Project Icon

pesto

基于机器学习的高效音高估计开源工具

PESTO是一个开源的音高估计工具,基于机器学习技术开发。该项目获得ISMIR 2023最佳论文奖,具有出色的性能和快速的处理速度。PESTO支持多种音频格式,提供命令行和Python API接口,便于集成使用。与CREPE相比,PESTO的模型参数更少,但在主要数据集上表现相当。适用于需要高效音高估计的音频处理应用。

GST-Tacotron - PyTorch实现的自动语音合成与风格控制模型
GST-TacotronGithubPyTorch中文支持多说话人数据集开源项目语音合成
GST-Tacotron是一个基于PyTorch的端到端语音合成系统实现,实现无监督风格建模、控制与转移技术。该项目已增加对Blizzard数据集的支持,同时提供了预训练模型,专门针对中文数据集进行训练。支持简单的命令行操作以训练模型和生成.wav格式的语音文件,方便研究人员和开发者在多说话人数据集上进行语音合成实验。
PaddleSpeech - 全面的开源语音处理工具集,涵盖语音识别、语音合成、说话人验证等多项功能
GithubPaddleSpeech声纹识别开源项目文本转语音热门语音合成语音识别
PaddleSpeech是基于PaddlePaddle平台的开源语音处理工具集,覆盖自动语音识别、文本转语音合成、说话人确认及声音分类等多项功能,提供易于使用、高效和灵活的模型,支持各类语音相关任务。工具集包含全流程服务,支持流式识别与合成系统,为研究和工业应用提供强大支持。
Transformer-TTS - 神经语音合成系统
GithubPyTorchTacotronTransformer-TTS开源项目神经网络语音合成
Transformer-TTS,一个基于Pytorch的高效神经语音合成系统。它使用Transformer网络,且训练速度是传统seq2seq模型的3到4倍。不仅提供预训练模型,其合成语音质量经实验证明优异。同时,项目支持自定义学习模型及策略,包括Noam式预热衰减学习率及关键的梯度裁剪等,是语音合成研究的理想选择。
speech-to-text - 实时音频转录系统,兼容多种格式,具备高级配置
GithubNVIDIA GeForce RTX 3060PythonSilero VADfaster-whisper实时转录开源项目
该开源项目使用Silero VAD技术检测静音部分,并结合Faster-Whisper将音频数据转录为文本。支持多种音频格式(如wav、mp3、ogg)和高级设置,如重复惩罚和无重复ngram大小。其HTML界面允许进行详细配置,并能同步显示转录结果,支持CUDA环境运行,兼容最新的Faster-Whisper版本(1.0.3),提升转录速度和准确性。
Music AI - 先进的音频AI平台助力音乐和声音技术创新
AI工具AI音频模型开发工具隐私安全音乐处理音频智能平台
Music AI平台为音频和音乐领域提供先进的AI模型和工具。该平台集成了50多个AI模块,支持自定义工作流,并提供用户友好的界面和API。Music AI注重数据安全和隐私保护,将AI视为创意过程的辅助工具。平台已处理超10亿分钟音频,日均处理210万分钟,服务4800万用户,成为音频技术创新的重要基础设施。
pianotrans - 钢琴录音转MIDI工具 支持高精度转录和踏板效果
ByteDanceGUIGithubMIDI多平台支持开源项目钢琴转录
pianotrans是一个基于ByteDance钢琴转录系统的图形界面工具,可将钢琴录音或视频转换为包含踏板信息的MIDI文件。支持Windows、Linux和macOS系统,提供批量处理和GPU加速功能。这个工具为钢琴演奏的数字化和分析提供了便捷解决方案。
musiclm-pytorch - Pytorch实现的音乐生成模型MusicLM
AudioLMGithubMuLaNMusicLMPytorch开源项目音乐生成
MusicLM-Pytorch通过使用Google的新型SOTA音乐生成模型来生成音乐。该项目结合了文本条件的AudioLM和MuLan文本-音频对比学习模型。通过MuLaNEmbedQuantizer获取条件嵌入,用户可以在经过训练后,实现语义、粗粒度和细粒度的三种AudioLM转换器的音乐生成。项目包含详细的安装和使用指南,适合对AI音乐生成技术感兴趣的开发者。
larger_clap_music_and_speech - 专为音乐和语音优化的CLAP音频-文本对比学习模型
CLAPGithubHuggingface开源项目机器学习模型神经网络语音处理音频分类
larger_clap_music_and_speech是一个针对音乐和语音优化的CLAP模型。它结合SWINTransformer和RoBERTa处理音频和文本特征,实现潜在空间的特征映射。该模型支持零样本音频分类和特征提取,可在CPU和GPU上运行。作为音频理解和分析的有力工具,它在音乐识别和语音处理等领域具有广泛应用前景。
AudioLDM2 - 多功能文本到音频生成开源项目
AudioLDM 2Github人工智能开源项目文本生成音频深度学习音频合成
AudioLDM2是一个开源的文本到音频生成项目,支持创建音效、音乐和语音。该模型能生成超过10秒的音频,输出高达48kHz的高保真音频,并与Hugging Face Diffusers库集成。AudioLDM2提供多个预训练检查点,适用于不同生成任务,支持CPU、CUDA和MPS设备。用户可通过命令行或Web应用程序使用,提供灵活的音频生成选项。项目还包括随机种子调整功能,可优化不同硬件上的性能表现。支持批量生成和自动质量控制,允许用户生成多个候选音频并选择最佳结果。此外,项目提供了详细的使用说明和参数设置选项,方便用户根据需求调整生成过程。
echogarden - 多功能语音处理工具集支持跨平台使用
EchogardenGithub开源项目文本转语音语音处理语音工具集语音转文本
Echogarden 是一个功能全面的开源语音处理工具集,提供文本转语音、语音识别、语音对齐和翻译等多项功能。该工具集适用于 Windows、macOS 和 Linux 平台,安装和使用简便。Echogarden 采用 TypeScript 开发,通过 WebAssembly 和 ONNX 运行时实现跨平台兼容,无需复杂依赖。目前主要提供命令行界面,支持批量处理,未来计划开发图形界面和交互式工具。
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

稿定AI

稿定设计 是一个多功能的在线设计和创意平台,提供广泛的设计工具和资源,以满足不同用户的需求。从专业的图形设计师到普通用户,无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑,稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合,帮助用户轻松实现创意设计。

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