Logo
Project Icon

SpeechTokenizer

将语音标记化统一的开源工具

SpeechTokenizer语音标记器语音语言模型RVQ语音信息处理Github开源项目

SpeechTokenizer 是一个开源的语音标记化工具，采用编码器-解码器架构和残差向量量化技术，统一了语义和声学标记。该项目能够分层分离语音信息的不同方面，为语音语言模型提供更精确的输入。它提供了在 LibriSpeech 和 Common Voice 数据集上训练的模型，支持 16kHz 单声道语音处理。项目开源了训练代码和预训练模型，可用于语音处理研究和应用开发。

访问官网访问官网GithubGithubHuggingfaceHuggingface论文论文
介绍相关项目
TTS - 多语言支持和低延迟的先进文本到语音转换技术
Coqui.aiGithubTTS多语言开源项目深度学习语音合成
🐸TTS库提供多达16种语言的高级文本到语音转换模型，支持低于200毫秒的流媒体延迟。它包含丰富的工具用于模型训练和微调，并且拥有超过1100种预训练模型，适用于多语言和多说话人TTS任务。此外，该库还支持高效的语料库分析和管理，为语音合成提供全面支持。
llavanext-qwen-tokenizer - 自动生成Transformers模型卡片的标准化工具
GithubHuggingfacetransformers人工智能开源项目机器学习模型模型卡片自然语言处理
一个开源的模型文档标准化工具，基于Hugging Face Transformers框架开发。工具提供了包含模型详情、使用场景、训练参数等完整的文档模板，帮助开发者快速生成规范的模型卡片文档，实现AI模型信息的统一管理和共享。
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。
vocos - 基于傅里叶变换的快速神经声码器
GithubVocos开源项目深度学习神经声码器语音技术音频合成
Vocos是一款创新的神经声码器，通过生成频谱系数而非时域样本来合成音频波形。它采用GAN训练，支持从梅尔频谱图和EnCodec令牌重建音频，实现了快速高效的音频合成。Vocos的独特设计弥合了时域和傅里叶域神经声码器之间的差距，为音频合成领域提供了新的解决方案。
voice-builder - 开源文本转语音 （TTS） 工具
GithubGoogle Cloud PlatformVoice Builder合成声音开源项目文本到语音
Voice Builder是一个开源的文本到语音转换工具，旨在通过简化用户界面和增强工具灵活性，让用户轻松进行语音合成实验。它使得音声合成更加便捷，特别是支持低资源语言，有效促进技术研究与跨领域协作。
StableTTS - 轻量级流匹配和DiT驱动的新一代TTS模型
GithubStableTTSTTS模型人工智能开源项目语音合成
StableTTS是一款开源的轻量级中英文语音合成模型，参数量仅为1000万。该项目创新性地结合了流匹配和扩散卷积Transformer技术，灵感源自Stable Diffusion 3。StableTTS提供预训练模型，支持推理、微调和WebUI应用。其独特的模型架构包含扩散卷积Transformer块和流匹配解码器，旨在提升语音合成质量。项目还提供了便捷的训练和推理工具，以及Hugging Face在线演示平台。
PortaSpeech - 便携且高质量的PyTorch文本到语音生成工具
GithubPortaSpeechPyTorch实现开源项目文本转语音模型大小音频样本
基于PyTorch的PortaSpeech项目，提供一种高质量且便携的文本到语音转换实现方案。这个项目支持单声道和多声道TTS，包含快速启动指南、多种样本、预训练模型，适合研究和实际开发。它还为数据预处理和模型训练提供详细指南，帮助用户轻松使用并优化其TTS系统。
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。
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。
multi_token - 将多模态嵌入到大语言模型的开源框架
Githubmulti_token图像识别多模态嵌入大语言模型开源项目语音识别
multi_token是一个开源项目，旨在扩展大语言模型的多模态处理能力。该框架支持将图像、音频、文档和视频等多种模态编码为统一格式，并嵌入到单个模型中。它提供了简便的实现方法，使开发者能够轻松构建支持长文档、图像、音频和视频等多模态输入的语言模型。
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

白日梦AI

白日梦AI提供专注于AI视频生成的多样化功能，包括文生视频、动态画面和形象生成等，帮助用户快速上手，创造专业级内容。

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

讯飞绘镜

讯飞绘镜是一个支持从创意到完整视频创作的智能平台，用户可以快速生成视频素材并创作独特的音乐视频和故事。平台提供多样化的主题和精选作品，帮助用户探索创意灵感。

Project Cover

讯飞文书

讯飞文书依托讯飞星火大模型，为文书写作者提供从素材筹备到稿件撰写及审稿的全程支持。通过录音智记和以稿写稿等功能，满足事务性工作的高频需求，帮助撰稿人节省精力，提高效率，优化工作与生活。

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

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