Project Icon

speech-to-text-benchmark

开源语音识别基准测试框架对比多家主流引擎

该项目提供了一个开源的语音识别基准测试框架,对比了Amazon、Azure、Google等主流云服务以及OpenAI Whisper、Picovoice等引擎的性能。框架使用LibriSpeech、TED-LIUM和Common Voice数据集,评估词错率、计算效率和模型大小等指标。测试结果客观展示了各引擎在准确度和资源消耗方面的表现,为选择语音识别解决方案提供了参考依据。

Hey-Jetson - 面向边缘计算的实时语音识别平台
GithubJetsonTensorFlow开源项目深度学习神经网络语音识别
Hey-Jetson项目旨在为边缘计算设备提供高效的语音识别解决方案。该平台利用深度学习技术,整合了膨胀卷积、双向GRU和注意力机制等先进方法,在LibriSpeech数据集上进行训练。经测试,模型在测试集上达到78%的余弦相似度和18%的词错误率,展现出良好的识别性能。此外,项目还提供了基于Flask的API接口,方便在Nvidia Jetson等嵌入式设备上进行实时语音识别推理。
openai-whisper - Next.js实现的自动语音识别,支持实时转录和录音回放
GithubNext.jsopenai-whisper实时转录开源项目自动化转录语音识别
本项目是基于OpenAI Whisper的自动语音识别系统webapp,使用Next.js框架开发。它能自动录音并上传至服务器进行转录和翻译,然后将结果返回前端。支持录音回放以验证输出效果,同时可通过设置消除背景噪音和调整录音暂停时间。项目仍在开发中,提供多种配置选项,适合需要快速实现语音转录功能的开发者。
whisper.api - 开源自托管语音转文字API项目
API密钥GithubWhisper API开源项目自托管语音转文本
whisper.api是一个开源的自托管语音转文字API项目,基于微调的Whisper ASR模型。项目提供HTTP API接口,支持用户级API密钥管理,并采用量化模型优化,实现高效推理。其开源特性便于自定义和私有部署,适用于各类需要语音识别功能的应用场景。
spear-tts-pytorch - Pytorch实现的多说话人文本转语音模型
GithubPyTorchSpear-TTS多说话人开源项目文本转语音注意力网络
Spear-TTS是一个基于Pytorch的多说话人文本转语音模型。该项目实现了高效的文本到语义转换,可用于SoundStorm项目的条件控制。Spear-TTS支持最小监督下的高保真语音合成,集成闪速注意力和推测性解码等技术,为TTS研究和开发提供了有力工具。
EmotiVoice - 开源多声音、情感合成的文本转语音引擎
EmotiVoiceGithub多声音开源开源项目情感合成文本到语音热门
EmotiVoice是一款功能强大的开源文本转语音(TTS)引擎,支持中英文,并配备超过2000种声音选项。其最显著的特点是情感合成功能,用户可以创建表达各种情绪的语音,如快乐、激动、悲伤和愤怒等。EmotiVoice提供易于使用的Web界面和脚本接口,适用于批量生成结果,同时还支持语音速度调整,提供Mac应用程序和HTTP API,增设免费调用次数。
VoiceFlow-TTS - 结合最新流匹配算法的文本转语音技术
GithubKaldiVoiceFlow开源项目数据准备文本转语音模型训练
VoiceFlow-TTS项目采用先进的矫正流匹配技术,提升了文本到语音转换的效率和自然度。此项目详细介绍了设置环境、准备数据、训练模型以及推理过程,支持多GPU并发处理,兼容多种数据集。
whisper-diarization - 基于OpenAI Whisper的音频转录和说话人分离工具
GithubOpenAI WhisperSpeaker Diarization开源项目语音识别说话人分类音频处理
whisper-diarization项目整合了OpenAI Whisper的语音识别技术和先进的说话人分离方法。该工具首先进行人声提取,然后利用Whisper生成转录文本,并通过WhisperX优化时间戳。结合MarbleNet和TitaNet等技术,它能够准确识别多个说话人,最终输出包含说话人标识的精确转录结果。这一开源解决方案特别适合需要处理多人对话音频的场景,为音频转录和分析提供了强大支持。
ChatTTS - 高质量中英文对话场景文本转语音模型
AI工具ChatTTS多语言支持对话场景开源模型语音合成
ChatTTS是专注于对话场景的语音生成模型,支持中英双语。经过约10万小时的数据训练,该模型能生成高质量、自然的语音,适用于大型语言模型助手的对话任务和会话式音视频制作。项目团队计划开源基础模型,推动相关研究发展。ChatTTS具有多语言支持和易用性,为开发者和研究人员提供了便捷的文本转语音解决方案。
whisperkit-coreml - 针对苹果芯片优化的本地化语音识别开源框架
Apple SiliconCoreMLGithubHuggingfaceWhisperKit开源项目模型设备端语音识别
WhisperKit是一个为苹果芯片设备优化的本地语音识别框架,提供高性能的语音转文本功能。该开源项目托管于GitHub,开发者可以通过Hugging Face上的基准测试评估其在实际设备上的表现。WhisperKit使iOS和macOS应用能够实现先进的本地语音识别,无需依赖云服务。
metricgan-plus-voicebank - 基于MetricGAN+的开源语音增强模型实现PESQ 3.15分及STOI 93.0分
GithubHuggingfaceMetricGANPyTorchSpeechBrainVoicebank开源项目模型语音增强
MetricGAN+是一个基于SpeechBrain框架开发的语音增强模型,在Voicebank-DEMAND数据集测试中达到PESQ 3.15分和STOI 93.0分。模型支持16kHz采样率音频处理,提供Python接口实现音频降噪和质量优化。项目开源,可用于语音处理和音频增强等应用场景。
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