项目微调语音识别

本项目使用Lora技术微调了OpenAI的Whisper语音识别模型，并支持CTranslate2和GGML加速。模型能够进行无时间戳、有时间戳及无语音数据训练，并支持中文和98种其他语言的语音转文本及翻译。开源了多个适用于不同需求的模型，支持Windows、Android和服务器部署。提供详细的安装教程和使用说明，以及AIShell和WenetSpeech数据的评估和推理速度测试表，方便用户快速上手。

SqueezeLLM - 硬件资源优化下的大语言模型量化服务

GithubSqueezeLLM内存优化大语言模型开源项目模型压缩量化

SqueezeLLM通过密集与稀疏量化方法降低大语言模型的内存占用并提升性能，将权重矩阵拆分为易量化的密集组件和保留关键部分的稀疏组件，实现更小内存占用、相同延迟和更高精度。支持包括LLaMA、Vicuna和XGen在内的多个热门模型，提供3位和4位量化选项，适用于不同稀疏度水平。最新更新涵盖Mistral模型支持和自定义模型量化代码发布。

tacotron - 谷歌发展的全自动语音合成模型Tacotron

Brain teamsGithubGoogleSound UnderstandingTacotron开源项目语音合成

由Google的声音理解与大脑团队开发的Tacotron，是一款实现自动语音生成的模型。包含相关论文的音频样本。注意：此模型不是Google的官方产品。

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。

mimi - 先进神经音频编解码器实现高效语音处理

GithubHuggingfaceKyutaiMimi开源项目模型神经网络语音处理音频编解码器

Mimi是Kyutai开发的先进音频神经编解码器，融合语义和声学信息，以12Hz速率和1.1kbps比特率处理音频。采用流式编码器-解码器架构和量化潜在空间，通过端到端训练。该模型适用于语音语言模型和文本到语音系统开发，提供高质量音频压缩和高效解码，支持实时语音信号处理。Mimi在语音处理领域展现出显著潜力，但应当避免用于不当目的。

nncf - Neural Network Compression Framework：高效神经网络推理压缩算法

GithubNeural Network Compression FrameworkONNXOpenVINOPyTorchTensorFlow开源项目

Neural Network Compression Framework (NNCF) 提供一套后训练和训练时的优化算法，用于在 OpenVINO 中优化神经网络推理，保证最小的精度损失。NNCF 支持 PyTorch、TensorFlow 和 ONNX 等模型，并提供示例展示不同压缩算法的使用案例。NNCF 还支持自动化模型图转换、分布式训练和多种算法的无缝组合，支持将压缩后的 PyTorch 模型导出为 ONNX 检查点及将 TensorFlow 模型导出为 SavedModel 格式。

BitNet-Transformers - 缩放1-bit大语言模型，提高GPU内存利用率

BitNet-TransformersGithubHuggingfaceLLama(2)Wikitext-103pytorch开源项目

BitNet-Transformers项目使用Llama (2)架构，并通过1-bit权重缩放技术，实现对大型语言模型的高效训练和推理。该项目基于Huggingface Transformers，显著降低了GPU内存占用，从原始LLAMA的250MB减少到BitNet模型的最低要求。用户可通过wandb实时追踪训练进度，并在Wikitext-103上进行训练。项目提供了详细的开发环境配置和训练步骤指南，为研究者和开发者提供有力支持。

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