rnnoise

开源深度学习实时语音降噪库

RNNoise是一个开源的基于循环神经网络的噪声抑制库，专注于实时全频带语音增强。它采用混合DSP和深度学习方法，支持48kHz采样率的16位PCM文件处理。该项目提供简单的命令行工具，同时允许用户使用自定义数据集进行模型训练。RNNoise还支持可加载模型，提高了系统的灵活性和适应性。

访问官网

文档

riffusion-model-v1 - 基于稳定扩散的实时音乐生成模型

GithubHuggingfaceRiffusion人工智能开源项目机器学习模型音乐生成音频处理

Riffusion是一个基于稳定扩散技术的文本到音频模型，能够生成音频频谱图并转换为实时音乐。该模型通过微调Stable Diffusion v1.5实现，可根据文本提示生成和修改频谱图像。Riffusion主要应用于音乐创作、教育工具和生成模型研究。项目提供开源代码、模型文件和Web应用程序，使用户能够直接体验实时音乐生成。该开源项目包含完整的模型文件、推理代码和种子图像库，为研究人员和开发者提供了丰富的资源。

NEFTune - 革新语言模型指令微调的噪声嵌入技术

GithubLLM微调NEFTune噪声增强嵌入向量开源项目性能提升

NEFTune是一种创新的语言模型指令微调技术，通过向嵌入向量添加随机噪声来提升模型性能。这种方法无需额外计算资源或数据，却能显著改善对话质量。在AlpacaEval评估中，NEFTune将LLaMA-2-7B模型的性能从29.8%提升至64.7%。作为一种高效的LLM微调方案，NEFTune为模型优化提供了低成本、高收益的解决方案。

brouhaha - 集成语音活动检测、信噪比和房间声学评估的开源音频分析模型

BrouhahaGithubHuggingfacepyannote开源项目房间声学模型语音噪声比语音活动检测

Brouhaha是一个基于pyannote.audio的开源音频分析模型，集成了语音活动检测、语音信噪比和C50房间声学评估功能。该模型采用多任务训练方法，在LibriSpeech、AudioSet等数据集上进行训练，能够同时处理多项语音分析任务。Brouhaha通过简单的Python接口即可使用，为语音处理和声学分析研究提供了便捷工具。该项目在GitHub上开源，为相关领域的研究人员和开发者提供了新的技术支持。

distil-whisper - 快速高效的音频转录模型

Distil-WhisperGithub开源项目机器学习模型压缩自然语言处理语音识别

Distil-Whisper是OpenAI Whisper模型的蒸馏版本，速度提升6倍，模型规模缩小49%，同时保持了相近的准确性。该项目支持短语音和长语音转录，提供多个针对英语语音识别的高效模型。Distil-Whisper还可作为Whisper的辅助模型实现推测解码，在保证输出一致性的同时将速度提升2倍。

WhisperFusion - WhisperFusion 低延迟高性能的实时AI语音交互系统

GPU加速GithubTensorRT优化WhisperFusion大语言模型实时语音转文字开源项目

WhisperFusion是一个开源项目，结合WhisperLive和WhisperSpeech技术，集成Mistral大语言模型，实现实时语音转文本和智能对话。项目采用TensorRT引擎优化模型性能，使用torch.compile加速处理，在RTX 4090 GPU上实现低延迟对话。通过Docker Compose简化部署，方便开发者快速搭建AI语音交互系统。

vocos-mel-24khz - 基于GAN的高效神经声码器Vocos

GANGithubHuggingfaceVocos开源项目梅尔频谱图模型神经声码器音频合成

Vocos是一个开源的神经声码器项目,采用GAN训练方法,能够从声学特征快速合成高质量音频。它通过生成频谱系数并进行傅里叶逆变换重建音频,实现单次前向传播的高效生成。项目提供预训练模型和Python接口,支持梅尔频谱图重建和文件复合合成。Vocos结合了时域和傅里叶域声码器的优点,为音频合成领域提供了新的技术方案。

dla - 深度学习音频处理综合课程

Deep Learning for AudioGithubHSE声源分离开源项目语音生成语音识别

此课程详细介绍了音频深度学习的各个方面，包括数字信号处理、语音识别、源分离、文本转语音、语音转换、语音生物识别及音频生成扩散模型。每周更新课程材料，涵盖从理论讲解到实操的全面学习。提供全面的作业和丰富的学习资源，适合深入了解音频处理技术的人士。

MelNet - MelNet音频频域生成模型的全面实现

GithubMelNetPythonTTS合成开源项目条件生成音频生成

MelNet项目提供了一个在音频频域中生成模型的实现，支持无条件与条件音频生成。该技术兼容多个数据集，包括Blizzard和VoxCeleb2，支持灵活的训练配置，同时实现多GPU训练与TTS合成，不断更新以支持更多音频处理功能。它为致力于音频生成技术研究的开发者和研究人员提供了有力工具。

rknn-llm - 瑞芯微芯片大语言模型部署软件栈

AI模型部署GithubRKLLMRockchip芯片大语言模型开源项目模型转换

rknn-llm是瑞芯微芯片专用的大语言模型部署软件栈，包含模型转换工具RKLLM-Toolkit、运行时库RKLLM Runtime和RKNPU内核驱动。支持RK3588和RK3576系列平台，兼容TinyLLAMA、Qwen、Phi、ChatGLM3等多种主流大语言模型。该项目注重性能优化和量化精度提升，持续增加新功能，为开发者提供高效的AI模型部署方案。

encodec_32khz - 神经网络驱动的实时音频编解码器

EnCodecGithubHuggingfaceMusicGen实时压缩开源项目模型神经网络音频编解码

EnCodec 32kHz是Meta AI研发的实时音频编解码器，采用神经网络和量化潜在空间的流式架构。该模型通过多尺度频谱图对抗机制提升音频质量，支持多种采样率和带宽设置。EnCodec不仅可独立用于音频压缩，还能与MusicGen模型结合进行音乐生成，体现了在音频处理领域的广泛应用潜力。

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