g2pW

普通话多音字消歧的开源解决方案

g2pW是一个开源的普通话多音字消歧工具，基于条件加权softmax BERT模型。它可将中文文本转换为拼音或注音符号，支持简繁体中文并提供离线使用功能。该项目已集成至PaddleSpeech和pypinyin-g2pW等开源项目中，在语音合成和自然语言处理领域具有广泛应用。

访问官网

Github

论文

介绍相关项目

chinese-bert-wwm-ext - 全词掩码中文BERT模型加速自然语言处理

BERTGithubHuggingface中文处理全词掩码开源项目模型自然语言处理预训练模型

chinese-bert-wwm-ext是一个开源的全词掩码中文BERT预训练模型，致力于提高中文自然语言处理效率。该模型由哈工大讯飞联合实验室开发，通过全词掩码技术增强了对中文语境的理解。项目开放了预训练模型和相关资源，可应用于文本分类、情感分析、问答系统等多种中文NLP任务。研究人员可基于此模型进行定制化微调，以满足特定领域的应用需求。

WhisperS2T - 高效多后端语音识别管道实现快速精准转录

GithubWhisperS2T优化管道多后端支持开源项目语音转文本高速推理

WhisperS2T是一个为Whisper模型优化的开源语音识别管道，提供更快的转录速度。它支持OpenAI原始模型、HuggingFace模型和CTranslate2模型等多种推理引擎。该项目具有集成自定义VAD模型、智能处理音频文件、支持多语言和多任务批处理等特点，并能有效减少幻觉输出。WhisperS2T在保持高准确度的同时大幅提升转录速度，为用户提供高效的语音识别解决方案。

xphonebert-base - 基于BERT的多语言语音合成音素表示预训练模型

GithubHuggingfaceXPhoneBERT多语言模型开源项目模型语音合成音素表示预训练模型

XPhoneBERT是一个面向文本转语音的多语言音素表示预训练模型。它基于BERT-base架构，利用RoBERTa预训练方法在近100种语言的3.3亿音素级句子上进行训练。实验结果显示，将XPhoneBERT作为输入音素编码器能够显著提高神经网络TTS模型的自然度和韵律表现。此外，该模型还能在有限的训练数据条件下生成高质量语音。XPhoneBERT支持多语言文本到音素序列的转换，为跨语言语音合成提供了有力支持。

vits2_pytorch - 单阶段文本到语音转换的效率与质量提升

GithubVITS2单阶段模型对抗学习开源项目文本转语音架构设计

VITS2_pytorch是一款先进的单阶段文本到语音转换模型，采用对抗学习和架构设计改进前代产品。这一最新的非官方实现版本，旨在通过增强模型结构和训练机制，有效提升语音自然度和特征相似性，同时显著降低对音素转换的依赖，从而提高训练和推断的效率。该项目还为专业人士提供了预训练模型和多种语言的样本音频，支持开箱即用的转换学习。

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。

wav2vec2-large-xlsr-53-chinese-zh-cn - 中文自动语音识别模型提供广泛应用支持

Common VoiceGithubHuggingSoundHuggingfaceXLSR Wav2Vec2开源项目模型语音识别语音转录

该模型基于Common Voice、CSS10和ST-CMDS数据集，对facebook的wav2vec2-large-xlsr-53进行了微调，以实现中文自动语音识别。模型能够处理16kHz采样率的语音输入，可通过HuggingSound库直接进行语音转录或使用定制推理脚本。评估结果显示，模型在Common Voice测试数据集上WER为82.37%，CER为19.03%。感谢OVHcloud提供的GPU支持，该模型适用于医药、教育等领域语音数据处理。

AnyGPT - 基于离散序列建模的多模态语言模型

AnyGPTGithub多模态语言模型大语言模型开源项目模态转换离散序列建模

AnyGPT是一款基于离散序列建模的多模态语言模型，能够统一处理语音、文本、图像和音乐等多种模态。该模型通过将不同模态数据转换为统一的离散表示，实现了模态间的转换和自由对话。AnyGPT包含基础模型和聊天模型两个版本，前者实现了四种模态的对齐，后者基于AnyInstruct数据集训练，支持灵活的多模态交互。

wikipron - 多语言发音数据提取与查询API

GithubPython APIWikiPronWiktionary命令行工具多语言发音数据开源项目

WikiPron是一款命令行工具和Python API，用于从Wiktionary提取多语言发音数据，并提供生成的发音词典数据库。它涵盖了基本安装和使用说明，并提供高级选项和配置指南，适合跨语言发音数据挖掘研究。关键特性包括ISO三字母语言码支持、方言指定、转录级别选择、分段机制和括号内容处理。

wav2vec2-xls-r-300m-phoneme - 微调后的Facebook语音处理模型

GithubHuggingfacewav2vec2-xls-r-300m开源项目梯度累积模型模型训练训练超参数语音识别

该模型是在Facebook的wav2vec2-xls-r-300m基础上进行微调，专注于语音处理任务，损失函数为0.3327，字符错误率为0.1332。使用了先进的参数优化和混合精度训练技术，适用于多种语音识别和处理场景。

Bert-VITS2-ext - 实现声音到脸部表情的同步生成的TTS及声音识别的应用

Bert-VITS2GithubTTS开源项目数据预处理表情生成音频质量

Bert-VITS2-ext 专注于TTS及声音识别的创新应用，实现声音到脸部表情的同步生成。该技术结合VITS，支持多语言，适用于复杂交互场景，为动画与虚拟互动领域开辟新可能。

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