Logo
Project Icon

TensorflowASR

Tensorflow 2和Conformer结合的端到端语音识别解决方案

TensorflowASR语音识别ConformerCTCONNXGithub开源项目

Tensorflow 2和Conformer结构打造的端到端语音识别模型，支持在线流式和离线识别，实时率约为0.1。该项目提供VAD、降噪、TTS数据增强等功能，并支持ONNX推理优化。训练结果在Aishell-1测试集上表现优异，适用于语音识别。最新更新的Chunk Conformer结构进一步提升了长时间语音识别的准确性和效率。

访问官网访问官网GithubGithub论文论文
介绍相关项目
faster-whisper - 基于CTranslate2对OpenAI的Whisper模型的重新实现
CTranslate2GithubOpenAI Whisper模型faster-whisper开源项目性能比较热门音频转录
faster-whisper是对OpenAI的Whisper模型的重新实现，基于CTranslate2，这是一个针对Transformer模型的高速推理引擎。该实现在保持相同准确率的前提下，速度比openai/whisper快4倍，内存使用也更少。另外，通过在CPU和GPU上使用8位量化，可以进一步提高效率。该项目适用于需要快速、高效语音转写的场景，特别是处理大量语音数据时的实时应用。
ttts - 创新多语言语音合成技术的突破性进展
AI模型GithubTTSVQVAE声音合成多语言支持开源项目
TTTS_v4是一个开源的多语言语音合成项目，通过创新的'细节'建模方法改进了传统VQ技术。该项目现已支持中文、英文、日语和韩语，并具有扩展性。TTTS_v4整合了tokenizer训练、VQVAE训练和GPT语音合成技术，旨在生成高质量的自然语音。此外，项目还提供模型微调功能，适用于多种语言场景和个性化需求。
reazonspeech-nemo-v2 - 改进后的Conformer架构实现日语长音频自动语音识别
ConformerGithubHuggingfaceNeMoReazonSpeech开源项目日语模型语音识别
reazonspeech-nemo-v2是一个基于改进Conformer架构的日语自动语音识别模型。它采用Longformer注意力机制和RNN-T结构，可处理长达数小时的音频。模型在ReazonSpeech v2.0语料库上训练，参数量为619M。通过reazonspeech库，用户可便捷地使用该模型进行日语语音识别。
whisper-tiny.en - 支持时间戳转录的轻量级英语语音识别模型
GithubHuggingfaceONNXTransformers.jsWhisper开源项目时间戳模型自动语音识别
基于transformers.js开发的轻量级英语语音识别模型，集成ONNX格式权重实现Web端部署。模型支持基础文本转录、时间戳转录及单词级时间戳标记等功能，通过JavaScript可快速实现音频转文本识别。
whisper-tiny.en - Whisper微调的英文语音识别模型
GithubHuggingfaceWhisper开源项目数据集模型模型训练深度学习语音识别
这是一个基于Whisper-tiny.en模型开发的轻量级语音识别工具，通过Azure数据集训练优化，主要用于英文语音转文本任务。模型采用线性学习率调度和Adam优化器，经过1000步训练后达到44.34%的词错误率。项目采用开源Apache 2.0许可，基于主流深度学习框架开发，便于开发者集成使用。
TTS - 高性能文本到语音生成库，支持多语言
GithubMozillaTTSText-to-Speech多语言支持开源项目预训练模型
TTS库基于最新研究成果，提供高效的文本到语音生成技术，实现了训练便捷、速度快、质量高的最佳平衡。该库包括预训练模型和数据集质量评估工具，已被广泛应用于20多种语言的产品和研究项目。支持多说话人TTS、快速模型训练、多GPU训练，并兼容PyTorch、TensorFlow和TFLite等多种平台。
wav2vec2-large-lv60 - 深度学习实现高性能语音识别 仅需少量标记数据
GithubHuggingfaceWav2Vec2开源项目模型深度学习语音识别语音预训练音频处理
Wav2Vec2是Facebook开发的语音预训练模型，通过无监督学习从原始音频中提取语音特征。该模型在大规模未标注数据上预训练后，能够以极少量的标注数据实现高性能语音识别。在LibriSpeech测试集上，全量标注数据训练可达1.8/3.3词错率；仅用1小时标注数据即超过先前100小时数据的最佳结果；10分钟标注数据也能实现4.8/8.2词错率。Wav2Vec2为低资源环境下的高质量语音识别提供了新的可能性。
parakeet-tdt_ctc-1.1b - 高性能自动语音识别模型解决方案
GithubHuggingfaceNeMo开源项目快速同构体数据集模型自动语音识别词错误率
parakeet-tdt_ctc-1.1b提供了一个功能强大的语音识别模型，支持将语音转录为包含标点和大写字母的文本。由NVIDIA NeMo和Suno.ai团队联合开发，拥有1.1B的参数规模，能够高效地处理大规模的音频数据。该模型利用局部注意力和全局令牌技术实现单次处理11小时音频。其在多个公开数据集上的出色表现，表明其在语音转录应用中有广泛的适用性和较低的词错误率（WER）。
TensorVox - 用 C++ 编写的神经语音合成桌面应用程序
Coqui-TTSGithubTensorFlowTTSTensorVoxVITS开源项目神经语音合成
TensorVox是为提高神经语音合成技术普及度而设计的桌面应用。支持多语言，不需庞大Python库，该工具通过TensorFlow C API和LibTorch实现轻量级操作。提供清晰易懂的模型训练和导出指南，是语音技术爱好者的顶级选择。
faster-whisper-medium - CTranslate2优化的Whisper medium模型支持多语言音频处理
CTranslate2GithubHuggingfaceWhisper开源项目机器翻译模型模型转换语音识别
这是OpenAI Whisper medium模型的CTranslate2优化版本，支持100多种语言的音频转录和识别。模型采用float16量化，通过faster-whisper库易于集成。它具有高效的推理速度和较小的内存占用，适合快速、准确处理多语言音频的应用场景。用户可根据需求调整计算类型，平衡性能和资源消耗。该模型为开发者提供了灵活、高效的多语言音频处理解决方案。
相关项目
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。

使用协议隐私政策广告服务
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