Project Icon

XPhoneBERT

多语言音素表示模型助力TTS性能提升

XPhoneBERT是一种创新的多语言音素表示预训练模型,专为文本转语音(TTS)系统设计。基于BERT-base架构,该模型利用RoBERTa方法对近100种语言的3.3亿音素级句子进行训练。研究显示,将XPhoneBERT用作输入音素编码器能够显著增强神经TTS模型的自然度和韵律表现,同时在训练数据有限的情况下也能生成高质量语音。这一模型支持广泛的语言,并可通过transformers库便捷集成。

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。
deepvoice3_pytorch - 基于卷积网络的文本到语音合成技术
DeepVoice3GithubPyTorch多说话者模型开源项目文本转语音预训练模型
DeepVoice3_pytorch是基于PyTorch的文本到语音深度学习平台,支持多语种和多数据集,包括英语、日语和韩语,适合多个说话者或单个说话者。项目提供预训练模型、音频样本、在线演示及详尽的训练指南,旨在简化用户的使用过程,并能灵活定制个性化的语音合成应用。
wav2vec2-lv-60-espeak-cv-ft - 利用微调的wav2vec2模型提升多语言语音和语素识别能力
GithubHuggingfaceWav2Vec2开源项目模型自主学习自动语音识别语音识别跨语言
wav2vec2-large-lv60模型经过多语言Common Voice数据集微调,实现跨语言语音与语素识别。模型在16kHz采样率的语音输入下输出语素标签,需使用语素到单词的映射字典进行转换。该方法在未见语言的转录中表现优异,超过以往单一语言模型的效果。
TensorFlowTTS - TensorFlow 2驱动的多模型实时语音合成系统
GithubTensorFlowTTS多语言支持实时处理开源项目模型优化语音合成
探索TensorFlowTTS:快速、灵活的多语言语音合成平台,采用最新技术如Tacotron-2、MelGAN,可部署于移动设备,助力全球开发者创造多语种语音应用。
parler-tts-mini-v1 - 通过文本提示控制的轻量级语音合成模型
GithubHuggingfaceParler-TTS人工智能开源项目文本转语音模型自然语言处理语音合成
Parler-TTS Mini v1是一个经过45K小时音频数据训练的轻量级文本转语音模型。该模型能生成高质量、自然的语音,并通过简单的文本提示控制语音特征,包括性别、背景噪音、语速、音高和混响等。它支持随机语音和特定说话人语音生成,是开源Parler-TTS项目的组成部分,为社区提供TTS训练资源和数据集预处理工具。
wav2vec2-xls-r-1b - 大规模多语言语音预训练模型支持128种语言处理
GithubHuggingfaceXLS-R多语言模型开源项目模型语音处理语音识别预训练
Wav2Vec2-XLS-R-1B是Facebook AI开发的大规模多语言语音预训练模型,拥有10亿参数。该模型在436K小时的公开语音数据上训练,涵盖128种语言。在CoVoST-2语音翻译基准测试中平均提升7.4 BLEU分,BABEL等语音识别任务错误率降低20%-33%。适用于语音识别、翻译和分类等任务,需要16kHz采样率的语音输入进行微调。
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。
byt5-xl - 基于原始字节的多语言自然语言处理模型
ByT5GithubHuggingfaceTransformer架构多语言模型字节级处理开源项目模型自然语言处理
ByT5-xl是一种基于原始UTF-8字节的多语言预训练模型,无需使用分词器。该模型在mC4数据集上进行预训练,采用标准Transformer架构,在处理噪声文本数据方面表现出色。与传统基于token的模型相比,ByT5-xl在参数数量、训练效率和推理速度上保持竞争力,同时在拼写和发音敏感任务中展现出更优异的性能。这使得ByT5-xl成为多语言自然语言处理任务的有力工具。
pixel - 像素编码语言模型,无需固定词汇表实现多语言处理
BERTGithubPIXELVision Transformer图像编码开源项目语言模型
PIXEL是一个将文本渲染为图像进行语言处理的模型,消除了固定词汇表的需求。在同样的数据上,PIXEL在非拉丁脚本的语法和语义处理上优于BERT。PIXEL由文本渲染器、编码器和解码器组成,采用ViT-MAE技术实现图像级语言模型。用户可以通过Gradio演示体验PIXEL,并查看预训练和微调指南。未来将提供渲染指南、优化模型及HuggingFace transformers的集成。
silero-models - 提供预训练的企业级语音识别和合成模型
GithubONNXPyTorchSilero Models开源项目文本转语音语音识别
silero-models展示高质量预训练语音识别与合成模型,提供简化的企业级语音技术解决方案,性能匹敌谷歌STT。模型即用、支持多语言、语音合成自然,将企业和开发者的部署流程简化至极致。
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

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。

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