Project Icon

wav2vec2-large-danish-npsc-nst

基于XLS-R微调的高性能丹麦语语音识别模型

wav2vec2-large-danish-npsc-nst是一个针对丹麦语语音识别优化的模型,基于chcaa/xls-r-300m-danish进行微调。经过15轮训练,模型在评估集上表现出色,损失降至0.0587,词错误率仅为6.69%。采用Adam优化器、线性学习率调度和混合精度训练等先进技术,显著提升了模型性能。

nb-whisper-large-beta - 挪威国家图书馆开发的多语言语音识别模型NB-Whisper
GithubHuggingfaceNB-Whisper人工智能开源项目挪威语机器学习模型语音识别
NB-Whisper是挪威国家图书馆开发的自动语音识别和语音翻译模型系列。基于OpenAI的Whisper架构,使用20,000小时标注数据训练,支持挪威语、挪威博克马尔语、挪威尼诺斯克语和英语。该模型能将口语转换为语法正确的书面语句,目前处于公开测试阶段,提供从tiny到large共5种规模可供选择。NB-Whisper在挪威语语音识别领域达到了最先进水平,但仍存在幻觉和丢失部分转录内容的问题。
wav2vec2-large-xlsr-53-gender-recognition-librispeech - Wav2Vec2模型在Librispeech数据集上的音频性别识别应用
GithubHuggingfaceLibrispeechwav2vec2开源项目性别识别模型深度学习语音识别
这是一个基于facebook/wav2vec2-xls-r-300m模型在Librispeech-clean-100数据集上微调的音频性别识别模型。模型在评估集上达到0.9993的F1分数,性能表现优异。项目提供了完整的推理代码,包括自定义数据集处理和批量音频处理功能。训练过程采用了Adam优化器和线性学习率调度等策略。该模型为音频性别识别任务提供了一个高效可靠的解决方案。
wav2vec2-base-superb-er - 基于Wav2Vec2的语音情感识别模型实现高精度声学特征提取
GithubHuggingfaceIEMOCAPSUPERBWav2Vec2开源项目情感识别模型语音识别
wav2vec2-base-superb-er是一个针对SUPERB情感识别任务优化的语音情感识别模型。该模型可从16kHz采样的语音中提取声学特征,识别说话者的情感状态。经IEMOCAP数据集训练后,模型能识别4种主要情感类别,测试集识别准确率为62.58%。模型提供pipeline接口和直接调用方式,便于快速部署语音情感分析应用。
wav2vec2-large-xls-r-300m-Urdu - 基于wav2vec2的乌尔都语语音识别模型
Common VoiceGithubHuggingfaceUrduwav2vec2开源项目模型模型微调语音识别
这是一个基于wav2vec2-xls-r-300m在Common Voice 8数据集上微调的乌尔都语语音识别模型。模型在测试集上达到39.89%的词错误率和16.7%的字符错误率。通过200轮训练,采用线性学习率调度和Adam优化器。模型支持简单的Python代码推理,并可与语言模型集成以提升性能。
chinese_speech_pretrain - 中文语音预训练模型,wav2vec 2.0和HuBERT的开源实现
GithubHuBERTWenetSpeechwav2vec 2.0中文语音识别开源项目语音预训练模型
chinese_speech_pretrain项目开源了基于WenetSpeech数据集训练的中文语音预训练模型。项目包含wav2vec 2.0和HuBERT的BASE与LARGE版本,均使用1万小时多样化中文语音数据训练。模型在自动语音识别任务中表现优异,尤其适合低资源场景。项目提供模型下载及使用指南,可用于语音识别、语音合成等研究领域。
awesome-large-audio-models - 音频AI模型前沿进展与资源汇总
Github大型音频模型开源项目语音合成语音识别跨模态AI音乐生成
本项目汇总了音频AI领域的精选资源,涵盖语音识别、合成、翻译等多个方向的前沿进展。定期更新最新论文和开源实现,为研究者和开发者提供全面了解音频AI发展的平台。内容包括主流大型音频模型、各应用领域技术及大规模数据集,是音频AI研究的重要参考资料。
UniCATS-CTX-vec2wav - 声学上下文感知的创新声码器
CTX-vec2wavGithubUniCATS上下文感知声码器开源项目语音合成
UniCATS-CTX-vec2wav是UniCATS框架中的声学上下文感知声码器。该项目利用上下文VQ-Diffusion和声码化技术进行语音合成,提供完整的训练和推理流程。支持多GPU训练,并提供16kHz和24kHz采样率的预训练模型参数。此开源项目为研究人员和开发者提供了探索先进语音合成技术的平台。
Whisper-Finetune - 语音识别模型的高效微调与加速
GithubWhisper中文识别加速推理开源项目模型微调语音识别
Whisper-Finetune项目致力于优化OpenAI的Whisper语音识别模型。该项目采用Lora技术进行微调,支持多种数据类型的训练,并通过CTranslate2和GGML实现加速推理。此外,项目提供了跨平台应用和服务器部署方案,为语音识别应用开发提供了全面支持。
Chinese-FastSpeech2 - FastSpeech2模型的中文升级
BertProsodyFastSpeech2GithubHifiGAN中文语音合成开源项目韵律模型
Chinese-FastSpeech2项目基于FastSpeech2模型和标贝女声数据改进,引入韵律表征和预测模块增强中文发音的生动度及节奏感。项目提供完整的模型训练、预处理代码,支持交互式与API两种预测方式,并不断更新来优化语音合成服务的自然性。
WaveGrad - 高效实现高保真语音生成的WaveGrad技术
GithubWaveGrad声码器并行训练开源项目混合精度高保真生成
WaveGrad是Google Brain开发的依托去噪扩散概率模型(DDPM)技术的高保真语音合成工具。这一项目特别适用于高迭代推理,并且能在不同硬件上包括单GPU环境进行稳定高效的训练。其主要特点包括高保真声音生成、多迭代支持及分布式训练功能。预训练模型及灵活架构配置加强了其实用性和适应性。
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

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。

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